1. 非线性干扰的数学本质与建模方法

做控制这么多年，我越来越觉得——搞懂干扰，比搞懂控制器本身还重要。你想想看，一个系统设计得再漂亮，遇到非线性干扰，照样可能翻车。我刚开始做项目那会儿，就吃过这个亏。

今天咱们就来聊聊，非线性干扰到底是个什么东西，以及怎么把它用数学语言描述出来。

1.1 非线性干扰的本质：它跟线性干扰有啥不一样？

先问个问题：线性干扰和非线性干扰，区别在哪？

线性干扰，说白了就是可叠加、可预测的干扰。比如一个恒定的偏置力，或者一个正弦波噪声。你给它一个输入，它给你一个成比例的输出。好对付。

但非线性干扰呢？它不跟你讲道理。

• 不满足叠加原理：两个干扰同时作用，结果不是各自效果的简单相加
• 输出与输入不成比例：输入翻倍，输出可能翻三倍，也可能不变
• 可能产生新频率：输入是50Hz，干扰输出可能蹦出100Hz、150Hz

我在一个电机控制项目里遇到过这种情况：电机空载时跑得好好的，一加载，电流波形就开始"扭曲"。一开始我以为是传感器坏了，查了半天才发现——是齿槽转矩这个非线性干扰在作怪。

1.2 常见的非线性干扰类型

实战中，我总结了几类最常见的非线性干扰。你对照看看，是不是都见过？

类型	数学描述	典型场景
死区非线性	输入在[-δ, δ]内时输出为0	液压阀、齿轮间隙
饱和非线性	输出被限制在上下限之间	电机转矩限幅、放大器饱和
滞环非线性	输出不仅取决于当前输入，还取决于历史	压电执行器、磁滞材料
摩擦非线性	静摩擦 > 动摩擦，存在Stribeck效应	机械导轨、轴承
齿槽转矩	与转子位置相关的周期性脉动	永磁同步电机

1.3 数学建模方法：怎么把干扰"写"出来？

嗯，这里要注意。建模不是越复杂越好，而是越实用越好。我见过有人把干扰模型建得比系统本身还复杂，结果控制器设计不出来。没必要。

常用的建模方法有这么几种：

1.3.1 基于物理机理的建模

如果你清楚干扰的物理来源，那就直接写方程。比如摩擦力的LuGre模型：

dz/dt = v - σ₀·|v|·z / g(v)
g(v) = F_c + (F_s - F_c)·e^{-(v/v_s)²}
F_f = σ₀·z + σ₁·dz/dt + σ₂·v

这个模型我用了好多年。参数多，但精度高。不过说实话，调参挺费劲的。

1.3.2 基于数据的黑箱建模

不知道物理机理？没关系。用神经网络或者模糊系统去拟合。比如用RBF神经网络逼近一个未知非线性函数：

d(x) = Σ w_i · φ_i(x)
φ_i(x) = exp(-||x - c_i||² / σ_i²)

我记得有个项目，机械臂的关节摩擦力矩怎么都测不准。后来我用RBF网络在线学习，效果出奇的好。当然，前提是你得有足够的训练数据。

1.3.3 混合建模（灰箱模型）

我个人最推荐这种方法。把已知的物理结构保留，未知部分用数据驱动来补。比如：

系统总干扰 = 已知摩擦模型 + 神经网络补偿项

这样做的好处是：既有物理可解释性，又有数据驱动的灵活性。

1.4 知识体系总览

下面这张图，是我自己梳理的非线性干扰建模知识框架。你可以把它当作本章的"地图"：

1.5 建模时要注意的几个坑

最后，分享几个我踩过的坑：

1. 别把模型建得太细。模型精度每提高10%，控制器复杂度可能翻倍。够用就行。
2. 注意干扰的时变性。很多非线性干扰的参数会随着温度、磨损而变化。模型要留出在线更新的接口。
3. 验证模型时，一定要用没训练过的数据。我见过太多人在训练集上精度99%，一上现场就崩。
4. 别忘了测量噪声。你建模的"干扰"里，可能有一半是传感器噪声。先做滤波，再建模。

好了，关于非线性干扰的数学本质和建模方法，就先聊到这儿。记住一句话：你建的模型有多准，你的鲁棒控制器就能有多"鲁棒"。下一章，咱们会深入讨论怎么把这些模型用到控制器设计中去。

---

公众号:蓝海资料掘金营，微信deep3321