企业官网建设流程全解析

聊到工业控制里最简单也常用的控制器，大家第一反应肯定是PID。PID确实改变了众多行业的控制方式，但真正在现场跑过伺服、温控、电源项目的工程师心里都清楚：PID从来不是万能钥匙。被控对象一强耦合、强非线性，或者外部扰动特别猛，PID那三个增益调来调去，往往不是超调就是抖动，很难找到一个舒服的工作点。

韩京清先生提出的自抗扰控制（Active Disturbance Rejection Control，ADRC）给的是另一条路：它不执着于把被控对象模型建得多准，而是把系统内部不确定性、外部扰动统统装进一个“总扰动”里，由扩展状态观测器实时估计出来，再在控制量中把它补偿掉。这样一来，再复杂的系统，在控制器眼里都被拉回了标准的积分串联结构，后续设计就简单了。

这篇文章把ADRC的原理和控制器设计从头到尾拆一遍，重点放在一阶对象的工程实现、参数整定和调试经验上。适合正在做伺服驱动、运动控制、电力电子、温控等项目的工程师，也适合想从PID进阶到现代控制理论的同学，看完之后从零手写一个能跑的ADRC基本没问题。

1. 自抗扰控制到底要“抗”什么？

1.1 PID为什么不够用

做控制这些年，我越来越觉得PID的问题不是它不好学，而是它的结构决定了它在某些场景下注定吃力。PID的三个增益KP、KI、KD，本质都是对误差的“事后处理”：先出现偏差，再想方设法把偏差压回去。面对线性、时不变、低扰动的对象，这个思路够用；可一旦对象变复杂，短板就暴露了。

第一个痛点是快速性和超调的矛盾。想让阶跃响应更快，最直接的做法就是把比例增益调大，结果响应确实快了，超调也跟着来了。经典的解决办法是引入微分项，让控制器提前“踩刹车”，但理想微分在实际系统中并不存在。用差分近似微分，噪声会被放大得一塌糊涂，所以我见过很多现场工程师最后干脆只用PI，把D关掉。

第二个痛点是扰动抑制太被动。外部扰动出现后，系统要等输出已经发生偏差，控制器才有所动作。这种被动补偿的方式，在扰动小、变化慢的场景下还能忍，但如果扰动来得又急又猛，比如电机负载突变、电网电压跌落，PID的恢复速度常常跟不上。

第三个痛点更隐蔽：PID本质上是拿一个固定结构的控制器去适配不同工况。工作点一变，对象特性就变，当初调好的参数可能立刻失效。这也是为什么很多设备在不同负载条件下表现差异巨大，最终只能靠分段PID或者模糊PID这类补丁来缓解。

1.2 总扰动：把“未知”请进状态空间

回到韩京清先生的原始思考。他关注的不是“怎么调PID更好”，而是“为什么控制问题那么依赖精确模型”。当时的现代控制理论虽然漂亮，但高度依赖对象模型，模型一不准，理论就很难落地。而经典PID虽然不依赖模型，却又不具备对扰动的主动抑制能力。

韩京清的关键洞察是：能不能把系统内部的建模误差、参数变化和外部扰动合并成一个“总扰动”来处理？

考虑一个一阶系统：

x_dot = f(x, w, t) + b * u

y = x

这里x是系统状态，u是控制输入，y是输出，w是外部扰动，f(x, w, t)包含了内部动态、外部扰动、未建模部分的所有影响。如果我能把这个f实时估计出来，并在控制量中加以抵消，那么系统就变成了一个理想的积分器：

x_dot ≈ u0

这种把“未知动态”统一视为一个扩展状态的思想，就是ADRC自抗扰的核心。它不要求你精确知道f长什么样，不要求扰动可测量，只要求系统在结构上满足输入输出关系——这在工程上是极大程度的解放。

为什么叫“自抗扰”？因为系统不是依赖外部扰动模型或前馈传感器来对抗扰动，而是靠回路内部的状态观测器把扰动“看”出来。就像开车上坡，你不需要知道坡度到底多大，只需要根据车速下降的程度和油门开度，就能反推出此时的等效阻力，然后自动补油。ADRC里的扩展状态观测器，干的就是这个“反推阻力”的活。

2. ADRC三大件的原理与分工

2.1 跟踪微分器TD：既平滑信号，又提供微分

跟踪微分器Track Differentiator，作用是解决两个问题：一是从带有噪声的参考信号中提取微分，二是安排过渡过程。

最速跟踪微分器的连续形式写作：

v1_dot = v2

v2_dot = fst(v1 - v, v2, r, h0)

其中v是原始参考输入，v1是v的跟踪输出，v2是v1的微分，fst是最速控制综合函数。简单说，v1会以尽可能快的速度逼近v，但它的变化速率受r约束，不会一下子跳过去。v2就是v1的变化速度，由于是通过对v1的导通得到的，不会像直接对v求差分那样把噪声放大。

它的价值在阶跃输入时体现得最明显。如果直接用阶跃作为控制目标，误差信号一上来就是满幅值，控制器会立刻输出最大控制量，系统很容易超调。但经过TD之后，阶跃被安排成一个斜率受限的斜坡，系统的实际目标在平滑地靠近最终值，超调量大幅下降。

r的含义可以理解为目标的“最大变化速率”。r越大，过渡过程越快，但也越接近直接阶跃输入；r越小，过渡越平缓，系统越稳。现场调试时，可以先根据执行机构允许的最大变化率设定r，再去微调。

2.2 扩展状态观测器ESO：全系统最关键的“侦察兵”

扩展状态观测器是ADRC真正核心的部分，也是理解ADRC的一道坎。它的任务是：在只知道输入u和输出y的前提下，估计出系统的状态以及总扰动。

还是看一阶对象。构造扩张状态观测器：

z1_dot = z2 - β1 * e

z2_dot = z3 - β2 * e + b0 * u

z3_dot = -β3 * e

其中e = z1 - y，z1估计x（系统输出），z2估计x_dot（输出的变化率），z3就是扩展出来的那个状态，用来估计总扰动f。β1、β2、β3是观测器增益。

初看这个结构会觉得奇怪：为什么那个e同时出现在三个方程里？实际上这就是观测器的修正机制。想象你有一个系统的“虚拟副本”，它按照你对系统的理解运行着。你把真实输出和虚拟副本输出之间的误差，分别按不同比例反馈到副本的各层状态上，不断校正它的内部值。只要反馈增益选得合适，过不了多长时间，z1就会贴近真实输出y，z2贴近真实变化率，z3逼近真实总扰动f。

信号流的方向是：输出误差e先影响到z1估计，z1的修正再传导到z2，z2的修正再传导到z3。这就像一支小队逐级汇报敌情：侦察兵发现偏差，班长调整位置，排长得到更宏观的态势判断。

非线性版本的ESO会把β1 * e这类线性项替换成基于fal函数的非线性项：

fal(e, α, δ) = sign(e) * |e|^α，当|e| > δ时

fal(e, α, δ) = e / δ^(1-α)，当|e| ≤ δ时

α小于1时，小误差对应高增益，理论上控制精度可以更高。但工程上，非线性ESO的参数太多、物理意义不直观，所以大量产品中用线性ESO（LESO）替代，也就是把α直接取1，再用带宽法整定β参数。很多商业实现中所谓的LADRC，本质上就是这套线性化方案，效果足够好，参数还少。

2.3 状态误差反馈与扰动补偿：剩下的都是标准流程

有了TD提供的过渡参考信号v1、v2，有了ESO提供的状态估计z1、z2和扰动估计z3，控制律的设计就变得非常“教科书”。

取误差：

e1 = v1 - z1

e2 = v2 - z2

对于一阶对象，反馈律可以设计成P控制形式：

u0 = kp * e1

对于二阶对象，则常用PD形式：

u0 = kp * e1 + kd * e2

最终的控制量是：

u = (u0 - z3) / b0

这一步就是扰动补偿。ESO估计出的z3是当前系统承受的总扰动，把它从控制量里减掉，相当于在控制器内部生成了一个反向的“抵消信号”。除以b0，是为了把虚拟控制量u0换算成实际执行器能理解的控制量，因为系统本身的输入增益是b，而我们使用的是一个估计值b0来近似b。

把u代回系统方程：

x_dot = f + b * u ≈ f + b * (u0 - z3) / b0 ≈ f + u0 - z3 ≈ u0

只要z3能跟上f，b0与b的偏差不太大，系统就会近似成一个积分器：x_dot ≈ u0。在这个近似模型下设计控制器，什么极点配置、带宽设计，都是信手拈来的事。

3. 一阶ADRC控制器设计与离散化实现

3.1 设计一个完整的一阶ADRC需要哪些步骤

下面把设计流程整理成可以直接抄的步骤。这里以一个典型一阶对象为例，比如永磁同步电机的速度环、加热炉的温度控制等效模型，核心思想是一致的。

第一步：确定对象的阶次和控制增益b0。一阶对象在控制量阶跃作用下，输出是近似匀速变化的，因此b0可以通过开环阶跃实验标定。给一个固定控制量u_open，测量输出的变化率Δy/Δt，则b0约等于(Δy/Δt) / u_open。

第二步：设计TD。设定速度因子r和滤波因子h0。r根据执行机构允许的目标变化速率来选，h0一般取5到10倍的采样周期。

第三步：设计ESO。如果用线性ESO，增益按带宽法设定：

β1 = 3 * ω0

β2 = 3 * ω0²

β3 = ω0³

其中ω0是观测器带宽。z1、z2、z3初始赋值为0。

第四步：设计控制律。一阶对象用P控制即可，kp取期望闭环带宽ωc。工程上一般要求ωc小于ω0的三分之一到五分之一。

第五步：离散化。用最简单的欧拉法离散即可，把微分方程改写为差分方程。采样频率至少要大于10倍的ω0，否则观测器会失真。

3.2 离散化核心公式与参考代码

离散化后的核心公式：

v1(k+1) = v1(k) + h * v2(k)

v2(k+1) = v2(k) + h * fst(v1(k) - v(k), v2(k), r, h0)

e(k) = z1(k) - y(k)

z1(k+1) = z1(k) + h * (z2(k) - 3ω0e(k))

z2(k+1) = z2(k) + h * (z3(k) - 3ω0²e(k) + b0*u(k))

z3(k+1) = z3(k) + h * (-ω0³*e(k))

e1(k) = v1(k) - z1(k)

u0(k) = kp * e1(k)

u(k) = (u0(k) - z3(k)) / b0

完整参考代码如下，基于Python写，便于理解，实际移植到C语言时只需加上变量定义和限幅：

import math h = 0.001 # 采样周期 1ms r = 100.0 # TD速度因子 h0 = 0.005 # TD滤波因子 b0 = 50.0 # 控制增益估计 w0 = 30.0 # ESO带宽 kp = 10.0 # 控制律比例增益 u_max = 100.0 # 控制量上限 u_min = -100.0 # 控制量下限 def sat(x, up, low): return max(low, min(up, x)) def fst(v1, v2, v, r, h0): d = r * h0 d0 = d * h0 y = v1 - v + h0 * v2 a0 = math.sqrt(d * d + 8 * r * abs(y)) if abs(y) <= d0: a = v2 + y / h0 else: a = v2 + 0.5 * (a0 - d) * math.copysign(1, y) return -r * sat(a / d, 1, -1) # 初始状态 v1 = 0.0 v2 = 0.0 z1 = 0.0 z2 = 0.0 z3 = 0.0 u = 0.0 # 假设输出函数 def plant_output(x, u): return x # 一阶对象对应关系 # 主控制循环 for step in range(10000): # 参考输入，比如一个阶跃 v_ref = 10.0 if step >= 100 else 0.0 y = plant_output(z1, u) # 这里实际应为真实传感器读取 # 跟踪微分器TD fst_value = fst(v1, v2, v_ref, r, h0) v1 += h * v2 v2 += h * fst_value # 扩展状态观测器ESO e_eso = z1 - y z1 += h * (z2 - 3 * w0 * e_eso) z2 += h * (z3 - 3 * w0 * w0 * e_eso + b0 * u) z3 += h * (-w0 * w0 * w0 * e_eso) # 控制律 u0 = kp * (v1 - z1) u = (u0 - z3) / b0 u = sat(u, u_max, u_min) # 将u施加到真实被控对象，这里由具体硬件完成

注意代码中植物输出只是示意，真实系统应从传感器读取y。ESO更新时使用的u必须是限幅后的实际控制量，这一点极其重要，后面会专门讲。

3.3 参数初值与带宽法的对应关系

初次接触ADRC，最大的心理障碍是参数多。TD有两个参数r、h0，ESO有一个ω0，控制律有一个kp，再加上b0和采样周期h，看着有六七个参数。如果像调PID那样这些参数彼此影响，那确实很难。但ADRC参数实际上是分组解耦的：TD只管参考信号整形，ESO只管状态和扰动估计，控制律只管反馈增益。ACR参数之间是弱耦合。

用带宽法之后，初始设置就简单多了：

需要注意，对于一阶对象，即使采用的是三阶ESO，反馈控制律用P控制就足够了。二阶对象才需要PD控制，此时需要额外引入v2和z2构成微分通道。

4. 参数整定与工程实施的8个细节

4.1 b0标定是成败的第一步

几乎所有现场调ADRC翻车的项目，最后都能回溯到b0没标准。b0是控制器对“控制输入多大程度影响输出变化率”的估计，它直接决定了扰动补偿量的比例。b0偏大，控制器会认为对象对输入很敏感，实际没那么敏感，补偿不足，系统偏软，响应迟缓；b0偏小，补偿过头，系统容易振荡。

标定方法不复杂。开环状态下，给被控对象一个固定控制量，比如伺服驱动器里直接给一个固定电流值，记录速度响应曲线。稳态段斜率就是Δy/Δt，用斜率除以控制量得到b0。为减小扰动影响，多测几组不同控制量，取平均值。

实际经验是，ADRC对b0误差有一定容忍度，大概正负20%以内都能工作。但超出这个范围，系统要么发软，要么发振。现场如果发现系统对扰动的补偿方向正确但幅度不对，优先怀疑b0。

4.2 ESO带宽、控制带宽与采样周期怎么配

ESO带宽ω0决定观测器跟踪扰动多快，控制带宽ωc决定闭环响应的刚度。两者关系经验上取：

ωc < ω0 / 3

ω0 < fs / 10

其中fs是采样频率。第一条保证观测器比控制器快，否则控制环会拿到一个滞后的扰动估计，补偿动作会“晚半拍”，反而造成振荡。第二条保证离散化不丢信息，采样太慢时，观测器看到的是“稀疏”的信号，很难精确重建快速变化的扰动。

我从项目里的体会是，一上来不要把ω0怼得太高。本子上可以算得很漂亮，但实际系统有测量噪声、有执行器延迟，ω0太高后控制量高频抖得厉害。调试时从低到高慢慢加ω0，直到扰动恢复速度不再明显改善，反而噪声变大，这个拐点就是当前系统条件下的最优观测器带宽。

4.3 非线性fal函数和线性ESO怎么选

韩京清原版ADRC用的是非线性ESO，理论上小误差高增益的特性确实优越。但工程调试中我发现，直接用非线性ESO容易让参数调整变得很抽象。fal函数里的α1、α2、α3、δ四个参数，哪个影响什么，很难从时域曲线上直观判断。

所以我的建议是：第一版调试一律用线性ESO。让系统先动起来，把b0、ω0、kp这些关键参数对齐，确认扰动补偿正确、闭环稳定之后，如果有进一步提升性能的需求，再按原版非线性结构去优化。很多量产产品最终用的也是线性化版本，性能完全够用。

如果坚持用非线性ESO，δ参数值得说一句。δ是线性段区间，理论上δ越小，小误差时增益越大，跟踪精度越高；但δ太小会放大噪声，容易引起高频极限环。一个可行策略是：先取δ=1%到5%的量程，再逐步减小到系统开始抖动的临界值之前停下。

4.4 控制量饱和与抗饱和处理

ESO内部维护着一个对被控对象的“数字副本”，它认为控制量u是真实施加到对象上的。一旦控制器输出达到执行器限幅，真实施加的控制量就不是计算值，而是限幅后的截断值。如果此时ESO还用未饱和的u去更新z2、z3，它就会严重误判总扰动，等退出饱和时，ESO状态已经漂移，系统会出现大幅超调或迟滞。

处理办法只有一条：送给ESO的u必须是实际限幅后的值。在代码里，先对u做限幅，再用限幅后的u去更新ESO。

更进一步，可以做抗饱和反馈。计算饱和差值u_sat = u_calc - u_actual，把这个差值以一定比例补偿到ESO的z2更新中，这样观测器在饱和期间能感知到执行器已截断，不会盲目积分。常用形式是在z2方程中加一项k_sat * (u_calc - u_actual)，k_sat取与β2相当的量级即可。

4.5 测量噪声下面怎么稳住观测器

ESO的性能上限很大程度上由测量噪声决定。z3是扰动估计，但它是由输出误差e一路放大得到的，测量噪声会被带到z3，再进入控制量。很多工程师把ω0调高后，扰动恢复倒是快了，但电机开始嗡嗡响，就是这个原因。

噪声处理有三个方向。一是降低ω0，牺牲一点扰动跟踪速度换控制量平顺；二是在测量通道加低通滤波，滤波引入的相位延迟会限制ω0，需要平衡；三是在采样值送入ESO之前做轻度的滑动平均，注意这种滤波会让ESO看到更平滑的信号，但也有延迟，不能过度使用。

另外一个常用技巧是，不要在控制量u上直接加低通滤波，那是拿系统性能换好看曲线。而是要先把速度/位置反馈信号洗干净，再做ESO。滤波位置放错，控制品质损失很大。

4.6 TD的r和h0到底怎么取

r决定了系统的过渡过程快慢，直观理解就是“目标变化的最大速率”。项目里我会根据实际执行机构能力来定：电机空载所能达到的最大加速度，系统允许的最大参考变化率，或者工艺要求的最短爬坡时间。把这些算成每秒变化多少量，r就取对应量级。

r太大，TD几乎直接放行输入阶跃，过渡过程形同虚设；r太小，系统反应迟钝，参考信号半天爬不到位，会让人觉得“控制很肉”。

h0是滤波因子，作用在fst函数内部，影响过渡过程的平滑程度和噪声抑制。工程上取5到10倍的采样周期比较稳妥。采样周期1ms时，h0取5到10ms，配合r的整定，效果不错。如果现场噪声小，可以取小一点减小延迟；噪声大可适当调大。

4.7 参数整定的推荐顺序

现场调参最怕没章法。我常用的顺序：

第一步，确认采样周期和测量链路。采样周期固定，滤波链固定，后面所有参数都基于这个前提。

第二步，标定b0。开环阶跃实验，测斜率，多测几次取平均值。这一步没做准，后面都是白调。

第三步，设定TD。先以工艺允许的目标爬升时间估算r，h0取5到10倍采样周期。这样参考侧就固定了。

第四步，从较小值开始逐渐加大ω0。观察两个指标：扰动出现后z3的响应速度，以及控制量抖动的幅度。找到一个恢复够快、噪声可接受的折中点。

第五步，调整kp。一阶系统里kp就相当于闭环带宽。先给一个保守值，跑阶跃响应，观察超调和扰动恢复刚度，逐步加大直到闭环动态满足要求。

第六步，回头微调r和h0。如果阶跃超调大，适度减小r；如果微分通道噪声大，增大h0。这时其他参数已经基本就位，微调工作量很小。

这套流程下来，通常两三个小时就能完成一个速度环或者温控回路的整定，比PID盲调快得多。

4.8 和现有PID系统怎么过渡切换

现场已经稳定运行的PID系统，直接换ADRC风险较大，即使仿真效果很好，现场也会有意外。推荐三步走：

第一步，让ESO在线运行但不参与控制。代码里同时跑PID和ESO，观察z3估计出来的扰动与实际负载变化是否吻合。比如设备周期性加载，z3应该出现和负载同步的波动。这相当于在正式使用前先让“侦察兵”熟悉地形。

第二步，把z3补偿项叠加到PID输出上。保留PID作为主控制器，ADRC只负责扰动前馈补偿。不要怕补偿方向反了，调试中一旦发现扰动抑制变差，说明z3极性反了，把符号反一下即可。

第三步，切换到完整ADRC闭环，保留PID输出作为限幅参考，或者用一个速度极慢的切换斜坡把控制权过渡过去。这样即使现场参数不理想，切回PID也只是一瞬间的事。

5. 调试实录：三个常见问题与复盘

5.1 高频抖动：伺服速度环的“嗡嗡”声

某次调试伺服速度环，一上电电机就发出轻微的高频嗡嗡声，控制量波形上能明显看到高频噪声分量。排查时先看速度反馈，示波器显示噪声峰峰值并不大。再看z3，发现扰动估计在±一个比较大的范围来回跳动。

初步判断是ESO带宽过高，把测量噪声放大了。把ω0从80降到40，噪声明显减小，但扰动恢复也慢了。后来重新做了b0标定，发现最初的b0比真实值低了约30%，修正后系统在ω0=60时就获得了比之前ω0=80还好的扰动抑制效果。

复盘来看，这是典型的“噪声+增益偏小”复合问题。只降ω0会牺牲性能，重新标b0之后，等价于提高了扰动补偿的准确性，才真正解决问题。

5.2 温控阶跃超调：TD的过渡过程不是摆设

某加热炉温度控制项目，目标温度从200度提高到400度，超调高达15度以上。检查参数时发现，为了追求快速，TD的r设置得非常大，过渡过程几乎等同于直接阶跃。ESO的ω0只是控制带宽的2倍，补偿滞后明显。

处理方式是对症下药：把r从5000降到1000，目标从200到400的过渡时间从不到3秒延长到接近8秒；同时将ω0提高到控制带宽的4倍。再次跑阶跃，超调降到1度以内，升温时间只比原来慢了不到1秒。

这个案例提醒我，ESO再强，TD的安排过渡过程也不能省。参考侧的整形和控制侧的补偿是两回事，跳过TD会直接面对快速性和超调这对老矛盾。

5.3 电源负载突变恢复慢：ESO带宽才是瓶颈

一个DC-DC电源项目，负载从空载切换到满载，输出电压跌落约200mV，恢复时间接近50ms。这里已经用了ADRC，但效果比之前的PID好不到哪去。

排查思路是观察ESO的估计值。将z3波形和负载电流波形对比，发现负载突变时z3确实在变大，但速度偏慢，扰动都作用到输出上了，z3还没跟踪到位。这说明ω0设置太保守，观测器跟不上扰动的变化速率。

把ω0从20逐步加到80，配合提高控制律增益kp，恢复时间最短做到了约5ms，且没有出现明显的高频抖动。项目结束后复盘，我把“扰动恢复速度主要由ESO带宽决定”这一条记进了团队的控制调试规范里。

以下是问题速查表，现场遇到类似现象可以直接对照：

最后再分享一个个人经验：每次调ADRC之前，先花十分钟把b0标准，后面省下的时间远远不止十分钟。ADRC看起来参数多，但只要抓住b0、ω0、kp这三个抓手，剩下的都是锦上添花。工程上稳妥的路径永远是先线性后非线性、先仿真后现场、先观测后闭环。