【自抗扰控制ADRC】跟踪微分器

---

---

何为跟踪微分器（TD）

跟踪微分器顾名思义，包含了跟踪和微分两个部分。

• 跟踪 t
  就是一个对输入信号以某种手段延迟输出的环节 。

在做一些控制时，通常不希望输入信号出现阶跃的情况，这会在系统中产生一定扰动，因此通常会用一种 " 斜坡算法 "使输入信号变得更平缓。这在变化的输入信号中体现出平滑滞后的效果，看起来像是经过这一 “斜坡算法” 的输出信号在跟踪输入信号。

• 微分 d
  微分是指跟踪信号微分后的信号，代表着跟踪信号的变化率。

微分可以理解成变化速度，当我们想要快速精准到达目标信号时，既要保证快速，也要保证精准。而这两者通常是相悖的，快速往往伴随着超调（刹不住车）。因此如果能把握好速度的快慢，在离得远时加速，在快要到达时减速，就可以避免刹不住车的情况。

线性跟踪微分器（LTD）数学描述

• 建立线性状态方程，其中状态变量为 $\vec{x}=\left[\begin{array}{c}{x}_1\\ x_2\end{array}\right]=\left[\begin{array}{c}t\\ d\end{array}\right]$，输入信号为$u$，其状态方程为
  $$\begin{gathered} \overrightarrow{x^{\prime }}=A\vec{x}+Bu \\ \vec{y}=\vec{x} \end{gathered}$$
  在自动控制理论中，常见的LTD是临界阻尼的二阶惯性环节， 其传递函数表示为
  $$\frac{Y(s)}{U(s)}=G(s)=\frac{r^2}{s^2+2rs+r^2}$$
  其中$r$是自然频率；
  将输入信号$u$和输出信号$t$代进惯性环节，可以得到：
  $$t^{\prime \prime }+2r{t}^{\prime }+r^{2}t=r^{2}u$$
  又$t^{\prime }=d,t^{\prime \prime }=d^{\prime }$，代入上式可以得到：
  $$\begin{gathered} d^{\prime }+2rd+r^2(t-u)=0 \\ \to d^{\prime }=-2rd-r^2(t-u) \\ \to d^{\prime }=-r^{2}t-2rd+r^{2}u \end{gathered}$$
  又$d^{\prime }=x_2^{\prime },d=x_2$，代入到状态方程中，可以得到矩阵$A,B$为：
  $$\begin{gathered} A=\left[\begin{array}{cc}0& 1\\ -r^2& -2r\end{array}\right] \\ B=\left[\begin{array}{c}0\\ r^2\end{array}\right] \end{gathered}$$
  整理后，得到
  $$\begin{gathered} \left[\begin{array}{c}{t}^{\prime }\\ d^{\prime }\end{array}\right]=\left[\begin{array}{cc}0& 1\\ -r^2& -2r\end{array}\right]\left[\begin{array}{c}t\\ d\end{array}\right]+\left[\begin{array}{c}0\\ r^2\end{array}\right]u \\ \left[\begin{array}{c}y1\\ y2\end{array}\right]=\left[\begin{array}{c}t\\ d\end{array}\right] \end{gathered}$$
  到这里大多数文章就没有后续的描述了，但其实我在学习到这部分的时候就有一个疑问，这个参数$r$的数学意义是什么，该怎么选取这个参数的数值呢，它又是如何影响着LTD的性能。后面的这部分内容是对参数r的讨论，感兴趣的可以往下看，反之则可以直接跳过。

通过微分方程$t^{\prime \prime }+2r{t}^{\prime }+r^{2}t=r^{2}u$的形式，以单位阶跃响应为例，$u=1(t)$，观察$t$随时间变化的过程，观察其达到1时的时间以及参数$r$在这个过程发挥的作用。
由于$t$是关于时间的信号，为了避免误解，令 $t=h(t)$，前者的t是信号，后者的t是时间。则将上述微分方程整理后得到：
$$h^{\prime \prime }+2r{h}^{\prime }+r^{2}h=r^2$$
开始求解微分方程 （悄悄拿出高数课本）
这里不赘述，直接给结论。
$$h(t)=(C_1+C_{2}t)e^{-rt}+1$$
其中$C_1，C_2$跟0时刻状态有关，不进行讨论。
我们只需要关注当$h(t)=1$是$t$的值，用于衡量跟踪性能。
$$\begin{gathered} h(t)=(C_1+C_{2}t)e^{-rt}+1 \\ \to (C_1+C_{2}t)e^{-rt}=0 \end{gathered}$$
显然，$r$是衰减因子，$r$越大，$h(t)$收敛的越快。

非线性跟踪微分器（NTD）数学描述

• 对比LTD，NTD采用的不是线性二阶惯性环节，而是特殊的非线性函数（最速控制综合函数），以实现跟踪的目的。
  连续系统的最速控制综合函数的数学描述为
  $$f_{han}=-rsign(x_1-u+\frac{x_2|x_2|}{2r})$$
  其中$x_1$为跟踪信号，$u$为输入信号，$x_2$为微分信号，$r$为加速度的绝对值，则NTD的非线性状态方程为：
  $$\begin{gathered} x_1^{\prime }=x_2 \\ {x}_2^{\prime }=f_{han}=-rsign(x_1-u+\frac{x_2|x_2|}{2r}) \end{gathered}$$

这个最速控制综合函数$f_{han}$是基于物理公式得到的，假设当前速度为 $v_1$，以固定的加速度$a$运动，位移了$x$后速度为$v_2$，则满足公式：
$$\frac{v_1^2-v_2^2}{2a}=x$$
所以$sign$中的第二项$\frac{x2|x_2|}{2r}$是减速到0的位移，第一项$x_1-u$是到达目标位置的位移。
通过比较这两个位移项的和，来决定当前是否加减速。
在simulink实现NTD，再观察状态变量的变化过程。

matlab function模块中的代码如下：

function y = fcn(x1,x2,r)
    y = -r*sign(x1+x2*abs(x2)/(2*r));

示波器结果为：