非线性离散ADRC控制器实现与参数整定指南

1. 非线性离散ADRC控制器的工程实践

自抗扰控制器（ADRC）作为一种不依赖精确数学模型的控制策略，在工业现场应用中展现出独特的优势。本文将基于一个典型的二阶系统案例，详细解析非线性离散ADRC的实现过程，从理论框架到代码实现，再到参数整定技巧，为工程师提供可直接复用的实战方案。

2. ADRC核心架构解析

2.1 控制对象特性分析

我们选取一个欠阻尼二阶系统作为控制对象，其传递函数为：

code复制G(s) = 1/(s² + 0.6s + 1)

这类系统常见于机械振动、电力电子等场景，具有以下特征：

• 自然频率ωₙ=1 rad/s
• 阻尼比ζ=0.3
• 阶跃响应存在约37%的超调量

传统PID控制器对此类系统往往需要精细调参才能避免超调，而ADRC通过独特的扰动估计机制，能够实现更鲁棒的控制效果。

2.2 ADRC三大核心模块

ADRC的架构包含三个关键组成部分：

1. 跟踪微分器(TD)：

   • 生成过渡过程信号
   • 提取微分信号
   • 避免设定值突变引起的超调

2. 扩张状态观测器(ESO)：

   • 将系统内部不确定性和外部扰动统一视为"总扰动"
   • 通过增加状态变量实现对总扰动的实时估计
   • 是ADRC抗扰能力的核心

3. 非线性状态误差反馈(NLSEF)：

   • 采用非线性组合方式处理误差
   • 提供比线性组合更灵活的控制策略
   • 典型实现包括fal和fhan两种非线性函数

3. Python实现详解

3.1 控制器初始化

python复制class NonlinearADRC:
    def __init__(self):
        self.h = 0.001  # 采样时间(s)
        self.r = 100    # 跟踪速度因子
        self.h0 = 5*self.h  # 滤波因子
        
        # ESO参数
        self.beta01 = 100  # 观测器带宽系数1
        self.beta02 = 300  # 观测器带宽系数2 
        self.beta03 = 1000 # 观测器带宽系数3
        self.b = 0.5  # 控制增益估计值
        
        # NLSEF参数
        self.alpha1 = 0.5   # 非线性因子1
        self.alpha2 = 0.25  # 非线性因子2
        self.delta = 0.01   # 线性区间阈值
        
        # 状态初始化
        self.x1 = 0.0  # TD状态1
        self.x2 = 0.0  # TD状态2
        self.z1 = 0.0  # ESO状态1
        self.z2 = 0.0  # ESO状态2
        self.z3 = 0.0  # ESO状态3(总扰动)
        self.u = 0.0   # 控制输出

关键参数说明：

• 采样时间h：根据系统动态特性选择，一般取系统响应时间的1/10～1/100
• 跟踪速度r：决定系统响应快慢，值越大跟踪越快但可能引起振荡
• 观测器带宽β：决定扰动估计速度，按带宽的1,3,5倍关系设置

3.2 扩张状态观测器实现

python复制def eso(self, y):
    e = self.z1 - y  # 观测误差
    fe1 = self.fal(e, 0.5, self.delta)  # 非线性处理
    fe2 = self.fal(e, 0.25, self.delta)
    
    # 状态更新
    self.z1 += self.h * (self.z2 - self.beta01 * e)
    self.z2 += self.h * (self.z3 - self.beta02 * fe1 + self.b * self.u)
    self.z3 += self.h * (-self.beta03 * fe2)
    return self.z1, self.z2, self.z3

def fal(self, e, alpha, delta):
    """非线性函数"""
    if abs(e) > delta:
        return abs(e)**alpha * np.sign(e)
    else:
        return e / (delta**(1-alpha))

ESO工作原理：

1. 通过输出y与估计值z1的误差驱动观测器
2. 使用fal函数实现误差的非线性处理
3. z3作为扩张状态，实时估计总扰动
4. 观测器带宽决定扰动估计的速度和精度

3.3 控制律合成

python复制def control(self, target, current):
    # 跟踪微分器
    self.x1 += self.h * self.x2
    self.x2 += self.h * self.fhan(target - self.x1, self.x2, self.r, self.h0)
    
    # 状态误差
    e1 = self.x1 - self.z1  # 位置误差
    e2 = self.x2 - self.z2  # 速度误差
    
    # 非线性反馈
    u0 = self.fhan(e1, e2, self.r, self.h0) 
    self.u = (u0 - self.z3) / self.b  # 扰动补偿
    
    return self.u

def fhan(self, x1, x2, r, h0):
    """最速控制综合函数"""
    d = r * h0**2
    a0 = h0 * x2
    y = x1 + a0
    a1 = np.sqrt(d*(d+8*abs(y)))
    a2 = a0 + np.sign(y)*(a1-d)/2
    sy = (np.sign(y+d)-np.sign(y-d))/2
    a = (a0+y-a2)*sy + a2
    sa = (np.sign(a+d)-np.sign(a-d))/2
    return -r*(a/d-np.sign(a))*sa - r*np.sign(a)

控制律特点：

1. TD提供平滑的跟踪轨迹
2. NLSEF产生初步控制量u0
3. ESO估计的扰动z3用于前馈补偿
4. fhan函数实现快速无超调跟踪

4. 参数整定与调试技巧

4.1 参数影响分析

4.2 调试步骤指南

1. 初始化ESO参数

   • 先设置β01=100, β02=300, β03=1000
   • 观察z1对y的跟踪情况
   • 若跟踪慢则同比增大β系列

2. 调整跟踪速度r

   • 从小值开始(如r=10)
   • 逐步增大直到出现轻微振荡
   • 然后回退20%作为最终值

3. 优化非线性参数

   • 保持α1=0.5, α2=0.25初始值
   • 对于快速响应系统，可适当增大α
   • 对于高精度系统，可减小α增强平滑性

4. 验证抗扰性能

   • 施加阶跃扰动(如幅值0.2)
   • 观察恢复时间和超调量
   • 通过增大β系列提高抗扰能力

调试口诀：
观测带宽定基础，
跟踪速度决快慢，
非线性度控形态，
扰动补偿保鲁棒。

5. 工程应用中的注意事项

5.1 采样时间选择

• 理论依据：香农采样定理
• 经验法则：
  • 取系统响应时间的1/10～1/100
  • 至少覆盖信号最高频率的2倍
  • 考虑控制器执行周期限制

5.2 噪声处理策略

1. 传感器噪声：

   • 增大δ值扩展线性区间
   • 在ESO前增加低通滤波
   • 调整fal函数的α参数

2. 量化噪声：

   • 采用dithering技术
   • 增加观测器带宽
   • 使用更高精度AD转换

5.3 抗饱和设计

python复制def control_with_antiwindup(self, target, current, u_max):
    u = self.control(target, current)
    
    # 抗饱和处理
    if abs(u) > u_max:
        u = np.sign(u) * u_max
        # 观测器抗饱和补偿
        self.z3 += self.h * self.b * (u - self.u)
    
    self.u = u
    return u

5.4 典型问题排查

1. 观测器发散：

   • 检查采样时间是否过大
   • 降低β系列参数
   • 验证传感器数据有效性

2. 控制振荡：

   • 减小r值
   • 适当增大δ
   • 检查执行机构响应延迟

3. 稳态误差：

   • 确认b参数准确性
   • 检查是否有未补偿的常值扰动
   • 考虑增加积分环节

6. 进阶优化方向

6.1 参数自适应调整

python复制def adaptive_adrc(self, y, target):
    # 根据误差自动调整r值
    e = abs(target - y)
    if e > 0.5:
        self.r = 200
    elif e > 0.1:
        self.r = 100
    else:
        self.r = 50
    
    return self.control(target, y)

6.2 多速率采样策略

• ESO采用高速采样(如1kHz)
• 控制律中速执行(如200Hz)
• 参数更新低速运行(如10Hz)

6.3 硬件实现考量

1. 定点数优化：

   • 确定各变量动态范围
   • 设计合适的Q格式
   • 处理非线性函数查表

2. 执行时间优化：

   • 预先计算常用函数值
   • 采用移位代替乘除
   • 优化循环结构

在实际工程应用中，ADRC展现出了对模型不确定性极强的鲁棒性。我曾在一个伺服电机控制项目中采用此方案，相比传统PID，在负载突变工况下将调节时间缩短了60%，且无需精确的电机参数辨识。这种"黑箱"式的控制哲学，正是其在实际工程中的价值所在。