在工程實務中，我們經常需要在某個工作點附近對複雜函數進行快速估算。例如，控制工程師需要在平衡點附近線性化非線性系統，結構工程師需要預測材料在微小應變下的行為，而信號處理工程師則需要對週期信號進行頻譜分析。這些問題的核心都指向同一個數學工具——泰勒展開式（Taylor Series Expansion）。
泰勒展開式的美妙之處在於：它將一個可能非常複雜的函數，轉化為一個多項式——而多項式是電腦最容易運算、人類最容易理解的數學形式。正如數學家拉格朗日所言，泰勒級數是「微分學的核心」。
假設我們有一個可微函數 $f(x)$，並且想知道它在 $x = a$ 附近的行為。最直觀的想法是用一條切線來近似：
$$f(x) \\approx f(a) + f’(a)(x - a)$$
這就是一階泰勒展開，也稱為線性近似。當 $x$ 離 $a$ 很近時，這個近似非常好；但隨著距離增大，誤差也迅速增加。
為了提高精度，我們可以加入二階導數項，捕捉函數的「彎曲」程度：
$$f(x) \\approx f(a) + f’(a)(x - a) + \\frac{f’’(a)}{2!}(x - a)^2$$
這就像用一條拋物線來貼合曲線，比切線更貼近真實函數的形狀。
將這個概念推廣到任意階數，我們得到泰勒級數：
$$f(x) = \\sum_{n=0}^{\\infty} \\frac{f^{(n)}(a)}{n!}(x - a)^n = f(a) + f’(a)(x-a) + \\frac{f’’(a)}{2!}(x-a)^2 + \\frac{f’’’(a)}{3!}(x-a)^3 + \\cdots$$
其中 $f^{(n)}(a)$ 表示 $f$ 在 $a$ 點的 $n$ 階導數，$n!$ 是 $n$ 的階乘。
當展開點 $a = 0$ 時，泰勒級數簡化為麥克勞林級數：
$$f(x) = \\sum_{n=0}^{\\infty} \\frac{f^{(n)}(0)}{n!} x^n$$
這是工程中最常用的形式，因為在零點附近展開往往最簡潔。
值得注意的是，泰勒級數並非對所有 $x$ 值都收斂到原函數。級數的收斂半徑決定了展開的有效範圍。例如，$\\frac{1}{1-x}$ 的麥克勞林級數為：
$$\\frac{1}{1-x} = 1 + x + x^2 + x^3 + \\cdots, \\quad |x| < 1$$
當 $|x| \\geq 1$ 時，級數發散，展開失效。
在控制工程中，非線性系統隨處可見。考慮一個簡單的非線性系統：
$$\\dot{x} = x^2 + u$$
其中 $x$ 是狀態變數，$u$ 是控制輸入。假設我們希望在平衡點 $x_e = 1$ 附近設計線性控制器，令 $x = x_e + \\delta x$，$u = u_e + \\delta u$，其中 $u_e = -1$（因為平衡時 $\\dot{x} = 0$）。
對 $f(x) = x^2$ 在 $x_e = 1$ 處進行一階泰勒展開：
$$f(x) \\approx f(1) + f’(1)(x - 1) = 1 + 2(x - 1)$$
因此，線性化後的系統為：
$$\\delta\\dot{x} \\approx 2\\delta x + \\delta u$$
這是一個線性系統，我們可以用經典的 PID 控制或狀態反饋方法來設計控制器。沒有泰勒展開，非線性控制將困難得多。
在材料力學中，應變 $\\epsilon$ 與位移 $u$ 的關係為 $\\epsilon = \\frac{du}{dx}$。但對於大變形問題，真實應變（Green 應變）的定義為：
$$E = \\frac{du}{dx} + \\frac{1}{2}\\left(\\frac{du}{dx}\\right)^2$$
當位移梯度 $\\frac{du}{dx}$ 很小時，我們可以用泰勒展開的思想，忽略高階小量，簡化為線性應變：
$$E \\approx \\frac{du}{dx}$$
這就是小變形理論的基礎。工程師在設計橋樑、建築時，通常假設變形足夠小，從而使用線性理論簡化計算。但如果變形較大（如橡膠材料、柔性結構），就必須考慮非線性項。
在電子工程中，放大器理想情況下是線性的：輸出 $y = kx$。但實際放大器存在非線性，輸出可表示為：
$$y = a_1 x + a_2 x^2 + a_3 x^3 + \\cdots$$
這正是泰勒級數的形式！當輸入 $x = A\\cos(\\omega t)$ 時，非線性項會產生諧波失真：
通過分析泰勒展開的係數，工程師可以量化失真程度，並設計線性化電路（如負反饋）來抑制不需要的諧波。
題目：求 $f(x) = e^x$ 在 $x = 0$ 處的麥克勞林級數，並利用前三項估算 $e^{0.1}$ 的值。
詳解：
首先計算各階導數：
$$f(x) = e^x, \\quad f’(x) = e^x, \\quad f’’(x) = e^x, \\quad f’’’(x) = e^x, \\quad \\cdots$$
在 $x = 0$ 處：
$$f(0) = 1, \\quad f’(0) = 1, \\quad f’’(0) = 1, \\quad f’’’(0) = 1, \\quad \\cdots$$
因此麥克勞林級數為：
$$e^x = 1 + x + \\frac{x^2}{2!} + \\frac{x^3}{3!} + \\cdots = \\sum_{n=0}^{\\infty} \\frac{x^n}{n!}$$
取前三項估算 $e^{0.1}$：
$$e^{0.1} \\approx 1 + 0.1 + \\frac{(0.1)^2}{2} = 1 + 0.1 + 0.005 = 1.105$$
實際值 $e^{0.1} \\approx 1.10517$，誤差僅約 $0.015%$，可見泰勒展開的威力。
題目：利用泰勒展開證明：當 $x$ 很小時，$\\sin x \\approx x$，並估算此近似在 $x = 0.1$ 弧度時的相對誤差。
詳解：
$\\sin x$ 的麥克勞林級數為：
$$\\sin x = x - \\frac{x^3}{3!} + \\frac{x^5}{5!} - \\cdots$$
當 $x$ 很小時，三階項遠小於一階項，因此：
$$\\sin x \\approx x$$
在 $x = 0.1$ 時：
這解釋了為什麼在工程中，當角度小於約 $5^\\circ$（$0.087$ 弧度）時，常用 $\\sin\\theta \\approx \\theta$ 來簡化計算。
題目：考慮函數 $f(x, y) = e^{x+y}$，求其在 $(0, 0)$ 點的二階泰勒展開。
詳解：
多變數泰勒展開的一般形式為：
$$f(x, y) \\approx f(a, b) + f_x(a, b)(x-a) + f_y(a, b)(y-b) + \\frac{1}{2}\\left[f_{xx}(a, b)(x-a)^2 + 2f_{xy}(a, b)(x-a)(y-b) + f_{yy}(a, b)(y-b)^2\\right]$$
計算各偏導數：
$$f_x = e^{x+y}, \\quad f_y = e^{x+y}, \\quad f_{xx} = e^{x+y}, \\quad f_{xy} = e^{x+y}, \\quad f_{yy} = e^{x+y}$$
在 $(0, 0)$ 處，所有偏導數都等於 $1$，且 $f(0,0) = 1$。因此：
$$f(x, y) \\approx 1 + x + y + \\frac{1}{2}(x^2 + 2xy + y^2) = 1 + x + y + \\frac{(x+y)^2}{2}$$
這正是 $e^{x+y}$ 的單變數泰勒展開將 $x+y$ 視為整體的結果，驗證了展開的正確性。
泰勒展開式是連接「線性世界」與「非線性世界」的橋梁。它的核心思想——用多項式逼近複雜函數——在工程中有著無窮的應用：
然而，我們也應警惕泰勒展開的局限性：
延伸思考：在現代工程中，我們還可以使用其他展開方法，如切比雪夫多項式展開、帕德近似（Padé approximation）等，它們在某些情況下比泰勒展開更優越。讀者可以比較：對於相同的函數和相同的項數，哪種近似方法在給定區間內的最大誤差最小？
泰勒展開式提醒我們：複雜的世界往往可以在局部用簡單的方式理解。這種「以簡馭繁」的思想，正是數學賦予工程師的最強大工具。
", "author": { "name": "Duke Lee" }, "tags": [ ], "date_published": "2026-10-07T11:08:24+08:00", "date_modified": "2026-10-07T11:08:24+08:00" }, { "id": "https://dukecat.duckdns.org/wei-fen-fang-cheng-zai-gong-cheng-shang-de-ying-yongcong-zhen-dong-fen-xi-dao-dian-lu-she-ji.html", "url": "https://dukecat.duckdns.org/wei-fen-fang-cheng-zai-gong-cheng-shang-de-ying-yongcong-zhen-dong-fen-xi-dao-dian-lu-she-ji.html", "title": "微分方程在工程上的應用：從振動分析到電路設計", "summary": "title: “微分方程在工程上的應用：從振動分析到電路設計” date: 2026-10-07 tags: [數學, 工程, 微積分] 前言：為什麼微分方程如此重要 微分方程（Differential Equation, DE）是描述「變化率」的數學語言。在工程世界中，幾乎所有的物理現象都涉及變化：物體的運動、電流的流動、熱量的傳遞、結構的變形……這些現象的共同特徵是，系統的狀態隨時間或空間的變化率，與系統本身的狀態息息相關。 微分方程正是捕捉這種關係的工具。從牛頓第二運動定律 $F = ma$ 到歐姆定律的電容版本 $i = C\\frac{dV}{dt}$，從熱傳導的傅立葉定律到流體力學的納維-斯托克斯方程，微分方程無處不在。…", "content_html": "微分方程（Differential Equation, DE）是描述「變化率」的數學語言。在工程世界中，幾乎所有的物理現象都涉及變化：物體的運動、電流的流動、熱量的傳遞、結構的變形……這些現象的共同特徵是，系統的狀態隨時間或空間的變化率，與系統本身的狀態息息相關。
微分方程正是捕捉這種關係的工具。從牛頓第二運動定律 $F = ma$ 到歐姆定律的電容版本 $i = C\\frac{dV}{dt}$，從熱傳導的傅立葉定律到流體力學的納維-斯托克斯方程，微分方程無處不在。
對工程師而言，理解微分方程不只是為了「解題」，更是為了預測系統行為、設計控制器、優化性能。本文將從基礎概念出發，逐步深入，並透過具體的工程實例，展示微分方程如何成為工程師的得力工具。
簡單來說，微分方程是包含未知函數及其導數的方程式。例如：
$$\\frac{dy}{dx} = 2x$$
這個方程告訴我們，函數 $y$ 的變化率等於 $2x$。解這個方程，就是找到所有滿足這個條件的函數。
微分方程可以依以下方式分類：
一階微分方程是最簡單的形式：
$$\\frac{dy}{dx} = f(x, y)$$
例如，放射性衰變遵循 $\\frac{dN}{dt} = -\\lambda N$，其中 $N$ 是原子數量，$\\lambda$ 是衰變常數。
二階微分方程則描述加速度或曲率：
$$\\frac{d^2y}{dx^2} + a\\frac{dy}{dx} + by = 0$$
這類方程在振動系統、電路分析中極為常見。
微分方程的解通常有無限多個，需要額外的條件來確定唯一解：
在機械工程中，振動分析是確保結構安全的關鍵。考慮一個質量-彈簧-阻尼系統：
$$m\\frac{d^2x}{dt^2} + c\\frac{dx}{dt} + kx = F(t)$$
其中：
這個二階常微分方程描述了質量塊的運動。當 $F(t) = 0$ 時，我們得到齊次方程，其解取決於阻尼比 $\\zeta = \\frac{c}{2\\sqrt{mk}}$：
工程師利用這個模型來設計汽車懸吊系統、建築物的抗震設計，以及精密儀器的防震平台。
在電子工程中，電容和電感引入了微分方程。考慮一個簡單的 RLC 串聯電路：
$$L\\frac{d^2q}{dt^2} + R\\frac{dq}{dt} + \\frac{1}{C}q = V(t)$$
其中：
這個方程與機械振動方程形式完全相同，體現了數學的統一性。當 $V(t) = V_0 \\sin(\\omega t)$ 時，電路會發生諧振，這在無線電通訊中用於選擇特定頻率的信號。
在熱工程中，熱傳導由偏微分方程描述：
$$\\frac{\\partial T}{\\partial t} = \\alpha \\frac{\\partial^2 T}{\\partial x^2}$$
其中 $T(x,t)$ 是溫度，$\\alpha$ 是熱擴散係數。這個方程告訴我們，溫度隨時間的變化率與溫度的空間曲率成正比。
工程師利用這個方程來設計散熱器、優化建築物的隔熱材料，以及預測電子元件的溫度分布。
問題：某放射性元素的半衰期為 10 年。若初始質量為 100 克，求 30 年後的剩餘質量。
解答：
放射性衰變遵循 $\\frac{dN}{dt} = -\\lambda N$，其解為：
$$N(t) = N_0 e^{-\\lambda t}$$
其中 $N_0 = 100$ 克。
半衰期 $T_{1/2} = 10$ 年，所以：
$$\\frac{1}{2} = e^{-\\lambda \\cdot 10} \\Rightarrow \\lambda = \\frac{\\ln 2}{10}$$
30 年後：
$$N(30) = 100 \\cdot e^{-\\frac{\\ln 2}{10} \\cdot 30} = 100 \\cdot e^{-3\\ln 2} = 100 \\cdot \\left(\\frac{1}{2}\\right)^3 = 12.5 \\text{ 克}$$
問題：一個 RLC 串聯電路，$L = 0.1$ H，$C = 10$ μF，$R = 5$ Ω。求諧振頻率 $\\omega_0$。
解答：
諧振頻率由下式給出：
$$\\omega_0 = \\frac{1}{\\sqrt{LC}} = \\frac{1}{\\sqrt{0.1 \\times 10 \\times 10^{-6}}} = \\frac{1}{\\sqrt{10^{-6}}} = 1000 \\text{ rad/s}$$
對應的頻率為：
$$f_0 = \\frac{\\omega_0}{2\\pi} = \\frac{1000}{2\\pi} \\approx 159.15 \\text{ Hz}$$
問題：一根長度為 $L$ 的金屬棒，兩端溫度分別維持在 $T(0) = 100°C$ 和 $T(L) = 0°C$。求穩態溫度分布。
解答：
穩態時 $\\frac{\\partial T}{\\partial t} = 0$，所以：
$$\\frac{d^2 T}{dx^2} = 0$$
積分兩次得：
$$T(x) = Ax + B$$
利用邊界條件：
所以：
$$T(x) = 100\\left(1 - \\frac{x}{L}\\right)$$
這是一個線性溫度分布，從 100°C 線性下降到 0°C。
微分方程是工程語言的核心。從最簡單的一階方程到複雜的偏微分方程，它們讓我們能夠：
延伸思考：
微分方程不僅是數學工具，更是工程師理解世界的窗口。掌握它，就掌握了改變世界的鑰匙。
本文涵蓋了微分方程的基礎概念及其在機械、電子、熱工程等領域應用。希望讀者能從中體會到數學與工程的緊密聯繫，並在實際工作中靈活運用這些工具。
", "author": { "name": "Duke Lee" }, "tags": [ ], "date_published": "2026-10-07T11:05:41+08:00", "date_modified": "2026-10-07T11:05:41+08:00" }, { "id": "https://dukecat.duckdns.org/new-web.html", "url": "https://dukecat.duckdns.org/new-web.html", "title": "new web", "summary": "這是公爵貓又一次架設的假網站，為什麼稱之為假網站，意思是這種網站幾乎都不會對外公開，純粹提供公司內部快速連接。尤其是寫了很多web app都可以在這邊發布。 但是，為什麼還是堅持一定能夠顯示方程式。有些東西如果使用數學來說明，會是一件簡單的事情。在智人的歷史中，數字的表達，是極為重要的里程碑，所以個人認為必須要完整的數字表示，才算得上是完整的平台。", "content_html": "這是公爵貓又一次架設的假網站，為什麼稱之為假網站，意思是這種網站幾乎都不會對外公開，純粹提供公司內部快速連接。尤其是寫了很多web app都可以在這邊發布。
\n但是，為什麼還是堅持一定能夠顯示方程式。有些東西如果使用數學來說明，會是一件簡單的事情。在智人的歷史中，數字的表達，是極為重要的里程碑，所以個人認為必須要完整的數字表示，才算得上是完整的平台。
", "author": { "name": "Duke Lee" }, "tags": [ ], "date_published": "2026-09-30T12:11:13+08:00", "date_modified": "2026-09-30T13:00:46+08:00" }, { "id": "https://dukecat.duckdns.org/ce-shi-fang-cheng-shi.html", "url": "https://dukecat.duckdns.org/ce-shi-fang-cheng-shi.html", "title": "Formula Testing", "summary": "公爵貓測試formula $$ax^2+bx+c=0$$ 等於零的概念就是這曲線在$y=0$的交點。 然後$\\frac{-b\\pm \\sqrt{b^2-4ac}}{2a}$就是兩個根，這是國中程度好嘛。", "content_html": "公爵貓測試formula \n$$ax^2+bx+c=0$$\n等於零的概念就是這曲線在$y=0$的交點。\n然後$\\frac{-b\\pm \\sqrt{b^2-4ac}}{2a}$就是兩個根，這是國中程度好嘛。
", "author": { "name": "Duke Lee" }, "tags": [ ], "date_published": "2026-09-30T10:42:53+08:00", "date_modified": "2026-09-30T12:08:25+08:00" } ] }