探索ADRC自抗干扰控制：扩张状态观测器仿真之旅

uXrvbWJGleS

103人浏览 · 2026-03-25 18:15:00

uXrvbWJGleS · 2026-03-25 18:15:00 发布

扩张状态观测器仿真——观察ADRC自抗干扰控制搭建了ADRC自抗干扰控制的仿真模型，通过扩张状态的观测器进行观察估测：跟踪微分器TD:为系统输入安排过渡过程，得到光滑的输入信号以及输入信号的微分信号。非线性状态误差反馈律NLSEF:把跟踪微分器产生的跟踪信号和微分信号与扩张状态观测器得到的系统的状态估计通过非线性函数进行适当组合，作为被控对象的控制量。扩张状态观测器ESO：作用是得到系统状态变量的估计值及扩张状态的实时作用量。结果表明观测值与实际输出值相近，仿真能完美实现功能。文件包括： [1]仿真模型 [2]扩张状态观测器介绍PPT [3]相关参考文献和书籍

在控制领域，自抗干扰控制（ADRC）一直是个备受瞩目的存在，今天咱们就来深入探讨下基于扩张状态观测器的ADRC仿真。

搭建ADRC仿真模型

整个ADRC仿真模型主要由三个关键部分组成：跟踪微分器TD、非线性状态误差反馈律NLSEF以及扩张状态观测器ESO。

跟踪微分器TD

TD的职责是为系统输入安排过渡过程，最终输出光滑的输入信号以及该输入信号的微分信号。这就好比给输入信号铺了一条平滑的“跑道”，让它能更平稳地进入系统。

想象一下，在一个简单的Python模拟中（以下代码仅为示意原理）：

import numpy as np
import matplotlib.pyplot as plt


def tracking_differentiator(u, r, h):
    # u是输入信号，r是速度因子，h是步长
    x1 = 0
    x2 = 0
    x1_list = []
    x2_list = []
    for _ in range(100):
        fhan = 0
        d = r * h
        d0 = h * d
        y = x1 - u
        a0 = np.sqrt(d * d + 8 * r * np.abs(y))
        if np.abs(y) <= d0:
            a = x2 + 0.5 * a0 * np.sign(y)
        else:
            a = x2 + d * np.sign(y)
        if np.abs(a) <= d:
            fhan = -r * a / d
        else:
            fhan = -r * np.sign(a)
        x1 = x1 + h * x2
        x2 = x2 + h * fhan
        x1_list.append(x1)
        x2_list.append(x2)
    return x1_list, x2_list


u = 1  # 假设输入信号为1
r = 10  # 速度因子
h = 0.01  # 步长
x1_res, x2_res = tracking_differentiator(u, r, h)
plt.plot(x1_res, label='smooth input signal')
plt.plot(x2_res, label='differential signal')
plt.legend()
plt.show()

在这段代码里，trackingdifferentiator函数通过不断迭代计算，实现了对输入信号u的处理，r和h参数会影响最终输出的信号特性。可以看到，x1list就是生成的光滑输入信号，x2_list则是对应的微分信号。