优化光栅扫描与鲁棒PID控制：提升近场天线测量效率的关键技术

1. 项目概述与核心价值

在射频工程和天线设计领域，近场天线测量是一项基础且至关重要的技术。它通过在距离天线较近的平面上采集电磁场数据，再通过数学变换推算出远场辐射方向图。然而，这项技术的“阿喀琉斯之踵”在于其漫长的数据采集时间。传统的均匀采样方法，要求探头在密集的网格点上逐点停顿测量，整个过程耗时费力，严重制约了研发和测试效率。想象一下，你需要绘制一幅高分辨率的地形图，但你的画笔每移动一毫米就必须停下来记录一次数据——这就是传统近场扫描的困境。

问题的核心矛盾在于：为了获得精确的远场预测，理论上需要采集海量数据点；但硬件（如机械扫描架、矢量网络分析仪）的运动速度、加速度和测量延迟存在物理极限。如何在不牺牲精度的前提下，大幅压缩测量时间？这不仅仅是买一台更快的机器那么简单，它需要从采样策略和运动控制两个维度进行系统性优化。这正是我们这次要深入探讨的课题：将优化光栅扫描与鲁棒轨迹跟踪控制相结合，为近场测量系统注入“智慧”与“敏捷”。

简单来说，我们不再让探头笨拙地走遍每一个网格点。而是利用电磁场理论（奇异值优化，SVO），智能地计算出最“信息丰富”的少数采样点位置，形成一个稀疏的非均匀采样网格。接着，我们设计一个强大的“驾驶员”——基于PID的鲁棒控制器，让探头能够沿着连接这些稀疏点的复杂轨迹，以极高的动态性能（快速加速、减速、匀速）平滑、精确地运动。最终目标是在保证测量精度的同时，将扫描时间缩短一个数量级。这套方案的价值，对于天线研发、卫星载荷测试、雷达系统校准等需要频繁进行天线表征的场景而言，是革命性的。

2. 系统整体设计与思路拆解

要实现上述目标，我们需要一个协同工作的“双引擎”系统：一个负责“规划路线”（采样策略），另一个负责“精准驾驶”（运动控制）。两者并非孤立，而是深度耦合、相互成全。

2.1 优化光栅扫描：从“均匀普查”到“精准抽样”

传统近场扫描可以类比为在农田里进行均匀网格化普查，无论土地肥瘠，每个格子都要走到。而优化光栅扫描则像一位经验丰富的地质学家，他根据地形特征，只在关键位置（如山脊、谷地、矿脉露头）布设采样点，就能高效推断出整个区域的地质结构。

其理论基础是奇异值优化。我们将天线口径面的场分布，用一组完备的基函数（如扁球面波函数）展开。测量过程，本质上是通过探头在不同位置获取的有限个电压读数，来反推这些基函数的系数。这个过程可以抽象为一个线性方程b = A · α。其中，A矩阵描述了每个采样点位置对每个基函数的“敏感度”。SVO的核心思想是：通过优化采样点的位置（即优化矩阵A的结构），使其奇异值分布更集中、条件数更好。这意味着我们用更少的采样点（矩阵行数），就能获取足够重建天线远场方向图的信息，并且数值求解更稳定。

具体到光栅扫描，优化体现在两个层面：

1. 行间优化：确定哪些水平行需要测量。行与行之间的间距不再是固定的，而是根据场分布的变化快慢动态调整。在场变化剧烈的区域（如波束边缘），行间距较小；在变化平缓的区域，行间距可以拉大。
2. 行内优化：在每一行内，采样点也不是均匀分布的。同样根据该行上场分布的局部特征，在梯度大的地方密集采样，在平坦处稀疏采样。最终形成的采样网格是一个非均匀的矩形光栅。

这种稀疏性带来了巨大优势：探头在大部分时间不是在“测量”，而是在“赶路”。它为运动控制器创造了发挥空间——探头可以在两个采样点之间以允许的最大加速度和速度高速运动，仅在到达采样点前减速至测量所需的速度。

2.2 鲁棒轨迹跟踪控制：应对“不确定”的精准驾驶

规划好了稀疏的采样点，接下来就需要一条平滑的轨迹将它们串联起来，并控制探头精确跟踪。这里的挑战主要来自系统本身的不确定性：

• 模型不确定性：扫描机构的电机参数（如阻尼系数、力矩常数）、传动部件的摩擦、负载惯量等，很难精确建模。
• 外部扰动：电缆拖链的阻力变化、环境振动、测量系统电磁干扰等。
• 非理想执行器：真实的电机存在力矩饱和、响应延迟、齿槽效应等非线性特性。

因此，控制器不能是“温室里的花朵”，它必须是鲁棒的，即在上述不确定性和扰动下，依然能保证跟踪精度。论文中针对的是一类非常典型的三阶不确定非线性系统，其动力学方程可以简化为：ẏ = vv̈ + a₁(p)v̇ + a₂(p)v = b(p)u + f(t, y, v, p, d)其中，y是位置（输出），v是速度，u是控制输入（如电机电压），p代表不确定参数，d是外部扰动，f集总了所有未建模的非线性项和扰动。a₁, a₂, b是包含不确定性的系统参数。

控制目标是设计一个PID结合前馈补偿的控制律：u = Kp*e + Ki*∫e dt + Kd*ė + uc，使得跟踪误差e = r - y的绝对值最大值e_M小于一个预设的精度阈值。这里的uc是一个可选的补偿信号，用于抵消已知的非线性或扰动。

设计的精髓在于，论文提供了一套基于定理的设计方法。它首先将闭环误差系统转化为一个四阶线性微分方程。通过将闭环系统的极点配置在特定的左半平面位置（如-a₁/4附近），并利用附录中的引理进行范数分析，最终可以推导出跟踪误差上界H与控制器参数、系统不确定性边界之间的显式关系。这使得工程师可以像解方程一样，根据期望的精度（e_M），反推出所需的控制器增益Kp, Ki, Kd，或者判断是否需要引入前馈补偿uc来进一步压缩误差。

2.3 协同工作流：策略与控制的闭环

整个系统的工作流程形成了一个高效的闭环：

1. 任务输入：输入天线口径尺寸、工作频率、所需远场角度范围等指标。
2. 路径规划：SVO算法根据上述指标，计算出最优的稀疏采样点坐标集合{ (x_ij, y_i) }。
3. 轨迹生成：根据采样点序列，利用三次样条插值或通过一个四阶贝塞尔滤波器，生成一条位置(r)、速度(ṙ)、加速度(r̈)、加加速度(ṙ)均连续且光滑的参考轨迹r(t)。光滑的高阶导数对降低控制难度至关重要。
4. 实时控制：鲁棒PID控制器驱动扫描机构，使其实际位置y(t)紧密跟踪参考轨迹r(t)。控制器实时处理位置反馈，计算误差，并输出控制力，克服不确定性，使探头以“快-稳-准”的方式遍历所有采样点。
5. 数据采集：当探头运动到每个采样点并稳定在允许误差范围内时，触发矢量网络分析仪采集该点的场强数据。

3. 核心环节：鲁棒PID控制器设计与实现细节

理论很美，但落地是关键。下面我们拆解这个鲁棒PID控制器的设计步骤和实现要点。

3.1 系统辨识：了解你的“坐骑”

在设计控制器前，必须对受控对象（扫描机构）有一个基本的了解。我们需要通过实验辨识出系统参数a₁, a₂, b的名义值和不确定性区间。

• 阶跃响应法：给电机施加一个��跃电压，记录位置响应曲线。从曲线的上升时间、超调量、稳态值，可以初步估算系统的等效惯性、阻尼和增益。
• 频率响应法：注入不同频率的正弦扫频信号，分析系统的幅频和相频特性（伯德图）。这能更准确地获取系统的动态特性。
• 参数边界确定：考虑最坏情况，如负载最大/最小时、润滑条件变化时，重复上述测试，确定a₁ ∈ [a₁⁻, a₁⁺],a₂ ∈ [a₂⁻, a₂⁺],b ∈ [b⁻, b⁺]。这个区间是鲁棒性设计的依据。

实操心得：系统辨识的准确性直接决定控制器的保守程度。区间估得过大，控制器会过于“迟钝”；估得过小，则可能失稳。建议在典型的负载条件下进行多次辨识，取并集作为不确定性区间，并留有一定余量。

3.2 控制器参数计算：从精度指标到增益值

假设我们通过辨识，得到了系统参数的名义值ā₁, ā₂, b̄及其变化区间。我们的设计指标是：最大跟踪误差e_max_allowed。

1. 选择期望极点：根据定理2和3，我们可以选择闭环系统的期望极点配置。一种稳健的配置是让四个极点都为实数且相等，或为一对复共轭极点加两个实数极点。例如，令主导极点为s = -λ（λ > 0）。论文中建议的配置-ā₁/4, -ā₁/4(1-ε), -ā₁/4 ± jω是一种将极点与系统固有阻尼关联起来的方法，能提供良好的阻尼特性。
2. 计算标称增益：根据期望的特征多项式(s + λ)^4展开，与标称系统的闭环特征多项式系数联立：s⁴ + ā₁s³ + (b̄Kd + ā₂)s² + b̄Kps + b̄Ki = s⁴ + 4λs³ + 6λ²s² + 4λ³s + λ⁴由此可解出标称PID增益：Kp = 4λ³ / b̄Ki = λ⁴ / b̄Kd = (6λ² - ā₂) / b̄
3. 鲁棒性校验与迭代：将计算出的Kp, Ki, Kd代入包含参数区间的闭环多项式p(s, a₁, a₂, b)。利用MATLAB的fmincon等工具，或直接检查区间多项式族的赫尔维茨稳定性。同时，利用定理3中的公式(27)或(28)，计算在最坏参数组合下的误差上界H或Hp，再乘以扰动上界δ，得到最坏情况跟踪误差估计e_max_estimated。
4. 调整与补偿：
   • 如果e_max_estimated ≤ e_max_allowed，设计完成。
   • 如果e_max_estimated > e_max_allowed，有两种途径： a.增强反馈：增大λ（即让极点更负，系统响应更快），重新计算增益。但这可能导致控制量u过大，超出执行器饱和限。 b.加入前馈补偿uc：如果非线性f或参考轨迹的导数ṙ,r̈的主要部分可以估计，则设计uc如公式(29)所示。这相当于“开环”地抵消掉大部分已知的动态，让PID控制器只需要处理剩余的误差和不确定性，从而显著降低δ，减小跟踪误差。

3.3 前馈补偿的设计与实现

前馈补偿uc是提升性能的利器。对于我们的扫描系统，uc可以设计为：uc = [ r̈ + ā₁ṙ + ā₂r - f̂(t, y, v) ] / b̄其中，f̂是对非线性扰动（如库仑摩擦）的估计。一个简单的模型可以是f̂ = F_c * sign(v)，F_c为估计的库仑摩擦力矩。

注意事项：前馈补偿极度依赖模型的准确性。不准确的前馈（尤其是符号函数sign(v)在速度过零时）可能引入抖动。实践中，常采用连续化的摩擦模型，如双曲正切函数tanh(v/ε)来平滑过渡，其中ε是一个小常数。

3.4 离散化与数字实现

上述控制器是连续时间域的设计。在实际的嵌入式系统（如PLC、运动控制卡、单片机）中实现时，必须进行离散化。

1. 离散化方法：对于PID部分，常用方法有：

   • 位置式PID：u[k] = Kp*e[k] + Ki*T_s*∑e[i] + Kd*(e[k]-e[k-1])/T_s
   • 速度式PID：计算控制量的增量Δu[k]，对积分项和微分项进行改进，能有效防止积分饱和和设定值突变引起的微分冲击。 其中T_s为采样周期。对于前馈项uc，需要离散化参考轨迹的导数，可以通过存储前几个周期的r值进行数值差分得到，但更优的做法是直接在轨迹生成时计算出离散的ṙ[k],r̈[k]。

2. 采样周期选择：采样频率应至少是系统闭环带宽的10倍以上，通常需要达到几百Hz到1kHz。对于高速扫描系统，可能需要更高的采样率以确保稳定性。

3. 抗饱和处理：电机的电压或电流输出有限。必须设计抗积分饱和机制，当控制量达到限幅时，停止积分项的累加，防止“wind-up”现象导致系统恢复时的超调。

4. 优化扫描轨迹的生成与速度规划

有了强大的控制器，我们还需要一条“友好”的轨迹。轨迹生成的目标是：经过所有优化后的采样点，同时满足扫描机构的速度、加速度、加加速度（Jerk）限制。

4.1 基于样条插值的轨迹生成

采样点序列在空间上是离散且非均匀的。我们需要生成一条时间参数化的连续轨迹r(t)。三次样条插值是一个经典选择，它能保证位置和速度的连续性，但加速度可能不连续。对于高动态性能系统，我们更希望加速度甚至加加速度连续，以减少冲击和振动。

可以采用五次样条或贝塞尔曲线。论文中提到了使用四阶贝塞尔滤波器对一条分段常数或分段线性的速度指令ṙ(t)进行滤波，以生成光滑的r(t)。其状态空间形式如公式(16)所示。选择贝塞尔滤波器的原因是其具有最平坦的群延迟特性，滤波后的信号r(t)几乎是原信号ṙ(t)的一个纯延时版本（t_r = π/ω_b），波形失真小。

4.2 时间最优速度规划：七段S曲线

为了在两点间运动时间最短，我们需要进行时间最优的速度规划。论文中的定理1给出了在加速度和速度均有上限的情况下，运动一段距离S的最短时间T_m及其速度曲线。这实质上是七段S型速度曲线（Trapezoidal / S-Curve）的一个特例。

更通用的S曲线速度规划包含7个阶段：加加速、匀加速、减加速、匀速、加减速、匀减速、减减速。规划时需要约束最大速度v_max、最大加速度a_max、最大加加速度j_max。算法流程如下：

1. 根据S、v_max、a_max、j_max，判断是否能达到最大速度阶段。
2. 计算加速段（达到v_max或中途即需减速）所需的时间和位移。
3. 计算减速段对称的过程。
4. 计算匀速段的时间和位移。
5. 拼接各段，生成关于时间的速度曲线v(t)。
6. 对v(t)积分一次得到位置r(t)，微分一次得到加速度a(t)。

将每个采样点间的运动都进行这样的S曲线规划，然后平滑地连接起来，就得到了全局的参考轨迹r(t)、ṙ(t)、r̈(t)。控制器将跟踪这个r(t)。

4.3 轨迹与控制的接口：前瞻与预加载

在实时控制中，控制器不仅需要当前时刻的参考值r(t)，还需要未来一段时间内的参考值（速度、加速度）来进行前馈补偿。这需要轨迹生成模块能够提供轨迹前瞻功能。通常，我们可以预先计算好整个轨迹，并将其存入循环缓冲区。控制器在每个控制周期，不仅读取当前时刻的设定值，还根据当前速度“预读”未来几个毫秒的设定值，用于计算前馈项uc，这能显著提升跟踪精度。

5. 系统集成、调试与性能验证

将优化采样、轨迹规划和鲁棒控制集成到一个实际系统中，并验证其性能，是最后的临门一脚。

5.1 硬件系统构成

��个典型的近场扫描控制系统硬件包括：

• 机械部分：高精度二维或三维直角坐标机器人（Cartesian Robot），采用滚珠丝杠或直线电机驱动，配备高分辨率光栅尺或编码器作为位置反馈。
• 驱动部分：伺服驱动器、伺服电机（通常为永磁同步电机PMSM）。
• 控制部分：实时控制器（如NI CompactRIO、Beckhoff TwinCAT PLC、或高性能工控机+实时内核），运行控制算法。
• 测量部分：矢量网络分析仪，接收控制器的触发信号进行同步采集。
• 软件部分：上位机软件负责参数设置、SVO计算、轨迹规划、数据可视化和控制算法下载。

5.2 调试步骤与参数整定

1. 开环测试：首先在不闭合位置环的情况下，测试电机能否正常使能、驱动器参数是否合理、编码器反馈是否正确。
2. 内环调试：许多伺服系统允许进行电流环、速度环调试。先确保速度环响应快速且无超调，为外环（位置环）打下良好基础。
3. 外环调试（PID）：
   • 先P后I再D：先将Ki和Kd设为0，逐渐增大Kp，直到系统开始出现小幅持续振荡，此时记为Kp_u。初始Kp可取0.5 * Kp_u。
   • 引入积分Ki：逐渐增加Ki以消除静差，但注意观察是否引起超调或振荡加剧。通常Ki远小于Kp。
   • 引入微分Kd：最后加入Kd以抑制超调、提高稳定性。微分项对噪声敏感，实际中常配合一个低通滤波器使用。
   • 模型辅助整定：如果已完成系统辨识，可以直接使用第3.2节计算出的增益作为初值，进行微调。
4. 前馈调试：在PID调稳后，加入前馈补偿uc。先加入加速度前馈r̈/b̄，观察跟踪误差是否大幅减小。然后再加入速度前馈ā₁ṙ/b̄和摩擦补偿f̂/b̄。每一步加入后都需观察系统响应，避免过补偿。
5. 轨迹跟踪测试：让系统跟踪一个简单的正弦或S曲线轨迹，使用示波器或数据记录软件观察位置误差e(t)。调整控制参数，直到误差满足e_max_allowed要求。

5.3 性能评估指标

• 最大跟踪误差：整个扫描过程中，|e(t)|的最大值。这是最核心的指标，必须小于探头定位精度要求（通常为波长的十分之一量级）。
• 均方根误差：RMS(e)，反映整体跟踪精度。
• 轮廓误差：对于二维轨迹，实际路径与参考路径之间的法向距离。这比单轴的位置误差更能反映最终扫描路径的保真度。
• 扫描时间对比：在保证相同远场重建精度的前提下，对比优化扫描+鲁棒控制方案与传统均匀扫描方案的总耗时。
• 控制量饱和度：观察控制输出u(t)是否频繁饱和。频繁饱和意味着执行器能力达到极限，可能损害跟踪性能。

6. 常见问题、故障排查与进阶技巧

在实际部署中，你一定会遇到各种各样的问题。下面是一些典型问题及其解决思路。

6.1 跟踪误差始终偏大

• 可能原因1：模型辨识不准，不确定性区间设置过宽。导致控制器过于保守，响应慢。
  • 排查：检查辨识实验数据。尝试在标称参数附近收紧不确定性区间，重新设计控制器。观察误差是否改善。
• 可能原因2：存在未建模的非线性，如反向间隙、静摩擦。
  • 排查：让电机做低速正弦运动，观察位置误差是否在速度过零点处出现跳变。如果是，需要在模型中增加摩擦补偿项f̂，并采用连续化模型。
• 可能原因3：传感器噪声过大，导致微分项失效或引入高频噪声。
  • 排查：观察编码器原始读数或速度观测值。可以尝试对位置信号进行低通滤波后再用于反馈和微分。或者，如果速度v可测（如通过测速机），直接使用速度反馈代替位置微分。
• 可能原因4：轨迹的加加速度不连续，导致加速度指令突变，控制器无法跟上。
  • 排查：检查生成的r(t)的三阶导数（加加速度）曲线。采用更高阶的样条（如五次样条）或S曲线速度规划来保证加加速度连续。

6.2 系统在高速运行时发生振荡或失稳

• 可能原因1：采样频率过低。不满足香农采样定理，导致相位滞后严重。
  • 排查：检查控制器的实际循环时间。确保采样频率 > 10倍 * 期望的闭环带宽。对于高速系统，可能需要将控制周期缩短到100微秒甚至更短。
• 可能原因2：机械共振。扫描机构的固有频率被激发。
  • 排查：进行敲击测试，分析频率响应。在控制律中增加陷波滤波器，在共振频率点进行衰减。或者，降低轨迹的加速度/加加速度，避免激励该频段。
• 可能原因3：延迟过大。包括计算延迟、通信延迟（如编码器反馈到驱动器的延迟）、驱动器本身的延迟。
  • 排查：测量系统总延迟。可以在软件中发送一个阶跃指令，记录从指令发出到位置开始响应的时间差。在控制器设计中，将延迟环节e^{-τs}考虑进去，或使用史密斯预估器等补偿方法。

6.3 优化扫描的远场结果出现伪影

• 可能原因1：采样点过于稀疏，丢失了关键空间频率成分。
  • 排查：检查SVO算法中设定的截断误差或条件数阈值。适当增加采样点数量，重新优化。验证时，可以在少数关键位置增加一些验证采样点，看重建结果是否变化。
• 可能原因2：探头定位误差在稀疏采样下被放大。
  • 排查：确保跟踪误差e_max远小于采样点之间的最小距离。稀疏采样对绝对定位精度要求更高。需要重新校准机械系统的零点、正交度和比例因子。
• 可能原因3：探头补偿不准确。在稀疏采样下，探头对被测场的扰动影响可能需要更精确的模型。
  • 排查：确保使用的探头补偿算法（如平面波谱展开法）适用于非均匀采样网格。可能需要采用更通用的补偿方法。

6.4 进阶优化技巧

• 自适应前馈：摩擦等非线性会随温度、使用时间变化。可以设计在线参数辨识算法，实时更新前馈补偿模型中的参数（如F_c）。
• 迭代学习控制：对于重复执行的扫描任务（如生产线上的天线测试），可以在第一次扫描后记录下跟踪误差e(t)。在第二次扫描时，将上次的误差作为前馈量加入控制律，从而逐次迭代，消除重复性误差。
• 增益调度：如果扫描机构在不同负载、不同速度区间的动态特性差异很大，可以采用一组PID参数，根据当前的速度或位置进行平滑切换。
• 考虑执行器饱和的轨迹规划：在轨迹生成阶段，就将电机最大扭矩/电流约束考虑进去，规划出时间最优且可行的轨迹，从源头上避免控制量饱和。

将优化采样与先进运动控制相结合，是提升高端测量设备性能的必然趋势。这套方案的核心思想——用智能算法减少不必要的“工作量”，并用鲁棒控制以最高效的方式完成必要的工作——具有广泛的普适性，可以迁移到许多其他需要精密扫描和定位的领域，如光学检测、半导体加工、3D打印等。其成功的关键在于对“机”（被控对象）、“电”（驱动与传感）、“算”（控制与优化算法）三者的深刻理解与深度融合。