深入解析ADRC原理推导：自抗扰控制核心机制详解 深入解析 ADRC 原理推导：从自抗扰控制的核心逻辑到数学实现
在现代控制理论的发展长河中，自抗扰控制（Active Disturbance Rejection Control, ADRC） 无疑是一颗璀璨的明珠。由韩京清教授提出，ADRC 以其独特的“不依赖被控对象精确模型”、“将内外扰动统一处理”以及“实时估计并补偿”的特性，在工程实践中展现了强大的鲁棒性。 然而，对于许多初学者而言，ADRC 的核心——扩张状态观测器（ESO） 与 非线性状态误差反馈（NLSEF） 的数学推导往往显得晦涩难懂。本文将从基本原理出发，逐步推导 ADRC 的核心架构，揭示其如何实现对系统扰动的“自抗扰”。
一、 问题的起源：传统控制的局限性
传统 PID 控制虽然结构简单，但其本质是基于误差的反馈。面对以下挑战时，传统方法往往力不从心： 1. 模型不确定性：被控对象参数变化或建模误差。 2. 外部干扰：不可预测的环境干扰。 3. 非线性特性：系统内部存在的非线性因素。 ADRC 的核心思想是：既然难以精确建模，那就把所有“不确定性”（包括模型误差、参数摄动、外部干扰）看作一种总的“扰动”，并实时估计出来，然后在控制量中将其抵消。
二、 被控对象的广义模型
为了进行推导，我们首先建立一个通用的被控对象模型。假设一个单输入单输出（SISO）非线性系统，其动态方程可以表示为： 其中： 为系统输出（如位置、速度等）。 为系统的状态变量（如速度）。 为控制输入。 为外部干扰。 为系统参数。 关键步骤： ADRC 并不关心 是否已知或精确。我们将所有未知的内部动态和外部干扰合并为一个总扰动 。 定义总扰动： 于是，系统方程简化为： 此时，系统的阶数从二阶提升为广义二阶系统，但我们需要估计的“状态”增加了一个，即总扰动 也变成了一个需要观测的状态变量。
三、 核心推导：扩张状态观测器（ESO）
ADRC 的灵魂在于 ESO。它的任务是同时观测系统的真实状态 以及总扰动 。
1. ESO 的结构设计
我们将 视为一个新的状态变量 ，并假设其变化率缓慢或为零（ 或 ，通常简化为常数扰动处理）。 定义状态变量扩展： 构建扩张状态观测器： 其中： 为输出误差。 为观测器增益系数，决定了观测器的带宽和收敛速度。 为控制系数 的估计值。
2. 误差动态方程推导
定义观测误差： 对误差求导： 若假设 且 （或变化缓慢），则误差动态方程简化为线性系统：
3. 稳定性分析
通过选择合适的 ，可以使上述误差系统的特征根全部位于左半平面，从而保证观测误差 渐近收敛于零。 结论：ESO 能够实时、准确地估计出系统的状态 以及总扰动 。
四、 控制律设计：非线性状态误差反馈（NLSEF）
获得状态估计后，我们需要设计控制律 ，使得系统输出跟踪期望轨迹 。
1. 基本思想
传统的 PID 控制使用线性误差反馈：。 ADRC 采用非线性误差反馈，以增强系统在不同误差范围下的响应特性（如大误差时快速响应，小误差时平滑收敛）。 定义跟踪误差及其导数： (注：在二阶系统中，通常主要利用 和 )
2. 控制律公式
ADRC 的控制输入 由两部分组成： 1. 反馈控制项：基于误差的非线性函数。 2. 前馈补偿项：用于抵消估计出的总扰动。 其中， 是等效的线性控制器输出，但通过非线性函数生成：
3. 核心函数：fal 函数
是 ADRC 中的关键非线性函数，定义为： ：线性区宽度，用于避免除零或数值不稳定。 ：非线性指数，通常 。 当 较大时， 近似线性，提供强增益，加快响应。 当 较小时， 呈现高增益非线性，消除稳态误差，提高精度。
五、 整体闭环结构总结
ADRC 的控制流程可以概括为以下三个步骤： 1. 扩张观测：利用 ESO，通过输出 和控制量 ，实时估计系统状态 和总扰动 。 2. 非线性反馈：计算跟踪误差，通过 函数生成基础控制量 。 3. 扰动补偿：从 中减去扰动估计值 ，得到最终控制量 。
六、 优势与挑战
优势
鲁棒性强：通过实时估计并补偿总扰动，对模型不确定性和外部干扰具有极强的抑制能力。 参数整定直观：ESO 的带宽 和控制器带宽 是主要调参参数，物理意义明确。 无需精确模型：仅需知道控制增益 的符号和大致的量级。
挑战
计算量大：ESO 需要实时求解微分方程，对处理器算力有一定要求。 参数整定复杂：虽然带宽法简化了调参，但 系数与带宽、噪声抑制之间的平衡仍需经验。 噪声敏感：ESO 对测量噪声较为敏感，实际应用中常需加入低通滤波器或改进型 ESO（如 ESO-LPF）。
七、 结语
ADRC 的原理推导揭示了一个深刻的控制哲学：“与其努力消除不确定性，不如实时感知并抵消它。” 通过将系统模型扩张，ADRC 将复杂的非线性、不确定性问题转化为一个可观测、可补偿的线性问题。尽管其数学推导涉及较多微分方程和稳定性分析，但其核心逻辑清晰且强大。随着算力的提升和算法的优化，ADRC 在无人机、电动汽车、机器人等高动态、高不确定性领域的应用前景将更加广阔。 理解 ADRC 的原理推导，不仅是掌握一种控制算法，更是培养一种“主动对抗扰动”的系统思维。
