★ FEATURED ARTICLE 简介围绕自抗扰控制ADRC的MATLAB仿真程序面向学习先进控制策略、希望把理论落到工程案例中的高校学生与自动化从业者也可作为汽车引擎控制方向的教学与自学参考。内容参考韩京清教授的自抗扰理论聚焦汽车引擎控制场景涉及扩展状态观测器对系统状态与未知扰动的在线估计、扰动补偿以及控制器仿真验证可用于理解ADRC无需精确模型即可处理不确定性、时变与干扰的特点并对照传统PID分析其在抗干扰和适应性上的差异。资源包共1个文件以MATLAB的m脚本或函数类型为主压缩包约563B体量轻便便于直接阅读算法结构与仿真思路。已有1934人学习下载说明其在ADRC入门与案例对照中具有一定参考价值读者可借此梳理ESO设计、参数调节、仿真验证与结果分析流程并思考汽车引擎控制中的建模、扰动抑制和工程化落地问题。1. 需求先立住为什么汽车速度环要从 PID 换到自抗扰 ADRC做汽车纵向控制的人大多碰过这种场景台架上整定好的速度环换一组载荷、加一段坡度、把风阻系数往上抬一点超调就起来了稳态误差也跟着冒头。PID 的问题不是不够强恰恰在于它默认对象是确定的参数一漂只能靠积分项慢慢兜。自抗扰控制ADRC走了另一条路不先解决建模精度而是把坡度、载荷、风阻、未建模动态全部打包成一个“总扰动”用扩张状态观测器在线估算出来再在控制量里抵消掉。这套 ADRC 程序就是把这套思路在 MATLAB 里完整跑通的实现含跟踪微分器、扩张状态观测器、误差反馈与扰动补偿四部分仿真已验证收敛。适合做控制方向毕设课设、或要给汽车速度环换算法的人直接改。2. 被控对象与总体架构从汽车纵向动力学拆到 ADRC 的四个模块2.1 把汽车纵向动力学写成“标称模型 总扰动”的形式ADRC 落地第一步不是写控制器而是想清楚被控对象里哪些部分可以当已知、哪些必须交给观测器。做汽车纵向速度控制牛顿第二定律展开后是m·dv/dt F_x − 0.5·ρ·Cd·A·v² − m·g·f·cosθ − m·g·sinθF_x 是驱动或制动力折算到车轮的等效纵向力控制量从这里进入对象后面三项分别是空气阻力、滚动阻力和坡道阻力。式子里 m 随载重变θ 随路况变f 随轮胎和路面变Cd·A 随车速和风速变——四个参数里没有一个能在实车上长期当常数用。把时间花在辨识这些参数上收益有限而且换台车就得重来一遍。ADRC 的处理是把式子整理成二阶形式。取 y v 为输出u 为归一化控制量驱动为正、制动为负b0 为控制增益的标称估计y f(y, y, t) b0·uf 把所有说不清的东西都纳入其中载荷变化、坡度、滚阻、风阻的非线性部分、执行器延迟、传动系间隙以及建模时根本没有写进来的动态。对二阶对象ADRC 需要三个状态量y、y、f。前两个是物理状态第三个是“扩张”出来的状态“扩张状态观测器”这个名字就是这么来的。b0 取 Kt/m_nominalKt 是控制量到纵向力的折算系数m_nominal 是空载质量。b0 不需要很准估偏的部分会被 z3 吸收但也不能差得太远偏太多会明显拖慢扰动收敛。我一般取略小于真实值的 b0控制器更保守不容易振荡。这里有个容易忽略的细节执行器是单向还是双向。驱动和制动的物理通路完全不同制动还有迟滞和死区。如果仿真里把 u 当成一个连续可正可负的量控制器会以为减速度可以瞬时建立实际装车后那就出问题了。做课程设计可以先用连续量跑通但方案文档里得写清楚这个假设答辩十有八九会问。对象模型在 MATLAB 里写成一个函数保持“干净”不确定性全留给 ESOfunction dv vehicle_plant(v, u, p) % 汽车纵向动力学标称模型 % 输入v 当前车速(m/s)u 归一化控制量p 参数结构体 % 输出dv 纵向加速度(m/s^2) F_x p.Kt * u; % 控制量折算的纵向力 F_air 0.5 * p.rho * p.Cd * p.A * v^2; % 空气阻力 F_roll p.m * p.g * p.f * cos(p.theta); % 滚动阻力 F_slope p.m * p.g * sin(p.theta); % 坡道阻力 dv (F_x - F_air - F_roll - F_slope) / p.m; endp 结构体里 rho 取 1.225g 取 9.81Cd 和 A 按小型乘用车量级给m 默认空载、工况脚本里再改。这个函数故意写得“干净”正是为了验证一件事控制器在没有精确模型的时候还能不能稳住。如果连标称模型都写得跟真车一模一样那仿真跑出来通过也没有说服力。2.2 四个模块的职责划分与信号流一套完整的自抗扰 ADRC 由四块拼起来缺一块都不算完整。很多人写 ADRC 只写 ESO 加一个比例项跑出来的曲线也挺好看但那是简化版答辩时被问“跟踪微分器在哪”就答不上来。模块输入输出职责跟踪微分器 TD目标车速 v_refv1、v2安排过渡过程给出平滑的跟踪信号与微分扩张状态观测器 ESO量测 y、上一拍控制量 uz1、z2、z3估计状态与总扰动误差反馈 SEFv1−z1、v2−z2u0按误差给出控制量扰动补偿u0、z3、b0u用 −z3/b0 抵消扰动信号流是这样的目标车速先过 TD阶跃指令被“削”成一个有限斜率的过渡过程同时给出可用的微分信号ESO 拿实测车速和上一拍实际下发的控制量递推三个状态SEF 用 TD 输出和 ESO 输出的差算出 u0最后一步把 u0 减去 z3 再除以 b0得到真正下发的控制量并做执行器限幅。TD 的存在感最容易被低估。直接拿阶跃目标减 z1 做反馈初始误差等于整个阶跃幅值控制量瞬间顶到限幅ESO 的 z3 会被这个冲击带偏之后要好几百毫秒才缓过来。加了 TD 之后误差从零开始缓慢拉开整个过程都在观测器的线性区间里这是仿真能稳定收敛的前提之一。r 越大过渡越快但太小又失去意义一般按“期望的加速度上限”来定r ≈ a_max比如车辆舒适性要求纵向加速度不超过 2 m/s²r 就取 2 附近。ESO 是整个算法里唯一需要“模型信息”的地方而这个信息只有 b0 一个标量。这也是 ADRC 相比模型预测控制、滑模控制最讨巧的地方前者需要相对准确的预测模型后者需要知道不确定性的上界而 ADRC 只要求你能说出控制量大致以什么比例作用在对象上。对汽车纵向控制来说这个比例就是 Kt/m滚转载荷、坡度这些一律不管。2.3 仿真主循环骨架执行顺序决定成败主循环看着简单顺序错了结果就完全不一样。下面这份骨架是仿真跑通之后留下的版本% adrc_main.m —— 主仿真循环 clear; clc; p params(); % 对象与控制器参数 T 0.001; % 仿真步长(s) t_end 30; N round(t_end / T); y zeros(1, N); u zeros(1, N); v1 0; v2 0; z1 0; z2 0; z3 0; % 控制器状态初值 for k 1:N-1 % 1) 目标指令过跟踪微分器 [v1, v2] td_step(v_ref(k), v1, v2, p.r, p.h, T); % 2) ESO 用上一拍控制量更新避免代数环 [z1, z2, z3] eso_step(y(k), u(max(k-1,1)), z1, z2, z3, p.b0, p.wo, T); % 3) 误差反馈 扰动补偿 e1 v1 - z1; e2 v2 - z2; u0 p.kp * e1 p.kd * e2; u(k) (u0 - z3) / p.b0; % 4) 执行器限幅放在补偿之后 u(k) min(max(u(k), p.umin), p.umax); % 5) 对象前向欧拉积分 y(k1) y(k) T * vehicle_plant(y(k), u(k), p); end几个参数的含义T 是积分步长要和控制器采样周期一致v_ref 是预先算好的工况数组p.umin 和 p.umax 对应最大制动力和最大驱动力。ESO 里用的是 u(k-1) 而不是 u(k)因为当前拍的 u 还没算出来用当拍的会形成代数环Simulink 里会直接报错脚本里则表现为结果对不上。限幅的位置也是踩过坑才改对的。最早我把限幅加在 u0 上结果 z3 一直发散——因为送入 ESO 的 u 是被限幅后的值而 ESO 的递推里用的 b0·u 也是限幅值两者一致才对一旦在补偿前限幅z3 就永远差一截。正确顺序是先算 u (u0 − z3)/b0再限幅再把限幅后的 u 送进 ESO。3. 核心算法实现TD、ESO 与误差反馈在 MATLAB 里的落地3.1 跟踪微分器给阶跃指令安排一个过渡过程跟踪微分器的核心是韩京清提出的 fhan 函数它本质上是一个时间最优的离散控制律让 x1 以最快的速度跟上 v 而不超调。工程上直接照抄公式就行不需要重新推导function [x1n, x2n] td_step(v, x1, x2, r, h, T) % 离散跟踪微分器x1 跟踪输入 vx2 为 x1 的微分 fh fhan(x1 - v, x2, r, h); % 时间最优控制量 x1n x1 T * x2; % 前向欧拉更新位置 x2n x2 T * fh; % 前向欧拉更新速度 end function fh fhan(x1, x2, r, h) % 韩京清离散最速控制综合函数 d r * h^2; a0 h * x2; y x1 a0; a1 sqrt(d * (d 8 * abs(y))); a2 a0 sign(y) * (a1 - d) / 2; sy (sign(y d) - sign(y - d)) / 2; a (a0 y - a2) * sy a2; sa (sign(a d) - sign(a - d)) / 2; fh -r * (a / d - sign(a)) * sa - r * sign(a); endr 是跟踪速度因子物理意义相当于允许的最大加速度。汽车纵向控制里这个值不能随便给给到 10仿真曲线好看了但实车乘客会晕给到 1过渡过程长达十几秒跟踪性能又说不过去。通常按舒适性指标取值2 m/s² 是个常见的选择急加速工况单独开一个模式。h 是滤波因子一般取仿真步长的 5 到 10 倍。它起的是低通滤波作用把量测噪声挡在微分环节外。h 不能小于 T否则 fhan 内部的 sign 判断会在相邻两拍之间反复跳输出抖得厉害这也是很多人第一次写 TD 时看到的“毛刺”。注意 h 和 T 是两个不同的量T 是积分步长h 是 TD 内部的最速控制步长混用会直接导致跟踪滞后。离散化用的是前向欧拉步长 1 ms 时精度足够。如果为了加快仿真把 T 提到 10 msTD 的跟踪就会出现明显稳态误差这时候要换成双线性变换或者直接按 fhan 的离散形式推导。实车控制器上采样周期往往是 10 ms 甚至 20 ms这一点在把仿真代码往嵌入式移植时要重新验证。还有一个使用上的习惯TD 的初值取成目标值的当前实际值也就是 v1(0) y(0)、v2(0) 0。从零开始跟一个非零目标前几百毫秒会产生一个虚假的大误差这个误差会通过 SEF 传到控制量上让 ESO 误以为有大扰动。仿真里影响不大但对比不同参数时会造成误导。3.2 扩张状态观测器把坡度、载荷、风阻都估算进 z3三阶线性 ESO 是这套方案里最核心的十几行代码也是整份程序能跑通的关键function [z1n, z2n, z3n] eso_step(y, u, z1, z2, z3, b0, wo, T) % 三阶线性扩张状态观测器LESO % y : 当前量测车速 % u : 上一拍实际下发的控制量 % wo : 观测器带宽决定收敛速度 e z1 - y; % 输出估计误差 beta1 3 * wo; beta2 3 * wo^2; beta3 wo^3; % 极点配置为 (swo)^3 z1n z1 T * (z2 - beta1 * e); z2n z2 T * (z3 - beta2 * e b0 * u); z3n z3 T * (-beta3 * e); end三个增益不是拍脑袋定的来自把观测器误差方程的特征多项式配置成 (s wo)³展开后一次项、二次项、三次项系数分别对应 3wo、3wo²、wo³。这样整个观测器只剩一个可调参数 wo物理意义明确wo 越大z3 追扰动越快但对量测噪声也越敏感。仿真里没有噪声可以往大了给实车上 wo 一般不超过采样角频率的十分之一。z3 的收敛过程值得单独看一眼。仿真开始时 z3 0前 200 ms 它是在爬坡的等到坡度突变的那一刻z3 会有一个明显的阶跃式上升然后稳定到 m·g·sinθ 附近。这个曲线是答辩时最有说服力的证据比任何文字描述都直观——它直接说明观测器确实“看见”了模型里没写的坡度。除了线性 ESO程序里也保留了非线性版本用 fal 函数替换线性增益function [z1n, z2n, z3n] nleso_step(y, u, z1, z2, z3, b0, wo, T, alpha, delta) % 非线性扩张状态观测器小误差用线性、大误差用幂次 e z1 - y; z1n z1 T * (z2 - wo * fal(e, alpha(1), delta)); z2n z2 T * (z3 - wo^2 * fal(e, alpha(2), delta) b0 * u); z3n z3 T * (-wo^3 * fal(e, alpha(3), delta)); end非线性版本的理论优势是“小误差大增益、大误差小增益”收敛更快、超调更小。但实际用下来参数从两个变成五个三个 alpha 加一个 delta调参成本明显上升而且 fal 在 delta 附近不光滑做频域分析很麻烦。所以这份程序的主线用线性 ESO非线性版本作为对照保留想验证哪种更适合自己的对象可以直接切换。3.3 误差反馈与扰动补偿b0 是唯一的模型信息误差反馈部分分线性和非线性两种写法。线性写法就是 PD% 线性误差反馈按带宽配置增益 kp wc^2; % 比例增益 kd 2 * wc; % 微分增益临界阻尼 u0 kp * e1 kd * e2; u (u0 - z3) / b0; % 扰动补偿kp wc²、kd 2wc 这一组同样来自极点配置把闭环配置成 (s wc)²阻尼比取 1响应无超调。wc 是控制器带宽决定了跟踪有多快。这里要注意wc 和 wo 不是一回事wo 管观测器追扰动的速度wc 管闭环跟踪指令的速度工程上一般让 wo 取 wc 的 3 到 5 倍保证观测器比控制器“看得更快”。b0 是整个算法里唯一需要对象知识的参数也是最容易调错的一个。它的作用是把控制量折算成对象的加速度响应取 Kt/m。如果 b0 取得比真实值大实际加速度达不到预期闭环等效增益变小响应变慢取得比真实值小等效增益变大容易超调甚至振荡。我一般先按标称参数算一个值再乘以 0.8 作为初值宁可慢一点也不要振。非线性版本用 fal 函数构造function f fal(e, a, delta) % 非线性函数小误差线性、大误差幂次 if abs(e) delta f e / delta^(1 - a); else f sign(e) * abs(e)^a; end enda 取 0.5 到 0.75 之间比较常见delta 取 0.01 到 0.1。非线性反馈在误差很小时增益反而变大能压稳态误差但代价是对噪声更敏感。汽车速度环有量测噪声这块收益不明显所以主线还是线性。有一件事必须在方案里写清楚扰动补偿项 −z3/b0 的符号。z3 估的是“等效加速度扰动”量纲是 m/s²除以 b0 之后才变成控制量量纲。很多人写成 z3/b0仿真一跑就发散还以为是 ESO 参数不对。判断方法很简单加一个正坡度上坡z3 应该是负的阻力方向补偿量 −z3/b0 为正控制器自动加大驱动力逻辑上是通的。3.4 与 Simulink 对接两种落地方式脚本跑通之后绝大多数人要把它搬进 Simulink 画框图。两种做法一是用 MATLAB Function 块把上面四个函数直接粘进去注意每个块里只能有一个入口函数td_step 和 fhan 要合并成一个文件二是写 Level-2 S-Function把状态存在块内部性能更好但调试麻烦。无论哪种方式采样周期必须显式指定。MATLAB Function 块默认继承求解器步长如果求解器是变步长控制器周期会跟着变结果和脚本对不上。正确做法是给控制器块单独设一个 1 ms 的离散采样时间对象用连续求解器两者之间加零阶保持器。这个细节在答辩时属于加分项说明你考虑过数字实现。4. 参数整定与工况设计三个旋钮和五类汽车仿真场景4.1 三个旋钮wo、wc、b0 的取值范围与调法ADRC 的参数看着多真正要调的只有三个观测器带宽 wo、控制器带宽 wc、控制增益 b0。其余参数要么由这三个推导要么按经验固定。参数物理含义典型范围调大的后果调小的后果wo观测器收敛速度3wc ~ 5wcz3 追得快但噪声放大扰动估计滞后补偿不及时wc闭环响应速度0.5 ~ 2 rad/s跟踪快易超调跟踪慢稳态误差靠 z3 兜b0控制增益估计0.8 ~ 1.2 倍真值等效增益变小响应迟钝等效增益变大易振荡整定的顺序是固定的先定 b0再定 wc最后定 wo。b0 按标称参数算出来乘 0.8 起步wc 从对象带宽的三分之一开始试汽车纵向速度环一般在 0.5 到 1.5 rad/swo 取 wc 的 3 到 5 倍同时要满足离散稳定性条件 wo 1/(5T)1 ms 步长下上限是 200 rad/s实际给到 20 已经很够用。如果不想手动试可以写个扫描脚本按 ITAE 指标挑一组% 参数扫描以 ITAE 最小为目标 wo_list [5 10 20 40]; wc_list [0.5 1 2 4]; best inf; for wo wo_list for wc wc_list itae run_case(wo, wc, p); % 跑一遍完整工况并返回 ITAE if itae best best itae; best_wo wo; best_wc wc; end end end fprintf(最优: wo%.1f, wc%.1f, ITAE%.4f\n, best_wo, best_wc, best);ITAE 的定义是 ∫ t·|e(t)| dt对后期的稳态误差惩罚更重比 ISE 更贴合“既要快又要稳”的诉求。run_case 里封装一次完整仿真返回单一标量方便直接比较。注意扫描时 b0 要固定否则三个参数一起变结果没法解释。4.2 五类汽车典型工况每个工况考察什么仿真跑通不等于方案站得住工况设计要能覆盖 ADRC 宣称的每一个优势。我一般按下面五类来组织工况设置考察点阶跃跟踪20 m/s → 30 m/s 阶跃上升时间、超调量爬坡第 10 s 坡度 0 → 5%z3 收敛速度、速度跌落深度载荷突变第 15 s 质量 30%参数摄动下的鲁棒性量测噪声车速叠加 0.1 m/s 白噪声控制量抖振幅度执行器饱和控制量限幅 ±1抗积分饱和、退饱和恢复爬坡工况是最能体现 ADRC 价值的一项。PID 在坡度突变的瞬间速度会掉靠积分慢慢拉回来跌落深度和恢复时间都取决于积分增益ADRC 的 z3 在 200 到 300 ms 内就能把坡度估出来补偿量直接把驱动力加上去速度跌落明显更浅。把这两条曲线画在同一张图上比讲十分钟原理都有用。载荷突变考察的是 b0 的鲁棒性。质量增加 30% 意味着真实 b0 下降了 23%如果控制器还用原值等效增益就偏大。这时候看的就是 z3 能不能把偏差吸收掉。仿真里一般能看到一次小幅超调然后快速收敛这个现象要在报告里解释清楚别让老师以为是调参没调好。噪声工况容易被跳过但它决定了这套算法能不能上实车。纯仿真里 ESO 带宽可以给得很大z3 收敛得又快又漂亮叠上噪声之后z3 会跟着抖补偿量抖控制量也抖。这时候要么降 wo要么在量测端加一阶低通。两种做法都要在报告里对比说明你意识到仿真和实车的差距。4.3 与 PID 的对比指标怎么定才算公平做对比最怕的是拿调好的 ADRC 去比一个没调好的 PID结论不可信。公平的做法是PID 也用同样的方法整定到 ITAE 最小两边用同一组工况、同一个对象模型、同一个步长。指标定义ADRC 预期PID 预期超调量峰值超出稳态值的百分比 5%10% ~ 20%调节时间进入 ±2% 误差带的时间较短较长坡度跌落爬坡瞬间最大速度偏差小大恢复时间扰动后回到 ±2% 的时间200 ~ 400 ms800 ms 以上控制量抖振稳态段 u 的峰峰值与 wo 相关与积分增益相关需要提醒的是ADRC 在阶跃跟踪上的优势未必明显PID 调得好也能做到 5% 以内超调。真正的差距在扰动工况。所以对比表里要把“标称工况”和“扰动工况”分开列别混在一起算平均分那样反而掩盖了结论。5. 避坑与排查ADRC 仿真最容易翻车的五个点5.1 一跑就发散步长、符号与 b0 的三重陷阱现象仿真跑到第几十拍车速直接冲到 1e6 或者变成 NaN控制量顶在限幅上不下来。原因通常有三个。一是步长太大前向欧拉对 wo 有稳定性要求T 大于 1/(5wo) 时 ESO 的离散极点跑到单位圆外z3 指数发散。二是补偿项符号写反把 −z3/b0 写成 z3/b0等于把扰动放大了一倍。三是 b0 的量级搞错比如把 Kt 的单位从 N 当成 kNb0 小了三个数量级控制量直接爆掉。解决先把控制器断开只用固定 u 驱动对象确认对象模型本身不发散再把 ESO 单独拿出来喂真实状态看 z1 能不能跟上最后接上闭环。b0 打印出来和 Kt/m 手算值对一遍量级不对立刻回头查单位。步长先给 0.1 ms 跑通再逐步放大到 1 ms。5.2 z3 高频抖动把噪声当成了扰动现象稳态段 z3 不是一条平滑直线而是上下跳几十个单位控制量跟着抖车速曲线看着还行但控制量没法看。原因wo 给得太大观测器的带宽超过了量测噪声的频带把噪声当成扰动在追。或者量测端没有滤波白噪声直接进 ESO。还有一种情况是 TD 的 h 取得太小微分信号里全是毛刺通过 SEF 传到了控制量上。解决先降 wo从 40 降到 10 看抖动是否消失这一步能定位八成问题。如果降了还抖在量测端加一个截止频率为 wo/3 的一阶低通注意滤波器会引入相位滞后要在报告里说明。TD 的 h 调到 5T 到 10T 之间别舍不得。5.3 稳态误差消不掉b0 偏了还是限幅卡了现象跟踪一段恒定车速最后总是差 0.3 到 0.5 m/s加大 wc 也没用控制量已经贴到某个值不动了。原因最常见的是执行器限幅卡住控制器想给更大的驱动力但物理上给不了这时候误差是被对象吃掉的不是控制器的问题。其次是 b0 偏大太多闭环等效增益不足z3 虽然能估出扰动但补偿量被 b0 除小了。还有一种是 SEF 里只用了比例项没加积分等效项而 z3 的收敛又不够快。解决先把限幅放开跑一遍误差消失就说明是饱和问题回头去看工况设计是否合理。限幅放开还有误差就扫 b0从 0.5 倍到 1.5 倍真值各跑一次看稳态误差的变化趋势。如果误差随 b0 增大而减小说明原 b0 偏小。5.4 阶跃初期剧烈超调TD 被绕过了现象目标阶跃的瞬间控制量立刻顶到最大值车速冲过目标值 20% 再回来TD 的输出曲线却很平滑。原因反馈用的是 v_ref 减 z1而不是 TD 输出的 v1 减 z1。这种写法等于 TD 白加了阶跃直接进误差环节。另一种情况是 TD 的 r 给得太大过渡过程只有几十毫秒效果和没加差不多。解决检查 SEF 的输入必须是 v1 和 v2不能是原始指令。r 按期望加速度上限取值汽车纵向控制给 2 左右把过渡过程拉到 2 到 3 秒。改完再看超调应该能压到 5% 以内。5.5 脚本和 Simulink 结果对不上采样与初值不一致现象同样的参数脚本跑出来的曲线和 Simulink 差了十几个百分点或者 Simulink 直接报代数环错误。原因Simulink 里控制器块的采样时间继承了求解器步长变步长求解器下每步都不一样或者 ESO 用了当拍的控制量而不是上一拍形成代数环再或者两边初值不同脚本里 z1 从 0 开始Simulink 里模块默认从 0 开始但对象初值不是 0。解决控制器块显式设成离散采样 1 ms对象用连续求解器中间加零阶保持器。ESO 的输入接一个单位延时确保用的是上一拍的值。两边初值统一脚本里 y(1) 和 Simulink 里对象初始状态设成同一个数。这三步做完曲线应该能对上到小数点后两位。6. 验收与答辩怎么证明“抗扰”不是玄学验收这一步很多人栽在“只给一条漂亮曲线”上。老师问一句“这条曲线好在哪里”答不上来就前功尽弃。我的习惯是按一张清单逐项过每项都有对应的图和数验收项证据合格线标称跟踪阶跃响应曲线超调 5%调节时间 3 s扰动估计z3 与真实扰动对比图稳态误差 10%抗坡道爬坡工况速度曲线跌落 0.5 m/s抗参数摄动载荷 30% 曲线仍能收敛无持续振荡噪声鲁棒叠加噪声的控制量曲线峰峰值 限幅的 20%对比公平ADRC 与 PID 同工况对比PID 也整定到最优表格里“z3 与真实扰动对比”这一项最容易被忽略也最能打。仿真里真实扰动是已知的m·g·sinθ 加上风阻把 z3 换算成同样的量纲画在一起两条线贴合得越好说明观测器越可信。这张图一摆出来“抗扰”两个字就有了实打实的依据不再是玄学。答辩现场还有三个问题几乎必问提前准备好答案第一“b0 怎么定的定错了会怎样”答法是把 b0 的物理含义说清楚再给一组 b0 偏大偏小的对比曲线第二“wo 能给多大受什么限制”答采样频率和噪声水平给出离散稳定性条件第三“和 PID 比优势在哪”别泛泛说鲁棒性强直接指爬坡工况那张图说恢复时间从多少降到多少。演示的时候建议只放三张图阶跃跟踪、爬坡抗扰、z3 估计。图多了反而分散注意力三张图对应“能跟踪、能抗扰、能看见扰动”三个结论逻辑链是完整的。参数表和代码不用全贴挑 ESO 那十几行讲清楚极点配置足够体现工作量。从那以后我每次交这类控制方案都强制自己走一遍“先断开、再单环、最后闭环”的验证流程并且把每次失败的曲线也留着——答辩时被问到“遇到过什么问题”翻出来讲比编故事可信得多。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
