自抗扰控制(ADRC)原理与工程实践：从PID局限到电机控制实例

1. 从PID到ADRC：为什么我们需要“自抗扰”？

如果你在工业控制、机器人或者电力电子领域摸爬滚打过一段时间，对PID控制器一定不会陌生。它结构简单，鲁棒性不错，是工程师们工具箱里的“瑞士军刀”。但用久了，你肯定也遇到过它的“脾气”：面对快速变化的设定值，超调量让你头疼；系统存在未知扰动时，需要反复调参才能勉强稳住；更别提那些非线性、强耦合的复杂对象，PID常常显得力不从心。这时候，你可能会听到一个词：自抗扰控制。

ADRC，全称Active Disturbance Rejection Control，中文名“自抗扰控制”，听起来就比PID“主动”得多。它不像PID那样，把系统内部未建模的动态和外部扰动都当作需要被动“抑制”的麻烦，而是换了个思路：我把所有“不知道的”、“不确定的”东西，统统打包成一个总扰动，然后实时地把它“观测”出来，再“补偿”掉。这个思想，就像给控制系统装上了一双“眼睛”和一个“补偿器”，让它能“看见”并主动对抗干扰，而不是等干扰产生了影响再去“亡羊补牢”。

我第一次接触ADRC是在一个伺服电机的位置跟踪项目里。传统的PID+前馈控制，在面对负载突变和摩擦力非线性变化时，跟踪误差会瞬间变大，需要很保守的增益来保证稳定，牺牲了动态性能。引入ADRC框架后，最直观的感受是：控制器“聪明”了。它不再仅仅依赖误差的比例、积分、微分，而是通过一个叫做“扩张状态观测器”的核心部件，实时估算出包括负载转矩变化、摩擦力、模型误差在内的总扰动，并予以抵消。调试过程从“盲人摸象”般的参数试凑，变成了更有逻辑的带宽整定。当然，ADRC不是银弹，它有自己的“脾气”和适用边界，但理解它，无疑是打开现代鲁棒控制思想的一扇重要窗户。

2. ADRC的核心三件套：TD、ESO与NLSEF

自抗扰控制器的结构清晰，主要由三个部分组成：跟踪微分器、扩张状态观测器和非线性状态误差反馈控制律。这三者协同工作，构成了ADRC区别于传统方法的骨架。

2.1 跟踪微分器：为指令“整形”

在PID控制中，我们常常直接使用阶跃信号作为设定值。但对于一个物理系统，瞬间的阶跃变化意味着需要无穷大的加速度或力，这在实际中不可能实现，强行跟踪必然导致超调和振荡。TD的作用就是为参考输入信号安排一条合理、光滑的过渡轨迹。

你可以把TD理解为一个“运动规划器”。它接收一个跳变的指令信号v（比如从位置A到位置B），然后输出两个信号：一个是安排后的过渡信号v1，这个信号是光滑的，其变化率是有限的；另一个是v1的微分信号v2。v1用来替代原始指令作为被控对象的跟踪目标，v2则可以作为前馈信号使用。

最经典的TD由韩京清研究员提出，其离散形式如下：

function [v1, v2] = TD(v, h, r, h0) % v: 输入指令 % h: 积分步长 % r: 速度因子，决定跟踪快慢 % h0: 滤波因子，决定光滑程度 fh = fhan(v1 - v, v2, r, h0); v1 = v1 + h * v2; v2 = v2 + h * fh; end function fh = fhan(x1, x2, r, h0) d = r * h0; d0 = h0 * d; y = x1 + h0 * x2; a0 = sqrt(d*d + 8*r*abs(y)); a = if abs(y) > d0 then (sign(y)*(a0-d)/2) else (x2 + y/h0); fh = -r * if abs(a) > d then sign(a) else a/d; end

这里的fhan是一个最速控制综合函数，它保证了v1能以最快速度无超调地跟踪v。参数r越大，跟踪速度越快；h0越大，滤波效果越强，输出越光滑。TD的引入，从根本上避免了因设定值突变引起的控制器输出饱和与系统冲击，是提升控制品质的第一步，也是常被初学者忽略的一步。

2.2 扩张状态观测器：系统的“透视眼”

ESO是ADRC的灵魂，也是其“自抗扰”能力的来源。它的核心思想非常巧妙：将系统内部未建模动态和外部未知扰动，统一视为一个作用于系统的“总扰动”，并将这个总扰动作为系统的一个新的扩张状态变量进行观测。

考虑一个常见的二阶系统（很多工程对象可简化为二阶）：ẍ = f(x, ẋ, w(t), t) + b * u其中，f(·)包含了已知/未知的系统动态和外部扰动w(t)，b是控制增益（可能已知或未知）。

ESO的做法是，令x3 = f(·)作为一个新的状态，将原系统扩张为：ẋ1 = x2ẋ2 = x3 + b * uẋ3 = ḟ（假设扰动变化率有界）

然后，我们为这个扩张后的系统设计一个状态观测器（通常采用龙伯格观测器结构），来同时观测原系统状态x1（位置），x2（速度）以及这个代表总扰动的扩张状态x3。

一个典型的线性ESO（LESO）的离散实现如下：

function [z1, z2, z3] = LESO(y, u, h, beta01, beta02, beta03, b0) % y: 系统输出测量值 (x1) % u: 控制输入 % h: 采样时间 % beta01, beta02, beta03: 观测器增益 % b0: 控制增益b的估计值 e = z1 - y; % 观测误差 fe1 = fal(e, 0.5, delta); % 非线性函数，线性ESO中可简化为e fe2 = fal(e, 0.25, delta); % 状态更新（欧拉法） z1 = z1 + h * (z2 - beta01 * e); z2 = z2 + h * (z3 + b0 * u - beta02 * fe1); z3 = z3 + h * (-beta03 * fe2); end

观测器增益beta需要配置，通常将其极点配置在同一个位置-ω_o（观测器带宽），则有beta01=3ω_o, beta02=3ω_o^2, beta03=ω_o^3。ω_o越大，观测器收敛越快，对扰动的估计也越及时，但对测量噪声也越敏感，需要在性能与鲁棒性之间折衷。

最终，z1和z2分别是系统状态x1和x2的观测值，而z3就是对总扰动f(·)的实时估计值。有了这个估计值，我们就可以在控制律中将其抵消。

2.3 非线性状态误差反馈：简洁有力的控制律

在PID中，控制量是误差的比例、积分、微分项的线性加权和。在ADRC的早期形式中，韩京清研究员提出用非线性函数fal(e, α, δ)来代替线性增益，构成非线性状态误差反馈律（NLSEF），旨在获得“小误差大增益，大误差小增益”的非线性特性，提高响应速度的同时抑制超调。

fal函数定义如下：

function f = fal(e, alpha, delta) if abs(e) <= delta f = e / (delta^(1-alpha)); else f = (abs(e)^alpha) * sign(e); end end

其中，0 < alpha < 1，delta > 0。当误差e很小时，函数呈现大增益线性特性；当误差e较大时，呈现小增益非线性特性。

那么，结合TD和ESO，NLSEF的控制量计算为：e1 = v1 - z1（安排后指令与观测位置的误差）e2 = v2 - z2（指令微分与观测速度的误差）u0 = β1 * fal(e1, α1, δ) + β2 * fal(e2, α2, δ)（初步控制量）

最后，利用ESO观测到的总扰动z3进行补偿，得到最终的控制量：u = (u0 - z3) / b0

这一步是ADRC的精髓：u0是基于“理想无扰动模型”计算出的控制力，而z3是观测到的实际扰动，(u0 - z3)就意味着用控制力去抵消扰动，剩下的部分u0才真正用于驱动系统跟踪指令。由于z3实时变化，这种补偿是动态的、自适应的。

在实际工程中，为了简化参数整定，线性组合（即α1=α2=1，fal退化为线性）配合线性ESO（LADRC）的应用更为广泛，其性能已经能在大多数场景下令人满意。

3. 从理论到代码：一个电机电流环的LADRC实例

理论说得再多，不如一行代码来得实在。我们以一个最典型的应用场景——永磁同步电机的电流环控制为例，看看如何用MATLAB/Simulink实现一个线性ADRC。电流环是电机控制的内环，要求响应快、抗扰动能力强（对抗反电动势、电阻电感参数变化等），是ADRC大显身手的地方。

假设我们的被控对象是电机的q轴电流回路，其近似模型为一阶惯性环节：G(s) = I_q(s) / U_q(s) = 1 / (L s + R)其中，L是电感，R是电阻。在实际中，L和R会随温度、磁饱和而变化，反电动势、逆变器非线性等也会作为扰动出现。我们可以将其写为状态空间形式：di/dt = -(R/L) * i + (1/L) * u + d(t)令a = -R/L,b = 1/L，则di/dt = a * i + b * u + d(t)。这里d(t)就包含了模型误差和外部扰动。

3.1 一阶系统的线性ADRC设计

对于一阶系统，我们设计一个二阶ESO（因为要扩张一个状态来观测总扰动）。令x1 = i（电流），x2 = f（总扰动，包含a*i和d(t)），则扩张系统为：ẋ1 = x2 + b * uẋ2 = ḟ设计龙伯格观测器，其连续时间形式为：ż1 = z2 + b0*u + β1*(i - z1)ż2 = β2*(i - z1)其中，z1是电流观测值，z2是总扰动观测值，b0是b的估计值（1/L的标称值）。将观测器极点配置在-ω_o，则有β1 = 2ω_o,β2 = ω_o^2。

控制律非常简单：u0 = kp * (i_ref - z1)（i_ref为电流参考值，来自速度环）u = (u0 - z2) / b0

看，这就是一阶LADRC的全部。它甚至比PI控制器还简单，只有一个控制器增益kp和一个观测器带宽ω_o需要调节。

3.2 MATLAB函数实现

下面是一个用于离散系统（数字控制）的S函数或MATLAB Function模块的实现示例：

function u = ADRC_Current_Loop(i_ref, i_meas, h, omega_o, kp, b0) % i_ref: 电流参考值 % i_meas: 电流测量值 % h: 控制周期（秒） % omega_o: 观测器带宽 (rad/s) % kp: 控制器比例增益 % b0: 控制增益估计值 persistent z1 z2; % 声明为持久变量，保持状态 if isempty(z1) z1 = 0; z2 = 0; % 初始化 end % 1. 计算观测器增益 beta1 = 2 * omega_o; beta2 = omega_o * omega_o; % 2. ESO状态更新（前向欧拉离散化） e = z1 - i_meas; z1 = z1 + h * (z2 + b0 * u_prev - beta1 * e); % 注意这里用上一拍的u z2 = z2 + h * (-beta2 * e); % 3. 控制律计算 e_control = i_ref - z1; % 使用观测状态而非直接测量，有滤波效果 u0 = kp * e_control; u = (u0 - z2) / b0; % 4. 限幅（实际驱动器有电压限制） u_max = 12; % 假设母线电压12V u_min = -12; u = min(max(u, u_min), u_max); u_prev = u; % 为下一拍ESO计算保存 end

几个关键实操细节：

1. 离散化：上述代码使用了前向欧拉法，简单但稳定性稍差。对于高精度或长采样周期，建议使用更精确的方法如双线性变换（Tustin）来离散化连续ESO方程。
2. u_prev的使用：在ESO的z1更新方程中，我们使用了上一控制周期的u。这是因为在数字控制中，当前周期计算出的u在本周期内还未来得及作用于对象并产生新的测量值i_meas。这是一种典型的处理方式。
3. 观测状态反馈：控制误差e_control使用的是i_ref - z1，而非i_ref - i_meas。z1是ESO观测出的状态，它本身已经对测量噪声有一定的滤波作用，这比直接使用可能含有噪声的测量值更优。
4. 参数整定：b0取标称值1/L_nominal。ω_o通常设为(3~10)*ω_c，其中ω_c是你期望的闭环带宽。kp可近似按ω_c来选，对于一阶系统，kp ≈ ω_c。调试时，先调ω_o使扰动观测快速且平稳，再调kp满足动态性能。

3.3 在Simulink中搭建与调试

在Simulink中，你可以将上面的代码封装成一个MATLAB Function模块。然后构建一个简单的测试模型：

Ref Signal (Step) --> ADRC模块 --> Plant (1/(Ls+R)) --> Scope (输出电流) ↑ | |------------------------------| (反馈电流)

在Plant模块中，可以加入一个阶跃信号作为负载扰动，或者让L、R参数缓慢变化，来测试ADRC的抗扰能力。

调试心得：

• 观测器带宽ω_o是双刃剑：调得过高，z2（扰动估计）会高频抖动，可能将测量噪声放大引入控制量；调得过低，扰动估计滞后，补偿效果差。一个实用的方法是：先给一个适中的ω_o，观察z2的波形，它应该能平滑地跟踪上实际扰动的变化趋势。如果噪声大，就降低ω_o或在前级加入低通滤波（但会引入相位滞后）。
• b0不准的影响：b0是控制增益的估计值。如果b0大于真实b，则补偿项z2/b0会偏小，导致扰动抵消不完全；如果b0小于真实b，则补偿过度，可能引起振荡。ADRC对b0的精度要求并不苛刻，通常有 ±20%-50% 的误差仍能稳定工作，这是其鲁棒性的体现。但为了最佳性能，应尽量准确。
• 与PI对比：在同样的带宽要求下，ADRC的阶跃响应超调通常更小，恢复时间更短，尤其是在存在扰动时。你可以同时搭建一个PI控制器进行对比，PI的参数可以用零极点对消或经验公式来整定，使其闭环带宽与ADRC的ω_c大致相当。

4. 参数整定：从玄学到科学

ADRC的参数比PID少，但整定逻辑不同，初学者可能觉得无从下手。其实，对于线性ADRC，有一套相对系统的带宽参数化方法，让整定变得有章可循。

4.1 带宽参数化法

对于前面提到的二阶系统LADRC（针对位置控制等），其标准形式通常有三个参数：控制器带宽ω_c、观测器带宽ω_o和控制增益估计值b0。

1. 确定b0：这是最物理的一个参数。它就是你的控制输入到系统输出的近似增益。例如，对于电机位置控制，u是电压，输出是角度，那么b0可以粗略估计为(Kt / J)，其中Kt是转矩常数，J是转动惯量。取标称值即可，即使有误差，ESO也能在一定程度上补偿。

2. 确定ω_c：这取决于你期望的闭环系统响应速度。ω_c越大，响应越快，但控制量需求越大，对噪声也越敏感。一个经验法则是，ω_c可以取为系统开环带宽的 3~5 倍，但不能超过你执行器（如电机、阀门）的物理响应能力或采样频率的1/10（尼奎斯特限制）。例如，对于一个响应较慢的温度系统，ω_c可能只有 0.1 rad/s；对于一个快速的电流环，ω_c可以达到 1000 rad/s 以上。

3. 确定ω_o：观测器需要比控制器更快地估计出状态和扰动，才能提供及时的补偿。通常，ω_o取(3~10) * ω_c。这个比例因子需要权衡：

   • 抗扰性能：ω_o越大，扰动估计越快，抗扰能力越强。
   • 噪声抑制：ω_o越大，观测器对测量噪声越敏感，z2会抖动，可能将噪声放大后注入控制量。
   • 鲁棒性：ω_o过大可能降低观测器对模型不确定性的鲁棒性。

一个经典的调试流程是：a. 固定一个适中的ω_o/ω_c比例，比如 5。 b. 从小到大调节ω_c，观察系统跟踪响应，直到达到满意的速度（如上升时间）。 c. 保持ω_c不变，调节ω_o。增加ω_o，观察系统在施加扰动（如负载突变）后的恢复速度；同时观察控制量u的波形，如果出现高频毛刺，说明ω_o太高，引入了噪声。 d. 微调b0。如果发现系统在扰动下存在稳态误差或轻微振荡，可以适当增大或减小b0（通常在 ±30% 范围内调整）。

4.2 整定中的常见问题与对策

1. 系统振荡甚至发散：

   • 可能原因1：ω_c过高，超出了被控对象能响应的带宽。对策：降低ω_c。
   • 可能原因2：ω_o过高，且测量噪声大，导致观测器失稳或控制量高频振荡。对策：降低ω_o，或在反馈通道中加入一阶低通滤波器1/(τs+1)，τ取1/(5~10*ω_o)。
   • 可能原因3：b0严重偏离真实值（例如差一个数量级）。对策：重新估算b0。可以通过阶跃响应测试，b0 ≈ Δy / (Δu * T)，其中Δy是输出变化，Δu是输入阶跃，T是近似时间常数。

2. 抗扰效果不明显：

   • 可能原因1：ω_o过低，扰动估计太慢，补偿滞后。对策：提高ω_o。
   • 可能原因2：b0过大，导致补偿量z2/b0太小。对策：适当减小b0。
   • 可能原因3：扰动变化过快，超出了观测器带宽。对策：如果可能，提高ω_o；如果受限于噪声，则需从硬件或源头降低扰动频率。

3. 响应速度慢：

   • 可能原因1：ω_c过低。对策：提高ω_c。
   • 可能原因2：ω_o过低，导致状态观测z1滞后，使得基于z1的误差计算不准确。对策：提高ω_o。

我的个人经验是，对于大多数工业过程，可以先从ω_o = 5 * ω_c开始。ω_c的初始值可以设为系统所需上升时间t_r对应的频率，粗略估计为ω_c ≈ 2π / t_r。然后遵循“先调观测器，再调控制器”的原则，优先保证观测器能稳定、平滑地估计出状态和扰动，再调整控制器增益来满足动态性能。

5. 进阶话题：当ADRC遇到现实挑战

理论分析和仿真都很美好，但把ADRC部署到真实的电机驱动器、机械臂或化工过程中，会遇到一系列仿真中不曾出现的问题。

5.1 测量噪声与ESO的滤波特性

ESO本身就是一个状态观测器，它天然地对测量噪声有一定的滤波作用，因为观测器方程可以看作是一个动力系统，其带宽ω_o决定了其通过高频信号的能力。但这不是万能的。当传感器噪声较大，特别是噪声频率接近或高于ω_o时，z2（扰动估计）会严重失真，高频噪声会被放大并注入控制量u，可能激发系统未建模的高频动态，甚至导致硬件损坏。

解决方案：

• 降低ω_o：最直接的方法，但牺牲了扰动估计速度。
• 前置滤波器：在测量信号y进入ESO之前，加一个一阶低通滤波器1/(τs+1)。τ的选择很关键，τ太大会引入相位滞后，影响观测和控制性能；τ太小滤波效果差。通常τ取1/(5~10*ω_o)，这样滤波器的截止频率远高于观测器带宽，相位滞后较小。注意，这个滤波器是物理信号调理的一部分，需要在设计ESO时将其动态考虑进去，或者将其近似为纯延时，在控制器设计时预留相位裕度。
• 改进ESO结构：可以采用降阶ESO，或者设计带噪声统计特性的卡尔曼滤波器形式的ESO，但这会大大增加复杂性。

5.2 采样延迟与计算延迟

在数字控制中，从信号采样、算法计算到PWM更新，存在不可避免的延迟。通常至少有一个控制周期T_s的延迟。这个延迟会降低相位裕度，尤其在高带宽 (ω_c) 时影响显著，可能导致系统不稳定。

影响与对策：

• 对ESO的影响：延迟使得观测器基于“过时”的信息进行预测，降低了观测精度。在离散化ESO方程时，采用更精确的方法（如零阶保持器离散化）比简单的欧拉法更能反映连续特性。在代码实现中，如前所述，使用上一拍的u来更新当前状态，就是一种对计算延迟的补偿。
• 对控制性能的影响：延迟限制了可实现的控制带宽。经验上，ω_c应小于1/(10*T_s)以保证足够的稳定裕度。如果系统要求高带宽，就必须使用更快的处理器，缩短T_s。
• 补偿方法：可以在控制律中引入史密斯预估器来补偿已知的固定延迟，但这会进一步增加复杂度。对于ADRC，更务实的做法是在设计带宽时，就为延迟留出足够的裕量。

5.3 控制量饱和与抗积分饱和

ADRC的控制律u = (u0 - z2)/b0是瞬时计算的，没有积分项，因此理论上不存在PID中的积分饱和问题。但是，当u0很大（例如设定值大幅跳变）或z2很大（巨大扰动）时，计算出的u可能超出执行器（如电机驱动器、阀门）的物理限幅[u_min, u_max]。

饱和带来的问题：

• 扰动估计失真：ESO的更新依赖于控制输入u。如果实际执行的是饱和后的u_sat，而ESO模型里用的却是计算出的未饱和的u，就会导致ESO的模型与实际过程不匹配，z2的估计会产生偏差，甚至发散。
• 解决方案——“Clamping”技术：这是处理饱和问题的标准方法。在ESO的更新方程中，不使用计算出的理想控制量u，而使用经过限幅后的实际施加于对象的控制量u_sat。修改前面的代码：

% ... 计算 u ... u = (u0 - z2) / b0; u_sat = min(max(u, u_min), u_max); % 实际执行的控制量 % ESO更新时使用 u_sat z1 = z1 + h * (z2 + b0 * u_sat - beta1 * e); z2 = z2 + h * (-beta2 * e);

这个简单的改动，保证了ESO的模型始终与真实被控对象“同步”，是工程实现中至关重要的一步。

5.4 非线性与时变对象的适应性

ADRC的核心优势在于其将非线性、时变特性都视为“总扰动”的一部分进行观测和补偿。但这并不意味着它是万能的。

• 对于严重非线性：如果非线性特性（如死区、滞环、库伦摩擦）是快变的，其微分ḟ很大，这就要求ESO的带宽ω_o非常高才能跟上，可能不现实。此时，最好采用前馈补偿或基于模型的补偿先消除主要的非线性，再用ADRC处理残余扰动和不确定性。例如，对于已知的库伦摩擦，可以加入基于速度符号的补偿力。
• 对于参数慢时变：ADRC通常能很好地处理。因为ESO会持续地估计出由参数变化引起的扰动。
• 对于控制增益b的时变：这是ADRC的一个弱点。b0是固定值，如果真实的b变化很大，补偿公式u = (u0 - z3)/b0就不再准确。一种自适应思路是在线辨识b的变化，但会显著增加复杂度。在实践中，如果b的变化范围已知（例如，电机电感随电流变化 ±30%），可以取一个折中的b0，ADRC通常仍能保持稳定，但性能会有所下降。

6. 工程实践中的选择：LADRC vs. NLADRC vs. PID

面对一个具体项目，该如何选择？这里谈谈我的看法。

• PID：仍然是首选，如果系统相对简单、线性、扰动可测或模型已知。它的优势是简单、直观、工程师熟悉、几乎所有硬件平台都有现成库。当性能要求不是极端，且你有时间精细调参时，PID往往够用。

• 线性ADRC：当你面临模型不确定、有未知扰动、且希望减少调参工作量时，LADRC是一个强有力的升级选项。它只有ω_c,ω_o,b0三个核心参数，物理意义相对明确。对于大多数工业应用（电机控制、运动控制、过程控制），LADRC的性能提升已经非常显著，且易于实现和调试，是我最推荐的形式。

• 非线性ADRC：保留了原始的非线性fal函数和TD。理论上在过渡过程安排和误差处理上更优。但参数更多（α1, α2, δ, r, h0, β...），整定更复杂，对计算资源要求也稍高。除非你对超调、过渡过程有极致要求，并且有足够的经验和时间进行参数整定，否则NLADRC的性价比不如LADRC。在很多应用中，用线性TD（即一个二阶或三阶线性滤波器）代替非线性TD，用线性反馈代替NLSEF，得到的性能与NLADRC相差无几，但复杂度大大降低。

选型建议流程图：

问题：需要控制一个存在未知扰动/模型不确定的系统？ | |--是--> 系统动态是否相对平缓，且对超调无极端要求？ | | | |--是--> 优先尝试 **PID + 前馈/扰动观测**。简单可靠。 | | | |--否--> 系统阶数是否明确（一阶、二阶为主）？ | | | |--是--> 首选 **线性ADRC (LADRC)**。参数少，性能提升明显。 | | | |--否--> 系统是否为高阶、强非线性？ | | | |--是--> 考虑将系统解耦为多个一阶/二阶子系统，分别用ADRC控制。 | | 或者，投入资源进行系统辨识和模型化，再设计高级控制器。 | | | |--否--> （对于有经验的开发者）可尝试 **非线性ADRC**，追求极限性能。 | |--否--> 模型已知且准确，扰动可测？ --> 使用基于模型的控制（如状态反馈、MPC等）。

最后，我想强调的是，ADRC是一种优秀的控制思想，但它不是要完全取代PID。它为我们提供了一种处理不确定性和扰动的新范式。在实际项目中，我常常采用一种“渐进”策略：先用PID实现基本功能，如果性能不满足，特别是抗扰性差，再考虑引入LADRC来替换内环（如电流环、速度环）的PID控制器，往往能取得事半功倍的效果。理解其原理，掌握其实现和调试方法，能让你的控制工具箱里多一件应对复杂局面的利器。