做过一阶滑模控制的人多半都被抖振折磨过我在对比了多种方案之后觉得超螺旋滑模控制Super-Twisting AlgorithmSTA是性价比最高的解法之一。仿真时波形干净漂亮、误差收敛飞快一挪到实验台sign(s)高频切换直接把作动器打出电锯声电流和力矩信号里全是开关频率的边带甚至把机械谐振都激出来。STA保留了滑模控制的强鲁棒性和有限时间收敛控制量本身却是连续的抖振被压到了可接受的范围。这篇文章把STA的原理、公式、稳定性条件、参数整定和离散化实现完整过一遍末尾附上可直接运行的Python仿真和我实测踩过的坑。适合正在做电机控制、四旋翼、机械臂、DC-DC这类被抖振折磨过的控制工程师参考。1. 拆解超螺旋这个算法到底动了什么手脚1.1 超螺旋这个名字和相平面轨迹直接相关STA的名字不是营销噱头它来自相平面上的收敛轨迹。把滑模变量s和它对应的速度项放在相平面里看STA的收敛过程是一条围绕原点不断旋转、一圈比一圈小的螺旋线最终在有限时间内精准扎到原点。轨迹像拧麻花一样绕进来所以叫Super-Twisting中文学术界习惯翻译成超螺旋。这套方法最早是Levant在1993年前后提出的二阶滑模控制框架里的一个特例。一阶滑模的目标是让s0二阶滑模更进一步要求s和它在有限时间内同时归零。别小看这多出来的一阶它能让你在保留滑模鲁棒性的同时把控制量从不连续变成连续这是后面所有好处的根源。1.2 STA在滑模控制家族里的位置一张表说清楚为了定位准确我给个直观对比。这里的控制量是否连续是最关键的分水岭直接决定作动器要不要受罪。算法控制量是否连续需要反馈的信息滑模阶数典型问题一阶滑模SMC不连续s1控制量高频抖振Twisting螺旋算法不连续s 和 ds/dt2需要测导数工程代价高超螺旋STA连续只需要s2参数不当时仍有数字域小抖动任意阶高阶滑模视阶数而定s及其高阶导数任意阶结构复杂增益数量多表里最值得注意的一点是STA只反馈s本身不要求你专门去测ds/dt。很多工控场景里导数不是直接可测的或者测出来噪声大到没法用Twisting算法在这类场合就基本废了。STA用一个积分器绕过了一阶导数的需求这是它比Twisting在实际工程里火得多的直接原因。1.3 关于STA撞名的插话打开搜索引擎搜STA大概率先看到WiFi网络里的STAStation站点概念比如抓包教程里常见的抓取STA连接报文。这里先统一口径本文的超螺旋滑模控制STA是Super-Twisting Algorithm的缩写属于控制理论里二阶滑模控制的分支和无线通信里的Station完全是两码事。下面所有内容围绕控制展开如果你是在找WiFi抓包资料可以关掉页面避免浪费时间。2. 一阶滑模的抖振困境为什么必须把sign藏进积分器2.1 一阶滑模的标准设计回顾先把一阶SMC的设计流程快放一遍。假设被控对象是dx/dt a(x) u d(t)其中a(x)是已知模型项u是控制量d(t)是匹配扰动。给定参考信号x_ref取滑模面s x - x_ref则ds/dt a(x) u d(t) - dx_ref/dt设计控制律u -a(x) dx_ref/dt - k·sign(s)代入后得到ds/dt d(t) - k·sign(s)。只要k大于|d(t)|的最大值s就会被推向0。到达滑模面后系统以理想情况下无穷大的频率在s0两侧切换等效控制把扰动平均掉跟踪精度非常高。这套逻辑在理论和仿真里都很漂亮我最早在Simulink里跑的时候一度以为找到了万能公式。问题出在把公式变成物理世界里的信号之后。2.2 抖振的三个来源我在实验里观察到的抖振来源主要有三个缺一个都躲不过去。第一个是离散执行。数字控制器以有限频率输出PWM、DAC、零阶保持器都是离散的sign(s)不可能以无穷频率切换于是s在零点附近形成极限环控制量在±k之间来回翻。仿真步长设得小看不出问题采样周期一拉长极限环就肉眼可见了。第二个是未建模动态。真实作动器有带宽、有延迟、有摩擦高频切换项会被这些动态放大形成电流尖峰、异响、甚至机械谐振。我最早在电磁阀驱动的气动平台上做一阶SMCk刚好盖住扰动结果阀芯一个周期来回动作上百次气路压力在设定值附近高频振荡整个台架都在嗡嗡响。后来把k往下压抖振是小了抗扰能力也肉眼可见地变差。第三个是传感器噪声。s的测量带噪声时sign(s)在零点附近对噪声极度敏感一个微小扰动就导致sign翻转控制量在高频乱跳。尤其在编码器量化误差明显的低速场合这个现象特别严重。一句话总结抖振的本质是把不连续的sign直接放在控制量u里u本身在做高频开关作动器和负载自然遭殃。2.3 超螺旋的出招方式把sign移到导数层STA的思路非常直接既然sign(s)直接放进u会抖那就不放了把这个不连续项放到u的导数里。u -k1·|s|^(1/2)·sign(s) v dv/dt -k2·sign(s)这么一改sign函数只出现在v的导数里v是-k2·sign(s)的积分所以v天然连续u里剩下的部分|s|^(1/2)·sign(s)是s的连续函数只要s不是突跳的这一项就连续。于是整个u都连续了作动器不用再承受高频开关节拍。代价是什么多了一个积分状态v对应的扰动假设变成了扰动导数有界。这个trade-off是STA数学设计的核心第三节详细展开。先记住结论抖振没有消失而是被推到了更高的导数层宏观上表现为控制量的平滑连续。3. STA的数学内核控制律构造与有限时间收敛的直觉3.1 标准控制律和它的等效写法STA最常用的标准形式就是上一节写的那两行把v表达式代进去还能合成更紧凑的形式u -k1·|s|^(1/2)·sign(s) - k2·∫sign(s)dt第一项是带幅值整定的比例项第二项是对符号函数做积分。很多教材把第二项称为积分高阶滑模项它把高频开关积分成了连续信号。但要提醒一点不要把STA简单理解成比例积分的PID变体。它和PI有本质差别——积分对象不是误差本身而是误差的符号。这意味着只要s的符号不变积分项就持续朝同一个方向施加压力而不是随误差幅值变化而衰减。这正是STA能高效抵消常值扰动和斜坡扰动的原因。3.2 为什么是|s|^(1/2)而不是|s|或者常数这是新手问得最多的问题我从三个角度解释。角度一有限时间收敛。考虑无扰动时的标量系统dy/dt -|y|^(1/2)·sign(y)分离变量积分可以算出从初值y(0)出发到达0的时间是T 2·sqrt(|y(0)|)有限且可计算。举个数y(0)10时T≈6.3秒。如果改用线性项dy/dt -y那是按指数渐近收敛理论上要无穷长时间才完全到达改用常数项dy/dt -sign(y)虽然也是有限时间到达但在零点附近速度完全不衰减极易过冲形成极限环。|y|^(1/2)正好卡在中间离原点远时增益大、速度快离原点近时增益小、速度平缓。这个软着陆特质是STA控制量连续性的第二重保障。角度二齐次性。STA的各项在加权齐次性意义下保持尺度不变性|s|^(1/2)·sign(s)和v具有相同的度这让两个通道能协同收敛而不是一个快一个慢互相拖累。换别的指数要么丢掉有限时间性要么需要额外状态才能维持二阶滑模。角度三工程直觉。|s|^(1/2)·sign(s)比sign(s)温和得多。s很大时给出大输出快速逼近s很小时输出随之变小不会像sign(s)那样在零点附近猛拉猛打。3.3 滑模变量怎么选相对度1是硬约束STA的教科书推导要求s关于控制输入u的相对度为1也就是ds/dt必须显式包含u。如果对象是纯积分器或一阶系统直接令s x - x_ref就行。如果对象是二阶系统比如机械臂的关节位置q满足d²q/dt² f(q, dq/dt) u d那建议滑模面取s dq/dt λ·e其中e q - q_refλ是正的带宽系数。此时ds/dt d²q/dt² - d²q_ref/dt² λ·(dq/dt - dq_ref/dt)依然显式含u相对度为1STA可以正常工作。注意如果你不加这个一阶滤波直接令se那要求两次导才会出现u相对度为2标准STA就用不了得换Twisting或者任意阶高阶滑模。3.4 扰动模型为什么要求扰动导数有界把控制律代入ds/dt做一次坐标变换z1 sz2 v d(t)得到dz1/dt -k1·|z1|^(1/2)·sign(z1) z2 dz2/dt -k2·sign(z1) dd/dt看第二行扰动d(t)是以它的导数dd/dt形式出现的。所以STA能稳定抵消的扰动数学上要求d(t)至少是Lipschitz的也就是求导后幅值有界。常值扰动、慢变扰动、谐波扰动都没有问题阶跃扰动在跳变瞬间会产生一个冲击通常会被积分项快速吸收表现为一个短暂的过渡脉冲。如果扰动本身是间断的比如某些干摩擦模型里的sign项STA会有些吃力这时候要么加前馈要么改用自适应增益的STA变体。4. 参数整定与稳定性边界从理论条件到工程经验4.1 稳定性条件的理论真相STA的有限时间稳定性最经典的证明是Moreno和Osorio在2008年CDC会议上给出的Lyapunov方法。核心是构造二次型Lyapunov函数V(z) ζ^T · P · ζ其中 ζ [ |z1|^(1/2)·sign(z1), z2 ]^TP是一个正定的2×2矩阵。沿着轨迹求导后通过选择P的元素以及k1、k2满足的不等式关系可以证明V在有限时间内降到0进而z1、z2也在有限时间到0。带扰动时的充分条件在扰动满足|ρ1| ≤ δ1·|z1|^(1/2)|ρ2| ≤ δ2的情况下形式上是一组k1要超过δ1的若干倍、k2要超过δ2、且两者之间还要满足一个耦合不等式的条件。我故意没有把具体式子抄上来因为工程上几乎没人按这个公式去配参数——扰动上界本来就估不准严格算出来的增益往往偏保守最后还是靠仿真和实验微调。这里只给两个定性结论非常有用一、无扰动时名义STA对任意正的k1、k2都是有限时间稳定的你随便给两个正数它都收敛只是过渡过程的形态不同。二、有扰动时k2必须压得住扰动导数的上界k1必须压得住s通道里扰动增益的放大。哪个压不住哪个方向就会出现稳态偏差或极限环。4.2 扰动上界怎么估工程上估扰动上界我常用三个办法仿真估界在完整模型里跑典型工况把d(t)的包络画出来取最大值乘以安全系数。台架辨识走一遍标定曲线把负载力矩、摩擦力矩、反电动势等主要扰动分量分离出来。最恶劣工况考虑启动、堵转、满负载切换等极端情况取所有情况里扰动最大的值。安全系数我一般取2到5倍。取太大控制量容易饱和取太小鲁棒性不够这个度要靠你对实际对象的熟悉程度来权衡。4.3 一套可以照着抄的整定流程结合文献和我的使用习惯推荐这个顺序设计滑模面s确认ds/dt显式含u。估算扰动d(t)的上界D和扰动导数的上界Dd哪怕先估个数量级都行。先定k2令k2 (2~5)·Dd。k2负责消除斜坡/慢变扰动太小会有稳态误差。再定k1电机控制圈里流传比较广的经验式是k1 ≈ 1.5~3·sqrt(k2)。这个式子没有严格理论依据但能保证比例项和积分项的量级协调避免积分项过猛。仿真验证s的收敛速度和u的幅值。s收敛太慢就按10%~30%的步进加大k1v频繁打上限就降低k2或加抗饱和。加入测量噪声和离散化效应后复测重点关注s在零点附近的行为。举个具体数字你估出扰动d(t) ≈ 0.8·sin(10t)那Dd ≈ 8k2取(2~5)×8 16~40先取k225再算k1 3·sqrt(25) 15。仿真里看s的收敛时间如果0.2秒内还压不到0.01就按10%步进继续加大k1。下面这个表是我踩坑后总结的症状对照比公式直观现象优先调整s收敛明显慢、误差拖着长尾巴加大k1控制量在零速附近出现高频尖刺检查s的噪声减小k1或给s加线性区v积分项一直增大直到饱和降k2加anti-windup检查模型项是否漏了东西稳态误差去不掉k2不足或扰动导数上界估小了加大k2对参数突变反应过冲大减小k1、增大k2重新调比例4.4 k1与k2的比例直觉最后补一句直觉。k1主要决定到达有多快k2主要决定驻留有多稳。k1/sqrt(k2)偏大系统像加了强比例动作快但容易毛躁偏小系统像加了重积分动作稳但反应慢。很多文献里把STA写成α和β两个参数α对应k1β对应k2调法完全一样。5. Python离散仿真从零复现一个可用的STA控制器5.1 离散化之前必须想清楚的两件事第一sign(s)在数字域会引发数字抖振。连续域里sign以无穷频率切换积分器把它平滑成连续信号数字域里s在零点附近来回穿越时dv/dt每隔一个采样周期在±k2之间跳v就变成锯齿波最终在u上表现为小幅高频抖动必须正视。第二|s|^(1/2)在s0附近对噪声放大。这一项在s0附近的等效增益是k1 / (2·sqrt(|s|))当|s|趋近0时增益趋近无穷。传感器噪声稍微把s带离零点控制量就会猛动一下。工程上常用邻域线性化处理当|s|小于阈值ε时把|s|^(1/2)·sign(s)替换成s / sqrt(ε)也就是在零点附近用直线代替抛物线。ε通常取测量噪声幅值的几倍。5.2 仿真对象和对比基准为了验证效果我用一个一阶受扰对象做跟踪控制dx/dt x u d(t) d(t) 0.6·sin(3t) 0.3·sin(7t 1)参考信号x_ref sin(0.5t)。作为对照同时实现一阶滑模u_smc -x dx_ref/dt - c·s - M·sign(s)取c 10M 1.5明显大于|d(t)|的最大值约0.9。STA增益按第4节流程取扰动导数上界约0.6·3 0.3·7 ≈ 4取k215k1取3·sqrt(15) ≈ 12。两类控制器都用Euler法积分采样周期Ts1e-4仿真时长4秒。5.3 可以直接跑的代码import numpy as np import matplotlib.pyplot as plt # 参数配置 k1 12.0 k2 15.0 c 10.0 M 1.5 eps 1e-4 # 邻域线性化阈值 Ts 1e-4 T 4.0 N int(T / Ts) t np.linspace(0, T, N 1) def f_s_sqrt(s, eps): # 平滑版 |s|^0.5 * sign(s) return np.sqrt(np.abs(s)) * np.sign(s) if np.abs(s) eps else s / np.sqrt(eps) # 初始化 x_sta 0.0 v_sta 0.0 x_smc 0.0 s_sta_arr np.zeros(N 1) u_sta_arr np.zeros(N 1) s_smc_arr np.zeros(N 1) u_smc_arr np.zeros(N 1) for i in range(N): ti t[i] x_ref np.sin(0.5 * ti) dx_ref 0.5 * np.cos(0.5 * ti) d 0.6 * np.sin(3 * ti) 0.3 * np.sin(7 * ti 1) # STA s_sta x_sta - x_ref u_sta -x_sta dx_ref - k1 * f_s_sqrt(s_sta, eps) v_sta dx_sta x_sta u_sta d x_sta dx_sta * Ts v_sta -k2 * np.sign(s_sta) * Ts # 一阶SMC s_smc x_smc - x_ref u_smc -x_smc dx_ref - c * s_smc - M * np.sign(s_smc) dx_smc x_smc u_smc d x_smc dx_smc * Ts s_sta_arr[i 1] s_sta u_sta_arr[i 1] u_sta s_smc_arr[i 1] s_smc u_smc_arr[i 1] u_smc # 绘图 plt.figure(figsize(10, 6)) plt.subplot(2, 1, 1) plt.plot(t, s_sta_arr, labelSTA s) plt.plot(t, s_smc_arr, labelSMC s, alpha0.7) plt.legend() plt.grid() plt.ylabel(s) plt.subplot(2, 1, 2) plt.plot(t, u_sta_arr, labelSTA u) plt.plot(t, u_smc_arr, labelSMC u, alpha0.7) plt.legend() plt.grid() plt.ylabel(u) plt.xlabel(t(s)) plt.tight_layout() plt.show()5.4 结果解读两个波形告诉你STA值在哪里跑完代码会看到几件事。s的收敛两种算法都能在1秒之内把s压到很小的范围。STA因为v需要充电前期会有一个小幅超调这是正常现象不是发散。u的连续性这是最直观的差别。SMC的u在±M之间高频开关放大后能看到方波边缘的锯齿STA的u是一条整体平滑的曲线叠加少量微小抖动。用np.diff(u).std()量化的话STA的相邻采样差分标准差通常比SMC小一到两个数量级。我实测这个例子里STA大约比SMC小20倍以上。误差精度稳态下STA的跟踪误差并没有比一阶SMC差甚至在扰动频率较高时略好因为v积分项对谐波扰动有持续的抵消作用。这也是我最终愿意换STA的最大原因——控制量干净精度还更好。5.5 仿真还暴露出的问题仿真阶段就能看到两个后面上实物会被放大的问题。一是启动阶段v充电慢如果参考信号一开始就有明显变化前0.2秒的误差收敛速度受v限制。二是eps的选取设得太小则噪声放大设得太大相当于给算法加了个线性区s0附近的收敛精度会下降。代码里eps1e-4只是折中实际要根据传感器噪声水平重新调。6. 工程落地的五个坑我实测中踩过的和看到的6.1 给s滤波是双刃剑s有噪声人的本能反应是加低通滤波。但滤波带来相位延迟s的真实过零点被滞后sign(s)翻转时机就错了v的积分方向会在零点附近来回试探控制量反而抖得更厉害。我在电机台架上吃过这个亏滤波时间常数从1ms调到10ms电流毛刺不降反升。正确做法是优先保证s的测量质量比如用连续编码器做差分而不是低速下直接用测速机或者对控制量u做滤波而不是对s滤波。6.2 零速附近的尖刺是|s|^(1/2)的锅编码器在零速附近有量化误差s会在±1个LSB之间跳动。此时|s|^(1/2)·sign(s)的等效增益极大k112的话一个0.001的s抖动就能生成接近0.4的控制动作。这就是第5节提到的邻域线性化要解决的事。我在实际代码里通常把eps设成5到10倍的s噪声标准差效果立竿见影。6.3 v积分器的windup启动冲击和饱和STA的v从0开始如果系统存在常值扰动比如重力不平衡力矩v需要积分一段时间才能补上这就表现为启动瞬间的偏差和过冲。如果作动器又在此期间饱和v会继续积分形成windup恢复时间更长。我的对策有两个一是给v加限制上限取作动器限幅的一定比例二是在已知常值扰动分量时用前馈先把v初始化到估计值附近。6.4 模型项u_eq别太自信也别太复杂STA对模型误差确实有鲁棒性但这是有边界的。模型项a(x)偏差过大会把扰动上界δ1推高k1和k2就得跟着加大控制量很快触及饱和。反过来也不建议把a(x)写成特别复杂的非线性表达式——表达式里的每个参数都有不确定性写进去只会把模型误差复杂化。不如保留主干项把剩余不确定丢给鲁棒项去扛。6.5 控制周期有底线STA离散实现时采样周期Ts直接决定数字抖振的幅值。经验上Ts至少要比系统主导时间常数小20倍以上我一般按50倍设计。Ts太大时v的积分步长k2·Ts变大s在零点附近每步都可能翻一次signu的锯齿波会非常明显。如果MCU算力紧张优先保证STA的调用周期把其他上位机功能挪到低优先级任务里。6.6 顺便说一句STA观测器是白送的彩蛋既然你已经写了STA控制器同样的结构改成观测器就是Super-Twisting ObserverSTO可以把不可测状态和扰动同时估计出来再拿去做前馈补偿。相当于一套代码两用。这个扩展不复杂但非常实用建议作为下一步研究点。我在实际项目中对比过一阶SMC和STA印象最深的一次是某电机速度环一阶SMC的相电流FFT里开关频率附近有明显的边带和噪声底抬高换STA并按上面的流程重新整定后电流谱干净了很多同轴侧的振动加速度也明显下降。代价是参数整定多花了半天以及v积分器需要小心处理。踩过几次坑之后我的习惯是先仿真定量级、再上台架细调而且一上来就用邻域线性化的变体而不是纯数学形式。很多教程给的STA是理想数学形式直接平移成代码会踩数字抖振的坑。如果你已经在用一阶滑模不妨在同一个框架里把sign(s)换成STA的两项结构其他逻辑基本不用动这是我个人最推荐的上手路径。 超螺旋滑模控制STA全解析：原理、整定与仿真实践
做过一阶滑模控制的人多半都被抖振折磨过我在对比了多种方案之后觉得超螺旋滑模控制Super-Twisting AlgorithmSTA是性价比最高的解法之一。仿真时波形干净漂亮、误差收敛飞快一挪到实验台sign(s)高频切换直接把作动器打出电锯声电流和力矩信号里全是开关频率的边带甚至把机械谐振都激出来。STA保留了滑模控制的强鲁棒性和有限时间收敛控制量本身却是连续的抖振被压到了可接受的范围。这篇文章把STA的原理、公式、稳定性条件、参数整定和离散化实现完整过一遍末尾附上可直接运行的Python仿真和我实测踩过的坑。适合正在做电机控制、四旋翼、机械臂、DC-DC这类被抖振折磨过的控制工程师参考。1. 拆解超螺旋这个算法到底动了什么手脚1.1 超螺旋这个名字和相平面轨迹直接相关STA的名字不是营销噱头它来自相平面上的收敛轨迹。把滑模变量s和它对应的速度项放在相平面里看STA的收敛过程是一条围绕原点不断旋转、一圈比一圈小的螺旋线最终在有限时间内精准扎到原点。轨迹像拧麻花一样绕进来所以叫Super-Twisting中文学术界习惯翻译成超螺旋。这套方法最早是Levant在1993年前后提出的二阶滑模控制框架里的一个特例。一阶滑模的目标是让s0二阶滑模更进一步要求s和它在有限时间内同时归零。别小看这多出来的一阶它能让你在保留滑模鲁棒性的同时把控制量从不连续变成连续这是后面所有好处的根源。1.2 STA在滑模控制家族里的位置一张表说清楚为了定位准确我给个直观对比。这里的控制量是否连续是最关键的分水岭直接决定作动器要不要受罪。算法控制量是否连续需要反馈的信息滑模阶数典型问题一阶滑模SMC不连续s1控制量高频抖振Twisting螺旋算法不连续s 和 ds/dt2需要测导数工程代价高超螺旋STA连续只需要s2参数不当时仍有数字域小抖动任意阶高阶滑模视阶数而定s及其高阶导数任意阶结构复杂增益数量多表里最值得注意的一点是STA只反馈s本身不要求你专门去测ds/dt。很多工控场景里导数不是直接可测的或者测出来噪声大到没法用Twisting算法在这类场合就基本废了。STA用一个积分器绕过了一阶导数的需求这是它比Twisting在实际工程里火得多的直接原因。1.3 关于STA撞名的插话打开搜索引擎搜STA大概率先看到WiFi网络里的STAStation站点概念比如抓包教程里常见的抓取STA连接报文。这里先统一口径本文的超螺旋滑模控制STA是Super-Twisting Algorithm的缩写属于控制理论里二阶滑模控制的分支和无线通信里的Station完全是两码事。下面所有内容围绕控制展开如果你是在找WiFi抓包资料可以关掉页面避免浪费时间。2. 一阶滑模的抖振困境为什么必须把sign藏进积分器2.1 一阶滑模的标准设计回顾先把一阶SMC的设计流程快放一遍。假设被控对象是dx/dt a(x) u d(t)其中a(x)是已知模型项u是控制量d(t)是匹配扰动。给定参考信号x_ref取滑模面s x - x_ref则ds/dt a(x) u d(t) - dx_ref/dt设计控制律u -a(x) dx_ref/dt - k·sign(s)代入后得到ds/dt d(t) - k·sign(s)。只要k大于|d(t)|的最大值s就会被推向0。到达滑模面后系统以理想情况下无穷大的频率在s0两侧切换等效控制把扰动平均掉跟踪精度非常高。这套逻辑在理论和仿真里都很漂亮我最早在Simulink里跑的时候一度以为找到了万能公式。问题出在把公式变成物理世界里的信号之后。2.2 抖振的三个来源我在实验里观察到的抖振来源主要有三个缺一个都躲不过去。第一个是离散执行。数字控制器以有限频率输出PWM、DAC、零阶保持器都是离散的sign(s)不可能以无穷频率切换于是s在零点附近形成极限环控制量在±k之间来回翻。仿真步长设得小看不出问题采样周期一拉长极限环就肉眼可见了。第二个是未建模动态。真实作动器有带宽、有延迟、有摩擦高频切换项会被这些动态放大形成电流尖峰、异响、甚至机械谐振。我最早在电磁阀驱动的气动平台上做一阶SMCk刚好盖住扰动结果阀芯一个周期来回动作上百次气路压力在设定值附近高频振荡整个台架都在嗡嗡响。后来把k往下压抖振是小了抗扰能力也肉眼可见地变差。第三个是传感器噪声。s的测量带噪声时sign(s)在零点附近对噪声极度敏感一个微小扰动就导致sign翻转控制量在高频乱跳。尤其在编码器量化误差明显的低速场合这个现象特别严重。一句话总结抖振的本质是把不连续的sign直接放在控制量u里u本身在做高频开关作动器和负载自然遭殃。2.3 超螺旋的出招方式把sign移到导数层STA的思路非常直接既然sign(s)直接放进u会抖那就不放了把这个不连续项放到u的导数里。u -k1·|s|^(1/2)·sign(s) v dv/dt -k2·sign(s)这么一改sign函数只出现在v的导数里v是-k2·sign(s)的积分所以v天然连续u里剩下的部分|s|^(1/2)·sign(s)是s的连续函数只要s不是突跳的这一项就连续。于是整个u都连续了作动器不用再承受高频开关节拍。代价是什么多了一个积分状态v对应的扰动假设变成了扰动导数有界。这个trade-off是STA数学设计的核心第三节详细展开。先记住结论抖振没有消失而是被推到了更高的导数层宏观上表现为控制量的平滑连续。3. STA的数学内核控制律构造与有限时间收敛的直觉3.1 标准控制律和它的等效写法STA最常用的标准形式就是上一节写的那两行把v表达式代进去还能合成更紧凑的形式u -k1·|s|^(1/2)·sign(s) - k2·∫sign(s)dt第一项是带幅值整定的比例项第二项是对符号函数做积分。很多教材把第二项称为积分高阶滑模项它把高频开关积分成了连续信号。但要提醒一点不要把STA简单理解成比例积分的PID变体。它和PI有本质差别——积分对象不是误差本身而是误差的符号。这意味着只要s的符号不变积分项就持续朝同一个方向施加压力而不是随误差幅值变化而衰减。这正是STA能高效抵消常值扰动和斜坡扰动的原因。3.2 为什么是|s|^(1/2)而不是|s|或者常数这是新手问得最多的问题我从三个角度解释。角度一有限时间收敛。考虑无扰动时的标量系统dy/dt -|y|^(1/2)·sign(y)分离变量积分可以算出从初值y(0)出发到达0的时间是T 2·sqrt(|y(0)|)有限且可计算。举个数y(0)10时T≈6.3秒。如果改用线性项dy/dt -y那是按指数渐近收敛理论上要无穷长时间才完全到达改用常数项dy/dt -sign(y)虽然也是有限时间到达但在零点附近速度完全不衰减极易过冲形成极限环。|y|^(1/2)正好卡在中间离原点远时增益大、速度快离原点近时增益小、速度平缓。这个软着陆特质是STA控制量连续性的第二重保障。角度二齐次性。STA的各项在加权齐次性意义下保持尺度不变性|s|^(1/2)·sign(s)和v具有相同的度这让两个通道能协同收敛而不是一个快一个慢互相拖累。换别的指数要么丢掉有限时间性要么需要额外状态才能维持二阶滑模。角度三工程直觉。|s|^(1/2)·sign(s)比sign(s)温和得多。s很大时给出大输出快速逼近s很小时输出随之变小不会像sign(s)那样在零点附近猛拉猛打。3.3 滑模变量怎么选相对度1是硬约束STA的教科书推导要求s关于控制输入u的相对度为1也就是ds/dt必须显式包含u。如果对象是纯积分器或一阶系统直接令s x - x_ref就行。如果对象是二阶系统比如机械臂的关节位置q满足d²q/dt² f(q, dq/dt) u d那建议滑模面取s dq/dt λ·e其中e q - q_refλ是正的带宽系数。此时ds/dt d²q/dt² - d²q_ref/dt² λ·(dq/dt - dq_ref/dt)依然显式含u相对度为1STA可以正常工作。注意如果你不加这个一阶滤波直接令se那要求两次导才会出现u相对度为2标准STA就用不了得换Twisting或者任意阶高阶滑模。3.4 扰动模型为什么要求扰动导数有界把控制律代入ds/dt做一次坐标变换z1 sz2 v d(t)得到dz1/dt -k1·|z1|^(1/2)·sign(z1) z2 dz2/dt -k2·sign(z1) dd/dt看第二行扰动d(t)是以它的导数dd/dt形式出现的。所以STA能稳定抵消的扰动数学上要求d(t)至少是Lipschitz的也就是求导后幅值有界。常值扰动、慢变扰动、谐波扰动都没有问题阶跃扰动在跳变瞬间会产生一个冲击通常会被积分项快速吸收表现为一个短暂的过渡脉冲。如果扰动本身是间断的比如某些干摩擦模型里的sign项STA会有些吃力这时候要么加前馈要么改用自适应增益的STA变体。4. 参数整定与稳定性边界从理论条件到工程经验4.1 稳定性条件的理论真相STA的有限时间稳定性最经典的证明是Moreno和Osorio在2008年CDC会议上给出的Lyapunov方法。核心是构造二次型Lyapunov函数V(z) ζ^T · P · ζ其中 ζ [ |z1|^(1/2)·sign(z1), z2 ]^TP是一个正定的2×2矩阵。沿着轨迹求导后通过选择P的元素以及k1、k2满足的不等式关系可以证明V在有限时间内降到0进而z1、z2也在有限时间到0。带扰动时的充分条件在扰动满足|ρ1| ≤ δ1·|z1|^(1/2)|ρ2| ≤ δ2的情况下形式上是一组k1要超过δ1的若干倍、k2要超过δ2、且两者之间还要满足一个耦合不等式的条件。我故意没有把具体式子抄上来因为工程上几乎没人按这个公式去配参数——扰动上界本来就估不准严格算出来的增益往往偏保守最后还是靠仿真和实验微调。这里只给两个定性结论非常有用一、无扰动时名义STA对任意正的k1、k2都是有限时间稳定的你随便给两个正数它都收敛只是过渡过程的形态不同。二、有扰动时k2必须压得住扰动导数的上界k1必须压得住s通道里扰动增益的放大。哪个压不住哪个方向就会出现稳态偏差或极限环。4.2 扰动上界怎么估工程上估扰动上界我常用三个办法仿真估界在完整模型里跑典型工况把d(t)的包络画出来取最大值乘以安全系数。台架辨识走一遍标定曲线把负载力矩、摩擦力矩、反电动势等主要扰动分量分离出来。最恶劣工况考虑启动、堵转、满负载切换等极端情况取所有情况里扰动最大的值。安全系数我一般取2到5倍。取太大控制量容易饱和取太小鲁棒性不够这个度要靠你对实际对象的熟悉程度来权衡。4.3 一套可以照着抄的整定流程结合文献和我的使用习惯推荐这个顺序设计滑模面s确认ds/dt显式含u。估算扰动d(t)的上界D和扰动导数的上界Dd哪怕先估个数量级都行。先定k2令k2 (2~5)·Dd。k2负责消除斜坡/慢变扰动太小会有稳态误差。再定k1电机控制圈里流传比较广的经验式是k1 ≈ 1.5~3·sqrt(k2)。这个式子没有严格理论依据但能保证比例项和积分项的量级协调避免积分项过猛。仿真验证s的收敛速度和u的幅值。s收敛太慢就按10%~30%的步进加大k1v频繁打上限就降低k2或加抗饱和。加入测量噪声和离散化效应后复测重点关注s在零点附近的行为。举个具体数字你估出扰动d(t) ≈ 0.8·sin(10t)那Dd ≈ 8k2取(2~5)×8 16~40先取k225再算k1 3·sqrt(25) 15。仿真里看s的收敛时间如果0.2秒内还压不到0.01就按10%步进继续加大k1。下面这个表是我踩坑后总结的症状对照比公式直观现象优先调整s收敛明显慢、误差拖着长尾巴加大k1控制量在零速附近出现高频尖刺检查s的噪声减小k1或给s加线性区v积分项一直增大直到饱和降k2加anti-windup检查模型项是否漏了东西稳态误差去不掉k2不足或扰动导数上界估小了加大k2对参数突变反应过冲大减小k1、增大k2重新调比例4.4 k1与k2的比例直觉最后补一句直觉。k1主要决定到达有多快k2主要决定驻留有多稳。k1/sqrt(k2)偏大系统像加了强比例动作快但容易毛躁偏小系统像加了重积分动作稳但反应慢。很多文献里把STA写成α和β两个参数α对应k1β对应k2调法完全一样。5. Python离散仿真从零复现一个可用的STA控制器5.1 离散化之前必须想清楚的两件事第一sign(s)在数字域会引发数字抖振。连续域里sign以无穷频率切换积分器把它平滑成连续信号数字域里s在零点附近来回穿越时dv/dt每隔一个采样周期在±k2之间跳v就变成锯齿波最终在u上表现为小幅高频抖动必须正视。第二|s|^(1/2)在s0附近对噪声放大。这一项在s0附近的等效增益是k1 / (2·sqrt(|s|))当|s|趋近0时增益趋近无穷。传感器噪声稍微把s带离零点控制量就会猛动一下。工程上常用邻域线性化处理当|s|小于阈值ε时把|s|^(1/2)·sign(s)替换成s / sqrt(ε)也就是在零点附近用直线代替抛物线。ε通常取测量噪声幅值的几倍。5.2 仿真对象和对比基准为了验证效果我用一个一阶受扰对象做跟踪控制dx/dt x u d(t) d(t) 0.6·sin(3t) 0.3·sin(7t 1)参考信号x_ref sin(0.5t)。作为对照同时实现一阶滑模u_smc -x dx_ref/dt - c·s - M·sign(s)取c 10M 1.5明显大于|d(t)|的最大值约0.9。STA增益按第4节流程取扰动导数上界约0.6·3 0.3·7 ≈ 4取k215k1取3·sqrt(15) ≈ 12。两类控制器都用Euler法积分采样周期Ts1e-4仿真时长4秒。5.3 可以直接跑的代码import numpy as np import matplotlib.pyplot as plt # 参数配置 k1 12.0 k2 15.0 c 10.0 M 1.5 eps 1e-4 # 邻域线性化阈值 Ts 1e-4 T 4.0 N int(T / Ts) t np.linspace(0, T, N 1) def f_s_sqrt(s, eps): # 平滑版 |s|^0.5 * sign(s) return np.sqrt(np.abs(s)) * np.sign(s) if np.abs(s) eps else s / np.sqrt(eps) # 初始化 x_sta 0.0 v_sta 0.0 x_smc 0.0 s_sta_arr np.zeros(N 1) u_sta_arr np.zeros(N 1) s_smc_arr np.zeros(N 1) u_smc_arr np.zeros(N 1) for i in range(N): ti t[i] x_ref np.sin(0.5 * ti) dx_ref 0.5 * np.cos(0.5 * ti) d 0.6 * np.sin(3 * ti) 0.3 * np.sin(7 * ti 1) # STA s_sta x_sta - x_ref u_sta -x_sta dx_ref - k1 * f_s_sqrt(s_sta, eps) v_sta dx_sta x_sta u_sta d x_sta dx_sta * Ts v_sta -k2 * np.sign(s_sta) * Ts # 一阶SMC s_smc x_smc - x_ref u_smc -x_smc dx_ref - c * s_smc - M * np.sign(s_smc) dx_smc x_smc u_smc d x_smc dx_smc * Ts s_sta_arr[i 1] s_sta u_sta_arr[i 1] u_sta s_smc_arr[i 1] s_smc u_smc_arr[i 1] u_smc # 绘图 plt.figure(figsize(10, 6)) plt.subplot(2, 1, 1) plt.plot(t, s_sta_arr, labelSTA s) plt.plot(t, s_smc_arr, labelSMC s, alpha0.7) plt.legend() plt.grid() plt.ylabel(s) plt.subplot(2, 1, 2) plt.plot(t, u_sta_arr, labelSTA u) plt.plot(t, u_smc_arr, labelSMC u, alpha0.7) plt.legend() plt.grid() plt.ylabel(u) plt.xlabel(t(s)) plt.tight_layout() plt.show()5.4 结果解读两个波形告诉你STA值在哪里跑完代码会看到几件事。s的收敛两种算法都能在1秒之内把s压到很小的范围。STA因为v需要充电前期会有一个小幅超调这是正常现象不是发散。u的连续性这是最直观的差别。SMC的u在±M之间高频开关放大后能看到方波边缘的锯齿STA的u是一条整体平滑的曲线叠加少量微小抖动。用np.diff(u).std()量化的话STA的相邻采样差分标准差通常比SMC小一到两个数量级。我实测这个例子里STA大约比SMC小20倍以上。误差精度稳态下STA的跟踪误差并没有比一阶SMC差甚至在扰动频率较高时略好因为v积分项对谐波扰动有持续的抵消作用。这也是我最终愿意换STA的最大原因——控制量干净精度还更好。5.5 仿真还暴露出的问题仿真阶段就能看到两个后面上实物会被放大的问题。一是启动阶段v充电慢如果参考信号一开始就有明显变化前0.2秒的误差收敛速度受v限制。二是eps的选取设得太小则噪声放大设得太大相当于给算法加了个线性区s0附近的收敛精度会下降。代码里eps1e-4只是折中实际要根据传感器噪声水平重新调。6. 工程落地的五个坑我实测中踩过的和看到的6.1 给s滤波是双刃剑s有噪声人的本能反应是加低通滤波。但滤波带来相位延迟s的真实过零点被滞后sign(s)翻转时机就错了v的积分方向会在零点附近来回试探控制量反而抖得更厉害。我在电机台架上吃过这个亏滤波时间常数从1ms调到10ms电流毛刺不降反升。正确做法是优先保证s的测量质量比如用连续编码器做差分而不是低速下直接用测速机或者对控制量u做滤波而不是对s滤波。6.2 零速附近的尖刺是|s|^(1/2)的锅编码器在零速附近有量化误差s会在±1个LSB之间跳动。此时|s|^(1/2)·sign(s)的等效增益极大k112的话一个0.001的s抖动就能生成接近0.4的控制动作。这就是第5节提到的邻域线性化要解决的事。我在实际代码里通常把eps设成5到10倍的s噪声标准差效果立竿见影。6.3 v积分器的windup启动冲击和饱和STA的v从0开始如果系统存在常值扰动比如重力不平衡力矩v需要积分一段时间才能补上这就表现为启动瞬间的偏差和过冲。如果作动器又在此期间饱和v会继续积分形成windup恢复时间更长。我的对策有两个一是给v加限制上限取作动器限幅的一定比例二是在已知常值扰动分量时用前馈先把v初始化到估计值附近。6.4 模型项u_eq别太自信也别太复杂STA对模型误差确实有鲁棒性但这是有边界的。模型项a(x)偏差过大会把扰动上界δ1推高k1和k2就得跟着加大控制量很快触及饱和。反过来也不建议把a(x)写成特别复杂的非线性表达式——表达式里的每个参数都有不确定性写进去只会把模型误差复杂化。不如保留主干项把剩余不确定丢给鲁棒项去扛。6.5 控制周期有底线STA离散实现时采样周期Ts直接决定数字抖振的幅值。经验上Ts至少要比系统主导时间常数小20倍以上我一般按50倍设计。Ts太大时v的积分步长k2·Ts变大s在零点附近每步都可能翻一次signu的锯齿波会非常明显。如果MCU算力紧张优先保证STA的调用周期把其他上位机功能挪到低优先级任务里。6.6 顺便说一句STA观测器是白送的彩蛋既然你已经写了STA控制器同样的结构改成观测器就是Super-Twisting ObserverSTO可以把不可测状态和扰动同时估计出来再拿去做前馈补偿。相当于一套代码两用。这个扩展不复杂但非常实用建议作为下一步研究点。我在实际项目中对比过一阶SMC和STA印象最深的一次是某电机速度环一阶SMC的相电流FFT里开关频率附近有明显的边带和噪声底抬高换STA并按上面的流程重新整定后电流谱干净了很多同轴侧的振动加速度也明显下降。代价是参数整定多花了半天以及v积分器需要小心处理。踩过几次坑之后我的习惯是先仿真定量级、再上台架细调而且一上来就用邻域线性化的变体而不是纯数学形式。很多教程给的STA是理想数学形式直接平移成代码会踩数字抖振的坑。如果你已经在用一阶滑模不妨在同一个框架里把sign(s)换成STA的两项结构其他逻辑基本不用动这是我个人最推荐的上手路径。