4. 滑模控制：对抗匹配干扰的利器
说实话，搞了这么多年控制工程，最让我头疼的就是非线性干扰。你设计得好好的一个系统，突然来个未知扰动，性能立马打折扣。但有一招，对付特定类型的干扰特别管用——滑模控制。
我最早接触滑模控制是在一个电机伺服项目里。当时被一个低频扰动折磨得够呛，PID调来调去就是压不住。后来一个老前辈跟我说：「试试滑模吧，专治各种匹配干扰。」一试，果然见效。
4.1 什么是匹配干扰？
先搞清楚一个概念。匹配干扰，说白了就是干扰信号和你的控制输入作用在同一个通道上。
用数学语言描述一下：
系统模型：ẋ = f(x) + g(x)u + d(x,t)
其中 d(x,t) 是干扰项
如果 d(x,t) 可以写成 g(x)·Δ(x,t) 的形式
那么 d(x,t) 就是匹配干扰什么意思？干扰 d 和控制 u 共享同一个输入矩阵 g(x)。你想想看，这种情况下，控制器可以直接「抵消」干扰的影响。
核心观点：滑模控制对匹配干扰有天然的鲁棒性。不匹配干扰？那得另想办法，后面章节会讲。
4.2 滑模控制的基本思想
滑模控制的思路其实很直观。我习惯这么跟新人讲：
第一步，设计一个滑模面 s(x)=0。这个面代表你期望的系统行为。
第二步，设计控制律，迫使系统状态跑到这个面上。
第三步，一旦上了面，就让状态沿着面滑向平衡点。
整个过程分两阶段：趋近阶段和滑模阶段。
4.3 一个简单的例子
拿一个一阶系统来演示，这样最清楚。
系统：ẋ = u + d(t)
其中 d(t) 是匹配干扰，|d(t)| ≤ D
设计滑模面：s = x
控制律：u = -k·sign(s)，k > D
分析：
s·ṡ = x·(u + d) = x·(-k·sign(x) + d)
= -k|x| + x·d ≤ -k|x| + D|x| = -(k-D)|x| < 0
所以 s→0，系统稳定。你看，只要 k 选得比干扰上界 D 大，系统就一定收敛。这就是滑模控制鲁棒性的来源。
实战技巧：我一般把 k 选为 D 的 1.2~1.5 倍。太小了鲁棒性不够，太大了抖振严重。这个比例是我在多个项目中试出来的经验值。
4.4 抖振问题与对策
抖振是滑模控制绕不开的话题。理想情况下，控制器以无穷大频率切换，但现实中做不到。
我曾经在一个液压伺服系统里用滑模控制，结果抖振把阀芯都磨坏了。从那以后，我对抖振问题格外上心。
常用的抖振抑制方法：
| 方法 | 原理 | 优缺点 |
|---|---|---|
| 边界层法 | 用饱和函数 sat(s/Φ) 代替 sign(s) | 简单有效，但牺牲鲁棒性 |
| 高阶滑模 | 将切换作用到控制量的高阶导数上 | 效果好，但设计复杂 |
| 自适应增益 | 根据干扰大小动态调整 k | 灵活，但需要额外算法 |
| 观测器补偿 | 用干扰观测器估计 d(t) 并前馈补偿 | 精度高，但依赖模型 |
注意：边界层法虽然简单，但 Φ 选大了会失去滑模控制的鲁棒性优势。我建议 Φ 取滑模面幅值的 5%~10%，先试再调。
4.5 滑模面设计要点
滑模面怎么设计？我个人的习惯是：
- 线性滑模面：s = c₁x₁ + c₂x₂ + ... + xₙ，系数按极点配置来选
- 积分滑模面：加入误差积分项，消除稳态误差
- 终端滑模面：s = ẋ + β|x|^α·sign(x)，有限时间收敛
实际项目中，我90%的情况用线性滑模面。简单、可靠、好调。积分滑模面虽然能消除静差，但容易引起积分饱和，需要加抗饱和措施。
4.6 一个完整的仿真示例
下面是一个二阶系统的滑模控制代码。我习惯用 Python 做快速验证。
import numpy as np
import matplotlib.pyplot as plt
# 系统参数
m = 1.0 # 质量
b = 0.5 # 阻尼
k = 2.0 # 刚度
# 滑模控制器
def sliding_control(x, xd, params):
c = params['c'] # 滑模面系数
eta = params['eta'] # 切换增益
phi = params['phi'] # 边界层厚度
# 滑模面
s = c * (x[0] - xd[0]) + (x[1] - xd[1])
# 等效控制
u_eq = m * (xd[2] - c*(x[1]-xd[1])) + b*x[1] + k*x[0]
# 切换控制（带边界层）
if abs(s) < phi:
u_sw = -eta * s / phi
else:
u_sw = -eta * np.sign(s)
return u_eq + u_sw
# 仿真主循环
dt = 0.001
t = np.arange(0, 5, dt)
x = np.array([0.0, 0.0])
xd = np.array([1.0, 0.0, 0.0]) # 目标位置、速度、加速度
params = {'c': 5.0, 'eta': 3.0, 'phi': 0.05}
for i in range(len(t)):
u = sliding_control(x, xd, params)
# 加入匹配干扰
d = 2.0 * np.sin(10*t[i])
# 系统更新
x_ddot = (u + d - b*x[1] - k*x[0]) / m
x[1] += x_ddot * dt
x[0] += x[1] * dt调试经验：我调滑模参数有个顺序——先定滑模面系数 c，再调切换增益 η，最后微调边界层厚度 φ。c 决定收敛速度，η 决定鲁棒性，φ 决定抖振大小。别一上来就三个参数一起调，容易乱。
4.7 实际应用中的注意事项
最后说几个我在项目中踩过的坑：
- 传感器噪声：滑模控制对噪声敏感，尤其是求导后的信号。我一般加低通滤波，截止频率取系统带宽的 3~5 倍。
- 执行器饱和：控制量太大执行器会饱和。建议加抗饱和逻辑，或者用模型预测做约束。
- 离散化影响：数字实现时采样频率要够高。我一般要求采样频率是滑模切换频率的 10 倍以上。
嗯，滑模控制就讲到这里。记住一句话：匹配干扰不可怕，滑模控制搞定它。但前提是——你得把滑模面设计好，把抖振控制住。
公众号:蓝海资料掘金营，微信deep3321