简介这份源码包围绕鲁棒控制、LQR、非线性控制与观测器设计展开面向自动化、控制工程方向的研究生或工程师解决系统不确定性下的控制器设计、仿真与验证问题。包内集成9个slx模型文件涵盖滑模控制、反馈镇定、非线性鲁棒对比、反步法控制器、自适应控制器、LQR路径跟踪以及Luenberger线性观测器等典型实验场景另有2个mat数据文件用于保存工作区参数配合.m脚本和xml配置可在SIMULINK中直接运行并观察控制效果。压缩包共14个文件大小仅711KB内容紧凑且聚焦。已有512人学习下载。模型均保留关键参数设置便于对照理论公式进行修改调试。通过本包可快速上手鲁棒控制主流方法的建模流程对比不同策略的响应差异参考观测器设计思路为控制器参数整定与算法改进提供直观的仿真样例。1. 鲁棒控制理论落到Simulink先想清楚不确定性在哪拿到这个包时里面同时躺着滑模、自适应、反步、LQR 和 Luenberger 观测器很容易误以为“鲁棒控制”是一套统一算法。实际上它是一族面对模型不确定性时的设计策略参数摄动、未建模动态、外部扰动三者对控制器的威胁完全不同。资源里的几个 slx 文件正好把最常见的几条路线摆在了一起。与其急着打开模型拖模块不如先明确你要对付的不确定性属于哪一类LQR 适合标称线性模型加小范围摄动滑模和自适应能处理有界扰动反步法则面向可化为严格反馈形式的非线性系统。整包以 Simulink 为载体说明作者更在意从理论到被控对象的转化效率。2. 滑模与自适应控制两条鲁棒路线的Simulink建模差异滑模和自适应控制器都处理参数不确定性但底层假设不同。滑模控制把不确定性看成有界扰动用高增益切换把它“压”在滑模面上自适应控制则假设不确定参数是常数或慢时变的用在线估计去逼近真实值。在 Simulink 里实现时前者的核心是符号函数或饱和函数后者的核心是一个带积分器的参数更新回路。2.1 滑模面的构建与抖振抑制拆 SlidingModelControl.slx常见的做法是在SlidingModelControl.slx里分层搭被控对象放在连续模块区控制器用 MATLAB Function 模块实现。以一个二阶对象x 2x x u d(t)为例定义误差e x - xd滑模面取s e c * e。控制量由等效控制项和切换项组成function u sliding_control(x, xd, xd_dot, xd_2dot) % 滑模控制律输入状态、期望轨迹及其导数 c 10; % 滑模面系数影响误差收敛速度 eta 1.5; % 切换增益必须大于扰动上界 phi 0.05; % 边界层厚度用于抑制抖振 e x(1) - xd; edot x(2) - xd_dot; s edot c * e; % 等效控制基于标称模型抵消已知动态 u_eq xd_2dot 2 * x(2) x(1) c * edot; % 切换项用饱和函数代替符号函数减小稳态抖振 u_sw -eta * sat(s / phi); u u_eq u_sw; end function y sat(z) % 饱和函数z 在 [-1,1] 内线性输出超出则限幅 y max(-1, min(1, z)); end这里的c决定滑模面斜率太大会放大噪声eta必须满足匹配条件否则无法保证到达phi是抖振抑制的关键太大会损失稳态精度。模型里如果把sign换成这个satScope 里的控制量会平滑很多。下表是我按常规对象整理的三类切换函数差异方便你在SlidingModelControl.slx里替换观察切换实现表达式优点典型问题符号函数sign(s)收敛快抖振明显易激励未建模动态饱和函数sat(s/phi)边界层内连续稳态误差与 phi 相关超螺旋算法积分型切换抑制抖振且保持精度参数整定复杂2.2 自适应控制器如何处理参数不确定性拆 Adaptive_Controller.slx自适应控制器的 Simulink 结构通常是一个“控制律 参数估计律”的双环。控制律用估计参数theta_hat替代真实参数估计律由 Lyapunov 函数推导出来最后落到一个积分器上。以一阶系统x theta * x u为例取误差面s x - xd控制律和估计律可以写成function [u, theta_hat] adaptive_control(x, xd, xd_dot, theta_hat_prev, Ts) % 自适应控制估计 theta并生成控制量 gamma 2; % 自适应增益决定估计速度 k 5; % 反馈增益 s x(1) - xd; % 参数更新律theta_hat_dot -gamma * s * x theta_hat theta_hat_prev Ts * (-gamma * s * x(1)); % 控制律抵消估计项并镇定误差 u -k * s - theta_hat * x(1) xd_dot; end在Adaptive_Controller.slx里theta_hat_prev一般来自上一个仿真步的 Unit Delay 模块Ts是仿真步长gamma和k是两个核心旋钮。gamma太大容易让参数估计震荡太小则收敛太慢。与滑模相比自适应控制的控制量连续但对参数时变无能为力如果真实theta一直漂移估计律可能追不上。2.3 用 Robust_Three_Compare.slx 做三路对比Robust_Three_Compare.slx的价值在于把三种控制器放在同一个被控对象下仿真省去自己拼模型的麻烦。我的习惯是先不改任何模块直接跑一遍确认结果和默认参数对应得上再用脚本批量改权值和增益open_system(Robust_Three_Compare); set_param(Robust_Three_Compare, StopTime, 20); out sim(Robust_Three_Compare); t out.tout; y_smc out.yout{1}.Values.Data; y_adaptive out.yout{2}.Values.Data; y_lqr out.yout{3}.Values.Data;输出结果里三个通道分别是滑模、自适应和 LQR 的响应。对比时关注两个指标超调量和扰动后的恢复时间。滑模对阶跃扰动的恢复通常最快但控制量容易毛刺自适应控制参数估计上升期会有明显波动LQR 在标称工况性能最好参数偏离一拉大就容易出现稳态偏差。NonlinearControl ComparedResults.png这种对比图就是把好几组扰动力值下的响应曲线叠到同一张图上判断边界在哪里。3. LQR路径跟踪与Luenberger观测器线性鲁棒设计的工程组合LQR 名义上是线性最优控制但在工程里经常和观测器、前馈补偿一起使用作为鲁棒控制的“标称底座”。这一章的四个 slx 文件刚好演示了从纯状态反馈到带观测器的完整链路。3.1 从 LQR_Ctrl.slx 看状态反馈增益的整定打开LQR_Ctrl.slx控制器通常是一个 Gain 模块增益矩阵K从工作区读取。先在 MATLAB 里算出K再在 Simulink 里通过K变量引用A [0 1; -2 -3]; B [0; 1]; C eye(2); Q diag([10, 1]); % 位置误差权重 10速度误差权重 1 R 0.1; % 控制能量权重 K lqr(A, B, Q, R);Q和R的相对大小决定控制器“风格”。把Q(1,1)调大状态会更快收敛但控制幅值也会顶到执行器上限把R调小等价于允许用更大能量换性能。我一般先用Q diag([1, 1]), R 1跑通再按仿真曲线逐步加大位置权重。LQR_Ctrl.slx里如果看到K块的值不是常数要检查是否用了 LQR 增益调度那通常是为变工况准备的。3.2 LQR_CtrlFollowDesiredPath.slx误差积分与路径跟踪纯状态反馈只能镇定到零点跟踪期望路径必须引入参考信号。LQR_CtrlFollowDesiredPath.slx里常见的结构是把误差e y - yd作为新增状态或者在前向通道加一个参考前馈增益Nbar。后者的计算方式如下% 根据 LQR 得到的闭环矩阵计算前馈增益 Acl A - B * K; Nbar -1 / (C(1, :) * inv(Acl) * B); % 在 Simulink 中输入到 Gain 模块 T 0.01; t 0:T:10; yd 0.5 * sin(t);这个Nbar只在标称模型下完美跟踪模型失配时会产生稳态误差。所以很多实际模型会在控制器里再加一个积分项把误差积分纳入状态构成 LQR 加积分LQI的形式。LQR_CtrlFollowDesiredPath.slx里如果看到 Integrator 模块并到状态向量里就是走的这条路。3.3 LuenbergerServer_Linear.slx观测器极点怎么放状态不可测时LQR 的K无法直接使用。LuenbergerServer_Linear.slx给出了 Luenberger 观测器的 Simulink 实现用A_hat - L * C_hat作为观测器闭环矩阵真实对象和观测器并行跑再把估计状态输出给控制器。观测器增益L用极点配置计算% 观测器极点至少比控制器闭环极点快 3 到 5 倍 P_ctrl eig(A - B * K); P_obs 5 * abs(P_ctrl) .* sign(P_ctrl); % 若 P_ctrl 是实极点这种放大方式最简单复极点要单独处理 % 这里直接用 place 指定观测器极点 L place(A, C, [-15 -16]);place要求极点是实数或共轭复数对且不能有重极点。观测器极点离虚轴越远估计收敛越快但对测量噪声越敏感。工程上常取控制器极点的三到五倍不追求更快。3.4 把 LQR 和观测器拼成完整回路实际接线时控制量不是-K * x而是-K * x_hat也就是把观测器输出接到控制器 Gain 块。这个组合在 Simulink 里要注意数据流方向观测器的C * x_hat输出和真实y做差误差进入L增益再反馈到观测器积分器。下表是我常用的极点配置经验值场景控制器极点观测器极点说明快速伺服-8, -10-30, -32观测器快 3-5 倍有测量噪声-5, -6-18, -19不追求极限收敛路径跟踪-6 ± 3i-18 ± 9i保持相同阻尼比拼回路时最容易错的是符号Luenberger 观测器方程是x_hat A*x_hat B*u L*(y - C*x_hat)所以减法项一定要保证从真实输出减估计输出接反了观测器不会收敛。4. 非线性鲁棒控制从反馈稳定化到反步法的Simulink实现非线性控制不是 “非线性系统直接用非线性函数凑一个控制器”而是有严格的模型结构和可验证的稳定性条件。这一章里的三个 slx 文件对应三种递进思路反馈线性化消非线性、反步法递归构造虚拟控制、最后在鲁棒模型上验证扰动影响。4.1 FeedbackStable.slx 里的反馈线性化结构反馈线性化的核心是用控制量抵消系统中的已知非线性项再对剩下的线性系统施加古典控制。假设对象是x x^3 u控制器设计成function u feedback_linearize(x, xd, xd_dot, xd_2dot) % 反馈线性化抵消 x^3 非线性再用 PD 镇定 kp 20; kd 8; u x(1)^3 - kp * (x(1) - xd) - kd * (x(2) - xd_dot) xd_2dot; end这样代入原方程后闭环变成e kd * e kp * e 0本质是极点配置。FeedbackStable.slx里通常会画一条从对象非线性输出到控制器求和点的连线检查连线上乘的符号必须是加号否则非但没有抵消还会叠加非线性。4.2 反步控制器的递归设计与 Nonlinear_Backstepping_Controller_Design.slx反步法针对严格反馈系统x1 x2 f1(x1), x2 u f2(x)。它的思路是把x2先当成虚拟控制量设计出alpha1镇定z1再让z2 x2 - alpha1趋于零。实现起来比反馈线性化多一层嵌套function u backstepping_control(x, xd, xd_1, xd_2) % 反步法控制律输入状态和期望轨迹前两阶导数 k1 6; % 第一层增益 k2 6; % 第二层增益 z1 x(1) - xd; alpha1 -k1 * z1 xd_1; % 虚拟控制 z2 x(2) - alpha1; alpha1_dot -k1 * (x(2) - xd_1) xd_2; % 第二层控制把 z2 镇定到零同时补偿 z1 耦合 u -k2 * z2 - z1 - f2(x) alpha1_dot; end其中f2(x)要按实际被控对象替换。在Nonlinear_Backstepping_Controller_Design.slx里我一般会把alpha1、z1、z2都接到 Scope 上因为反步法每一层物理意义不同只盯最终输出看不到中间环节是否发散。4.3 用 Nonlinear_Robust.slx 验证不匹配不确定性非线性模型里的参数误差不都在控制通道上这种“不匹配不确定性”是反馈线性化和滑模都头疼的问题。Nonlinear_Robust.slx里可以用一个正弦扰动模块模拟量测噪声或执行器偏差然后扫描扰动幅值观察系统是否仍然有界amp_list [0 0.2 0.5 1.0]; for i 1:length(amp_list) set_param(Nonlinear_Robust/扰动, Amplitude, num2str(amp_list(i))); simOut(i) sim(Nonlinear_Robust, StopTime, 15); end这个脚本通过set_param直接改 Simulink 模块参数比手动打开模块对话框逐一修改可靠。对比不同幅值下的输出曲线如果某一档开始出现持续振荡说明现有控制器的鲁棒边界就在这里。5. 进阶批量参数扫描与鲁棒性对比图的生成技巧鲁棒控制验证不能只靠一两条仿真曲线必须看参数空间里的变化趋势。这里分享两个能直接替换到现有模型上的技巧。5.1 用 parsim 批量跑参数组合for循环逐个调set_param再sim速度太慢重复打开模型还会累积内存。推荐用Simulink.SimulationInput批量建模mdl LQR_Ctrl; R_list [0.01 0.1 1 10]; sin_array(1:4) Simulink.SimulationInput(mdl); for i 1:4 sin_array(i) sin_array(i).setVariable(R, R_list(i)); end out parsim(sin_array, ShowProgress, on);这里的setVariable会直接把R注入模型工作区不需要改set_param。注意模型内部引用变量名必须和注入的变量名一致否则会直接报“未定义变量”。5.2 自动绘制 ComparedResults.png 这类对比图批量仿真真正省时间的是画图。跑完parsim后把每个Simulink.SimulationOutput里的yout拿出来叠图figure(Position, [100 100 800 400]); hold on; for i 1:4 y out(i).yout{1}.Values.Data; plot(out(i).tout, y, LineWidth, 1.2, DisplayName, [R num2str(R_list(i))]); end xlabel(Time (s)); ylabel(Output); legend show; grid on; saveas(gcf, ComparedResults.png);这样生成的ComparedResults.png和资源包里那张图用途一致第一眼就能看出哪个参数区间性能差距大哪个区间几乎重合。参数差距不大的区域就是控制器鲁棒性最强的操作域。5.3 几个值得坚持的建模习惯仿真前先给每个实验设置独立的SimulationInput不要全局变量污染对比图统一标注参数和扰动幅值不然事后根本看不清是哪条曲线模型里多用To Workspace加Structure With Time格式少截图 Scope方便脚本自动分析。这些习惯能让鲁棒控制仿真从“看几个波形图”升级成“跑一批实验数据”后者才是工程上验证鲁棒性真正有效的方式。本文还有配套的精品资源点击获取