1. 李雅普诺夫稳定性理论的基础认知

第一次接触李雅普诺夫稳定性理论时，我被其数学表达的抽象性所困扰。直到在电机控制项目中亲眼目睹系统失稳导致的设备震荡，才真正理解这套理论的价值。李雅普诺夫方法本质上提供了一种不依赖系统微分方程显式解的直接稳定性判据，这对非线性系统分析尤为重要。

1.1 稳定性定义的工程理解

在工程实践中，我们常将稳定性分为三类：

• 李雅普诺夫稳定：系统受到扰动后不会无限偏离平衡点
• 渐近稳定：系统不仅能保持稳定，还能逐渐回归平衡状态
• 指数稳定：系统以指数速度收敛到平衡点

以倒立摆为例，当摆杆处于垂直位置时：

• 若无控制策略，轻微扰动就会导致系统失稳（不稳定）
• 加入PD控制后可能实现李雅普诺夫稳定
• 采用LQR控制则可达到渐近稳定

1.2 李雅普诺夫函数的构造艺术

构造合适的李雅普诺夫函数V(x)是分析的关键。根据我的经验，对于机械系统，能量型函数往往有效。例如对质量-弹簧系统：

V(x) = (1/2)kx² + (1/2)mv²

其中k为弹簧系数，m为质量，x为位移，v为速度。这个函数满足：

1. V(0)=0（平衡点处为零）
2. V(x)>0 ∀x≠0（正定）
3. dV/dt≤0（半负定）

在实际项目中，我总结出几个构造技巧：

• 物理系统优先考虑能量函数
• 电气系统可尝试状态变量的二次型组合
• 复杂系统可采用分层构造法

2. 一阶系统的稳定性实战分析

2.1 典型一阶系统建模

考虑带有时滞的RC电路系统： τ(dx/dt) + x(t) = Ku(t-θ)

其中：

• τ=RC为时间常数
• K为增益
• θ为时滞时间

在Simulink中建模时，我习惯使用Transport Delay模块实现时滞效果。需要注意的是，时滞会显著影响系统稳定性，这是许多初学者容易忽视的点。

2.2 稳定性判据的工程应用

对于上述系统，采用李雅普诺夫-克拉索夫斯基方法，构造泛函：

V = x² + μ∫[t-θ,t]x²(τ)dτ

经过推导可得稳定性条件： K < √(1 + 2μθ/τ)

这个结论在实际电路设计中非常实用。例如当θ=0.1s，τ=1s时，若取μ=5，则增益K需小于1.41才能保证稳定。

提示：时滞系统的稳定性分析中，时滞θ与时间常数τ的比值是关键参数。工程上建议保持θ/τ<0.2

2.3 Simulink仿真实现要点

在搭建仿真模型时，我推荐以下配置：

1. 求解器选择ode23t（适用于中度刚性系统）
2. 最大步长设为θ/10（保证时滞分辨率）
3. 添加White Noise模块模拟实际扰动

通过Scope观察系统响应时，重点关注：

• 超调量是否收敛
• 稳态误差是否为零
• 扰动后的恢复时间

3. 二阶系统的深度稳定性研究

3.1 机械系统的典型模型

以伺服电机系统为例，其状态方程可表示为： dx₁/dt = x₂ dx₂/dt = -(b/J)x₂ - (k/J)x₁ + (1/J)u

其中：

• x₁：电机转角
• x₂：角速度
• J：转动惯量
• b：阻尼系数
• k：刚度系数

3.2 李雅普诺夫函数的设计

我通常采用如下能量型函数： V = (1/2)kx₁² + (1/2)Jx₂²

其导数为： dV/dt = -bx₂² + x₂u

为实现稳定，控制律可设计为： u = -k₁x₁ - k₂x₂

这实际上就是PD控制的形式。通过适当选择k₁、k₂可以保证dV/dt负定。

3.3 参数不确定性的处理

实际系统中，J、b、k往往存在不确定性。我的处理方法是：

1. 确定参数变化范围（如J∈[J_min,J_max]）
2. 设计最坏情况下的李雅普诺夫函数
3. 采用鲁棒控制律

在Simulink中，我习惯使用MATLAB Function模块实现自适应调整：

function u = control_law(x1,x2,J_hat) k1 = 2*J_hat; k2 = sqrt(4*J_hat)-0.5; u = -k1*x1 -k2*x2; end

4. 自抗扰控制(ADRC)的实现精要

4.1 ADRC的核心思想

自抗扰控制通过扩张状态观测器(ESO)将系统总扰动（包括模型不确定性和外部干扰）估计出来并补偿。我的工程实践表明，其优势在于：

• 不依赖精确数学模型
• 对参数变化鲁棒性强
• 可处理时变干扰

4.2 二阶系统ADRC设计

以位置控制系统为例，标准ADRC包含：

1. 跟踪微分器(TD)：

   v1(k+1) = v1(k) + h*v2(k) v2(k+1) = v2(k) + h*fhan(v1(k)-r(k),v2(k),r0,h0)

2. 扩张状态观测器(ESO)：

   e = z1(k) - y(k); z1(k+1) = z1(k) + h*(z2(k) - beta01*e); z2(k+1) = z2(k) + h*(z3(k) - beta02*fal(e,0.5,delta) + b*u(k)); z3(k+1) = z3(k) - h*beta03*fal(e,0.25,delta);

3. 非线性状态误差反馈(NLSEF)：

   u0 = k1*fal(e1,alpha1,delta) + k2*fal(e2,alpha2,delta); u = (u0 - z3)/b;

4.3 Simulink实现技巧

在搭建ADRC的Simulink模型时，我总结出以下经验：

1. 离散化实现比连续系统更稳定
2. ESO的带宽应比系统带宽高3-5倍
3. 非线性函数fal的参数选择：
   • alpha=0.5时效果最佳
   • delta取采样周期的1/5~1/10

一个典型的子系统封装参数配置：

TD参数： r0 = 100; h0 = 0.01; ESO参数： beta01 = 100; beta02 = 300; beta03 = 1000; b = 1; delta = 0.001; NLSEF参数： k1 = 10; k2 = 5; alpha = 0.5;

5. 自适应控制与稳定性保障

5.1 模型参考自适应方案

在参数变化剧烈的系统中，我常采用MRAC方案。以二阶系统为例：

1. 参考模型：

   G_m = tf(wn^2,[1 2*ζ*wn wn^2]);

2. 可调模型：

   theta = [k1; k2]; % 自适应参数 Phi = [x1; x2]; % 回归量 u = theta'*Phi;

3. 自适应律：

   dtheta/dt = -γ*e*Phi;

   其中e为输出误差，γ为自适应增益。

5.2 稳定性证明技巧

采用复合李雅普诺夫函数： V = e²/2 + θ̃ᵀΓ⁻¹θ̃/2

其中θ̃=θ-θ*为参数误差。通过证明dV/dt≤0可保证系统稳定。

5.3 Simulink实现细节

在实现自适应控制时，需要注意：

1. 自适应增益γ的选择：

   • 过大导致震荡
   • 过小收敛慢
   • 建议初始值：γ=2/||Φ||²

2. 参数投影法的实现：

   if theta > theta_max theta = theta_max; elseif theta < theta_min theta = theta_min; end

3. 加入σ修正防止参数漂移：

   dtheta/dt = -γ*(e*Phi + σ*theta);

6. 综合案例：倒立摆控制系统

6.1 系统建模与线性化

倒立摆的非线性模型：

function dx = pendulum(t,x,u) M = 0.5; m = 0.2; l = 0.3; g = 9.8; dx = zeros(4,1); dx(1) = x(2); dx(2) = (u + m*l*sin(x(3))*x(4)^2 - m*g*cos(x(3))*sin(x(3)))/(M + m*sin(x(3))^2); dx(3) = x(4); dx(4) = (g*sin(x(3)) - cos(x(3))*dx(2))/l; end

在平衡点附近线性化后得到状态空间模型。

6.2 李雅普诺夫函数设计

采用能量成型方法： V = (E - E₀)²/2 + kᵥ(θ - θ₀)²/2

其中E为系统总能量，E₀为期望能量。

6.3 ADRC实现方案

我的实际配置参数：

ESO带宽：30 rad/s TD参数：r0=50, h0=0.005 NLSEF：k1=25, k2=10 扰动补偿系数：b=0.8

6.4 Simulink仿真结果分析

关键性能指标：

• 镇定时间：< 2s
• 抗干扰能力：可抵抗0.5N·m的阶跃扰动
• 参数鲁棒性：±20%参数变化下保持稳定

在仿真中发现：

1. ESO带宽低于20rad/s时观测延迟明显
2. 非线性反馈比线性反馈响应快约30%
3. 采样周期大于0.01s时系统出现抖动

7. 工程实践中的经验总结

7.1 参数整定方法论

经过多个项目积累，我形成了一套参数调试流程：

1. 先调TD：确保指令跟踪无超调
2. 再调ESO：使观测误差快速收敛
3. 最后调NLSEF：平衡响应速度与超调

具体参数间的关系：

• ESO带宽 ≈ 3×系统带宽
• TD速度因子r0 ≈ 10×期望调节时间倒数
• NLSEF增益与ESO带宽平方成正比

7.2 常见问题排查

1. 系统发散：

   • 检查ESO是否收敛
   • 验证控制量是否饱和
   • 确认参数b的估计准确性

2. 高频振荡：

   • 降低ESO带宽
   • 增加NLSEF的delta参数
   • 检查采样周期是否过小

3. 响应迟缓：

   • 提高TD的r0参数
   • 增加NLSEF增益
   • 确认ESO未出现观测滞后

7.3 进阶优化方向

1. 时变参数自适应：

   b_hat(k+1) = b_hat(k) + η*u(k)*eso_error(k);

2. 多速率采样：

   • ESO运行在1kHz
   • 控制器运行在500Hz
   • 指令更新100Hz

3. 硬件实现优化：

   • 定点数运算
   • 查表法实现非线性函数
   • DMA传输减少CPU负载