简介：这份资源是B站博主Dr.CAN【自动控制原理】专题的完整学习笔记，共13期，面向控制理论零基础或基础不牢的本科生、研究生，尤其适合准备深入卡尔曼滤波、MPC与最优控制方向的学习者。笔记以QQ截屏配合GoodNotes整理，覆盖开环与闭环系统、反馈控制、传递函数、稳定性分析、根轨迹绘制、终值定理与稳态误差、比例积分控制器等核心知识点，并配有平衡车、单摆、减肥代谢等直观类比帮助理解极点分布与系统稳定性。资源包为1个PDF文件，大小约12.27MB，内容按专题顺序编排，便于对照视频逐期复习。目前已有847人学习下载，适合想快速建立自动控制知识框架、为后续进阶课程打基础的同学参考使用。

1. 自动控制原理的笔记为什么值得当成工程手册来啃

很多人第一次翻自动控制原理，都会被拉普拉斯变换、根轨迹、奈奎斯特曲线这一套组合拳打懵，觉得它更像数学课而不是工程课。但真正做过电机调速、温控、无人机姿态或者电源环路补偿的人会告诉你：这门课是少数几门能直接决定你产品稳不稳、响不响、会不会自激的硬功夫。Dr.CAN 这套 13 期全的课程笔记，价值不在于把公式抄一遍，而在于它把「建模—分析—校正—仿真」这条链路完整串了起来，让你在 MATLAB 里跑出一条曲线时，知道它对应现实里哪个物理量在作妖。这篇笔记面向的是想把这门课真正用起来的人：刚学完理论想找落地路径的学生、转行做控制相关开发的工程师、以及需要补系统建模能力的嵌入式从业者。下面我按自己复现这套笔记的路径，把选型理由、参数设置和踩过的坑讲清楚。

2. 从微分方程到传递函数：建模这一步决定了后面所有分析的上限

2.1 为什么先建模再谈控制，而不是直接上 PID

我见过太多人一上来就调 PID，结果波形振荡就加微分，响应慢就加比例，最后系统稍微换个工况就崩。根子在于没有先拿到被控对象的传递函数。自动控制原理里最核心的一步，是把物理系统写成微分方程，再做拉普拉斯变换得到传递函数。这个过程看起来繁琐，但它决定了你后面所有频域分析、稳定性判据、校正设计有没有意义。Dr.CAN 笔记里反复强调的一点是：建模误差会直接放大成控制误差，模型错了，控制器再花哨也是白搭。

常见做法是先用机理建模拿到大致结构，再用实验辨识修正参数。比如一个直流电机，机理上可以写成电枢回路电压方程加机械转动方程，联立消去中间变量后得到角速度对电压的传递函数。但实际电机有摩擦、有饱和、有死区，纯机理模型往往对不上实测曲线，这时候就需要用阶跃响应去反推时间常数和增益。

2.2 用 Python 做符号推导和传递函数构建

笔记里用的是 MATLAB，但很多人手头没有授权，我一般会用 Python 的 sympy 和 control 库来复现。下面这段代码把 RLC 电路的传递函数推出来，并转成 control 库能用的形式。

import sympy as sp import control as ctrl # 定义符号 s, R, L, C = sp.symbols('s R L C') Vin, Vout = sp.symbols('Vin Vout') # RLC 串联电路：Vin 为输入，Vout 为电容两端电压 # 回路电流 I = Vin / (R + L*s + 1/(C*s)) # Vout = I * 1/(C*s) I = Vin / (R + L*s + 1/(C*s)) Vout_expr = sp.simplify(I * (1/(C*s))) # 得到传递函数 Vout/Vin H_sym = sp.simplify(Vout_expr / Vin) print("符号传递函数：", H_sym) # 代入具体参数：R=10Ω, L=1mH, C=100uF H_num = sp.simplify(H_sym.subs({R: 10, L: 1e-3, C: 100e-6})) print("数值传递函数：", H_num) # 提取分子分母系数，转成 control.TransferFunction num, den = sp.fraction(sp.simplify(H_num)) num_coeffs = [float(c) for c in sp.Poly(num, s).all_coeffs()] den_coeffs = [float(c) for c in sp.Poly(den, s).all_coeffs()] sys = ctrl.tf(num_coeffs, den_coeffs) print("control 传递函数：", sys)

这段代码的逻辑是先用 sympy 做符号运算，保证推导过程可追溯，再代入具体数值得到数值传递函数，最后提取系数喂给 control 库。参数说明：R 是电阻，L 是电感，C 是电容，这三个值直接决定系统的自然频率和阻尼比。如果你改 C 的值，会看到谐振峰位置移动，这就是后面频域分析要盯的点。注意 sp.fraction 返回的是分子分母表达式，sp.Poly 的 all_coeffs 是从最高次到常数项排列，control.tf 要求的就是这个顺序。

2.3 建模阶段最容易忽略的初始条件和线性化范围

笔记里有一期专门讲小信号线性化，这个点很多人跳过，结果在实际系统里翻车。比如一个带死区的阀门，你在工作点附近线性化得到的传递函数，只在这个工作点附近有效。一旦工况偏离，模型就失效，控制器表现会突然变差。我一般会在建模文档里明确标注线性化工作点和适用范围，后面调参时如果发现响应异常，先回头检查是不是跑出了线性区。

另一个坑是初始条件。拉普拉斯变换默认零初始条件，但实际系统启动时往往不是零状态。如果你做的是启动过程控制，零初始条件的传递函数只能描述增量行为，绝对量要对齐。这个细节在笔记里没有展开，但做工程时必须心里有数。

3. 时域和频域分析：怎么从一条曲线读出系统会不会振荡

3.1 阶跃响应里藏着的四个关键指标

时域分析最直接的工具就是阶跃响应。笔记里把上升时间、峰值时间、超调量、调节时间这四个指标讲得很细，但我想补充的是它们之间的耦合关系。你不能单独追求某一个指标，比如把上升时间压得很短，超调量往往就会飙上去。我一般会先确定调节时间的硬指标，再在这个约束下找超调量和上升时间的平衡点。

用 control 库可以直接拿到这些指标。下面这段代码对一个二阶系统做阶跃响应，并自动提取指标。

import control as ctrl import numpy as np # 二阶系统：自然频率 10 rad/s，阻尼比 0.5 wn = 10 zeta = 0.5 sys = ctrl.tf([wn**2], [1, 2*zeta*wn, wn**2]) # 阶跃响应 t, y = ctrl.step_response(sys) # 提取指标 info = ctrl.step_info(sys) print("上升时间：", info['RiseTime']) print("峰值时间：", info['PeakTime']) print("超调量：", info['Overshoot']) print("调节时间（2%）：", info['SettlingTime']) # 画图看形状 import matplotlib.pyplot as plt plt.plot(t, y) plt.axhline(1, color='r', linestyle='--') plt.xlabel('Time (s)') plt.ylabel('Amplitude') plt.title('Second-order Step Response') plt.grid(True) plt.show()

逻辑说明：ctrl.step_info 会自动根据响应曲线计算指标，但它的调节时间默认用 2% 误差带，如果你需要 5% 误差带，得自己写判断逻辑。参数说明：wn 是自然频率，决定响应快慢；zeta 是阻尼比，决定超调大小。zeta 小于 1 是欠阻尼，会有超调；等于 1 是临界阻尼，无超调但响应偏慢；大于 1 是过阻尼，响应更慢。实际调参时，zeta 一般取 0.4 到 0.8 之间，兼顾速度和超调。

3.2 伯德图判稳：增益裕度和相位裕度到底看哪个

频域分析里，伯德图是最常用的工具。笔记里讲增益裕度和相位裕度时，很多人会问到底以哪个为准。我的经验是：两个都要看，但优先级取决于你的系统特性。如果系统相位下降很快，相位裕度更关键；如果系统增益变化剧烈，增益裕度更关键。一般工程上要求相位裕度大于 45 度，增益裕度大于 6 dB，这是底线。

用 control 库画伯德图并读取裕度：

import control as ctrl import matplotlib.pyplot as plt # 开环传递函数：G(s) = 100 / (s*(s+10)) sys = ctrl.tf([100], [1, 10, 0]) # 画伯德图 ctrl.bode_plot(sys, dB=True, Hz=False) plt.show() # 读取稳定裕度 gm, pm, wcg, wcp = ctrl.margin(sys) print(f"增益裕度：{20*np.log10(gm):.2f} dB (在 {wcg:.2f} rad/s)") print(f"相位裕度：{pm:.2f} 度 (在 {wcp:.2f} rad/s)")

逻辑说明：ctrl.margin 返回增益裕度 gm、相位裕度 pm、相位穿越频率 wcg、增益穿越频率 wcp。注意 gm 是绝对值，转成 dB 要取 20*log10。参数说明：如果 pm 是负的，说明系统已经不稳定；如果 pm 很小比如小于 30 度，虽然理论稳定，但实际因为建模误差和扰动，很容易振荡。我一般会把 pm 调到 50 度以上再交付。

3.3 根轨迹法在参数扫描时的独特价值

根轨迹法适合看某个参数从 0 变到无穷时闭环极点的走向。笔记里有一期专门讲根轨迹绘制规则，但实际工程中我更常用它来快速判断增益 K 的可调范围。比如你设计了一个比例控制器，想知道 K 从多少开始系统会不稳定，根轨迹图一眼就能看出来。

用 control 库画根轨迹：

import control as ctrl import matplotlib.pyplot as plt # 开环传递函数：G(s) = 1 / (s*(s+2)*(s+5)) sys = ctrl.tf([1], [1, 7, 10, 0]) # 画根轨迹 ctrl.root_locus(sys) plt.show()

逻辑说明：root_locus 会自动扫描增益 K，画出闭环极点轨迹。参数说明：轨迹与虚轴的交点对应的 K 就是临界增益。如果轨迹全部在左半平面，说明系统对任意 K 都稳定；如果有分支进入右半平面，就要限制 K 的上限。这个图在调参时比反复跑仿真快得多。

4. 校正设计：超前、滞后、超前滞后到底怎么选

4.1 三种校正网络的适用场景对比

笔记里把超前校正、滞后校正、超前滞后校正讲得很清楚，但实际选型时容易懵。我一般按下面的逻辑判断：如果系统响应慢但稳定性够，用超前校正提高带宽和响应速度；如果系统稳定性不够但响应速度可以接受，用滞后校正牺牲一点带宽换稳定性；如果既要快又要稳，用超前滞后校正，但设计复杂度最高。

下面这张表是我自己总结的选型参考：

4.2 用 Python 设计一个超前校正器

下面这段代码设计一个超前校正器，把相位裕度从不足提到 50 度以上。

import control as ctrl import numpy as np # 原始开环传递函数 sys = ctrl.tf([10], [1, 3, 2, 0]) # 查看原始裕度 gm0, pm0, _, _ = ctrl.margin(sys) print(f"原始相位裕度：{pm0:.2f} 度") # 目标相位裕度 pm_target = 50 phi = pm_target - pm0 + 5 # 加 5 度余量 phi_rad = np.deg2rad(phi) # 超前校正器参数计算 alpha = (1 + np.sin(phi_rad)) / (1 - np.sin(phi_rad)) # 选择校正器零点频率，一般放在穿越频率附近 wc = 3 # 假设穿越频率约 3 rad/s T = 1 / (wc * np.sqrt(alpha)) # 超前校正器：Gc(s) = (alpha*T*s + 1) / (T*s + 1) Gc = ctrl.tf([alpha*T, 1], [T, 1]) print("校正器传递函数：", Gc) # 校正后系统 sys_comp = Gc * sys gm1, pm1, _, _ = ctrl.margin(sys_comp) print(f"校正后相位裕度：{pm1:.2f} 度") # 对比阶跃响应 t, y0 = ctrl.step_response(ctrl.feedback(sys, 1)) t, y1 = ctrl.step_response(ctrl.feedback(sys_comp, 1)) import matplotlib.pyplot as plt plt.plot(t, y0, label='Before') plt.plot(t, y1, label='After') plt.legend() plt.grid(True) plt.show()

逻辑说明：先算原始相位裕度，再根据目标裕度算需要的相位超前量 phi，然后由 phi 算 alpha，再由穿越频率算时间常数 T。参数说明：alpha 越大，超前越多，但高频增益也越高，噪声放大越严重。T 决定校正器作用的频率范围。注意这里 wc 是假设的穿越频率，实际设计时要迭代几次，因为加校正器后穿越频率会移动。我一般会先估一个 wc，设计完再看新的穿越频率，如果偏差大就重来。

4.3 滞后校正的参数整定和常见误用

滞后校正的核心是把低频增益抬上去，同时不破坏高频段的相位裕度。常见误用是把滞后校正器的零点放得太靠近穿越频率，结果相位被拉低，系统反而更不稳定。我一般把滞后校正器的零点放在穿越频率的十分之一以下，极点再往左推一个 alpha 倍。

# 滞后校正器设计 beta = 10 # 低频增益提升倍数 wc = 3 # 穿越频率 T = 10 / wc # 零点频率取穿越频率的 1/10 # 滞后校正器：Gc(s) = (T*s + 1) / (beta*T*s + 1) Gc_lag = ctrl.tf([T, 1], [beta*T, 1]) print("滞后校正器：", Gc_lag)

参数说明：beta 决定低频增益提升多少，T 决定作用频率范围。注意滞后校正会降低系统带宽，响应变慢，所以如果响应速度是硬指标，要慎重。

5. 避坑与排查：仿真能跑通但实物就振荡的五个原因

5.1 现象：仿真阶跃响应很漂亮，实物一上电就高频振荡

原因：仿真用的是理想模型，实物有开关噪声、采样延迟、传感器噪声。这些高频成分在仿真里不存在，但实物里会被控制器放大。解决：在仿真里加入噪声源和延迟环节，重新验证相位裕度。如果相位裕度在加入延迟后掉到 30 度以下，说明实际系统不够稳，需要重新设计校正器。

5.2 现象：调大比例增益后响应变快，但稳态误差反而变大

原因：比例增益太大导致系统进入非线性区，比如运放饱和、PWM 限幅。这时候反馈回路实际上开环了，稳态误差自然失控。解决：检查执行机构的最大输出能力，在控制器输出后加限幅，并重新调参。我一般会在仿真里加饱和模块，提前看到这个现象。

5.3 现象：根轨迹显示稳定，但实物在某些工况下失稳

原因：根轨迹用的是线性模型，实物在工作点变化后模型参数漂移。比如电机电感随电流变化，电阻随温度变化。解决：做参数敏感性分析，把关键参数上下浮动 20% 再跑一遍稳定性判据。如果裕度不够，要么换更鲁棒的控制器，要么加自适应机制。

5.4 现象：伯德图相位裕度够，但阶跃响应超调很大

原因：相位裕度和超调量的对应关系是在二阶系统假设下成立的，实际系统可能是高阶的，有谐振峰。解决：看闭环频率响应，如果谐振峰大于 3 dB，超调就会明显。这时候要加陷波器或者降低带宽。

5.5 现象：数字控制器里离散化后性能变差

原因：连续域设计的控制器离散化时，如果采样频率不够高，相位滞后会吃掉裕度。解决：采样频率至少取带宽的 20 倍以上，离散化方法优先用 Tustin 或零极点匹配。下面这段代码对比连续和离散控制器的阶跃响应：

import control as ctrl sys = ctrl.tf([100], [1, 10, 0]) Gc = ctrl.tf([1, 1], [0.1, 1]) # 假设的连续控制器 # 离散化，采样周期 0.01s Ts = 0.01 Gc_d = ctrl.c2d(Gc, Ts, method='tustin') print("离散控制器：", Gc_d) # 闭环对比 sys_c = ctrl.feedback(Gc * sys, 1) sys_d = ctrl.feedback(Gc_d * ctrl.c2d(sys, Ts, method='zoh'), 1) t, y_c = ctrl.step_response(sys_c) t, y_d = ctrl.step_response(sys_d, T_num=1000) import matplotlib.pyplot as plt plt.plot(t, y_c, label='Continuous') plt.plot(t, y_d, label='Discrete') plt.legend() plt.grid(True) plt.show()

参数说明：Ts 是采样周期，method 是离散化方法。注意离散化后响应会有轻微差异，如果差异过大，要么减小 Ts，要么换离散化方法。

6. 把笔记变成自己的工具：一套可复用的仿真验证流程

学完这 13 期笔记，如果只是看懂，过两周就忘了。我的习惯是每学一个知识点，就写一个可复用的仿真脚本，存到自己的工具箱里。下面这套流程是我自己用的，从建模到校正到验证，每一步都有对应的脚本模板。

第一步，建模脚本。输入物理参数，输出传递函数。我一般会把符号推导和数值代入分开写，方便后面改参数。第二步，分析脚本。输入传递函数，输出阶跃响应指标、伯德图裕度、根轨迹图。第三步，校正脚本。输入原始系统和目标裕度，输出校正器参数和校正后性能。第四步，验证脚本。加入噪声、延迟、饱和，重新跑一遍，看性能退化多少。

这套流程跑下来，一个控制系统的设计周期能从几天缩到几个小时。更重要的是，每次踩坑后，我会把坑和解决方案写进脚本注释里，下次遇到类似问题直接查。比如有一次我忘了加限幅，仿真里响应完美，实物一上电就饱和振荡，后来我在验证脚本里强制加了饱和模块，再也没犯过这个错。

还有一个技巧是参数扫描。不要只调一组参数，用循环扫一遍关键参数，看性能指标怎么变。下面这段代码扫描阻尼比和自然频率，画出超调量和调节时间的热力图：

import numpy as np import control as ctrl import matplotlib.pyplot as plt zeta_range = np.linspace(0.2, 1.0, 20) wn_range = np.linspace(1, 20, 20) overshoot = np.zeros((len(zeta_range), len(wn_range))) settling = np.zeros_like(overshoot) for i, zeta in enumerate(zeta_range): for j, wn in enumerate(wn_range): sys = ctrl.tf([wn**2], [1, 2*zeta*wn, wn**2]) info = ctrl.step_info(sys) overshoot[i, j] = info['Overshoot'] settling[i, j] = info['SettlingTime'] plt.figure() plt.contourf(wn_range, zeta_range, overshoot, levels=20) plt.colorbar(label='Overshoot (%)') plt.xlabel('Natural Frequency (rad/s)') plt.ylabel('Damping Ratio') plt.title('Overshoot Map') plt.show()

逻辑说明：双重循环遍历阻尼比和自然频率，每个组合算一次阶跃响应指标，最后画成热力图。参数说明：zeta_range 和 wn_range 的范围根据你的系统调整。这张图能帮你快速找到满足超调要求的参数区域，不用一个个试。

最后说一个我自己的教训：不要迷信仿真。仿真只能验证逻辑，不能替代实物调试。我一般会在仿真通过后，先用小功率、低速度跑实物，确认基本稳定后再逐步加到额定工况。每次加码前，先想好如果振荡了怎么紧急停机。这个习惯让我避免了好几次炸机。希望帮到你。

本文还有配套的精品资源，点击获取