8.1.9 任意次多项式的近似根：工程师的「因式分解」捷径

我们在上一节刚把高 Q 近似这一招练熟——用它把复杂的共轭极点对拆解成了两个简单实极点。这招本质上是在处理二阶系统。但如果你的系统是个更乱的三阶、四阶甚至 N 阶怪物呢？

那种情况下，求特征根意味着你要去解一个三次或四次方程。如果你是在坐在电脑前跑 MATLAB，这不算什么事。但如果你正蹲在实验室里，手里拿着电烙铁，脑子里正试图把 $R$、$L$、$C$ 的值和系统的稳定性联系起来，这时候让你去解三次方程简直是反人类的。

我们需要一种方法，能直接从多项式的系数（通常就是 $R,L,C$ 的组合）一眼看出根大概在哪儿。这一节我们要讲的，就是这种通用的「任意次多项式近似根」方法。

说实话，这一节的推导看起来有点代数的眩晕感，但最后得到的结论极其实用——它让你在看到一堆乱七八糟的系数时，能像拼乐高一样把它们拆成一阶因子的乘积。

---

从代数问题回到工程问题

假设我们面对一个 N 阶多项式：

$$P(s)=1+a_{1}s+a_2{s}^2+\cdots +a_n{s}^n$$

我们的目标是把它因式分解成一堆一阶子系统的乘积：

$$P(s)=(1+{\tau }_{1}s)(1+{\tau }_{2}s)\dots (1+{\tau }_{n}s)$$

在真实的电路里，系数 $a_1,\dots ,a_n$ 通常都是实数（由电阻、电感、电容值组合而成）。而那些时间常数 $\tau$（对应极点位置的倒数）可能是实数，也可能是复数。

这里有一个关键点：在工程实际中，这些根往往离得很远。比如你有一个极点在 100Hz，另一个在 100kHz，它们之间差了三个数量级。正是这种「数值上的巨大差异」，给了我们近似的机会。

---

核心直觉：谁是大哥？

让我们把 (8.98) 式展开，看看系数 $a$ 和时间常数 $\tau$ 到底是什么关系：

$$\begin{array}{rl}{a}_1& ={\tau }_1+{\tau }_2+\cdots +{\tau }_n\\ a_2& ={\tau }_1({\tau }_2+\cdots +{\tau }_n)+{\tau }_2({\tau }_3+\cdots +{\tau }_n)+\dots \\ a_3& ={\tau }_1{\tau }_2({\tau }_3+\dots )+{\tau }_2{\tau }_3({\tau }_4+\dots )+\dots \\ & ⋮\\ a_n& ={\tau }_1{\tau }_2{\tau }_3\dots {\tau }_n\end{array}$$

如果真的要精确解这组方程，那确实等于在做精确的因式分解——这是死路一条。

但是，如果这些 $\tau$ 值在数值上极度分离呢？

假设我们能按大小把它们排个座次（假设都是实数，且符号为正），并且满足：

$$|{\tau }_1|\gg |{\tau }_2|\gg \cdots \gg |{\tau }_n|$$

这意味着什么？意味着 ${\tau }_1$ 是大哥， ${\tau }_2$ 跟在它屁后面差得远，${\tau }_3$ 更是小弟。

在这种巨大的数值差距下，上面的方程组会发生一种奇妙的变化——每一项都被「最大项」统治了：

$$\begin{array}{rl}{a}_1& ={\tau }_1+\underset{\text{可忽略}}{\underbrace{{\tau }_2+\dots }}\approx {\tau }_1\\ a_2& ={\tau }_1({\tau }_2+\dots )+\underset{\text{更小}}{\underbrace{{\tau }_2(\dots )}}\approx {\tau }_1{\tau }_2\\ a_3& \approx {\tau }_1{\tau }_2{\tau }_3\\ & ⋮\\ a_n& ={\tau }_1{\tau }_2\dots {\tau }_n(\text{这个本来就是})\end{array}$$

看到了吗？原本复杂的组合项，现在变成了层层递进的乘积。这就像是在说：$a_1$ 主要由最大的 ${\tau }_1$ 决定， $a_2$ 主要由最大的两个决定，以此类推。

既然这样，我们可以反解出每个时间常数：

$$\begin{array}{rl}{\tau }_1& \approx a_1\\ {\tau }_2& \approx \frac{a_2}{a_1}\\ {\tau }_3& \approx \frac{a_3}{a_2}\\ & ⋮\\ {\tau }_n& \approx \frac{a_n}{a_{n-1}}\end{array}$$

这个结论简单到令人发指。

只要系数之间满足这种层层递进的数量级关系：

$$|a_1|\gg \left|\frac{a_2}{a_1}\right|\gg \left|\frac{a_3}{a_2}\right|\gg \cdots \gg \left|\frac{a_n}{a_{n-1}}\right|$$

你就可以直接把多项式写成：

$$P(s)\approx (1+a_{1}s)(1+\frac{a_2}{a_1}s)(1+\frac{a_3}{a_2}s)\dots (1+\frac{a_n}{a_{n-1}}s)$$

这就是工程上的「作弊码」。原来的 $a_1,a_2$ 可能是 $R,L,C$ 的一堆乱七八糟组合，但现在，极点位置直接就是系数的比值。这让你一眼就能看出哪个电阻变大会让极点左移，哪个电容变大会让系统变慢——这就是 Design-Oriented Analysis 的精髓。

---

当距离不够远时：二阶形式的补救

当然，现实不会总是这么完美。有时候，有两个根靠得太近，强行拆开误差就太大了。

比如，假设在上述不等式中，第 $k$ 步失效了：

$$\gg \left|\frac{a_k}{a_{k-1}}\right|\gg ̸\left|\frac{a_{k+1}}{a_k}\right|$$

这说明 ${\tau }_k$ 和 ${\tau }_{k+1}$ 这俩哥们儿是难兄难弟，分不开了。这时候，我们不要强行把它们拆成两个一阶项，而是把它们保留为二阶形式：

$$P(s)\approx (1+{\tau }_{1}s)\dots (1+\frac{a_k}{a_{k-1}}s+\frac{a_{k+1}}{a_{k-1}}{s}^2)\dots$$

这就把那两个靠得近的根留在一个二次多项式里了。如果它们是一对共轭复数极点，这种处理方式尤为合适。

同样的逻辑，如果连最大的那两个根都分不开（$|a_1|\gg ̸|a_2/a_1|$），那干脆就把前两项都写成二阶：

$$P(s)\approx (1+a_{1}s+a_2{s}^2)(1+\frac{a_3}{a_2}s)\dots$$

总结一下策略：能拆就拆（一阶），拆不动就凑对（二阶）。这里没有三次方的事情——如果三个根都挤在一起，那这个近似方法就失效了，你得老老实实回去解方程或者用别的办法。

---

实战演练：EMI 滤波器的困境

光说不练假把式。让我们看一个实际的电路——输入端的 EMI 滤波器，两个电感 $L_1,L_2$ 串在输入路径上，中间节点上一个对地电容 $C$，再配一个代表负载/损耗的 $R$。这种电路通常放在变换器输入端，用来把开关电流里的那些尖刺滤平。

这个电路看着简单：两个电感 $L_1,L_2$，一个电容 $C$，还有一个代表负载/损耗的 $R$。通过一点电路代数运算（比如阻抗串并联、分压法则），我们可以写出它的传递函数分母（也就是特征多项式）：

$$D(s)=1+s\frac{L_1+L_2}{R}+s^2{L}_{1}C+s^3\frac{L_1{L}_{2}C}{R}$$

这是一个标准的三次多项式。我们的目标是把它拆开，找到三个极点的位置，而且表达式里最好只有 $R,L,C$，不要有复杂的根号。

这里对应的系数是：

$$a_1=\frac{L_1+L_2}{R},a_2=L_{1}C,a_3=\frac{L_1{L}_{2}C}{R}$$

现在，真正的工程师判断时刻来了。我们要怎么拆它？这完全取决于元件的数值。

---

情况一：理想的完全分离（教科书模式）

如果所有的极点都离得十万八千里，根据我们的公式 (8.104)，分母可以写成三个一阶项的乘积：

$$D(s)\approx (1+s\frac{L_1+L_2}{R})(1+s\frac{RC{L}_1}{L_1+L_2})(1+s\frac{L_2}{R})$$

这三个因子分别对应三个极点频率：

1. ${\omega }_{p1}=\frac{R}{L_1+L_2}$ （低频）
2. ${\omega }_{p2}=\frac{L_1+L_2}{RC{L}_1}$
3. ${\omega }_{p3}=\frac{R}{L_2}$ （高频）

但这只是猜测。要让它成立，必须满足我们的不等式条件：

$$\frac{L_1+L_2}{R}\gg \frac{RC{L}_1}{L_1+L_2}\gg \frac{L_2}{R}$$

这个式子看起来有点头大。仔细观察一下中间那个系数 $\frac{RC{L}_1}{L_1+L_2}$。要让这些不等式成立，除非 $L_1$ 远大于 $L_2$（$L_1\gg L_2$）。

如果 $L_1\gg L_2$，那么 $L_1+L_2\approx L_1$。上面的近似和条件就会发生戏剧性的简化：

• 第一个极点变成 $\frac{R}{L_1}$。
• 中间那个极点系数里的 $\frac{L_1}{L_1+L_2}$ 变成 1，所以中间极点变成 $RC$。
• 第三个极点还是 $\frac{R}{L_2}$。

于是，因式分解就变得极其清爽：

$$D(s)\approx (1+s\frac{L_1}{R})(1+sRC)(1+s\frac{L_2}{R})$$

这是什么意思？ 这意味着当 $L_1\gg L_2$ 时，这个电路里其实发生了三件独立的事情：

1. $L_1$ 和 $R$ 决定了第一个低频极点。
2. $R$ 和 $C$ 决定了中频极点（像是个简单的 RC 滤波器）。
3. $L_2$ 和 $R$ 决定了高频极点。

这就是我们想要的设计直觉。如果不做这个近似，你看着那个三次多项式是绝对看不出「哦，原来中间有个极点只和 RC 有关」这种结论的。

---

情况二：后两个极点靠得太近（高 Q 之患）

现实往往是残酷的。假设 $L_1$ 和 $L_2$ 的值差不多，或者 $RC$ 时间常数和 $L_2/R$ 差不多大。

具体来说，如果第二个不等式失效了：

$$\frac{L_1+L_2}{R}\gg \frac{RC{L}_1}{L_1+L_2}\gg ̸\frac{L_2}{R}$$

这意味着后面两个根（由中间那个系数和 $L_2/R$ 决定的部分）分不开了。这时候，我们就应该用「二阶补救法」，把后两项合并成一个二次多项式。

根据公式 (8.106)（这里 $k=2$），分母近似为：

$$D(s)\approx (1+s\frac{L_1+L_2}{R})(1+s\frac{RC{L}_1}{L_1+L_2}+s^2(L_1\parallel L_2)C)$$

注意看那个二次项里的系数：$L_1\parallel L_2=\frac{L_1{L}_2}{L_1+L_2}$。这很有趣吧？并联电感出现了。

这个近似要准确，得满足新的条件（原文公式 8.119）。化简后核心要求就变成了：

$$L_1\gg L_2\text{并且}\frac{L_1}{R}\gg RC$$

注意，这时候不再要求 $RC\gg L_2/R$ 了。也就是说，中频和高频的极点可以靠得很近，甚至形成一对复数极点（二次项）。

如果 $L_1\gg L_2$ 还满足，那表达式还能再化简：

$$D(s)\approx (1+s\frac{L_1}{R})(1+sRC+s^2{L}_{2}C)$$

现在物理意义变了：

• 一个低频实极点（由 $L_1,R$ 决定）。
• 一个高频二阶极点对（由 $L_2,C,R$ 共同决定，这就是典型的 RLC 谐振极点）。

这就是为什么有时候你的滤波器会振荡——因为 $L_2$ 和 $C$ 在那里形成了一个欠阻尼的二阶环节。

---

情况三：前两个极点纠缠不清

最后一种倒霉的情况，是第一个不等式就挂了：

$$\frac{L_1+L_2}{R}\gg ̸\frac{RC{L}_1}{L_1+L_2}$$

这说明低频和中频的极点混在一起了。这时候，我们把前两项保留为二次形式：

$$D(s)\approx (1+s\frac{L_1+L_2}{R}+s^2{L}_{1}C)(1+s\frac{L_2}{R})$$

这要求 $L_1\gg L_2$ 并且 $RC\gg L_2/R$。这代表什么？

• 低频处有一对二阶极点（由 $L_1,C,R$ 主导）。
• 高频处有一个实极点（由 $L_2,R$ 决定）。

---

这一节到底教会了我们什么？

如果只是给个公式让你代数，那这书不如不写。这一节真正的核心在于：

当系统是高阶的，不要试图去解它，而是去观察它。

观察什么？观察那些系数 $a_1,a_2,\dots$ 之间的数量级关系。

• 如果它们相差巨大（10倍、100倍），恭喜你，系统里各个时间尺度是解耦的，你可以像剥洋葱一样把极点一个一个剥出来。
• 如果有两个系数旗鼓相当，说明在这个频段上有两个物理机制在打架，这时候它构成一个二阶系统（可能是振荡的，也可能是过阻尼的）。

这种方法给了我们一个设计导向的视角：我们不再是在算题，而是在配置系统。如果你想调整那个高频极点，你该动哪个电容？如果你想让那个容易振荡的二阶极点对变得稳定（增加阻尼），你该动哪个电阻？

这才是 Approximate Roots 这一套方法论在工程上的真正价值。

---

参考说明：参考自 geqianQWQ 同学阅读《Fundamentals of Power Electronics》的笔记，仅作理解线索；本文为结合自己理解重新整理的学习笔记，不涉及对原书的复制或翻译。