ADRC自抗扰控制：从核心原理到电机电流环实战应用

1. 项目概述：从PID到ADRC，控制算法的“降维打击”

在工业控制、机器人、电力电子这些领域摸爬滚打久了，你一定会对PID控制器又爱又恨。爱它的简单直观，几个参数调来调去，大部分时候都能让系统“动起来”；恨它的“娇气”，面对非线性、强耦合、大时滞或者外部扰动，PID就像个经验不足的舵手，要么反应迟钝，要么剧烈震荡，调参调到怀疑人生是常有的事。我当年调试一个伺服系统，为了应对负载突变，PID参数前前后后改了不下五十版，最后还是加了前馈和各种滤波才勉强能用，过程极其痛苦。

后来接触到自抗扰控制（ADRC），感觉像是打开了一扇新世界的大门。它不像一些现代控制理论那样，需要精确的数学模型，也不像模糊控制、神经网络那样“黑箱”。ADRC的核心思想非常“霸道”：不管系统内部具体是什么结构，也不管外部来了什么妖魔鬼怪（扰动），我统统把它们打包成一个“总扰动”，然后实时估计并补偿掉。剩下的，就是一个被我“驯化”好的、简单的积分串联型系统，用最简单的控制律就能搞定。这种“观测-补偿”的思路，对于咱们这些一线工程师来说，直观又实用。最近在搞永磁同步电机的电流环控制，传统的PI调节器在高速弱磁区或者参数变化时，性能下降明显。换上ADRC后，动态响应和抗扰能力提升了一个档次，参数也更好整定。网上流传的ADRC算法m文件我也研究过不少，有的写得很精妙，有的则存在理解偏差。今天，我就结合自己的实战经验，把ADRC从核心思想到代码实现，掰开揉碎了讲清楚，目标是让你看完就能理解原理，并且能动手在自己的项目里尝试应用。

2. ADRC核心思想与架构拆解：把复杂问题“打包”解决

ADRC的发明者韩京清研究员提出这一理论时，目标很明确：找到一种既不依赖精确模型，又能实现高性能鲁棒控制的方法。它的整体架构可以概括为“三部分”：跟踪微分器（TD）、扩张状态观测器（ESO）和非线性状态误差反馈（NLSEF）。咱们先抛开这些术语，用个生活化的例子来理解。

想象一下你在开车，目标是让车速稳定在100km/h。传统的PID控制器就像是你只盯着速度表（当前误差），发现慢了就多踩点油门，发现快了就松一点。但如果遇到上坡（负载扰动）、逆风（外部扰动）或者车子本身发动机响应特性变了（模型不确定性），你这个“只看速度表”的策略就会很被动，容易产生超调或调节缓慢。

ADRC的做法则像是一个经验丰富的老司机搭配一个智能副驾：

1. 智能副驾（TD）：他不满足于当前速度，还会根据路况和你想要的速度，规划出一条平滑过渡的理想速度曲线。比如从80加速到100，他不会让你瞬间踩到底，而是规划一个既快速又平缓的加速过程，避免冲击。这就是TD的作用——安排过渡过程，并提取出理想的系统状态（比如理想位置、理想速度）。
2. 超级雷达（ESO）：这是ADRC的灵魂。这个雷达不仅能看到车的实际速度和位置（系统输出），还能实时“看见”并估算出所有影响车速的因素总和：包括你踩的油门（控制量）、上坡的阻力、逆风、发动机的损耗等等。它把这些乱七八糟的东西全部打包，估算成一个叫做“总扰动”的信号。ESO的强大之处在于，它不需要知道坡有多陡、风有多大，它只通过观察车的实际运动，就能把这个“总扰动”实时算出来。
3. 决策大脑（NLSEF）：大脑拿到两个信息：一是智能副驾规划的理想状态（来自TD），二是超级雷达提供的实际状态和总扰动估计（来自ESO）。大脑计算两者的误差，并根据误差的大小和变化率，以一种非线性的方式（比如，误差很大时增益大，误差很小时增益小，避免高频颤振）计算出最初的控制力。但是，这还没完！最关键的一步来了：大脑会从初步控制力中，减去雷达估算出的“总扰动”。这样一来，实际作用到车子上的控制指令，就相当于是在一个“无扰动”的理想环境下发出的指令。

所以，ADRC的流程就是：规划理想轨迹 -> 观测并估计所有内外部扰动 -> 基于理想轨迹和实际状态的误差计算控制量 -> 补偿掉估计的扰动 -> 得到最终控制指令。经过这样的处理，无论系统本身多复杂，外部环境多恶劣，被控对象在控制器“眼”里，都近似变成了一个简单的、干净的积分器串联型系统，自然就好控制了。这就是其“自抗扰”能力的根源——自己抵抗、补偿扰动。

2.1 核心组件一：跟踪微分器（TD）—— 柔化指令，提取微分

TD经常被初学者忽略，觉得它不就是给个设定值吗？其实它的作用至关重要。直接给系统一个阶跃设定值，相当于要求输出瞬间跳变，这对于物理系统来说意味着需要无穷大的能量和控制力，必然引起剧烈冲击和超调。

TD的核心作用是“安排过渡过程”。它接收一个跳变的指令信号v，然后输出一个平滑的跟踪信号v1及其微分v2。最经典的TD算法是韩老师提出的最速控制综合函数（fhan）离散形式。它的内部是一个离散差分方程，通过非线性反馈，使得v1能以最快速度无超调地跟踪上v，同时v2是v1的合理微分，避免了直接数值微分的噪声放大问题。

在实际编程中（比如写那个ADRC算法m文件），TD的代码可能长这样：

function [v1, v2] = TD(v, v1, v2, h, r) % v: 当前目标值 % v1, v2: 上一时刻的跟踪值及其微分 % h: 离散积分步长 % r: 速度因子，决定跟踪快慢 d = r * h; d0 = h * d; y = v1 - v + h * v2; a0 = sqrt(d*d + 8*r*abs(y)); a = v2 + (a0 - d)/2 * sign(y); if abs(y) > d0 a = v2 + sign(y) * r; end v2 = v2 + h * fsg(a, d, r); % fsg是一个符号函数 v1 = v1 + h * v2; end

注意：参数r非常关键。r越大，跟踪速度越快，但会对噪声更敏感。通常需要根据系统响应能力和采样频率来调整。h就是你的控制周期。

2.2 核心组件二：扩张状态观测器（ESO）—— 扰动估计的灵魂

ESO是ADRC实现“抗扰”的核心。它的思想是将系统的总扰动（包括未建模动态和外部扰动）扩张成一个新的状态变量，然后设计一个观测器对这个新状态（即扰动）进行实时估计。

假设我们有一个二阶系统（很多电机、位置控制都可以简化成二阶）：ÿ = f(y, ẏ, w, t) + b*u其中f是未知的内部动态和外部扰动w的总和，b是控制增益（通常可粗略估计）。

ESO把这个系统重新表述为：ẋ1 = x2ẋ2 = x3 + b*uẋ3 = ḟ（假设扰动变化率有界）y = x1这里，x1是系统输出y，x2是输出的微分ẏ，而x3就是我们扩张出来的状态，用来代表总扰动f。

然后，我们设计一个龙伯格观测器（Luenberger Observer）来估计这三个状态：e = z1 - y（观测误差）ż1 = z2 - β01 * eż2 = z3 - β02 * e + b*uż3 = -β03 * e其中z1, z2, z3分别是x1, x2, x3的估计值。β01, β02, β03是观测器增益，需要精心配置以保证观测器稳定且快速。

观测器收敛后，z3就会实时跟踪上总扰动f。这样，我们就“看见”了扰动。在实际的ADRC电流环设计中，y就是反馈的电流值，u是电压指令，z3估计的就是反电动势、电阻电感参数变化、死区效应等所有扰动之和。

2.3 核心组件三：非线性状态误差反馈（NLSEF）与扰动补偿

有了TD给出的理想状态v1, v2，和ESO给出的实际状态估计z1, z2以及扰动估计z3，我们就可以计算控制了。

首先计算误差：e1 = v1 - z1（位置/电流误差）e2 = v2 - z2（速度/电流微分误差）

然后，NLSEF采用一个非线性函数来处理这些误差，经典的是“fal”函数：fal(e, α, δ) = |e|^α * sign(e), 当 |e| > δfal(e, α, δ) = e / δ^(1-α), 当 |e| ≤ δ其中0 < α < 1，δ > 0。这个函数的特点是：大误差时增益大，提高响应速度；小误差时增益小，避免高频颤振和平滑控制。δ是一个线性区间，防止在零点附近因函数不平滑导致的抖动。

那么初步的控制量u0为：u0 = β1 * fal(e1, α1, δ) + β2 * fal(e2, α2, δ)β1和β2是误差增益。

最后，执行关键的扰动补偿：u = (u0 - z3) / b这里b就是ESO里那个粗略的控制增益估计。这个公式的意义在于：计算出的理想控制力u0，减去观测到的扰动z3，再除以增益b，就得到了最终应该施加的控制量u。经过这样的补偿，系统方程近似变成了ÿ ≈ u0，一个简单的双重积分器，非常好控制。

3. ADRC参数整定与工程化实践

理论很美，但落到代码上，参数整定是逃不过的坎。ADRC参数看起来比PID多（TD的r，h；ESO的β01, β02, β03, b；NLSEF的β1, β2, α1, α2, δ），但其实有很强的物理意义和整定规律，并非盲目调试。

3.1 “带宽法”参数整定：化繁为简

这是工程上最常用、最有效的方法，由高志强教授提出，将观测器和控制器的性能与“带宽”这一概念挂钩，极大简化了调参。

1. ESO参数整定：将ESO的特征多项式配置为(s + ω_o)^3，其中ω_o称为观测器带宽。通过极点配置，可以推导出：β01 = 3ω_oβ02 = 3ω_o^2β03 = ω_o^3这样一来，ESO的三个增益就由一个参数ω_o决定了。ω_o越大，观测器收敛越快，对扰动的估计能力越强，但同时对测量噪声也越敏感。一般ω_o设为系统期望闭环带宽的3~10倍。参数b需要大致估计，它代表了控制量对输出的增益，比如在电流环中，b ≈ 1/L（电感倒数），估不准没关系，ESO有一定的鲁棒性，但偏差太大会影响性能。

2. 控制器参数整定：将误差反馈律线性化（即取α1=α2=1，δ设大点），其闭环特征多项式可配置为(s + ω_c)^2，其中ω_c称为控制器带宽。可以推导出：β1 = ω_c^2β2 = 2ω_cω_c直接决定了系统的响应速度。ω_c越大，响应越快，但控制量会越大，也可能激发未建模的高频动态。通常ω_c应小于ω_o的1/3到1/5，以保证观测器比控制器更快，能及时提供准确的扰动估计。

3. TD参数整定：速度因子r决定了跟踪设定值的最大加速度。理论上r可以很大，但受限于执行机构物理极限和采样频率。步长h就是控制周期。通常先设一个较大的r，观察v1的跟踪曲线，只要不超出执行机构能力且平滑即可。

通过“带宽法”，我们将调参从8-9个减少到3个核心参数：ω_o（观测器带宽）、ω_c（控制器带宽）、b（控制增益估计）。r和h相对独立。非线性参数α1, α2, δ在初步整定时可以先设为1（即线性），系统稳定后再微调以优化性能。α通常取0.5~0.75，δ取采样周期附近的值。

3.2 工程实现要点与代码结构

当你动手写那个ADRC算法m文件或C代码时，结构应该清晰。以下是一个面向对象的离散ADRC二阶控制器伪代码框架，非常适合嵌入式实现：

classdef ADRC_2nd properties % TD 参数 h, r; v1, v2; % TD状态 % ESO 参数 beta01, beta02, beta03, b; z1, z2, z3; % ESO状态 % NLSEF 参数 beta1, beta2, alpha1, alpha2, delta; % 其他 u_last; % 上一拍控制量（用于补偿） end methods function obj = ADRC_2nd(h, r, wo, wc, b_est) % 初始化 obj.h = h; obj.r = r; obj.v1 = 0; obj.v2 = 0; % 带宽法设置ESO增益 obj.beta01 = 3*wo; obj.beta02 = 3*wo^2; obj.beta03 = wo^3; obj.b = b_est; obj.z1 = 0; obj.z2 = 0; obj.z3 = 0; % 带宽法设置控制器增益（线性） obj.beta1 = wc^2; obj.beta2 = 2*wc; obj.alpha1 = 1; obj.alpha2 = 1; % 先线性 obj.delta = h; % 线性区间设为步长 obj.u_last = 0; end function [u, states] = update(obj, target, feedback) % 1. TD更新 [obj.v1, obj.v2] = fhan(target, obj.v1, obj.v2, obj.h, obj.r); % 2. ESO更新 e_eso = obj.z1 - feedback; obj.z1 = obj.z1 + obj.h * (obj.z2 - obj.beta01 * e_eso); obj.z2 = obj.z2 + obj.h * (obj.z3 - obj.beta02 * e_eso + obj.b * obj.u_last); obj.z3 = obj.z3 + obj.h * (-obj.beta03 * e_eso); % 3. 计算误差和非线性反馈 e1 = obj.v1 - obj.z1; e2 = obj.v2 - obj.z2; fe1 = fal(e1, obj.alpha1, obj.delta); fe2 = fal(e2, obj.alpha2, obj.delta); u0 = obj.beta1 * fe1 + obj.beta2 * fe2; % 4. 扰动补偿 u = (u0 - obj.z3) / obj.b; % 5. 限幅和保存 u = saturate(u, umin, umax); % 执行器饱和 obj.u_last = u; states = [obj.v1, obj.v2, obj.z1, obj.z2, obj.z3]; end end end

这个框架在每个控制周期被调用一次，输入当前目标值和系统反馈，输出控制量。清晰的状态更新和分离的模块，便于调试和监控。

4. 在电机电流环中的应用与调试实录

将ADRC应用于永磁同步电机（PMSM）的电流环，是检验其性能的绝佳场景。电流环要求响应快、抗扰强，传统的PI调节器在d-q轴解耦和反电动势扰动上需要精细补偿，而ADRC可以将其视为总扰动一并估计补偿。

4.1 模型建立与参数设计

PMSM在同步旋转坐标系下的电压方程（忽略磁饱和等）为：u_d = R*i_d + L_d*di_d/dt - ω_e*L_q*i_qu_q = R*i_q + L_q*di_q/dt + ω_e*(L_d*i_d + ψ_f)其中，ω_e是电角速度，ψ_f是永磁体磁链。可以看到，q轴电压方程中包含了反电动势项ω_e*ψ_f和耦合项ω_e*L_d*i_d，这些都是PI控制器需要额外处理的前馈或解耦项。

在ADRC框架下，我们可以将每个电流环（d轴和q轴独立）建模为一个一阶系统（因为电压方程本身是一阶微分方程）：di/dt = ( -R*i + 耦合项/反电动势 + 扰动 + b*u ) / L这里，我们把-R*i/L作为部分已知动态（可以归入b*u或作为已知扰动补偿），而把耦合项、反电动势、参数变化、测量噪声等所有其他因素都打包进“总扰动”f。于是模型简化为：di/dt = f + b*u其中b可以粗略取为1/L（或1/L_d,1/L_q）。

因此，我们需要为每个电流环设计一个一阶ADRC（因为系统是一阶的）。一阶ADRC比二阶更简单：

• TD：安排电流指令的过渡过程，输出平滑的指令v1。
• ESO：扩张成一阶观测器，估计电流z1和总扰动z2。
• NLSEF：计算误差e1 = v1 - z1，并生成u0。
• 补偿：u = (u0 - z2) / b。

参数整定依然用带宽法。对于电流环，响应要求很高，假设期望电流环带宽为f_c = 1000 Hz，则ω_c = 2*π*f_c。观测器带宽ω_o可取(3~5)*ω_c。b取1/L的标称值。

4.2 调试步骤与问题排查

在实际电机平台上调试ADRC电流环，我建议遵循以下步骤：

1. 准备工作：确保你的电流采样、PWM驱动、Clark/Park变换等基础环节正确无误。先用一个非常保守的PI控制器让电机转起来，作为基准。

2. 初始化与参数注入：将一阶ADRC参数写入代码。开始时，将ω_c和ω_o设小（比如对应100Hz带宽），b值给准，NLSEF先设为线性（α=1）。TD的r先设一个中等值。

3. 开环测试ESO：这是关键一步！在电机静止或低速空载下，给一个很小的、恒定的电压指令u，同时让ADRC算法运行，但不使用其输出的u，而是用你给定的那个小电压。观察ESO估计的电流z1是否跟踪实际反馈电流i，估计的扰动z2是否稳定在一个值附近。如果z1跟踪良好，说明ESO基本工作正常。你可以故意改变一点b值，看ESO的z2如何变化来补偿这个建模误差。

4. 闭环测试与带宽提升：将ADRC的输出u接入系统，形成闭环。给定一个小的阶跃电流指令。逐步增大ω_c（控制器带宽），观察电流响应速度。同时，按比例增大ω_o（保持ω_o > 3ω_c）。你会看到电流响应越来越快。注意监控控制量u（即电压指令），确保没有饱和。也要观察估计的扰动z2，在负载突变时，它应该快速变化以抵消扰动。

5. 引入非线性与抗扰测试：当线性ADRC工作稳定后，可以尝试引入非线性fal函数。将α设为0.5或0.75，δ设为几个采样周期的误差值。这通常能进一步平滑小误差段的控制，减少高频噪声。然后进行抗扰测试：突加负载、快速升降速，对比ADRC和PI的电流跟踪波形和恢复时间。

常见问题与排查表：

4.3 实测心得与进阶技巧

经过多个项目的实践，我总结出几点心得：

• “b”值不必精确：ESO对b有很强的鲁棒性。b的估计值在真实值的0.5到2倍范围内，系统通常都能稳定工作，只是性能略有差异。这大大降低了工程应用门槛。
• TD并非必须：对于很多伺服系统，指令本身变化并不剧烈，或者对指令跟踪的平滑性要求不高时，可以省略TD，直接用目标指令作为v1，其微分v2设为0。这能简化算法，特别是在一阶ADRC中。
• 注意离散化与计算延时：上面给出的ESO和TD公式都是欧拉离散化。在高带宽或低采样率下，可能需要更高精度的离散化方法（如双线性变换）。另外，从采样、计算到PWM更新产生的固有延时（通常1-2个控制周期），会影响高带宽下的稳定性，必要时需要在ESO模型或控制律中考虑延时补偿。
• 从一阶ADRC开始：很多物理系统（如电流环、温度控制）本质是一阶的。从一阶ADRC入手，参数更少（ω_o,ω_c,b），调试更简单，理解更深刻，成功后再扩展到二阶位置/速度环。
• 与现有框架融合：你不需要完全抛弃现有的控制框架。例如，可以在原有PI电流环的基础上，保留PI作为误差反馈（即u0的计算），然后加上ESO进行扰动估计和补偿，形成一种“PI+扰动观测器”的复合结构，这是一种平滑的迁移策略。

ADRC的魅力在于它提供了一种统一、强大的框架来处理不确定性和扰动。它不一定在所有场景下都碾压PID，但在模型不确定性强、扰动频繁的场合，其优势非常明显。调试的关键在于理解带宽参数ω_o和ω_c的物理意义，以及ESO那个“扰动估计与补偿”的核心动作。当你看到在负载突加时，z2瞬间跳变并抵消了扰动，电流几乎无静差地恢复跟踪，那一刻你就会觉得，之前所有的调试都是值得的。