企业官网建设流程全解析

简介：ILC_Simulink.rar 是一份面向控制理论学习者、高校学生与工程实践者的 Simulink 迭代学习控制仿真资料，围绕周期性或重复性任务中的无静差跟踪问题，提供可直接运行的模型与配套数据。压缩包共 14 个文件，以 mat 数据、slx 仿真模型、m 脚本和 xml 配置为主，另有少量缓存与自动保存文件，整体约 66KB，体量轻便，便于在 MATLAB 环境中加载、复现和二次修改。资源核心包含一阶或二阶传递函数被控对象与 ILC 算法模块，覆盖误差计算、反馈校正、控制输入更新及迭代停止准则等环节，并借助 Stateflow 模型展示多周期迭代学习过程，可观察输出曲线并调整增益、限幅等参数并调试以优化跟踪性能。已有 3983 人学习，适合希望理解 ILC 基本原理、验证控制策略或搭建教学演示的读者参考。

1. 同一段轨迹跑一百遍：ILC 在 Simulink 里补的是哪一块

机械臂每两秒重复一次取放动作，第一遍末端超调 8%，跑到第一百遍还是 8%——PID 调到参数极限也就这样，因为它不“记住”上一遍错在哪个时刻。ILC（迭代学习控制）补的正是这一块：把每次迭代的逐点误差按时间索引存下来，下一遍在同样的时刻提前补偿，误差随迭代次数 k 单调压下去。Simulink ILC 这套仿真资源做的事，就是把这套“记错—改控制—再跑一遍”的闭环搭成能直接运行的模型，让人在不碰硬件的前提下先把学习律、学习增益、滤波器截止频率试出来，看清它到底收不收敛、收敛到什么量级、第几遍之后不再有收益。它适合做重复轨迹跟踪的人：机械臂、数控进给轴、批处理产线的往复运动、疲劳测试台架。下面按“模型怎么搭、参数怎么定、跑不出来怎么看”的顺序拆开讲。

2. 学习律先立住：P 型、PID 型与三条 Simulink 实现路线

动手搭模块之前，得先知道自己要搭的是哪个式子。ILC 的模型再花哨，核心永远是一条“上一遍的控制 + 增益 × 上一遍的误差 = 这一遍的控制”的递推。这条递推写成什么样，直接决定了 Simulink 里是用一个 MATLAB Function 块搞定，还是必须回到 MATLAB 外层写循环。

2.1 三种学习律的数学形式与收敛条件

最基础的是 P 型（也叫一阶学习律）：

u_{k+1}(t) = u_k(t) + Γ · e_k(t) e_k(t) = y_d(t) - y_k(t)

其中 k 是迭代批次，t 是批次内的时间，Γ 是学习增益。它对线性时不变对象能收敛的充要条件，落在频域上就是|1 - Γ·G(jω)| < 1对所有频率成立。这个式子的几何含义很直白：把 Γ·G(jω) 画在复平面上，它必须整个落在“以 1 为圆心、半径 1”的圆盘里。低频段对象增益大、相位滞后小，Γ 取小一点很容易满足；高频段相位往 -180° 靠，Γ·G 就绕到圆盘外面去了，|1-ΓG|大于 1，那一小段频率的误差会一代代被放大。这就是为什么纯 P 型 ILC 在论文里能证收敛，在实际模型上一跑就抖——不是推导错了，是高频没管。

D 型把误差换成误差的导数：u_{k+1} = u_k + Γ·ė_k。它对相对阶为 1 的对象收敛更快，但对测量噪声极其敏感，误差上叠一点白噪声，微分之后就是一片尖刺，学进去的全是噪声。PID 型是三者的加权组合，积分项负责消化每一次都重复出现的常值扰动（比如恒定的摩擦力矩），微分项负责相位超前，比例项负责主收敛速度——代价是三个增益互相耦合，整定比单一 Γ 麻烦得多。

表格里最后一行值得单独说一句：Q 滤波器的直流增益必须严格等于 1，否则你等于在每一遍都给控制量打了个折扣，误差会收敛到一个非零的平台上下不来。这是我在一个位移跟踪项目上折腾了两天才发现的，当时一直以为是学习增益不够大。

2.2 路线 A：MATLAB 外层循环驱动 sim()，调试首选

把 ILC 放在 Simulink 模型内部，还是放在 MATLAB 脚本里，是第一个要做的选型。模型包里通常两种都有，但排错阶段我强烈建议先用外层循环这条路：每一次迭代都是一次干净的sim()调用，工作区的 u 序列、误差序列、迭代次数全都能直接看，哪一遍出问题就单步查哪一遍。

% ilc_run_p.m —— 路线 A：MATLAB 外层迭代 clear; clc; model = 'ilc_demo'; % 模型名，与 .slx 同名 Ts = 1e-3; % 采样周期，必须和模型固定步长一致 T = 1.0; % 单次任务时长 N = round(T/Ts) + 1; % 采样点数，注意 +1 Gamma = 0.35; % P 型学习增益，先从频域条件筛出来的 1/3 起 Kmax = 30; % 最大迭代次数 u = zeros(N,1); % 第 0 遍控制序列，全零起步 errNorm = zeros(Kmax,1); % 每遍误差的 2-范数 for k = 1:Kmax assignin('base', 'u_k', u); % 投给 Simulink 的输入序列 out = sim(model, 'StopTime', num2str(T)); y = out.logsout.get('y').Values.Data; % 取记录的输出 yd = out.logsout.get('y_d').Values.Data; % 取参考轨迹 e = yd(:) - y(:); % 逐点误差，强制列向量 errNorm(k) = norm(e); u = u + Gamma * e; % 学习律更新 u = min(max(u, -10), 10); % 执行器限幅，别省这一步 end semilogy(1:Kmax, errNorm, 'o-'); grid on; xlabel('迭代次数 k'); ylabel('||e_k||_2');

这段脚本有几个地方是刻意写死的。N = round(T/Ts) + 1里的 +1 不是笔误，采样点包含 t=0 和 t=T 两端，少算一个点，误差序列和控制序列就会差一位，后面所有索引全歪。e = yd(:) - y(:)强制转列向量，是因为 Simulink 记录出来的数据方向取决于模块设置，某一次运行是行向量、下一次是列向量，u + Gamma*e会静默地广播成矩阵而不是报错，这种错最难查。限幅那一行看起来多余，但如果被控对象有行程限制而模型里没建饱和模块，学出来的 u 会一路涨到几百，仿真里看着收敛得漂亮，换到实机上第一遍就撞限位。

提示：sim的返回值取信号有两种常见写法，out.logsout.get('y').Values.Data和out.y，取决于模型里信号是走 Signal Logging 还是 Outport。拿不准就在命令行敲一下out，看它下面挂了什么。

这条路线的代价是慢。每次sim()都要重新编译一次模型（开了加速模式会好一些），三十次迭代就是三十次启动开销。做参数扫描的时候，把set_param(model,'SimulationMode','accelerator')加上，能省掉一大半等待时间。

2.3 路线 B：MATLAB Function 块用 persistent 记住上一遍

真正要嵌到控制器里、或者要跑很长的迭代时，得把学习律塞进模型内部。Simulink 里最省事的做法是一个 MATLAB Function 块，用persistent变量存住整个控制序列，按当前时间算出索引，读出来用、写回去改。

function u = ilc_block(t, e, N, Ts, Gamma) %#codegen % 每个采样步调用一次；persistent 保存跨迭代的控制序列 persistent uPrev k if isempty(uPrev) uPrev = zeros(N,1); % 第 1 遍：全零控制起步 k = 1; end idx = round(t/Ts) + 1; % 时间 -> 采样索引，+1 对齐 MATLAB 的 1 起始 if idx > N idx = N; % 浮点误差导致末尾越界时兜底 end u = uPrev(idx); % 本遍输出：读上一遍学到的值 uPrev(idx) = uPrev(idx) + Gamma * e; % 用当前误差更新"下一遍"的同一时刻 if idx == N k = k + 1; % 迭代计数，只用于观测，不参与控制 end

这个块的关键在于“先读后写”。u取的是uPrev(idx)更新之前的值，所以当前这一遍用的永远是上一遍学到的结果；写回操作只影响下一遍同一时刻的输出。索引 idx 随时间单调递增，不会出现同一遍里读写同一位置两次的情况。round(t/Ts)而不是floor或者直接除，是为了抵消仿真器在浮点累加步长时产生的微小漂移，否则跑到第 900 步左右 idx 会突然跳一位，误差曲线上出现一个孤立的尖峰。最后那个idx > N的兜底判断，纯粹是血泪经验：仿真时长设成 1.0 而 Ts 设成 1e-3 时，最后一步的 t 可能是 1.0000000001，round回来就是 1002，数组越界直接报错终止。

两种路线各有各的适用面：外层循环适合调参和验证，模型内嵌适合长时间跑批和代码生成。我一般的做法是先用路线 A 把 Γ、Q 和采样点数全定下来，确认误差曲线形状对了，再照着搬到路线 B 里，最后比对两条路线跑出来的误差范数序列是否重合——重合了说明内嵌实现没有索引错位，不重合就说明某个环节的时序对不上。

3. 参数整定：采样点数、学习增益与 Q 滤波器的取值依据

ILC 的参数比 PID 少，但每一个都更容易踩坑，因为它多了一个维度——迭代。PID 调错了顶多是这一遍响应不好，ILC 调错了是三十遍之后控制量炸到天上。这一章把四个必须定死的参数按依赖顺序捋一遍。

3.1 时间轴对齐：Ts、T、N 与求解器设置

所有参数里最先要钉死的是采样周期。它同时决定了三件事：模型固定步长、控制序列的数组长度、以及误差更新时的索引粒度。三者只要有一个不一致，误差曲线就会出现那种“看起来在收敛但永远差一截”的诡异形态。

求解器这一项值得展开。默认的变步长求解器在每一遍仿真里走的步数可能不同，尤其当控制量 u 逐代变化、对象响应变陡时，步数会跟着变。误差序列是按采样点存的，步数一变，第 800 个采样点对应的物理时刻就漂了，迭代学习立刻失效——表现出来是误差降到第 5 遍左右开始原地打转，怎么调 Γ 都没用。所以只要用 ILC，就把求解器锁成固定步长。

% 固定步长求解器配置：迭代学习的前提条件 set_param(model, 'SolverType', 'Fixed-step'); set_param(model, 'Solver', 'ode4'); % 连续对象用 ode4，纯离散用 FixedStepDiscrete set_param(model, 'FixedStep', num2str(Ts)); % 必须等于控制周期 set_param(model, 'StopTime', num2str(T)); set_param(model, 'ReturnWorkspaceOutputs', 'on'); set_param(model, 'SignalLogging', 'on');

FixedStep必须严格等于Ts，不能设成Ts/2或者auto。设成 auto 的时候 Simulink 会按模型里最快的采样率自动选，一旦某个模块的采样率比你预期的快，索引就全乱了。SignalLogging打开是为了后面能取到logsout里的信号，不然out.logsout是空的，脚本第一行取数据就报错。

3.2 学习增益：先用频域条件筛一遍，再动手试

绝大多数人调 Γ 的方式是“从 0.1 开始试，抖了就减半”，试到第五次失去耐心。其实这个参数可以在仿真之前就框出一个量级：既然收敛条件是|1 - Γ·G(jω)| < 1，那把对象的频率响应算出来，扫一遍 Γ，看哪个区间能满足条件就行了。

% 用频域条件先筛 Gamma，避免盲目试凑 G = tf(1, [0.01 0.1 1]); % 被控对象，换成你自己的传递函数 w = logspace(-1, 3, 800); % 关心的频段 Gj = squeeze(freqresp(G, w)); % 频响，复数向量 GammaList = 0.05:0.05:1.5; supNorm = zeros(size(GammaList)); for i = 1:numel(GammaList) supNorm(i) = max(abs(1 - GammaList(i) * Gj)); % 全频段最大值 end idx = find(supNorm < 0.85, 1, 'last'); % 留 15% 裕度给模型误差 fprintf('满足条件的最大 Gamma ≈ %.2f，建议起调值 %.2f\n', ... GammaList(idx), GammaList(idx)/3);

这里 0.85 的门限不是随便定的。sup|1-ΓG|等于 0.99 时理论上也能收敛，但收敛速度慢到你在三十遍里看不出来，而且模型里任何一点未建模动态都会把它推到 1 以上。留 15% 裕度、再从筛出来的最大值的三分之一起调，是我试下来最省迭代次数的组合：起调值基本不会发散，往上加还有空间。反过来说，如果扫完发现没有任何 Γ 能让sup小于 1，说明这个对象在当前频段上相位滞后太大，纯 P 型压不住，得直接上 Q 滤波或者换 D 型。

3.3 Q 滤波器：截止频率与直流增益两个约束

Q 滤波器的作用是把学习律在高频段的增益压下去，形式是u_{k+1} = Q(z) · (u_k + Γ·e_k)。它本质上是一个低通，但和普通低通有两个区别：第一，直流增益必须严格等于 1；第二，如果做在外层循环里，可以用零相位滤波避免引入额外滞后。

% Q 滤波器设计：低通 + 直流增益强制为 1 fc = 20; % 截止频率 Hz，取参考轨迹带宽的 3~5 倍 Wn = fc * 2 * Ts; % 归一化到 Nyquist [b, a] = butter(2, Wn, 'low'); b = b * sum(a) / sum(b); % 关键：把 Q(1) 拉回 1 uNew = filtfilt(b, a, u + Gamma * e); % 零相位滤波，需要整段数据

b = b * sum(a) / sum(b)这一行是整个设计的核心。butter出来的系数，直流增益sum(b)/sum(a)通常略小于 1，误差在千分之几的量级，单看滤波器指标完全合格。但在 ILC 里这个千分之几会被迭代放大成一个固定的稳态偏差：每一遍控制量都被打一次折，学到最后 u 稳定在一个比正确值低一点点的水平，误差曲线收敛到某个非零值就再也不动了。我第一次遇到这个现象时以为是对象有死区，查了两天才发现是滤波器系数。

filtfilt做的是前向-反向两次滤波，相位完全抵消，代价是需要拿到整段数据、不能在线跑。所以它只能用在路线 A 的外层循环里。如果学习律是嵌在模型内部（路线 B），就得退而求其次用一个因果低通，此时相位滞后会吃掉一部分相位裕度，Γ 要相应再降一点。截止频率取参考轨迹带宽的 3~5 倍是个经验值：取太低跟踪变钝，阶跃附近学不上去；取太高等于没滤，高频该发散还是发散。判断方法很直接——把每一遍误差做 FFT，看高频段能量是不是在随迭代增长，涨了就说明截止频率压得不够。

4. 收敛判据：三条曲线读出“学进去了”还是“在抖”

仿真跑完三十遍，最危险的情况不是报错，是误差范数确实在降、曲线看着漂亮，但控制量已经在往限幅上顶，或者高频分量正在悄悄积累。光看一条||e_k||曲线不足以判断 ILC 是否真的收敛，至少要看三个量。

4.1 误差范数、逐点误差包络与控制量增量

第一条曲线是||e_k||_2随 k 的变化。健康形态是前几遍快速下降，之后进入缓慢下降的尾部，全程单调。如果出现“降—升—降”的锯齿，那是高频发散被低频收敛暂时掩盖了，不能算收敛。

第二条是逐点误差包络：把每个采样点上、所有迭代批次的 |e_k(t)| 取出来，画成一条随 t 变化的带子。收敛良好的时候这条带子在整个时间段上均匀变窄；如果只在 t 的前半段变窄、后半段纹丝不动，通常是 N 少算了一个点，或者参考轨迹末端有跳变。

第三条最容易被忽略但最有诊断价值：控制量增量||u_{k+1} - u_k||。ILC 收敛的严格定义是控制序列本身收敛，不是误差变小。误差变小有可能是因为对象被推到了某个碰巧对的位置，而控制增量趋近于零才说明学习过程真的停下来了。

% 三联图：判断收敛是否"真"收敛 figure('Position', [100 100 900 700]); subplot(3,1,1); semilogy(1:Kmax, errNorm, 'o-'); grid on; ylabel('||e_k||_2'); title('误差范数'); subplot(3,1,2); imagesc(1:Kmax, (0:N-1)*Ts, abs(errHistAll)'); % errHistAll: N×Kmax axis xy; colorbar; ylabel('t (s)'); title('逐点误差包络'); subplot(3,1,3); duNorm = vecnorm(diff(uHist, 1, 2)); % uHist: N×Kmax semilogy(2:Kmax, duNorm, 's-'); grid on; ylabel('||u_{k+1}-u_k||'); xlabel('迭代次数 k');

errHistAll和uHist需要在迭代循环里逐列存下来，内存开销是 N×Kmax 个 double，N 取一千、Kmax 取三十也就 240 KB，完全不用省。第三张图的判读标准是：它应该和第一张图同趋势下降，如果误差范数在降而控制增量不降，说明每一遍还在大幅修改控制量，只是恰好抵消了，这种状态再多跑几十遍就可能突然发散。

4.2 频域复核：把发散提前看出来

时域曲线只能告诉你“有没有问题”，频域能告诉你“问题在哪一段频率”。收敛末期把最后一遍的误差做一次 FFT，看能量分布，比盯着时域波形猜要快得多。

% 发散前兆排查：误差的高频成分是不是在长 E = fft(eLast); % eLast 是最后一遍的逐点误差 f = (0:N-1)' / (N*Ts); mag = abs(E) / N; half = 1:floor(N/2); plot(f(half), mag(half)); grid on; xlabel('频率 (Hz)'); ylabel('|E(f)|'); xlim([0 1/(2*Ts)]);

判读方式是这样：低频段（参考轨迹的主要频率成分附近）的能量应该在迭代过程中持续下降，高频段（接近 Nyquist 的那一段）的能量应该被 Q 滤波器压住、基本不动。如果出现低频降、高频涨的交叉形态，那就是典型的“学习增益相对高频偏大”，处理办法只有两个——降 Γ，或者把 Q 的截止频率往下压。这时候再去调 PID 或者改参考轨迹都是白费力气，方向错了。

还有一种情况是误差频谱整体右移，低频收敛得很好但中频段（参考轨迹的三到五次谐波位置）有一个鼓包。这通常是参考轨迹本身不够光滑，比如用分段线性拼出来的轨迹在拐点处一阶导不连续，D 型或者高阶学习律会把这个不连续当成需要学习的特征，反复在那里加大控制量。

4.3 停止条件与重复性校验

工程上不会无限迭代下去，需要一个停止条件。常见的三种：误差范数低于阈值、连续若干遍的相对改善小于 1%、迭代次数到上限。第一种最直观但阈值不好定，第二种更贴近实际——当(|e_k| - |e_{k+1}|)/|e_k| < 0.01连续出现三遍，说明继续跑收益已经很小了。

停止之后还有一步不能省：把同一组参数、同一个模型再完整跑三次，看三次的误差范数序列是否落在同一条曲线上。仿真里没有测量噪声、没有批次间差异，理论上三次应该完全重合。如果有明显分散，说明模型里某个环节带了随机性（比如某个模块里的白噪声源没关），或者迭代之间的状态复位不彻底——这两种情况都会让你在实机上得到完全不可复现的结果。

5. 避坑与排查：五类跑不出收敛的翻车现场

下面这五条都是我在不同项目上真实撞过的，按“现象—原因—解决”记下来，对着查能省掉大量时间。

5.1 三类“越跑越差”：增益、相位与饱和

第一类：误差前五遍降得很快，第六遍开始反弹，控制量出现高频毛刺。原因是学习增益在高频段不满足收敛条件。低频段|1-ΓG|远小于 1，收敛快；高频段相位滞后接近 -180°，ΓG绕到圆盘外，那一段频率的误差被逐代放大。等高频分量涨到和低频同量级，整体误差范数就反弹了。解决办法是先按 3.2 的脚本把 Γ 的上界扫出来，再从三分之一处起调；如果扫出来根本没有可行的 Γ，就加 Q 滤波器，把 20 Hz 以上的学习增益压下去。判断有没有效果，看 4.2 的误差频谱，高频段能量不再增长就对了。

第二类：误差降到某个值就完全不动，加大 Γ 也没用，反而开始抖。这是相位滞后型平台期，多发于相对阶为 2 的对象用纯 P 型学习律。P 型在每一遍只能修正幅值，修正不了相位，对象在某个频段的相位滞后超过 90° 之后，学习律的修正方向就偏了，越学越偏，最后停在一个平衡点上。解决方向有三个：降 Γ 换取收敛（代价是慢）、改用带微分项的 D 型或 PID 型补相位、或者直接上范数最优 ILC（第 6 章讲）。我一般先试第二个，加一个很小的 Kd（比 Kp 小一个量级）就能把平台期推下去不少。

第三类：误差范数一直在降，但降到最后还有一个明显的稳态偏差，怎么都消不掉。先查执行器限幅。如果模型里没有饱和模块而学出来的 u 已经超过了实机的行程或力矩上限，那仿真里的“收敛”是假的。加上饱和模块之后，误差往往会停在一个非零值上，这才是真实情况。可以接受就接受，不能接受就得改机构或者改轨迹，靠调参数是调不出来的。查完限幅再查 Q 滤波器的直流增益，就是 3.3 里那个sum(b)/sum(a)的问题。

5.2 两类“数据不对”：索引错位与状态残留

第四类：每一遍的第一个采样点误差都是一个孤立的大尖峰，其余点都正常。这是典型的索引 off-by-one。MATLAB 数组从 1 开始，而仿真时间从 0 开始，round(t/Ts)在 t=0 时返回 0，直接索引就报错，很多人为了不报错写成max(round(t/Ts),1)，结果 t=0 和 t=Ts 两个时刻读到了同一个位置，第一点永远用的是错的初值。正确写法是round(t/Ts) + 1，然后在末尾加一个越界兜底。另一个变体是floor和round混用：更新时用floor、读取时用round，中间那一步的更新就永远读不到，误差曲线上表现为每 2 个点有一个没被学习。

第五类：明明改了参数重新跑，结果和上一次一模一样，或者第一遍就带着上一轮的误差。这是persistent变量残留。MATLAB Function 块里的persistent变量在整个 MATLAB 会话期间是活的，你重新点一次运行、甚至改了模型参数，它都还在，isempty(uPrev)判断为假，直接接着上一轮的控制序列往下跑。解决办法是在每次跑批之前清一次，clear ilc_block或者更彻底地clear functions。用外层循环路线（路线 A）时同样有这个坑——对象里如果有persistent状态或者 Integrator 模块没有设初值，sim()之间状态会继承，表现出来就是“每遍初始误差都一样大”，看着像学习律失效，其实是初始条件没有复位。

排查这一类问题的通用手法是：在循环里打印第一遍和最后一遍的u(1:5)，如果第一遍的初值不是全零，那一定是状态残留，不用往下查了。

6. 升级到范数最优 ILC：卷积矩阵、权阵与一套复核习惯

P 型学习律的局限在于它对所有时刻用同一个 Γ，而实际上误差在不同时间段的重要程度、控制量在不同时刻的敏感程度都不一样。范数最优 ILC 把这个“一刀切”换成了一个带权的最小化问题：让下一遍的加权误差、控制能量、以及控制量的迭代变化三者之和最小。解得出来的更新律是u_{k+1} = u_k + L·e_k，其中L = (GᵀQG + R + S)⁻¹ GᵀQ，G 是系统的卷积矩阵。

% 范数最优 ILC：用脉冲响应搭 N×N 卷积算子 g = impulse(G, (0:N-1)*Ts); % 离散脉冲响应序列 Gm = tril(toeplitz(g)); % 下三角 Toeplitz 矩阵 = 系统算子 Q = eye(N); % 跟踪误差权重，可改成对角时变权重 R = 1e-4 * eye(N); % 控制能量惩罚 S = 1e-3 * eye(N); % 迭代间控制变化惩罚 L = (Gm'*Q*Gm + R + S) \ (Gm'*Q); u = u + L * e; % 一次拿到全时段更新量，非因果

三个权阵各管一摊。Q 决定误差在时间轴上的权重分布，想让末端定位更准，就把 Q 的最后几十个对角元素调大；R 惩罚控制能量，调大之后学出来的 u 幅值更小、更平滑，代价是收敛变慢；S 惩罚的是u_{k+1} - u_k，也就是每一次迭代的改动量，它才是真正压住高频发散的那一项——把它调到 1e-3 量级，配合 Q=I，效果基本等价于一个设计得当的 Q 滤波器，但不用额外挑截止频率。R + S严格正定保证了矩阵可逆，这一点比自己拼一个滤波器要省心。

这个更新律的 L 是一个稠密矩阵，意味着第 t 时刻的控制修正要用到全时段的误差——它是非因果的，只能在外层循环里跑，没法直接嵌进 Simulink 的在线模块。想嵌进去就得做截断或者滚动时域近似，那是另一个话题了。实操上我一般用外层循环跑范数最优拿到一条“理想收敛曲线”作为标杆，再用内嵌的 P 型 + Q 滤波去逼近它，两者的误差范数序列能重合到什么程度，就说明内嵌实现做得多扎实。

最后说一个我现在的固定习惯。以前改完学习律就直接看跟踪效果，觉得曲线贴着参考走就完事了，结果有一次在台架上跑到第七遍突然抖起来，回查仿真才发现当时的误差频谱已经在高频段涨了三代，只是被低频的下降掩盖住了。从那以后我每次动学习增益、滤波器或者采样点数，都强制走一遍三件事：误差范数单调性、控制量增量是否同步趋零、末遍误差的 FFT 高频段有没有长起来。这三步加起来不到两分钟，比事后在硬件上找原因便宜太多。这套 Simulink 模型的价值也在这儿——它让你能在两分钟里把这三件事跑完几十次。希望帮到你。

本文还有配套的精品资源，点击获取