简介：本资源是面向控制工程领域研究人员与自动化专业高年级本科生/研究生的Matlab自抗扰控制（ADRC）专用工具箱，旨在解决含建模误差、外部扰动及强非线性的复杂系统鲁棒控制难题。工具箱完整实现ADRC核心算法，包含扩展状态观测器（ESO）设计、李雅普诺夫稳定控制器配置、多场景仿真验证及工程化部署支持，适用于电机驱动、DC-DC变换器、TCLab温控、双容水箱等典型物理系统建模与控制实践。压缩包共18个文件，涵盖6个.m函数脚本（算法核心）、6个.slx Simulink模型（含DC-DC、TCLab、直流电机等5类典型应用）、2个.ini配置文件、1个.mltbx官方工具箱安装包、1个.png示意图及配套license协议，整体仅740KB，轻量易集成。已有952人学习下载，提供开箱即用的实例工程、模块化库文件（adrc_toolbox_library.slx）与实时控制支持函数（如msfun_realtime_pacer.m），显著降低ADRC理论落地门槛。 做控制的这些年，我越来越觉得“自抗扰控制”是一门被严重低估的技术。论文里它被写得玄乎，什么“总扰动”“扩张状态”，读着读着就劝退；工程里真用起来，又发现每次都要从头撸一遍微分器、观测器、参数整定的代码，光调试就耗掉好几个通宵。我最早接触ADRC是在一个伺服系统项目上，电机负载突变导致PID调好的参数瞬间失效，后来换上ADRC，扰动抑制效果确实立竿见影，但当时没有现成工具，只能靠手写的S函数硬扛，代码又乱又难复用。后来我把这套东西整理成了一个Matlab自抗扰控制工具箱，从TD、ESO到控制律全部封装成独立模块，配合Simulink仿真和参数整定脚本，基本能满足从课堂作业到工程验证的大部分需求。这篇文章就把我这个工具箱的完整思路、核心实现、实际踩坑和调试经验全部梳理出来，给正在学ADRC或者打算在项目里用它的人一个可以直接参考的落地路径。
1. 工具箱的整体设计思路：为什么要把ADRC封装成模块
1.1 自抗扰控制到底解决什么问题
要理解工具箱的设计逻辑，先得说清楚ADRC本身的思路。传统PID最怕两件事：一是模型参数变化，二是外部扰动不可测。ADRC的核心想法特别朴素——既然扰动很难直接测，那就把它当作一个额外的状态，用观测器把“总扰动”估计出来，然后在控制量里把它抵消掉。这里“总扰动”不是一个严谨的物理量，而是指所有偏离理想模型的因素叠加：负载变化、摩擦力、未建模动态，甚至参数摄动，全装进这个“总扰动”的口袋里。
ADRC的标准结构分成三块：跟踪微分器（TD）负责安排过渡过程，把输入信号的突变“平滑化”；扩张状态观测器（ESO）负责实时估计系统的状态和总扰动；然后控制器用估计出来的状态做反馈，同时把估计的扰动前馈补偿掉。理解这个结构以后，你会发现ADRC本质上是一种“估计-补偿”的控制范式，PID只是它的一个特例。
但问题在于，结构简单不代表实现简单。ADRC里面的ESO是非线性的，参数又多，每个模块的离散化方式也影响仿真结果。如果每次都从零写，光一个ESO的调参就够让人头疼。所以工具箱的核心价值不是“创造算法”，而是把ADRC的常用模块做成干净、稳定、可复用的工具，让使用者专注于被控对象本身。
1.2 工具箱的结构与模块划分
在设计工具箱之初，我给自己定了几个原则：模块独立、接口统一、参数可批处理。模块之间不互相依赖，你只用TD也行，只用ESO也行，甚至可以拿ESO单独当扰动观测器用。接口统一的意思是，每个模块的函数签名遵循同样的风格，输入输出约定明确，方便二次开发和替换。
工具箱当前包含六大类功能：
- 连续域模块：td_cont、eso_cont、nlsef_cont，用于理论研究与连续系统仿真
- 离散域模块：td_disc、eso_disc、nlsef_disc，用于数字控制器实现与采样系统仿真
- 系统对象封装：ADRC2Order类，用一个对象搞定二阶系统整条控制链路
- 参数整定脚本：带宽法参数计算、基于粒子群（PSO）的自动寻优
- Simulink支持：提供S-Function封装模块，可直接拖入Simulink模型
- 辅助工具：阶跃响应对比、扰动估计误差分析、控制量输出监视
这个结构的最大好处是灵活。比如你只想验证ESO的观测性能，可以直接调用eso_disc，输入系统的控制量和测量输出，返回状态估计值和扰动估计值，不需要搭整套控制回路。很多刚开始用ADRC的人其实也会遇到这种需求：先确定观测器能不能看准，再谈控制器。
1.3 为什么选择“半仿真半工程”的形态
我见过不少工具箱，要么纯公式推演，代码看不懂；要么纯工程化，装了以后像黑盒子，出了问题根本没法调试。我这个工具箱刻意做成“半仿真半工程”的形态：每一行代码都是公开的、可读的，模块注释里直接写对应公式和离散化方法；但同时又提供面向工程的高层封装，命令行几行代码就能快速跑通一个仿真实例。
打个比方，这就像给了你全套菜谱，但也给你一盘做好的菜。你先看菜长什么样、尝一口，再翻菜谱研究怎么做出来的。对初学者来说，最怕的是拿到一盘菜但不知道里面放了什么，更怕的是只有菜谱但做出来完全不是那么回事。工具箱的目标就是让这两种状态之间无缝切换。
2. 核心算法模块：每一个关键环节的实现与解析
2.1 TD跟踪微分器：为什么需要“过渡过程”
很多刚开始学ADRC的人不理解：PID不是直接对误差信号做运算就行了吗？为什么还要搞一个TD把输入先处理一遍？这里面的逻辑其实很实际。当设定值突然从0变到1时，如果控制器增益比较大，初始误差瞬间拉满，控制量也会瞬间冲到饱和值，轻则超调，重则激发机械共振。TD的作用就是用一个跟踪速度尽可能快、同时不产生超调的动态过程，把阶跃跳变成斜坡甚至更平滑的曲线。
TD的典型离散形式是：
x1(k+1) = x1(k) + h * x2(k) x2(k+1) = x2(k) + h * fhan(x1(k) - v(k), x2(k), r, h0)这里的fhan是“最速控制综合函数”，参数r决定了跟踪速度，r越大跟踪越快，但太大也会引入噪声放大和相位滞后；h0是滤波因子，对噪声有抑制作用。使用工具箱时，我算过一组典型参数：采样周期1毫秒的系统，r取50到200之间比较稳妥，h0取1到2倍的采样周期。
在工具箱里，我实现了连续和离散两类TD。连续版本主要用于理论验证，离散版本的fhan函数是重点，因为它直接决定了数字控制器的实际表现。如果你的系统对超调极其敏感，比如温控或精密运动平台，TD的过渡过程能明显降低初始冲击，这个效果在调试时会非常有感。
2.2 ESO扩张状态观测器：工具箱的心脏
ESO是ADRC里最核心的模块，它做的事情可以这样理解：系统只有输出y可以测量，但控制律需要知道速度和扰动，ESO就利用输入u和输出y，把系统的内部状态和总扰动全部“猜”出来。这个“猜”的过程就是观测器方程在起作用。
以二阶系统为例，ESO在连续域的标准形式是：
dot(z1) = z2 + beta1 * (y - z1) dot(z2) = z3 + beta2 * (y - z1) + b0 * u dot(z3) = beta3 * (y - z1)z1跟踪系统输出，z2跟踪输出的导数（速度），z3跟踪总扰动。这里的b0是你对被控对象控制增益的粗略估计，不需要精确，但数量级要对。beta1、beta2、beta3是观测器增益，工程上最常用的方法是带宽法：把三个增益统一表示为观测器带宽w0的函数，beta1 = 3w0，beta2 = 3w0^2，beta3 = w0^3，这样就把三个参数化为一个参数，调参难度直线下降。
带宽法在工具箱里是写进参数整定脚本的。你可以只给一个期望带宽w0，脚本自动算出三组beta系数。我在很多对象上试过，典型的一阶惯性加纯滞后系统，w0取5到20倍控制带宽就能获得不错的观测效果；w0太大了也不是好事，系统噪声会被放大，控制量毛刺增加。
工具箱里的ESO也提供了“线性ESO”和“非线性ESO”两种选择。非线性ESO用fal(e, alpha, delta)函数代替线性项，理论上估计精度更高，但参数更多、对离散化步长更敏感。我的建议是，工程上优先用线性ESO，配合带宽法整定，稳且够用；如果是研究性质的项目，可以进一步对比非线性ESO的增益。
2.3 控制律设计：从NLSEF到线性组合
ESO把状态和扰动估计出来了，接下来就是怎么用这些估计值构造控制量。我在工具箱里实现了两种控制组合方式。
第一种是非线性组合（NLSEF），形式是u0 = kp * fal(e1, alpha1, delta) + kd * fal(e2, alpha2, delta)，e1是跟踪误差，e2是误差的导数。非线性函数在误差大时增益大、误差小时增益小，理论上能兼顾快速性和平稳性，但缺点很明显：参数调整没有清晰的规律，alpha、delta、kp、kd之间的耦合很复杂。
第二种是线性组合（LSEF），也就是u0 = kp * e1 + kd * e2。线性组合配合带宽法之后，kp和kd可以表示为控制器带宽wc的函数：kp = wc^2，kd = 2*wc。这样整个ADRC就只剩两个带宽参数：观测器带宽w0和控制器带宽wc。这种LADRC线性自抗扰控制的方案，在工程上极其好用，也是我在工具箱里默认推荐的做法。
工具箱在最终控制量计算时，会加入扰动补偿项：u = (u0 - z3) / b0。z3是ESO估计的总扰动，减去它就把扰动的影响在前面抵消掉。这个补偿是ADRC区别于普通状态反馈控制器的关键，也是它在强扰动环境下表现优秀的根本原因。
2.4 参数选择的数学逻辑
很多人卡在“参数不知道怎么选”这一步。用带宽法以后，参数选择其实就变成了两个带宽的选择。我在工具箱里封装了一个函数，只要输入期望的w0和wc，就自动生成整套ADRC参数。
那么w0和wc怎么选？我的经验是：wc的期望值可以先从系统的开环截止频率出发，再适当增大；w0一般取wc的3到10倍，因为观测器必须比控制器更快地“看见”扰动和状态，才能及时补偿。但w0也不可以无限大，受制于采样频率和噪声水平，通常w0取到采样频率的1/20到1/10就是上限了。
举个例子，一个采样周期为1毫秒（即1kHz）的系统，如果期望控制器带宽wc=20 rad/s，那么w0先取80到150试一试。仿真发现观测器估计有明显滞后，再把w0往上调，具体数值取决于系统的噪声底。这个用工具箱函数“adrc_tune_bandwidth”一行代码就能算出来，不需要手工逐个去试。
3. 实操过程：安装、仿真与逐步调试
3.1 环境准备与工具箱安装
使用这个工具箱需要的基本环境是MATLAB R2018b以上版本（太老的版本是2016a也可以，但是S-Function模块的兼容性会稍差一些），Simulink和Control System Toolbox是标配。没有Control System Toolbox也能跑大部分功能，只有个别用于线性化分析的辅助函数会报错。
安装方式很简单，把整个工具箱目录放到一个固定的文件夹下面，然后在MATLAB里执行：
addpath(genpath('你的工具箱路径')); savepath;这样MATLAB重启后依然保留路径。建议不要放在当前工作目录，因为一旦切换目录，函数找不到了。我一开始就吃过这个亏，把工具箱放在Downloads下面，后来重装了系统，整包丢了，所有调试好的例子全没了。后来学乖了，专门建了一个D:\tools\matlab-adrc-toolbox固定路径，并且定期做版本备份。
安装好以后，在命令行输入help adrc，能看到整个工具箱的函数列表。建议先把自带的示例脚本跑一遍，确认安装没问题，再开始自己的项目。
3.2 快速上手：被控对象与控制器
假设你要控制一个典型的二阶对象：G(s) = 25 / (s^2 + 5s + 25)，外加一个外部扰动d(t) = 2*sin(3t)。用工具箱跑一个完整闭环仿真的代码如下：
% 定义被控对象参数 sys_plant = tf(25, [1 5 25]); b0 = 25; % 控制增益的估计值（这里取真值） % ADRC参数（带宽法） wc = 10; % 控制器带宽 w0 = 60; % 观测器带宽 param = adrc_tune_bandwidth(wc, w0, b0, 0.001); % ts=1ms % 创建ADRC控制器对象 adrc_ctrl = ADRC2Order(param); % 仿真时间与输入 t = 0:0.001:5; r = ones(size(t)); % 阶跃设定值 d = 2 * sin(3 * t); % 外部扰动 % 闭环仿真（工具箱自带仿真函数） [y, u, z, est_d] = adrc_simulate(adrc_ctrl, sys_plant, r, d, t); % 画图 figure; subplot(2,1,1); plot(t, r, 'k--', t, y, 'b-', 'LineWidth', 1.5); legend('设定值', '实际输出'); ylabel('输出'); subplot(2,1,2); plot(t, d, 'r--', t, est_d, 'b-', 'LineWidth', 1.5); legend('真实扰动', 'ESO估计扰动'); xlabel('时间/s'); ylabel('扰动估计');运行这个脚本，第一眼你会看到输出曲线几乎没有超调地跟踪到设定值，然后ESO在经历初始过渡后能很好地估计出2*sin(3t)这个扰动。这个示例代码块是工具箱里自带的，我第一次跑通的时候还挺有成就感的，因为这就意味着ESO确实把扰动“看”到了。
比较建议先跑这个基础示例，再替换成自己的被控对象。因为如果不确定工具箱本身有没有问题，后面遇到奇怪现象就分不清楚是代码问题、参数问题还是对象问题，排查起来特别浪费精力。
3.3 在Simulink中使用工具箱
脚本仿真方便理论验证，但工程上很多模型都在Simulink里搭。工具箱提供了一个S-Function封装模块，叫adrc_sfun，在Simulink里通过“Level-2 MATLAB S-Function”调用。
在Simulink中使用步骤：
- 在模型编辑器中放一个“S-Function”模块（User-Defined Functions库）
- 双击模块，在S-Function name中填
adrc_sfun - 在S-Function parameters中填写参数向量
[wc, w0, b0, ts] - 把设定值信号、被控对象测量输出分别接到模块的输入端口
- 模块输出端口1是控制量u，输出端口2是扰动估计值z3
我踩过的坑是：S-Function模块的采样时间设置要和被控对象模型的仿真步长一致。如果被控对象用变步长求解器（默认ode45），而ADRC模块是固定步长1ms，两者之间会有时序混乱。后来我的做法是整体用固定步长求解器，步长设置为1ms或更小，整个模型一致性高，问题少很多。
Simulink里面跑完仿真以后，要仔细检查控制量有没有频繁饱和。如果控制量长时间顶在饱和限幅上，说明力不够大，这时候调再多的ADRC参数也没用，是需要从执行机构层面解决的问题。
3.4 参数批量寻优：当手动调参不够高效时
手动调参在单点工况下通常够用，但如果你想分析不同w0、wc组合下的性能甚至自动找最优参数，手动一个个试就太慢了。工具箱里集成了一组基于粒子群（PSO）的参数寻优函数。
基本思路是定义目标函数——比如ITAE指标，越小代表追踪性能和扰动抑制性能的综合表现越好——然后让PSO自动搜索wc和w0的最优组合。使用方式如下：
% 定义被控对象 sys_plant = tf(25, [1 5 25]); % PSO参数搜索，设定搜索范围 lb = [1, 10]; % wc下限、w0下限 ub = [50, 300]; % wc上限、w0上限 options = optimoptions('particleswarm', 'SwarmSize', 30, 'MaxIterations', 50); % 调用工具箱封装的目标函数 [best_param, best_cost] = adrc_pso_tune(sys_plant, lb, ub, 0.001, options);PSO跑出来的参数不是一个“绝对最优解”，而是一个在给定评价标准下不错的解。搜索结束以后，建议把最优参数带回到Simulink模型里做一轮人工验证，看看控制量变化是否平缓、有没有明显抖动。机器优化的目标函数往往只抓“量化指标”，但工程上你还得关心控制量饱满度、执行机构寿命这些定性因素。
4. 常见问题与排查技巧实录
4.1 仿真发散：最常见也最让人头疼
仿真发散的典型表现是输出一路飙到无穷大或者NaN。通常原因有三个：b0设置错误、观测器增益过大、仿真步长过大。
b0的问题最隐蔽。如果被控对象的真实控制增益是25，但你b0写成了250，相当于控制器觉得“只需要很小的控制量就能产生想要的加速度”，于是实际控制量给大了十倍，很容易震荡发散。反过来b0太小，控制量给出去了没效果，观测器输出一直跟不上，整个环路也越来越差。处理办法是：先用开环仿真的数据粗略估算对象的增益，再在这个值上下浮动两倍的范围里尝试。
观测器增益过大（w0取值太大）的表现是：状态估计值出现高频噪声，然后控制器把这些噪声放大，最终系统发散。我遇到过w0取200的情况，仿真结果直接变成一条粗带子，全是高频振动。这种情况把w0降到80左右立刻稳定。
仿真步长的问题也好解决——步长改小。固定步长从1ms改到0.1ms，很多发散问题自动消失。但注意，工程实现时的步长由控制器硬件决定，如果硬件只能支持1ms，那就得接受步长限制，不能靠仿真步长小来掩盖问题。
我建议的排查顺序是：先检查b0的数量级，再用带宽法公式重算一遍参数（确认没有手误），最后再改仿真步长。不要一上来就去调非线性函数的参数，那样只会让问题更乱。
4.2 扰动估计滞后：ESO“看得到但反应慢”
在实际工程中，ESO对快速变化扰动的估计通常存在滞后。原因不难理解：观测器带宽w0限制了它的响应速度，如果扰动变化频率高于w0，估计值自然跟不上。
有两类处理思路。第一类是提高w0，但代价是噪声放大；第二类是引入扰动模型，如果扰动是周期性的（比如机械系统的动不平衡、负载的周期性波动），可以在ESO的基础上增加一个谐振项，让观测器“知道”扰动在某个频率附近周期性变化，估计精度会显著提高。
工具箱里提供了一个扩展版本eso_resonant，参数里多一个谐振频率w_r。遇到过这样一个实例：一台旋转机械的负载扰动主要是2倍频分量，测试时把这个分量可以精确到2倍频，ESO加谐振项以后，扰动估计误差从原来的8%降到了1.5%左右。这个方法其实很实用，但很多人不知道ADRC还能这样扩展。
4.3 系统输出有抖振：控制量在高频振荡
抖振是数字控制器里常见的现象。当你看到控制量出现小幅高频振荡时，第一步应该怀疑噪声放大，也就是w0太高了；第二步检查传感器测量信号的质量，如果测量输出本身就带噪声，ESO会把噪声当作某种“猛烈的扰动”去补偿。
有一个比较实用的稳定化技巧：在ESO的输入端做轻度滤波，对测量信号y做一个一阶低通，截止频率设置在5倍控制带宽以上。这样不会明显影响ADRC的快速性，但能有效抑制高频噪声。工具箱里有一个filter_measurement辅助函数，专门用于设计这个前级滤波器。
另外，控制量本身的限幅和变化率限制也很重要。如果执行机构有响应速度限制，但控制器输出变化太快，实际物理系统是跟不上的，就会出现“控制器在输出高频分量、执行器在低通滤除、控制效果打折”的无奈局面。这时候要在控制律输出后加一个变化率限制模块，让控制量不会“瞬间跳变”。
4.4 参数整定中的几个常见惯性思维
我发现不少使用者容易掉进几个惯性思维的坑。第一个坑是照搬论文参数。论文里的w0和wc是基于特定的对象和采样时间，你的对象不一样，参数就必须重新整定。第二个坑是认为参数越多越好。其实在带宽法框架下，两个带宽就足够了，再加一堆非线性参数反而会让调试无从下手。第三个坑是忽略采样时间的影响。同一个控制器，在1kHz采样下表现正常，换到500Hz采样可能就震荡了，因为离散化带来的相位滞后变了，需要重新调w0和wc。
我在工具箱文档里专门加了一页“参数调整指南”，用表格对比了各种异常现象对应的调参方向，这比我给你一堆零零散散的建议要实用得多。比如：
| 现象 | 原因分析 | 调整方向 |
|---|---|---|
| 阶跃响应超调大 | wc过大 | 减小wc |
| 响应太慢 | wc过小 | 增大wc |
| 扰动抑制弱 | w0不够 | 增大w0 |
| 输出高频抖动 | w0过高或测量噪声大 | 降低w0或增加测量滤波 |
| 控制量饱和频繁 | b0偏大 | 减小b0 |
| 稳态误差明显 | ESO扰动补偿不足 | 检查b0或增加ESO增益 |
这张表我反复测试过，大部分调试卡住的情况都能在里面找到方向。
4.5 工具箱使用中的工程习惯建议
最后分享几个工具箱使用过程中养成的工程习惯，这些看起来都是小事，但能帮你少掉很多头发。
第一，每次仿真前先确认b0的值和方向正负号是否合理。符号错了，整个控制系统就反了，输出会像开飞机直接俯冲。第二，养成看“控制量曲线”的习惯，不要只盯着输出曲线。很多时候输出看着还行，但控制量早就饱和甚至畸变了，这种状态在工程上是不能接受的。第三，不要一上来就接真实硬件，先在Simulink里做一轮数字仿真，把参数大概范围定下来，再转到硬件上做微调。这样调试效率会高很多。
工具箱的存在不是为了“一键解决所有ADRC问题”，而是为了把重复的、容易出错的模块搭好、测好、注释好，让你把精力集中在真正需要思考的地方：怎么建模你的被控对象、怎么定义扰动的特点、怎么评价控制效果。这些才是做好控制的真正核心。
从我个人经验来看，ADRC工具箱最大的价值不是“自动调好所有参数”，而是大大缩短了从“想用ADRC”到“真正跑起来看效果”的距离。以前可能要花两三天才能搭好的仿真环境，现在十几分钟就能出第一版结果。希望这篇文章能帮你少走一些弯路，把时间花在更有价值的控制方案设计上。
本文还有配套的精品资源，点击获取
