1. 从两个矩阵说起：能控性与能观性到底在解决什么问题
如果你学过现代控制理论，大概率在第一章就撞上了“能控性”和“能观性”这两个词。教材上通常甩出两个秩判据，然后就是一堆证明。但很多人学完之后，脑子里只剩下“满秩就行”，至于为什么要满秩、不满秩会怎样、实际工程里怎么用，一概不知。
我当初也是这样。直到后来做电机控制项目，被一个“控制器怎么调都调不好”的问题折磨了整整两周，回头翻书才发现——系统根本就是不可观的。从那时候起我才真正理解，能控性和能观性不是考试里的判断题，而是你在动手设计任何控制器之前，必须先把的两道脉。
这篇文章，我想把这两个概念从定义、判据、计算、物理意义到实际排查，完整地捋一遍。适合正在学现代控制理论的学生，也适合工作中需要做状态反馈、观测器设计的工程师。我会尽量用矩阵运算的实操视角来讲，而不是纯理论推导——毕竟我们最终是要拿它来解决问题的。
2. 能控性与能观性的核心定义与物理直觉
2.1 能控性：你能不能把系统推到你想去的地方
能控性回答的问题很朴素：给定一个线性系统
ẋ = Ax + Bu
其中 x 是 n 维状态向量，u 是 m 维输入向量。如果存在一个有限时间 T 和一个控制输入 u(t)，能在 [0, T] 内把系统从任意初始状态 x(0) 驱动到任意目标状态 x(T)，那这个系统就是完全能控的。
注意几个关键词：任意初始状态、任意目标状态、有限时间。这三个条件缺一不可。如果只能从某些特定状态出发才能到达原点，那叫“能稳”而不是“能控”；如果只能到达状态空间里的某个子空间，那就是“不完全能控”。
物理直觉上，能控性衡量的是输入对状态的影响力。如果某个状态变量完全不受任何输入影响，那它就像一列脱轨的火车，你怎么打方向盘都没用。更隐蔽的情况是，某个状态虽然间接受到输入影响，但影响被其他状态的动态“吃掉”了，导致整体上仍然无法独立控制。
2.2 能观性：你能不能从输出反推出内部状态
能观性回答的是另一个问题：给定系统
ẋ = Ax + Bu y = Cx + Du
如果能在有限时间内，通过测量输出 y(t) 和已知的输入 u(t)，唯一地确定初始状态 x(0)，那这个系统就是完全能观的。
这里的关键词是唯一确定。如果存在两个不同的初始状态，它们产生的输出轨迹完全一样，那你就永远分不清系统到底从哪个状态出发的——这就是不可观。
物理直觉上，能观性衡量的是输出对状态的反映能力。如果某个状态的变化对输出没有任何影响，那它就是一个“隐身”状态，你在外面怎么测都测不到它。实际工程中，不可观往往比不可控更危险，因为你看不见的问题，往往就是最后爆炸的那个。
2.3 对偶原理：两个概念其实是一枚硬币的两面
能控性和能观性之间存在一个非常优雅的对偶关系。系统 (A, B) 的能控性等价于系统 (Aᵀ, Bᵀ) 的能观性，反之亦然。这意味着你只需要推导一套判据，另一套直接转置就能用。
这个对偶原理不只是数学上的巧合，它反映了一个深层事实：控制和观测在信息流方向上是对称的。控制是“从输入到状态”的信息注入，观测是“从状态到输出”的信息提取。一个系统如果信息注入通道有缺失，那它的对偶系统在信息提取通道上也会有同样的缺失。
理解了这一点，你在推导和记忆判据时就能省一半力气。
3. 秩判据的矩阵构造与手算流程
3.1 能控性矩阵的构造与秩判据
能控性判据的标准形式是构造能控性矩阵：
Qc = [B, AB, A²B, ..., Aⁿ⁻¹B]
这是一个 n × nm 的矩阵。系统完全能控的充要条件是：
rank(Qc) = n
也就是说，这个矩阵必须是满行秩。
为什么是 n 列？因为根据凯莱-哈密顿定理，Aⁿ 可以表示为 A 的更低次幂的线性组合，所以更高次的项不会提供新的独立方向。n 个分块 [B, AB, ..., Aⁿ⁻¹B] 已经足够张成整个能控子空间。
手算流程我建议按以下步骤来：
- 写出 A 和 B 矩阵，确认维度：A 是 n×n，B 是 n×m。
- 计算 AB、A²B，直到 Aⁿ⁻¹B。注意每次都是矩阵乘法，不要算错。
- 把这些分块按列拼成一个大矩阵 Qc。
- 对 Qc 做初等行变换，化成行阶梯形，数非零行的数量。
- 如果非零行数等于 n，则完全能控；否则不完全能控。
这里有个容易踩的坑：不要用行列式判断。Qc 通常不是方阵（除非 m=1），所以行列式根本没有定义。必须用秩。即使是方阵，行列式为零也只能说明不满秩，但行列式不为零的计算量远大于直接做行变换。
3.2 能观性矩阵的构造与秩判据
能观性判据的标准形式是构造能观性矩阵：
Qo = [C; CA; CA²; ...; CAⁿ⁻¹]
这是一个 nm × n 的矩阵（注意是竖着拼的）。系统完全能观的充要条件是：
rank(Qo) = n
也就是满列秩。
手算流程和能控性类似，但有几个细节需要注意：
- C 是 p×n 矩阵，p 是输出维度。
- 每次计算 CA^k 时，是 C 左乘 A 的 k 次幂。
- 拼接时是纵向堆叠，不是横向。
- 同样做行变换数非零行。
我见过不少人在手算时把能控性矩阵和能观性矩阵的拼接方向搞反。一个简单的记忆方法是：能控性看输入怎么影响状态，所以 B 在右边乘 A；能观性看状态怎么影响输出，所以 C 在左边乘 A。拼接方向也跟着这个逻辑走。
3.3 一个完整的 3 阶系统手算示例
为了让你真正掌握，我拿一个具体的 3 阶系统来走一遍。设：
A = [[0, 1, 0], [0, 0, 1], [-6, -11, -6]] B = [[0], [0], [1]] C = [1, 0, 0]
这是典型的可控标准型结构。先算能控性矩阵：
- B = [0; 0; 1]
- AB = A × B = [0; 1; -6]
- A²B = A × AB = [1; -6; 25]
所以 Qc = [B, AB, A²B] = [[0, 0, 1], [0, 1, -6], [1, -6, 25]]。
对这个矩阵做行变换：交换第一行和第三行，得到 [[1, -6, 25], [0, 1, -6], [0, 0, 1]]，已经是上三角且对角线非零，秩为 3，等于 n。所以系统完全能控。
再算能观性矩阵：
- C = [1, 0, 0]
- CA = [0, 1, 0]
- CA² = [0, 0, 1]
Qo = [C; CA; CA²] = [[1, 0, 0], [0, 1, 0], [0, 0, 1]]，单位矩阵，秩为 3，完全能观。
这个例子比较理想化，两个判据都通过。实际系统中经常遇到不满秩的情况，那才是真正需要分析的。
4. 从秩判据到 PBH 判据：更灵活的判定方法
4.1 PBH 判据的两种形式
秩判据虽然直观，但当系统阶数较高时，构造 Qc 或 Qo 的计算量会急剧增加。这时候 PBH 判据（Popov-Belevitch-Hautus）就更实用。
能控性的 PBH 判据：系统完全能控的充要条件是对 A 的每一个特征值 λ，都有
rank([λI - A, B]) = n
能观性的 PBH 判据：系统完全能观的充要条件是对 A 的每一个特征值 λ，都有
rank([λI - A; C]) = n
PBH 判据的优势在于，你只需要对每个特征值单独检查，不需要计算矩阵的高次幂。而且它能直接告诉你哪个特征值对应的模态是不可控或不可观的，这对后续的控制器设计有直接的指导意义。
4.2 什么时候用秩判据，什么时候用 PBH 判据
我的经验是：
- 低阶系统（n ≤ 4）且需要手算：用秩判据，直接构造矩阵做行变换，步骤清晰。
- 高阶系统或需要编程计算：用 PBH 判据，只需要求特征值和几个秩，数值稳定性更好。
- 需要分析具体哪个模态不可控/不可观：必须用 PBH 判据，因为秩判据只给一个总答案，不告诉你问题出在哪个特征值上。
- 系统含有符号参数：PBH 判据通常更容易处理，因为特征值可以表示为参数的表达式，然后逐个分析。
有一个实际项目中常见的场景：系统在某个特定参数值下变得不可控。用秩判据你只能算出“秩小于 n”，但用 PBH 判据你能直接看出是哪个特征值导致了秩亏，从而定位到具体的物理参数。
4.3 PBH 判据的数值计算注意事项
用 MATLAB 或 Python 做数值计算时，PBH 判据有一个坑：特征值的数值精度问题。对于接近重根的特征值，数值计算可能会把它们算成略有不同的值，导致你需要在每个近似特征值处都检查秩。
更稳健的做法是使用奇异值分解（SVD）而不是直接求秩。具体来说，对 [λI - A, B] 做 SVD，看最小奇异值是否接近零。如果最小奇异值远小于最大奇异值（比如比值小于 1e-10），就认为秩亏。
在 Python 中可以这样写：
import numpy as np def check_controllability_pbh(A, B, tol=1e-10): n = A.shape[0] eigenvalues = np.linalg.eigvals(A) for lam in eigenvalues: M = np.hstack([lam * np.eye(n) - A, B]) s = np.linalg.svd(M, compute_uv=False) if s[-1] / s[0] < tol: return False, lam return True, None这个函数返回系统是否完全能控，以及如果不可控，是哪个特征值导致的。实际用的时候，tol 可以根据系统量级调整，但一般 1e-10 到 1e-12 是比较安全的范围。
5. 能控性/能观性分解与标准型
5.1 不能控系统的结构分解
如果一个系统不完全能控，它并不是完全没救。能控性分解可以把系统拆成能控子空间和不能控子空间两部分。
具体做法是：先找出能控性矩阵 Qc 的列空间的一组基，记为 T₁（n × r，r 是 Qc 的秩）。然后补上 n - r 个线性无关的列，组成变换矩阵 T = [T₁, T₂]。做状态变换 x = T z，得到：
ż = T⁻¹AT z + T⁻¹B u
变换后的系统具有分块形式：
[ż₁; ż₂] = [[A₁₁, A₁₂], [0, A₂₂]] [z₁; z₂] + [[B₁], [0]] u
其中 z₁ 是能控部分（r 维），z₂ 是不能控部分（n-r 维）。注意 A 矩阵左下角是零块，这意味着 z₂ 完全不受输入影响。
这个分解的实际意义在于：你只需要对能控部分设计控制器，不能控部分你无能为力，只能寄希望于它本身是稳定的（即 A₂₂ 的特征值都在左半平面）。如果 A₂₂ 有右半平面的特征值，那这个系统就是不可稳的，任何控制器都救不了。
5.2 不能观系统的结构分解
类似地，能观性分解把系统拆成能观和不能观两部分。找出 Qo 的行空间的一组基，构造变换矩阵，得到：
[ż₁; ż₂] = [[A₁₁, 0], [A₂₁, A₂₂]] [z₁; z₂] + [[B₁], [B₂]] u y = [C₁, 0] [z₁; z₂]
这里 A 矩阵右上角是零块，C 矩阵右边是零块，意味着 z₂ 完全不影响输出。
不能观部分的状态 z₂ 你永远观测不到，所以任何依赖状态反馈的控制策略都无法直接使用。解决办法通常有两个：一是设计观测器时只观测能观部分，二是如果 z₂ 本身稳定，可以不管它。
5.3 标准型在控制器设计中的实际价值
能控标准型和能观标准型在极点配置和观测器设计中非常有用。能控标准型下，状态反馈增益的计算可以转化为简单的系数匹配问题；能观标准型下，观测器增益的计算也有类似简化。
但我要提醒一点：标准型变换在数值上可能不稳定。特别是当系统矩阵的条件数很大时，变换矩阵 T 可能接近奇异，导致计算结果严重失真。实际工程中，我通常优先使用数值稳定的算法（如基于 Schur 分解的方法），而不是显式地构造标准型。
6. 常见问题与排查技巧实录
6.1 能控性判据的常见误用
问题一：把“能控”和“能达”混为一谈。在线性连续时间系统中，这两个概念是等价的，但在离散时间系统或非线性系统中，它们有本质区别。离散系统中，能控性还依赖于采样周期，采样周期选择不当会导致原本能控的连续系统在离散化后变得不可控。
问题二：忽略输入的约束。秩判据假设输入 u 可以取任意大的值。实际系统中，输入有饱和限制，这时候即使理论上能控，实际也可能无法在有限时间内到达目标状态。这种情况需要用能控域（controllable set）来分析，而不是简单的秩判据。
问题三：数值秩和理论秩的混淆。理论上满秩的系统，在数值计算中可能因为条件数过大而被判定为秩亏。这时候需要区分是真正的结构性问题还是数值问题。一个实用的判断方法是：检查 Qc 的奇异值分布，如果最小奇异值不是“断崖式”地小，而是逐渐衰减，那可能是数值问题；如果最小奇异值比次小奇异值小好几个数量级，那大概率是结构性的。
6.2 能观性判据的常见误用
问题一：忘记检查 D 矩阵。能观性判据只涉及 A 和 C，与 D 无关。但如果 D 不为零，系统的输出包含直接馈通项，这会影响观测器的设计，但不影响能观性本身。很多人在这里搞混。
问题二：把能观性和可检测性混淆。能观性要求所有状态都能被观测到；可检测性只要求不能观的部分是稳定的。实际工程中，很多系统是不可观的但可检测，这时候仍然可以设计稳定的观测器。
问题三：多输出系统的能观性分析。当输出维度 p > 1 时，能观性矩阵的行数增加，但秩仍然不能超过 n。有些人看到行数很多就以为一定能观，这是错误的。必须实际计算秩。
6.3 问题排查速查表
| 现象 | 可能原因 | 排查方法 | 解决思路 |
|---|---|---|---|
| 控制器怎么调都不稳定 | 系统不可控或不稳定 | 计算 Qc 的秩和 A 的特征值 | 检查不可控模态是否稳定 |
| 观测器估计误差不收敛 | 系统不可观或不可检测 | 计算 Qo 的秩 | 检查不可观模态是否稳定 |
| 理论满秩但数值计算秩亏 | 数值条件数过大 | 检查奇异值分布 | 使用 SVD 代替秩计算 |
| 离散化后能控性丢失 | 采样周期选择不当 | 检查离散化后的 Qc | 调整采样周期 |
| 某个状态始终估计不准 | 该状态不可观 | 用 PBH 判据定位 | 增加传感器或设计降维观测器 |
6.4 几个我踩过的坑
第一个坑：用符号计算验证数值结果。有一次我用 Python 算出一个系统不可控，但手算觉得应该可控。后来发现是 Python 中浮点数精度导致的误判。对于小规模系统，用 sympy 做符号计算可以避免这个问题。
第二个坑：忽略系统的量级差异。如果状态变量的量级差异很大（比如一个状态是 1e-6，另一个是 1e6），直接计算 Qc 会导致数值问题。这时候需要先做状态缩放，把各状态的量级统一到相近范围。
第三个坑：以为能控就能任意配置极点。能控性只保证你可以任意配置极点，但不保证配置后的系统有好的鲁棒性。如果极点配置得离虚轴太近，系统响应会很慢；如果太远，控制能量会很大。实际设计中需要在响应速度和能量消耗之间做权衡。
7. 从理论到代码：Python 实现与验证
7.1 完整的能控性能观性检查函数
我把前面提到的判据整合成一个完整的 Python 模块，可以直接用于实际项目：
import numpy as np def controllability_matrix(A, B): n = A.shape[0] blocks = [B] for i in range(1, n): blocks.append(np.linalg.matrix_power(A, i) @ B) return np.hstack(blocks) def observability_matrix(A, C): n = A.shape[0] blocks = [C] for i in range(1, n): blocks.append(C @ np.linalg.matrix_power(A, i)) return np.vstack(blocks) def numerical_rank(M, tol=1e-10): s = np.linalg.svd(M, compute_uv=False) return np.sum(s > tol * s[0]) def check_controllability(A, B, tol=1e-10): Qc = controllability_matrix(A, B) r = numerical_rank(Qc, tol) return r == A.shape[0], r, Qc def check_observability(A, C, tol=1e-10): Qo = observability_matrix(A, C) r = numerical_rank(Qo, tol) return r == A.shape[0], r, Qo这个实现有几个细节值得说明。首先，numerical_rank使用 SVD 而不是直接求秩，因为 SVD 对数值误差更鲁棒。其次，容差 tol 是相对于最大奇异值来设定的，这样对不同量级的矩阵都能自适应。最后，函数返回秩的实际值，方便你判断是“差一点满秩”还是“差很多”。
7.2 用已知系统验证代码正确性
写完之后必须验证。我用几个典型系统来测试：
测试一：可控可观的系统。用前面 3 阶示例的数据，预期两个检查都返回 True。
测试二：不可控系统。把 B 改成 [1; 0; 0]，这时候输入只直接影响第一个状态。计算 Qc 会发现秩为 1（因为 A 的结构导致 AB 和 A²B 都只有第一个分量非零），小于 3，判定不可控。
测试三：不可观系统。把 C 改成 [0, 0, 1]，只观测第三个状态。计算 Qo 会发现秩为 1，判定不可观。
测试四：数值病态系统。构造一个 A 矩阵，其特征值非常接近，但理论上仍然可控。用代码检查，如果 tol 设得太大（比如 1e-6），可能会误判为不可控；设成 1e-12 则能正确判定。这说明容差选择需要根据具体问题调整。
7.3 与 MATLAB 结果的交叉验证
如果你有 MATLAB，可以用ctrb和obsv函数做交叉验证：
Qc = ctrb(A, B); rank(Qc) Qo = obsv(A, C); rank(Qo)注意 MATLAB 的rank函数默认容差是基于矩阵维度和机器精度的，和我的实现略有不同。在大多数情况下结果一致，但在边界情况下可能有差异。这时候需要根据具体应用场景来判断哪个更合理。
8. 能控性与能观性在控制器设计中的实际影响
8.1 状态反馈的前提条件
设计状态反馈 u = -Kx 时，能控性是前提。如果系统不完全能控，你只能对能控子空间配置极点，不能控子空间的动态你无法改变。这意味着如果系统有右半平面的不能控模态，那它本质上是不稳定的，任何状态反馈都救不了。
实际设计中，我通常先检查能控性，如果发现不可控，立即分析不能控模态的稳定性。如果稳定，可以继续设计（只控制能控部分）；如果不稳定，必须回到系统建模阶段，检查是不是模型有问题，或者考虑增加执行器。
8.2 观测器设计的前提条件
设计全维观测器时，能观性是前提。如果系统不完全能观，观测误差中不能观部分的分量不会收敛到零。这时候有两个选择：一是设计降维观测器，只观测能观部分；二是如果不可观部分稳定，可以接受这部分误差有界但不收敛。
我个人的经验是：能观性检查比能控性检查更重要。因为不可控你至少知道问题在哪（输入不够），但不可观你连问题都看不见。很多实际系统中的“神秘故障”，追根溯源都是不可观导致的。
8.3 分离原理的适用边界
分离原理告诉我们，状态反馈和观测器可以独立设计，组合后仍然稳定。但这个原理的适用前提是系统能控且能观。如果系统不完全能控或能观，分离原理不再成立，必须把控制器和观测器联合设计。
这一点在实际项目中经常被忽略。我见过一个案例：工程师分别设计了控制器和观测器，各自都稳定，但组合后系统振荡。原因就是系统有一个不可观模态，观测器无法估计它，导致反馈信号有误。后来通过增加传感器解决了问题。
9. 离散系统的特殊性与采样周期选择
9.1 离散化对能控性的影响
连续系统离散化后，能控性可能发生变化。具体来说，如果连续系统有特征值 λ₁ 和 λ₂，满足 λ₁ - λ₂ = 2πk/T（k 为非零整数，T 为采样周期），那离散化后系统可能变得不可控。这是因为采样过程会“混叠”这两个模态。
实际选择采样周期时，除了考虑控制带宽和计算负载，还要检查离散化后的能控性。我的做法是：在候选采样周期下，分别计算连续和离散系统的能控性矩阵秩，确保两者一致。
9.2 离散能控性矩阵的构造
离散系统的能控性矩阵形式略有不同：
Qc_d = [B_d, A_d B_d, A_d² B_d, ..., A_dⁿ⁻¹ B_d]
其中 A_d = e^{AT}，B_d = ∫₀ᵀ e^{Aτ} dτ · B。计算 B_d 时通常用零阶保持器近似，但要注意近似误差对能控性的影响。
在 Python 中可以用 scipy 的cont2discrete函数做离散化：
from scipy.signal import cont2discrete A_d, B_d, C_d, D_d, dt = cont2discrete((A, B, C, D), T, method='zoh')然后对 (A_d, B_d) 做能控性检查。如果发现离散化后不可控，首先检查采样周期是否合适，其次检查连续系统是否本身就有问题。
9.3 采样周期选择的经验法则
根据我的实际经验，采样周期 T 的选择需要满足以下几个条件：
- 香农定理：T < π/ω_max，其中 ω_max 是系统最高关注频率。
- 能控性保持：避免 T 使得 A 的特征值差为 2πk/T。
- 计算负载：T 不能太小，否则控制器计算跟不上。
- 噪声抑制：T 不能太大，否则高频噪声会混叠。
通常我会在满足香农定理的前提下，选择 T 为系统主导时间常数的 1/10 到 1/20。然后验证离散化后的能控性和能观性，如果没问题就确定下来。
10. 一些实用的经验与建议
能控性和能观性这两个概念，初学时觉得抽象，用多了就会发现它们其实很“实在”。每次拿到一个新系统，我第一件事就是算这两个秩。如果都满秩，心里就有底了；如果有问题，趁早发现比事后调试强得多。
对于正在学这门课的同学，我的建议是：不要只背判据，一定要动手算几个例子。特别是找一些不满秩的系统，看看不能控或不能观的部分到底对应什么物理意义。这种直觉一旦建立起来，后面学极点配置、观测器设计、LQR 都会顺畅很多。
对于工作中的工程师，我的建议是：把能控性能观性检查做成标准流程的一部分。每次建模之后、设计控制器之前，先跑一遍检查。如果发现问题，优先检查模型是否准确，而不是急着调控制器参数。很多所谓的“控制器调不好”，根源都在模型的结构性问题上。
最后分享一个我常用的技巧：如果系统不可控或不可观，先别急着改设计。用 PBH 判据找出是哪个特征值导致的，然后分析这个特征值对应的物理模态是什么。有时候你会发现，这个模态虽然不可控，但它本身是稳定的，而且对系统性能影响很小，那就可以接受。工程上没有完美的系统，只有合适的取舍。
