1. 项目背景与核心价值
半车主动悬架系统是车辆动力学控制领域的重要研究对象。传统PID控制虽然结构简单，但在面对路面随机激励和车身参数变化时，其固定增益特性往往导致控制效果受限。而自抗扰控制(ADRC)凭借其独特的扰动估计和补偿机制，为这类非线性时变系统提供了新的解决思路。
这个项目通过Matlab/Simulink平台，搭建了包含簧载质量、非簧载质量、弹簧和阻尼元件的二自由度半车模型。我们不仅实现了常规PID控制器，还构建了包含跟踪微分器(TD)、扩张状态观测器(ESO)和非线性状态误差反馈(NLSEF)的完整ADRC架构。通过设计对比实验，可以直观观察到两种控制在阶跃响应、正弦激励和随机路面输入下的性能差异。
实操中发现：ADRC的ESO带宽参数对控制效果影响显著，需要根据系统惯性特性谨慎调节。而PID参数整定则更依赖工程师经验。
2. 模型搭建与参数设定
2.1 二自由度悬架建模
在Simulink中建立如图1所示的物理模型，包含以下关键组件：
- 簧载质量(m_s)：代表车身质量，典型值450kg
- 非簧载质量(m_u)：代表车轮组件质量，典型值45kg
- 弹簧刚度(k_s)：悬架刚度，取20000N/m
- 轮胎刚度(k_t)：取180000N/m
- 被动阻尼系数(c_s)：基础阻尼，取1500N·s/m
状态空间方程表示为：
code复制ẋ = Ax + Bu + Fw
y = Cx + Du
其中w为路面扰动输入，u为主动控制力。
2.2 ADRC实现细节
2.2.1 跟踪微分器(TD)
采用最速跟踪算法：
code复制v1(k+1) = v1(k) + h*v2(k)
v2(k+1) = v2(k) + h*fhan(v1(k)-v(k), v2(k), r, h0)
其中fhan()为最速控制综合函数，r为速度因子，典型取值为采样频率的5-10倍。
2.2.2 扩张状态观测器(ESO)
三阶ESO设计：
code复制e = z1 - y
ż1 = z2 - β01*e
ż2 = z3 - β02*fal(e, α1, δ) + b0*u
ż3 = -β03*fal(e, α2, δ)
fal()为非线性函数，β系列参数根据带宽法确定。
2.2.3 非线性反馈(NLSEF)
采用：
code复制u0 = β1*fal(e1, α1, δ) + β2*fal(e2, α2, δ)
α通常取0.5-1之间的分数阶。
2.3 PID控制器设计
采用增量式PID算法：
code复制Δu(k) = Kp*[e(k)-e(k-1)] + Ki*e(k) + Kd*[e(k)-2e(k-1)+e(k-2)]
通过Ziegler-Nichols法初步整定后，再根据响应曲线微调参数。
3. 仿真对比实验设计
3.1 测试工况设置
为全面评估控制性能，设计三类典型输入：
- 阶跃输入：模拟通过减速带工况，幅值0.1m
- 正弦扫频：频率0.5-15Hz，幅值0.02m
- 随机路面：采用ISO 8608标准C级路面谱生成
3.2 性能评价指标
- 车身垂向加速度RMS值
- 悬架动挠度最大值
- 轮胎动载荷峰值
- 控制力能耗指标
4. 结果分析与调参经验
4.1 阶跃响应对比
| 指标 | PID控制 | ADRC控制 | 改善率 |
|---|---|---|---|
| 超调量(%) | 12.3 | 4.8 | 61% |
| 调节时间(s) | 1.45 | 0.92 | 37% |
| 加速度峰值(g) | 0.38 | 0.29 | 24% |
ADRC展现出更快的扰动抑制能力，这得益于ESO对系统总扰动的实时估计和补偿。实际调试中发现，当ESO带宽超过150rad/s时，系统会出现高频抖动，建议维持在80-120rad/s范围。
4.2 正弦扫频特性
在4-8Hz人体敏感频段：
- PID控制的加速度传递比平均为1.25
- ADRC可降至0.83
- 相位滞后改善约15°
关键发现：TD的过渡过程安排能有效避免传统前馈控制引起的相位滞后问题。将TD速度因子r设置为输入信号最高频率的3倍时效果最佳。
4.3 随机路面测试
使用C级路面谱，车速60km/h时：
- ADRC使车身加速度RMS值降低31%
- 轮胎动载荷波动减少22%
- 控制能耗增加约15%
5. 工程实现中的挑战
5.1 参数敏感度问题
ADRC的β参数存在耦合现象：
- β01主要影响跟踪速度
- β02决定扰动估计精度
- β03影响高频噪声抑制
建议调参顺序：
- 先固定β03=1，调节β01/β02满足带宽需求
- 逐步增大β03直到噪声抑制满意
- 最后微调α和δ改善非线性特性
5.2 采样频率选择
实验表明：
- 低于500Hz时ESO估计误差明显增大
- 但超过2kHz会导致数值计算不稳定
- 推荐1kHz采样率配合二阶龙格库塔法
5.3 实时性优化技巧
- 将ESO中的fal()函数查表化
- 采用定点数运算加速非线性计算
- 对TD输出做低通滤波处理
6. 扩展应用方向
基于此模型框架，可以进一步研究：
- 结合LQR优化ADRC参数
- 引入模糊逻辑自适应调节带宽
- 开发基于深度学习的扰动预测模块
- 硬件在环(HIL)测试平台搭建
在实车测试阶段，建议先以被动悬架为基础，逐步增加控制干预强度。实际道路测试数据表明，ADRC对载重变化的适应性明显优于固定参数PID，在满载工况下仍能保持约85%的性能指标。