⚡ electrical engineering

Stable Inversion of Discrete-Time Linear Periodically Time-Varying Systems via Cyclic Reformulation

本文提出了一种通过循环重构将离散时间线性周期时变系统转化为等效线性时不变系统，进而利用标准理论构建其稳定逆系统并提取显式闭式解的方法，该方法避免了复数处理和非因果运算，并推广了最小相位条件以适用于相对度为零及大于零的周期系统。

原作者： Hiroshi Okajima

发布于 2026-03-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Hiroshi Okajima

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文主要解决了一个控制领域的难题：如何“倒着”操作一个随时间周期性变化的机器，让它完美地回到原来的状态或输入。

为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“破解一个会随时间变脸的魔法锁”**。

1. 背景：什么是“周期性时变系统”？

想象你有一个魔法锁（这就是论文里的“系统”）。

普通锁（LTI 系统）： 它的内部结构是固定的。你转一下把手，它总是以同样的方式反应。这种锁的“逆向操作”（怎么把它打开）在数学上已经研究得很透了。
魔法锁（LPTV 系统）： 这个锁很调皮，它的内部结构会随时间周期性变化。
- 比如：周一、周三、周五，它的齿轮是 A 模式；周二、周四、周六，它是 B 模式。
- 这种锁常见于多速率采样系统（比如有些传感器每秒测一次，有些每秒测三次）或者精密的机械臂。

问题在于： 因为它的内部结构一直在变，传统的“逆向操作”方法要么太复杂（需要用到虚数，像魔法一样看不见的东西），要么需要“预知未来”（非因果，即你需要知道明天的输出才能算出今天的输入，这在现实中做不到）。

2. 核心方法：把“变脸”变成“固定”

作者 Hiroshi Okajima 提出了一种聪明的**“循环重组”（Cyclic Reformulation）**方法。

通俗比喻：把“变脸”的锁拆成“固定”的拼图

想象这个魔法锁每 3 天（周期 N=3）变一次脸。

传统方法（提升法 Lifting）： 像是把 3 天的操作打包成一个巨大的“超级块”。你一次只能处理这 3 天，就像把 3 个视频帧拼成一张大图。虽然能算，但你失去了“每一帧”的实时感，操作起来很笨重。
传统方法（Floquet 分解）： 像是试图用复杂的魔法公式去预测它每一刻的变化，结果算出来的系数全是虚数（ imaginary numbers），在现实硬件里很难直接实现。

作者的新方法（循环重组）：
作者想了一个绝妙的办法：把时间轴“折叠”起来看。
他不再把系统看作“周一、周二、周三”在变，而是把系统看作一个巨大的、固定的新系统。

在这个新系统里，原本“周一的齿轮”、“周二的齿轮”、“周三的齿轮”被并排放在一起，形成了一个固定不变的超级机器。
虽然这个超级机器很大，但它是**固定不变（线性时不变，LTI）**的！

这一步的关键优势：
一旦把这个“变脸”的魔法锁变成了一个“固定”的超级机器，我们就可以使用现成的、成熟的数学工具（就像用普通钥匙开普通锁一样）来设计它的“逆向操作”。

3. 三步走战略：如何制造“逆向钥匙”

作者提出了一个清晰的三步走流程：

第一步：变身（Cyclic Reformulation）
- 把那个随时间变脸的魔法锁，通过数学变换，变成一个巨大的、固定的“超级锁”。
- 比喻： 把一本会随时间改变内容的日记，复印成一本包含所有日期内容的“全集”，然后把它当成一本普通的书来读。
第二步：逆向（LTI Inversion）
- 既然这个“超级锁”是固定的，我们就用标准的数学方法，算出它的“逆向钥匙”（逆系统）。
- 比喻： 既然知道了这本“全集”日记的规律，我们就能轻松写出它的“倒序版”或“解码版”。
第三步：还原（Parameter Extraction）
- 这是最精彩的一步。算出来的“逆向钥匙”是巨大的、块状的。作者发现，这个巨大的钥匙其实是由很多小块组成的，每一块对应原来的“周一”、“周二”、“周三”。
- 作者把这些小块拆解出来，重新拼回原来的时间轴上。
- 比喻： 把“全集”的解码方案，重新拆解成“周一的解码方案”、“周二的解码方案”……这样，我们就得到了一个随时间变化但完全可执行的实时控制器。

4. 结果：一把完美的“实时钥匙”

通过这个方法，作者得到了两个重要成果：

对于“直接反应”的系统（相对阶为 0）： 就像锁一转动，门立刻开。作者给出了一个显式的公式，直接告诉你每一刻该怎么操作。
对于“有延迟”的系统（相对阶 r ≥ 1）： 就像转动把手后，需要等几秒门才开。作者也能算出需要“预知未来 r 步”的钥匙，并且给出了精确公式。

关于稳定性（会不会失控？）：
作者发现，只要这个“超级锁”本身是“最小相位”的（简单说，就是它内部没有那些会导致失控的“坏点”），那么造出来的“逆向钥匙”就是稳定的。这意味着，即使一开始设置有点误差，系统也会像弹簧一样，迅速自动修正回来，不会越跑越偏。

5. 为什么这很重要？（实际应用）

不需要“预知未来”： 以前的方法如果要处理非最小相位系统，往往需要知道未来的输出（非因果），这在实时控制中是不可能的。作者的方法在系统满足条件时，只需要当前的输入输出就能实时工作。
全是实数： 以前的方法算出来全是虚数（复数），硬件很难处理。作者的方法算出来全是实数，可以直接写在芯片或控制器里运行。
应用广泛： 这个方法可以用于前馈控制（提前规划动作，让机器人走得更准）和迭代学习控制（让机器人通过不断练习，越来越熟练）。

总结

这篇论文就像是一位高明的钟表匠。
面对一个内部齿轮每天变样的复杂钟表（周期性时变系统），传统的修表匠要么用复杂的魔法（虚数），要么把钟表拆成三天一组来修（提升法）。
而这位钟表匠发明了一种**“折叠时间”的视角，把变动的钟表看作一个固定的大机器，修好它，然后再把修好的方案“展开”回每天的时间点。
最终，他得到了一把实打实的、实时的、能自动修正误差的钥匙**，让任何随时间变化的机器都能被精准地反向控制。

这是一篇关于离散时间线性周期时变（LPTV）系统稳定逆系统构建的学术论文的详细技术总结。

1. 研究背景与问题定义

背景：在多速率采样控制系统、非等间隔采样系统以及高精度定位平台中，系统动力学通常表现为**线性周期时变（LPTV）**特性。逆系统在前馈控制、输出跟踪和迭代学习控制（ILC）中起着核心作用。
现有方法的局限性：
- Floquet 分解法（如 van Zundert & Oomen）：虽然能处理非最小相位系统，但需要复数运算、非因果处理（需要未来输出信息），且无法直接给出适用于实时因果实现的闭式状态空间表达式。
- 提升（Lifting）法：将周期系统转化为等效的 LTI 块系统。虽然可行，但逆系统操作在"N 步块时间尺度”上，生成的是有限时域输入序列，而非原始时间域下的逐点周期状态空间实现。
- 信号处理方法：通常局限于 FIR/IIR 滤波器，且假设相对阶为零，缺乏统一的状态空间控制框架。
核心问题：如何构建一种因果的、实数值的、逐点（step-by-step）的LPTV 系统稳定逆系统，且避免复数运算和非因果处理，同时适用于相对阶为零和大于零的情况。

2. 方法论：基于循环重构（Cyclic Reformulation）的三步法

论文提出了一种基于循环重构的系统化方法，将 LPTV 逆问题精确转化为 LTI 逆问题。主要步骤如下：

步骤一：循环重构 (Cyclic Reformulation)

利用系统的周期性结构，通过状态、输入和输出的坐标变换，将 $N$ 周期的 LPTV 系统 $(A_k, B_k, C_k, D_k)$ 转化为一个等价的LTI 系统（称为“循环系统” $\check{P}$ ）。
关键区别：与传统的“提升（Lifting）”技术不同，循环重构保留了原始采样率（逐点等价），而不是在块时间尺度上操作。这使得输入输出关系在每一步都保持清晰，为后续的参数提取奠定了基础。
转化后的系统矩阵 $\check{A}, \check{B}, \check{C}, \check{D}$ 具有特定的**1-移位块循环（1-shift block-circulant）**或块对角结构。

步骤二：LTI 逆系统构建

利用标准的 LTI 逆系统理论构建循环系统 $\check{P}$ 的逆系统 $\check{P}^{-1}$ 。
相对阶为零 ( $D_k$ 非奇异)：直接应用 LTI 逆公式，得到 $\check{P}^{-1}$ 的状态空间表达式。
相对阶 $r \ge 1$ ( $D_k=0$ )：利用周期性马尔可夫参数（Periodic Markov Parameters）构建 $r$ 步延迟的逆系统。

步骤三：参数提取 (Parameter Extraction)

这是该方法的核心创新点。通过分析 $\check{P}^{-1}$ 的块结构，提取出原始 LPTV 系统的周期时变逆矩阵 $(\Gamma_k, \Lambda_k, \Omega_k, \Pi_k)$ 。
关键机制：
- 对于相对阶为零的情况， $\check{P}^{-1}$ 的矩阵结构天然保持循环形式，可直接读取块元素。
- 对于相对阶 $r \ge 1$ 的情况，引入了循环移位矩阵 $\check{S}_p^r$ 来吸收相位偏移。通过定义移位后的输出信号，将逆系统的输入输出矩阵恢复为标准的循环结构，从而能够逐块提取出周期时变参数。

3. 主要贡献与理论成果

3.1 显式闭式解

相对阶为零 ( $r=0$ )：给出了逆系统的显式闭式表达式（定理 1）。逆系统矩阵直接由原系统矩阵和 $D_k^{-1}$ 构成，形式简洁。
相对阶 $r \ge 1$ ：给出了 $r$ 步延迟逆系统的显式闭式表达式（定理 3）。利用周期性马尔可夫参数 $M_k^{(r)}$ 构建了逆系统，解决了高相对阶下的参数提取难题。

3.2 稳定性判据

提出了**周期最小相位（Periodically Minimum Phase）**的概念。
定理 2 & 推论 1/2：证明了 LPTV 逆系统的稳定性等价于循环植物（Cycled Plant） $\check{P}$ 的最小相位性。
- 即：逆系统稳定 $\iff$ 循环系统的传输零点（Transmission Zeros）严格位于单位圆内。
- 这也等价于逆系统的单周矩阵（Monodromy Matrix） $\Phi_{inv}$ 是 Schur 稳定的（谱半径 $<1$ ）。
这一结果将 LTI 的最小相位条件自然地推广到了周期时变系统。

3.3 统一框架

该方法统一了相对阶为零和大于零的情况。通过引入移位算子和马尔可夫参数，高相对阶情况下的公式在形式上统一了相对阶为零的情况（当 $r=0$ 时， $M_k^{(0)} = D_k$ ）。

4. 数值实验结果

论文通过三个数值算例验证了方法的有效性：

标量相对阶为零系统：展示了从循环系统逆矩阵中提取周期参数的过程，并验证了初始条件不匹配时，重构误差随时间指数衰减（由 $\Phi_{inv}$ 的谱半径决定）。
非标量相对阶为零系统：对比了基于 Floquet 的方法。结果表明，本文方法生成的逆系统矩阵均为实数值，且具有因果性和有限维状态空间实现，更适合在线控制。
相对阶 $r=1$ 系统：验证了高相对阶情况下的 $r$ 步延迟逆系统。在初始条件匹配时，实现了输入的精确重构（误差在机器精度范围内）。

5. 意义与局限性

意义

工程实用性：生成的逆系统是因果的（或仅需少量未来输出预览）、实数值的，且以原始采样率运行，可直接用于在线前馈控制或 ILC 算法。
理论完备性：避免了复数 Floquet 因子和非因果处理，提供了清晰的物理意义（基于传输零点）。
通用性：适用于多速率系统和周期性扰动抑制场景。

局限性与未来工作

最小相位限制：当前框架仅适用于周期最小相位系统。对于非最小相位系统，直接因果逆不存在，需结合非因果分解（如指数二分法），但这会引入非因果性。
非均匀相对阶：如果系统在不同相位具有不同的相对阶（例如某些时刻 $D_k$ 非奇异，某些时刻为零，常见于多速率系统），目前的参数提取步骤可能失效，需要更复杂的多项式矩阵分析（Smith 标准型），这是未来的研究方向。

总结

该论文提出了一种基于循环重构的创新框架，成功解决了离散时间 LPTV 系统稳定逆系统的构建问题。通过将周期问题转化为等效的 LTI 问题，并利用块循环结构的代数性质进行参数提取，该方法不仅提供了显式的闭式解，还建立了清晰的稳定性判据（基于循环系统的传输零点）。相比现有的 Floquet 分解或提升法，该方法生成的逆系统具有实数、因果、逐点实现的显著优势，为多速率和周期性系统的先进控制提供了强有力的理论工具。