Python自动控制control库使用详解：传递函数与响应分析

远山来客

发布时间：2026-10-12| 3人浏览过

原创

本文详细解析Python自动控制控制库 control 的核心接口，涵盖传递函数的创建与零极点提取、典型输入响应计算、频域绘图方法，并针对库内缺失的拉普拉斯逆变换功能提供基于Sympy的可靠替代代码，帮助读者快速完成控制系统建模与仿真。

传递函数构建与基础参数解析

在控制系统的建模中，传递函数是核心数学描述。control 库提供了两种常用的创建方式，分别适用于符号推导与直接系数输入的场景：

import control as ctrl

# 方式 1：基于复频率变量 s 的符号表达式
s = ctrl.tf('s')
sys_sym = 100 / (s ** 2 + 10 * s + 100)

# 方式 2：直接传入分子与分母多项式系数列表
sys_coeff = ctrl.tf([100], [1, 10, 100])

创建实例后，可调用内置方法快速获取系统的动态特性参数：

sys.zero()：求解系统零点。
sys.pole()：求解系统极点。
sys.damp()：返回阻尼比（Damping Ratio）、固有频率（Natural Frequency）与特征根（Eigenvalues）。

系统响应计算与时域指标提取

control 库支持对常见标准输入信号进行时域响应分析。时间参数 T 可传入浮点数（作为响应时长上限）或一维数组（指定采样时间点）。各类响应函数均返回时间轴数组 t 与对应的响应数据数组 response：

# 阶跃响应及动态性能指标
t_step, y_step = ctrl.step_response(sys, T=5)
step_info_dict = ctrl.step_info(sys)

# 脉冲响应、初始状态响应与强制响应
t_imp, y_imp = ctrl.impulse_response(sys, T=5)
t_init, y_init = ctrl.initial_response(sys, T=5)
# 注：forced_response 需额外传入输入信号 U 和时间数组 t
# t_forced, y_forced = ctrl.forced_response(sys, U, t)

当调用 step_info(sys) 时，会返回包含以下关键指标的字典：'RiseTime'（上升时间）、'SettlingTime'（调节时间）、'Overshoot'（超调量）、'PeakTime'（峰值时间）、'SteadyStateValue'（稳态值）等，可直接用于控制器性能评估。

频域绘图与可视化配置

该库底层依赖 matplotlib 进行图形渲染。绘制奈奎斯特图、伯德图与根轨迹图时，调用对应绘图函数后必须执行 plt.show() 才能弹出窗口显示图像：

import matplotlib.pyplot as plt
import control as ctrl

# 传入系统对象或对象列表
ctrl.nyquist_plot(sys)
ctrl.bode_plot(sys)
ctrl.root_locus(sys)

plt.show()

建议在脚本开头添加中文字体配置与负号显示设置，避免坐标轴标签乱码：

plt.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei']
plt.rcParams['axes.unicode_minus'] = False

拉普拉斯逆变换的 Sympy 替代方案

由于原生 control 库暂未封装直接的拉普拉斯逆变换算子，可通过引入 sympy 符号计算包自行构建时域响应类。该类接收一个关于复频率 s 的函数，利用积分变换求出时域表达式 f(t)，并重载 __call__ 方法以便直接传入 numpy 时间数组求值：

import sympy
import numpy as np

class Time_Response:
    '''时域响应计算器'''
    s, t = sympy.symbols('s, t')

    def __init__(self, fun, doprint=False):
        sys_s = fun(self.s)
        # 现代 Sympy 推荐使用顶层函数
        self.f_t = sympy.inverse_laplace_transform(sys_s, self.s, self.t)
        if doprint:
            sympy.pprint(self.f_t)

    def __call__(self, time_array):
        return np.array([float(self.f_t.subs({self.t: i})) for i in time_array])

使用示例如下。此处以单位阶跃输入为例（传递函数除以 s），对比 sympy 解析解与 control 数值解的曲线重合度：

from mod.math_model import Time_Response
import control as ctrl
import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']

f_t_solver = Time_Response(lambda s: 100 / (s**2 + 10*s + 100) / s, doprint=True)
t_vals = np.linspace(0, 1, 100)

fig, axes = plt.subplots(1, 2, figsize=(10, 4))

axes[0].plot(t_vals, f_t_solver(t_vals), color='orange', label='Sympy 逆变换')
axes[0].set_title('Sympy 解析计算')

s = ctrl.tf('s')
sys = 100 / (s**2 + 10*s + 100)
t_ctrl, y_ctrl = ctrl.step_response(sys, T=1)
axes[1].plot(t_ctrl, y_ctrl, color='deepskyblue', label='Control 数值解')
axes[1].set_title('Control 标准求解')

plt.legend()
plt.tight_layout()
plt.show()