探索二阶非线性自抗扰控制器（ADRC）
二阶非线性自抗扰控制器（ADRC）,用的模块搭建的，控制简单二阶传递函数，可以联合粒子群在线优化自抗扰参数（但粒子群不包含在这里面）。
在控制领域，二阶非线性自抗扰控制器（ADRC）以其独特的优势逐渐崭露头角。今天咱们就来聊聊基于模块搭建，用于控制简单二阶传递函数的 ADRC。
二阶传递函数
首先，我们得了解一下要控制的对象 - 简单二阶传递函数。一般形式为：
\[ G(s) = \frac{\omegan^2}{s^2 + 2\zeta\omegan s + \omega_n^2} \]
这里，\(\omega_n\) 是自然频率，\(\zeta\) 是阻尼比。这两个参数决定了系统的动态特性。比如在 Python 中，我们可以简单模拟这个传递函数的响应：
import control import matplotlib.pyplot as plt # 定义二阶系统参数 wn = 1.0 # 自然频率 zeta = 0.707 # 阻尼比 num = [wn**2] den = [1, 2*zeta*wn, wn**2] sys = control.TransferFunction(num, den) # 计算阶跃响应 t, y = control.step_response(sys) # 绘制响应曲线 plt.plot(t, y) plt.xlabel('Time (seconds)') plt.ylabel('Response') plt.title('Step Response of Second - Order System') plt.grid(True) plt.show()这段代码使用了control库，先定义了二阶系统的分子分母多项式系数，然后通过TransferFunction创建系统对象，接着用step_response计算阶跃响应，最后绘制出响应曲线。从曲线我们能直观看到系统的动态变化。
二阶非线性自抗扰控制器（ADRC）模块搭建
ADRC 主要由跟踪微分器（TD）、扩张状态观测器（ESO）和非线性状态误差反馈控制律（NLSEF）组成。
跟踪微分器（TD）
TD 的作用是安排过渡过程，并提取输入信号的微分。其离散形式可以表示为：
\[ \begin{cases}
x{1}(k + 1) = x{1}(k) + hx_{2}(k) \\
x{2}(k + 1) = x{2}(k) + hfst(x{1}(k) - v(k), x{2}(k), r, h_{0})
\end{cases} \]
这里v(k)是输入信号，r是速度因子，h是采样周期，h0是滤波因子，fst是非线性函数。
def fst(x1, x2, r, h0): d = r * h0 d0 = h0 * d y = x1 + h0 * x2 a0 = (d**2 + 8 * r * abs(y))**0.5 if abs(y) <= d0: a = x2 + 0.5 * (a0 - d) * (y / abs(y)) else: a = x2 + (y / abs(y)) * (y - d0) / h0 fval = -r * (a / d) if abs(a) <= d else -r * (a / abs(a)) return fval # TD 实现 def TD(v, r, h, h0, x1_prev, x2_prev): x1 = x1_prev + h * x2_prev x2 = x2_prev + h * fst(x1 - v, x2_prev, r, h0) return x1, x2在这段代码中，我们先定义了fst函数，根据公式计算其值，然后在TD函数中实现了跟踪微分器的离散迭代过程。
扩张状态观测器（ESO）
ESO 用于估计系统的状态和总扰动。离散形式如下：
\[ \begin{cases}
z{1}(k + 1) = z{1}(k) + h(z{2}(k) - \beta{01}e(k)) \\
z{2}(k + 1) = z{2}(k) + h(z{3}(k) - \beta{02}\text{fal}(e(k), \alpha{1}, \delta) + b{0}u(k)) \\
z{3}(k + 1) = z{3}(k) - h\beta{03}\text{fal}(e(k), \alpha{2}, \delta)
\end{cases} \]
其中，e(k) = y(k) - z1(k)，fal是非线性函数。
def fal(e, alpha, delta): if abs(e) <= delta: return e / (delta**(1 - alpha)) else: return abs(e)**alpha * (e / abs(e)) # ESO 实现 def ESO(y, u, b0, beta01, beta02, beta03, alpha1, alpha2, delta, h, z1_prev, z2_prev, z3_prev): e = y - z1_prev z1 = z1_prev + h * (z2_prev - beta01 * e) z2 = z2_prev + h * (z3_prev - beta02 * fal(e, alpha1, delta) + b0 * u) z3 = z3_prev - h * beta03 * fal(e, alpha2, delta) return z1, z2, z3这里先定义了fal函数，再在ESO函数中按照公式进行 ESO 的迭代计算。
非线性状态误差反馈控制律（NLSEF）
NLSEF 根据跟踪微分器的输出和扩张状态观测器的估计值生成控制量。
\[ u0(k) = \text{fal}(v1(k) - z1(k), \alpha{3}, \delta{1}) + \text{fal}(v2(k) - z2(k), \alpha{4}, \delta_{2}) \]
\[ u(k) = \frac{u0(k) - z3(k)}{b_{0}} \]
# NLSEF 实现 def NLSEF(v1, v2, z1, z2, z3, b0, alpha3, alpha4, delta1, delta2): u0 = fal(v1 - z1, alpha3, delta1) + fal(v2 - z2, alpha4, delta2) u = (u0 - z3) / b0 return u这段代码依据公式计算出控制量u。
通过将这些模块组合起来，我们就搭建好了用于控制简单二阶传递函数的二阶非线性自抗扰控制器。虽然粒子群在线优化自抗扰参数不在本次讨论范围内，但 ADRC 本身已经展现出强大的控制能力。通过合理调整各个模块的参数，能让系统达到良好的控制效果。
希望通过这篇博文，大家对二阶非线性自抗扰控制器基于模块搭建控制简单二阶传递函数有更清晰的认识。在实际应用中，根据不同的需求和系统特性，还可以进一步优化和调整这些模块。