一阶线性自抗扰控制器（L_ADRC），支持算法，已封装调试简单。
在控制领域，我们总是在寻找高效、易用且性能出色的控制算法。一阶线性自抗扰控制器（L_ADRC）正是这样一款令人瞩目的存在，它不仅具备强大的支持算法，而且封装完善，调试过程十分简单。今天，就来深入聊聊这个神奇的控制器。
L_ADRC 简介
自抗扰控制技术（ADRC）是韩京清教授提出的一种新型控制策略，它不依赖于被控对象的精确模型，能够对系统内外部扰动进行实时估计和补偿。而一阶线性自抗扰控制器（L_ADRC）作为其中的基础版本，适用于一阶动态系统。
支持算法剖析
L_ADRC 主要基于扩张状态观测器（ESO）来估计系统的状态和总扰动。下面以一个简单的一阶系统y' = ay + bu + d（其中y是输出，u是输入，a、b是系统参数，d是扰动）为例，看看代码实现。
import numpy as np import matplotlib.pyplot as plt # 定义系统参数 a = -1 b = 1 # 定义ESO参数 beta01 = 100 beta02 = 200 # 定义控制器参数 kp = 10 def l_adrc(u, y, x1, x2, dt): # ESO更新 e = x1 - y x1 = x1 + dt * (x2 - beta01 * e) x2 = x2 + dt * (-beta02 * e) # 控制律 u0 = (kp * (0 - x1) - x2) / b return u0, x1, x2 # 仿真参数 t0 = 0 tf = 10 dt = 0.01 t = np.arange(t0, tf, dt) num_steps = len(t) # 初始化状态 y = np.zeros(num_steps) x1 = np.zeros(num_steps) x2 = np.zeros(num_steps) u = np.zeros(num_steps) # 设定初始值 y[0] = 1 x1[0] = 1 x2[0] = 0 for i in range(1, num_steps): u[i], x1[i], x2[i] = l_adrc(u[i - 1], y[i - 1], x1[i - 1], x2[i - 1], dt) y[i] = y[i - 1] + dt * (a * y[i - 1] + b * u[i]) # 绘图 plt.figure() plt.plot(t, y, label='系统输出y') plt.plot(t, u, label='控制输入u') plt.xlabel('时间 (s)') plt.legend() plt.grid(True) plt.show()代码分析
- 参数定义：
- 首先定义了系统参数a和b，它们描述了系统的动态特性。在这个例子里，a = -1和b = 1确定了一阶系统的基本形式。
- 接着是 ESO 参数beta01和beta02，这两个参数决定了扩张状态观测器对系统状态和扰动的估计速度和精度。数值越大，观测器响应越快，但可能对噪声更敏感。
- 控制器参数kp用于调节控制律的增益，它影响系统的跟踪性能。
- LADRC 函数：
-ladrc函数实现了 L_ADRC 的核心算法。
- 通过计算观测误差e = x1 - y，这里x1是观测器估计的系统输出，y是实际系统输出。
- 利用这个误差更新观测器的状态x1和x2，x1的更新考虑了误差和估计的扰动，x2进一步对扰动进行动态估计。
- 根据控制律u0 = (kp * (0 - x1) - x2) / b计算控制输入u0，这里的0表示期望的输出为 0，可以根据实际需求修改。
- 仿真部分：
- 设置仿真时间范围t0到tf，步长dt，并据此生成时间序列t。
- 初始化系统输出y、观测器状态x1和x2以及控制输入u的数组，并设定初始值。
- 通过循环调用l_adrc函数更新控制输入和观测器状态，同时根据系统动态方程更新系统输出。
- 绘图：
- 使用matplotlib库绘制系统输出y和控制输入u随时间的变化曲线，直观展示控制效果。
封装与调试的便利性
LADRC 的一大优势就是它的封装性。从上述代码可以看出，核心算法被封装在ladrc函数中，使用时只需传入相关参数和当前状态，就能获得控制输入。这使得在实际项目中，无论是简单的原型搭建还是复杂的系统集成，都能轻松上手。
调试方面，由于其算法结构相对清晰，参数物理意义明确。比如 ESO 参数beta01和beta02主要影响观测器性能，kp影响控制器的跟踪性能。通过简单调整这些参数，结合仿真结果或者实际运行数据，就能快速优化控制效果。
总之，一阶线性自抗扰控制器（L_ADRC）凭借其独特的支持算法、良好的封装性和简单的调试过程，在众多控制场景中都能发挥出色的作用，无论是初学者探索控制领域，还是工程师解决实际控制问题，它都是一个值得深入研究和使用的工具。
