企业官网建设流程全解析

简介：这份资源是一套基于自抗扰控制（ADRC）理论编写的MATLAB程序，参考韩京清教授的自抗扰思想，面向自动化、车辆工程等方向的学习者与研究人员，重点解决汽车引擎控制中模型不确定、内外扰动难以精确建模的问题。压缩包内共1个文件，为m脚本类型，整体约563B，核心围绕扩展状态观测器（ESO）的实现展开，用于在线估计系统状态与未知扰动，为控制器提供补偿依据。目前已有1929人学习下载，说明其在ADRC入门与工程验证中具有一定参考价值。读者可借此理解ADRC相较传统PID无需精确模型、抗干扰能力更强的特点，掌握ESO的设计思路与MATLAB实现方式，并参考其仿真验证流程，将理论转化为可运行的控制器代码，为汽车引擎控制等实际场景提供可复用的案例与排错思路。

1. 从一条发散曲线说起：adrc自抗扰程序到底在解决什么

如果你调过 PID，大概率见过这种场面：阶跃给定下去，超调一大截，积分饱和后回调慢半拍，负载一扰动，输出又开始抖。参数改小响应肉，改大直接振荡，最后只能折中。adrc自抗扰程序（仿真成功）这个标题背后，真正被反复搜索的诉求就一句话——有没有一套不靠精确模型、能把扰动当场估出来再补掉的控制器，而且能在仿真里先跑通、看到波形。

ADRC（Active Disturbance Rejection Control，自抗扰控制）的思路和 PID 不一样。它不要求你知道被控对象是几阶、增益多少，而是把对象里所有说不清的部分——未建模动态、参数摄动、外部扰动——统统打包成一个“总扰动”，用一个扩张状态观测器（ESO）实时估它，再在控制量里减掉。剩下的部分被补偿成一个近似积分器串联，控制器就好设计了。这套东西适合谁？适合手里有对象但模型不准、工况会变、又不想每次重头辨识的人。仿真成功只是起点，关键是你能不能把 ESO 带宽、控制器带宽、跟踪微分器这几组参数调明白。

2. 把 ADRC 拆成三块：TD、ESO、SEF 各自在干什么

2.1 跟踪微分器 TD：给阶跃信号安排一条能走的过渡曲线

TD 的作用是安排过渡过程。给定一个阶跃，直接砸进控制器，误差瞬间很大，容易激发超调。TD 把阶跃变成一条有加速度上限的曲线，同时给出它的微分。对二阶对象，常用的是离散最速跟踪微分器：

import numpy as np def td_track(v, y, h, r): """ 离散跟踪微分器（最速控制综合函数 fhan 简化实现） v: 当前跟踪值 y: 当前跟踪值的微分 h: 采样步长 r: 速度因子，越大跟踪越快，但过大易振荡 返回: 下一时刻的 (v, y) """ d = r * h d0 = d * h # 误差 e = v - 0 # 这里 0 代表目标输入，实际调用时传入 setpoint # 简化 fhan，工程上常用形式 y_ = y + h * (-r * np.sign(v - 0)) # 占位，实际按 fhan 公式展开 return v + h * y_, y_

上面这段是骨架，真正落地时 fhan 函数要按公式展开，包含对误差和微分的分段判断。参数上，r 决定过渡过程快慢，h 是采样步长，一般取仿真步长或稍大。r 太小过渡慢，系统响应被拖；r 太大 TD 自己先振荡，等于把噪声引进来。我一般先把 r 设到让过渡时间约为期望调节时间的 1/3 到 1/2，再微调。

2.2 扩张状态观测器 ESO：把“说不清的部分”估出来

ESO 是 ADRC 的核心。以二阶对象为例，状态是 x1（位置）、x2（速度），扩张出 x3 代表总扰动。离散线性 ESO 常见形式：

def eso_update(z1, z2, z3, y, u, b0, beta1, beta2, beta3, h): """ 三阶线性扩张状态观测器 z1,z2,z3: 观测器状态估计 y: 实际输出 u: 控制量 b0: 控制增益估计 beta1,beta2,beta3: 观测器增益 h: 步长 """ e = z1 - y z1_new = z1 + h * (z2 - beta1 * e) z2_new = z2 + h * (z3 - beta2 * e + b0 * u) z3_new = z3 + h * (-beta3 * e) return z1_new, z2_new, z3_new

三个增益通常按带宽整定：把 ESO 看成三阶系统，配置成 (s+wo)^3 形式，则 beta1=3wo，beta2=3wo^2，beta3=wo^3。wo 是观测器带宽，是这套程序里最关键的参数之一。wo 越大估计越快，但对噪声越敏感；wo 太小估计滞后，扰动补不干净。仿真里可以先取 wo 为控制器带宽的 3 到 5 倍，再根据波形调。

2.3 状态误差反馈 SEF：补偿完再控

有了 z1、z2、z3，控制律就简单了。误差 e1 = v1 - z1，e2 = v2 - z2，控制量 u = kpe1 + kde2 - z3/b0。最后一项就是把总扰动估出来直接抵消。kp、kd 按闭环带宽 wc 配置，二阶常见 kp=wc^2，kd=2*wc。b0 是控制增益，估不准会直接影响扰动补偿效果，仿真里可以先用标称值，再扫一遍看鲁棒性。

3. 在仿真里跑通 ADRC：从零搭一个最小可复现例子

3.1 选对象与仿真框架

为了能复现，我一般用一个二阶对象：y'' = -ay' - by + c*u + d(t)，其中 a、b、c 是标称参数，d(t) 是外部扰动。仿真用 Python 手写循环就够，不依赖额外工具箱。步长 h 取 0.001s，仿真时长 5s，给定阶跃在 0.5s 加入，扰动在 2.5s 加入。

import numpy as np import matplotlib.pyplot as plt h = 0.001 T = 5.0 N = int(T / h) # 对象标称参数 a, b, c = 1.0, 2.0, 1.0 # ADRC 参数 wc = 10.0 # 控制器带宽 wo = 40.0 # 观测器带宽 b0 = c # 控制增益估计 kp = wc**2 kd = 2 * wc beta1, beta2, beta3 = 3*wo, 3*wo**2, wo**3 # 状态 y, dy = 0.0, 0.0 z1, z2, z3 = 0.0, 0.0, 0.0 v1, v2 = 0.0, 0.0 r_td = 100.0 setpoint = 1.0 log = [] for k in range(N): t = k * h ref = setpoint if t >= 0.5 else 0.0 # TD 简化：一阶惯性逼近，工程上可替换为 fhan v1 += h * v2 v2 += h * (-r_td * (v1 - ref) - 2*np.sqrt(r_td)*v2) # ESO e = z1 - y z1 += h * (z2 - beta1 * e) z2 += h * (z3 - beta2 * e + b0 * u if k > 0 else 0) z3 += h * (-beta3 * e) # 控制律 e1 = v1 - z1 e2 = v2 - z2 u = kp * e1 + kd * e2 - z3 / b0 # 对象积分（欧拉） d = 0.5 if t >= 2.5 else 0.0 ddy = -a*dy - b*y + c*u + d dy += h * ddy y += h * dy log.append((t, ref, y, z3, u)) log = np.array(log) plt.plot(log[:,0], log[:,1], label='ref') plt.plot(log[:,0], log[:,2], label='y') plt.plot(log[:,0], log[:,3], label='z3') plt.legend(); plt.show()

这段代码里 u 在第一次循环时还没定义，实际写的时候要把 ESO 更新放到控制律之后，或者给 u 初值 0。逻辑顺序是：先算 TD，再算 ESO（用上一拍 u），再算控制律，最后积分对象。参数说明：wc 决定闭环响应速度，wo 决定扰动估计速度，b0 要和实际控制通道增益接近。跑出来应该看到 y 跟踪 ref，2.5s 扰动加入后 z3 抬起，u 相应增大把 y 拉回。

3.2 参数整定的顺序与经验值

整定顺序我一般按这个来：先定 b0，用标称增益或做一次开环扫频估；再定 wc，让闭环带宽满足响应要求；最后定 wo，从 3wc 起步往上加，看 z3 的噪声和估计滞后。表格里给一组仿真里常用的起点：

3.3 看波形判断问题出在哪

仿真跑完不要只看 y 跟没跟上。三条线要一起看：ref 和 y 的跟踪误差、z3 的估计波形、u 的控制量。如果 y 有稳态误差，先查 z3 有没有把扰动估出来，再查 b0 是否偏大。如果 y 高频抖，多半是 wo 太大把噪声放大了，或者 TD 的 r 太大。如果超调大，先看 TD 过渡是不是太陡，再看 kp 是否偏大。这套排查逻辑比盲调参数快得多。

4. 避坑与常见问题：仿真能跑不等于参数能用

4.1 现象：波形发散，数值越来越大

原因通常是 ESO 增益和步长不匹配。wo 很大时，beta3=wo^3 会非常大，显式欧拉积分在固定步长下容易数值不稳定。解决：要么减小 h，要么改用更稳的离散化方法，要么先把 wo 降下来。仿真里 h=0.001、wo=40 一般没事，wo 上到 200 就要小心。

4.2 现象：扰动加入后 z3 有反应但 y 回不来

原因多半是 b0 估得偏大，导致 -z3/b0 补偿量不够。解决：把 b0 调小一点试，或者直接检查控制通道实际增益。另一个可能是 wo 太小，z3 滞后，补偿总是慢半拍。

4.3 现象：稳态时 u 一直在抖

这是 ESO 把测量噪声或数值噪声估进 z3 了。解决：降低 wo，或者在 y 进入 ESO 前加一个低通滤波。注意滤波会引入相位滞后，wo 要相应再调。仿真里如果对象输出干净，抖动多半来自步长和增益组合，先查数值稳定性。

4.4 现象：TD 输出自己就振荡

r_td 给太大，TD 的最速控制综合函数进入切换频繁区。解决：把 r_td 降到过渡时间满足要求即可，不要追求“越快越好”。TD 是安排过渡的，不是用来提速的。

4.5 现象：换一组对象参数就崩

ADRC 的鲁棒性有边界。如果对象增益变化超过 b0 的容忍范围，或者延迟大到 wo 估不过来，照样翻车。解决：仿真里做参数扫描，把对象增益、时间常数、延迟各拉偏 30%~50%，看还能不能稳住。这一步不做，仿真成功只是假象。

5. 进阶：把 ADRC 从仿真推到能用的程度

仿真跑通之后，真正决定这套 adrc自抗扰程序能不能用的是三件事：离散化方式、带宽约束、以及和实际采样周期的匹配。我一般会做一轮“降采样”测试：把 h 从 0.001 逐步放大到 0.01、0.02，看波形什么时候开始恶化。这个临界步长就是你对实际控制器算力的最低要求。如果实际采样只能到 0.01，而仿真在 0.005 就开始抖，那这套参数上机大概率不行。

另一个进阶点是 b0 的在线估计。固定 b0 在工况变化大时不够用，常见做法是用递推最小二乘或简单的增益自适应，把 b0 慢慢往真实值修。但要注意，b0 一动，z3 的含义就变了，补偿项要同步处理，否则会引入新的振荡。我自己的习惯是：先固定 b0 跑通，再开自适应，且自适应增益给得很小，宁可慢不可抖。

验证方法上，除了看阶跃响应，我还会做三组测试：第一组，给定正弦跟踪，看相位滞后；第二组，对象增益突变 50%，看恢复时间；第三组，输出加 1% 幅值的白噪声，看 u 的抖动幅度。这三组过了，才敢说这套 ADRC 参数有上机价值。血泪经验是，仿真里干干净净的波形最容易骗人，加噪声、加延迟、加参数摄动之后还能稳，才算数。希望帮到你。

本文还有配套的精品资源，点击获取