企业官网建设流程全解析

做过电机控制的人应该都有这种体会：PID参数调到一个境界之后，再往上提性能就会陷入“按下葫芦浮起瓢”的循环。速度环带宽调高一点，负载突变时的转速跌落确实小了，但编码器噪声和机械谐振也跟着放大；把滤波器加重，相位延迟又把稳定裕度吃掉一截。尤其是永磁同步电机这种强耦合、多扰动、参数随温度和工作点漂移的对象，常规PID在理想工况下可以调得很好，一旦负载惯量变化、磁链温度漂移、母线电压波动，原先的参数就开始不够用了。

我研究ADRC（Active Disturbance Rejection Control，自抗扰控制）并将其落地到PMSM速度环上，前后花了两三个月。从韩京清老师的原始论文，到高志强的线性ADRC带宽整定法，再到Simulink里反复折腾代数环和离散化，最后总算跑出一套可以稳定复现的仿真实践流程。这篇文章就把这套流程完整写出来：ADRC三大核心部件在PMSM控制里到底承担什么角色、怎么在FOC框架里落位、Simulink建模有哪些实现路线、参数整定顺序怎么安排、哪些坑我替你先踩了。

适合正在做PMSM调速系统仿真的研究生、准备把ADRC从论文搬到工程项目的工程师，以及被PID调参折磨到想换思路的人。我不绕弯子，直接讲怎么把理论变成能跑的仿真。

1. 先搞清楚一件事：PMSM为什么需要ADRC而不是更强的PID

1.1 比例积分控制到了天花板之后，问题出在“对象变了”

用PI控制PMSM转速，本质上是在赌一个前提：被控对象的参数基本不变。可是你仔细看PMSM的电压方程和运动方程就知道，这个赌注很容易输。

电机运行起来，绕组温度升高，定子电阻Rs可以变化百分之几十；磁钢温度升高，永磁磁链ψf会下降，直接影响转矩常数；负载转动惯量J更是随机械负载随意变化。传统速度环PI按固定模型调好之后，面对这些参数漂移，控制器并不知情，它也不会主动去重新辨识。于是表现就是：刚调完时响应很漂亮，跑一段时间温度上来了，同样的PI参数可能就开始振荡，或者转速恢复变慢。

更麻烦的是PMSM在dq轴之间存在动态耦合项，电压方程里的ωe·Lq·iq和ωe·Ld·id这两个交叉项，转速越高影响越大。PI控制器没有专门解耦机制，只能靠误差反馈去硬扛，而硬扛的结果往往是某个工作点扛住了，另一个工作点又不行了。

1.2 自抗扰的思想：不精确建模，而是把“不知道的”全当成扰动

韩京清先生提出ADRC的初衷，其实是一个很朴素的观察：既然精确建模困难，与其花大力气去辨识每一个参数，不如把模型偏差、外部扰动、耦合项、未建模动态统统打包成一个“总扰动”，然后用观测器把这个总扰动实时估计出来，再在控制量里补偿掉它。

你开车的时候并不会精确计算路面坡度和风的阻力，你只是感受到车“没劲了”，然后多踩一点油门。ESO干的就是这件事——它通过转速和指令电流这两个可测信息，把“等效阻力”实时估计出来，控制器再自动把这份阻力抵消掉。

这个思路对PMSM来说是天然契合的。它不用你做复杂的解耦，因为交叉耦合项算“内扰”，会被扩张状态观测器一并估计；不用担心负载突变，因为负载转矩是典型“外扰”，会被观测器识别；甚至转动惯量变化这种“模型参数摄动”，也会被折算到总扰动里。所以ADRC在PMSM上的意义不是“替代PID”，而是在PID难以兼顾鲁棒性和动态性能的场合，提供了一条不需要精准模型就能实现扰动补偿的路径。

2. ADRC三大核心部件的角色拆解：TD、ESO、NLSEF对照PMSM物理量

2.1 TD：让速度指令先爬一段坡，从源头锁住超调

跟踪微分器（Tracking Differentiator，TD）解决的是“参考指令过于陡峭”的问题。速度环给定经常是阶跃信号，阶跃意味着速度指令瞬间从0跳变到额定值。如果你直接把这个阶跃作为控制目标，被控对象即使性能很好，也会因为执行器输出饱和、惯量滞后而产生超调。

TD的作用就是给这个阶跃信号安排一个平滑的过渡过程。它会生成两个输出：一个是跟随原始指令的平滑轨迹v1，另一个是v1的微分v2，也就是期望加速度。这样控制器跟踪的是“有边界的爬坡指令”，而不是“悬崖式跳变”，超调从源头就被压住了。

以转速指令为例，TD可以简化为一组离散递推式：

v1(k+1) = v1(k) + Ts * v2(k) v2(k+1) = v2(k) + Ts * fhan(v1(k) - v_ref, v2(k), r0, h0)

fhan是非线性函数，r0决定过渡过程快慢，r0越大爬坡越陡，h0是滤波因子。工程上我喜欢先用一个简单的限速一阶惯性去近似TD的效果，跑通之后再换成完整fhan，这样能减少初期联调时的变量。

2.2 ESO：把转速、加速度和总扰动一起“看穿”

扩张状态观测器（Extended State Observer，ESO）是整个ADRC最核心的部分。对于PMSM速度环，如果把电流环等效为一个快速内环，则被控对象可以写成一阶微分形式：

dω/dt = b0 * iq* + f(ω, iq, TL, t)

这里的f就是总扰动，它包括了负载转矩引起的加速度变化、转动惯量变化、电流环延迟、摩擦、磁链变化等一切“说不清但客观存在”的影响力。ESO在做的事情，是把ω和f都当作状态变量，然后通过观测误差e = z1 - ω来修正估计。

以线性ESO为例，离散迭代公式如下：

e = z1 - ω z1(k+1) = z1(k) + Ts * (z2(k) + b0 * u(k) - 2*ωo * e) z2(k+1) = z2(k) + Ts * (-ωo² * e)

z1跟踪实际转速，z2跟踪总扰动f。观测器带宽ωo决定了ESO收敛速度和噪声抑制能力。在PMSM速度环里，当负载转矩突然增加时，转速会先跌落，ESO通过观测误差会发现z1跟不上实际转速，于是z2迅速增大，控制律就会自动额外补一份电流指令，让转速尽快拉回来。整个过程中，不需要你知道负载具体是多大，也不需要你推导负载模型。

2.3 NLSEF：非线性组合的价值，在于“小误差高增益、大误差低增益”

非线性状态误差反馈（Nonlinear State Error Feedback，NLSEF）的作用是组合误差信号生成控制量。传统PI是线性组合，误差大增益固定，误差小增益也固定；ADRC的非线性组合使用fal函数：

fal(e, α, δ) = e / δ^(1-α) 当 |e| ≤ δ fal(e, α, δ) = |e|^α * sign(e) 当 |e| > δ

当α取0.25到0.5之间时，这个函数在误差小时提供高增益，保证精调；误差大时增益相对温柔，避免过激。工程上有一个容易被误导的地方：非线性ADRC不是唯一选择。高志强的LADRC就直接用线性组合，照样在大量工业对象上落地。我个人的建议是，第一次搭建PMSM速度环ADRC，先做线性版，把ESO调明白了，再引入fal函数看性能是否更进一步。否则ESO、TD、NLSEF三个环节同时非线性化，出问题你根本分不清该调谁。

3. FOC架构下ADRC的落点：电流环还是速度环，别再纠结

3.1 速度环ADRC + 电流环PI是目前性价比最高的组合

FOC（磁场定向控制）标准结构是速度外环加电流内环。电流环的带宽一般远高于速度环，PI控制足够把dq轴电流在几个毫秒内稳定住。把ADRC放在电流环不是不行，但对采样频率、计算耗时和参数整定要求都更高，工程收益在大多数场合并不明显。

我的经验是：速度环用ADRC，电流环保留PI。原因有两点。

其一，速度环是承受外部扰动的主力。负载突变、惯量变化都直接作用在机械方程上，速度环需要更强的扰动观测和补偿能力，ADRC的ESO正好发挥价值。其二，电流环讲究“快”和“准”，PI配合前馈解耦在电流环带宽范围内已经表现优秀，强行上ADRC反而可能因为带宽受限而丢动态。

仿真时你可以在同一个模型里切换速度环控制器的选择，我实测下来：同样面对0.1秒内从空载突加到额定负载的工况，速度环PI大约需要0.3到0.5秒恢复并伴随速度跌落；ADRC可以根据ESO的补偿把转速跌落减少一半以上，恢复时间缩短到0.1到0.2秒。

3.2 电流限幅和ESO的“信息一致性”问题

很多教程不会告诉你：ESO里的b0*u这一项，u必须用真实作用在被控对象上的控制量。仿真里电流环输出经过限幅后才会变成实际的iq，如果ESO用的却是限幅前的iq指令，那观测器估计的就是一个“虚假对象”的状态，负载突变时z2会出现严重的过冲甚至发散。

解决办法是在ADRC输出和ESO输入之间，串联一个完全相同的Saturation模块，保证进ESO的u和真正送进电流环的u一致。我一开始忽略了这个细节，仿真里速度阶跃正常，但负载突增时z2疯狂震荡，整整排查了两天才定位到是限幅不一致问题。

3.3 速度环一阶线性ADRC的离散状态方程

综合以上考虑，给出一个可以直接落地的速度环一阶线性ADRC离散表达式。被控对象视为：

dω/dt = b0 * u + f_total

其中b0 = 1.5 * p * ψf / J，是可用的控制增益估计值；u是电流环的iq指令。

ESO采用二阶扩张观测器：

e = z1 - ω z1 += Ts * (z2 + b0 * u - 2*ωo * e) z2 += Ts * (-ωo² * e)

控制律：

u0 = ωc * (v_ref - z1) u = (u0 - z2) / b0

这里ωc是控制器带宽，ωo是观测器带宽。一阶被控对象只有一个误差状态，所以NLSEF也就只有一个比例项，不需要微分项。你不要把二阶ADRC的β1=3ωo、β2=3ωo²、β3=ωo³那一套套在这上面，那是给二阶对象用的。

4. Simulink从零搭ADRC：S-function与基础模块两条路线

4.1 基础模块路线：适合看原理、改结构

如果你只是想先理解ADRC的运行逻辑，用Simulink基础模块搭最快。需要准备的模块：Sum、Gain、Integrator、Unit Delay、Saturation、Fcn或MATLAB Function。

TD子系统的内部结构：

• 输入：速度参考v_ref
• 状态：v1、v2
• 实现：两个积分器，v1积分得到v2，v2的输入接fhan函数输出
• fhan函数建议用MATLAB Function实现，避免纯模块搭fhan带来的连线爆炸

ESO子系统的内部结构：

• 输入：实际转速ω、控制量u（注意用Unit Delay延迟一拍）
• 状态：z1、z2
• 实现：两个积分器，按照前面离散方程连线
• 增益分别设2*ωo和ωo²
• 关键：u输入必须先经过Saturation限幅模块，且限幅值和电流环保持一致

NLSEF和控制量组合部分：

• 计算误差：e1 = v1 - z1
• 计算u0 = ωc * e1
• 计算u = (u0 - z2) / b0
• 输出u经过饱和后送电流环，同时反馈到ESO输入

基础模块搭建的优点是每个信号都暴露在连线上，方便用Scope直接观察z1、z2、u0这些中间量，非常适合教学和原理验证。缺点是模型连线多，一旦参数化不够彻底，后期改参数很痛苦。我建议所有增益都用变量名，写在模型的InitFcn回调或者单独的.m脚本里。

4.2 S-function路线：面向代码生成和硬件快速原型

如果你后续要做代码生成，或者准备把ADRC搬到dSPACE、快速控制原型设备上，我强烈建议用Level-2 MATLAB S-Function把整个ADRC封装成一个模块。

优势很直接：全部控制算法在一个文件里，逻辑清晰，参数通过对话框传入，仿真效率远高于几十个基础模块的连线模型。更重要的是，后续通过Embedded Coder生成控制器代码时，这种封装方式几乎是必须的。

Level-2 S-Function的框架如下：

function adrc_sfun(block) setup(block); function setup(block) block.NumInputPorts = 2; % input1: 速度参考 v_ref, input2: 实际转速 w block.NumOutputPorts = 3; % output1: 控制量 u, output2: z1, output3: z2 block.SetPreCompInpPortInfoToDynamic; block.SetPreCompOutPortInfoToDynamic; for i = 1:block.NumInputPorts block.InputPort(i).Dimensions = 1; block.InputPort(i).DirectFeedthrough = false; end for j = 1:block.NumOutputPorts block.OutputPort(j).Dimensions = 1; end block.NumDialogPrms = 6; % Ts, wc, wo, b0, r0, h0 block.SampleTimes = [1 0]; block.RegBlockMethod('Outputs', @Outputs); block.RegBlockMethod('Update', @Update); block.RegBlockMethod('Start', @Start); function Start(block) block.ContStates.Data = [0; 0; 0; 0; 0]; % v1, v2, z1, z2, u_delay function Outputs(block) v_ref = block.InputPort(1).Data; w = block.InputPort(2).Data; Ts = block.DialogPrm(1).Data; wc = block.DialogPrm(2).Data; wo = block.DialogPrm(3).Data; b0 = block.DialogPrm(4).Data; x = block.ContStates.Data; v1 = x(1); v2 = x(2); z1 = x(3); z2 = x(4); u_delay = x(5); e1 = v1 - z1; u = (wc * e1 - z2) / b0; u = max(-10, min(10, u)); block.OutputPort(1).Data = u; block.OutputPort(2).Data = z1; block.OutputPort(3).Data = z2; function Update(block) v_ref = block.InputPort(1).Data; w = block.InputPort(2).Data; Ts = block.DialogPrm(1).Data; wc = block.DialogPrm(2).Data; wo = block.DialogPrm(3).Data; b0 = block.DialogPrm(4).Data; r0 = block.DialogPrm(5).Data; h0 = block.DialogPrm(6).Data; x = block.ContStates.Data; v1 = x(1); v2 = x(2); z1 = x(3); z2 = x(4); u_delay = x(5); % TD [v1_new, v2_new] = td_update(v1, v2, v_ref, r0, h0, Ts); % ESO e = z1 - w; z1_new = z1 + Ts * (z2 + b0 * u_delay - 2 * wo * e); z2_new = z2 + Ts * (-wo * wo * e); % control output delayed by one step u0 = wc * (v1 - z1); u_new = (u0 - z2) / b0; u_new = max(-10, min(10, u_new)); block.ContStates.Data = [v1_new; v2_new; z1_new; z2_new; u_new]; function [v1_new, v2_new] = td_update(v1, v2, v_ref, r, h, Ts) f = fhan(v1 - v_ref, v2, r, h); v1_new = v1 + Ts * v2; v2_new = v2 + Ts * f;

这个框架把控制律、状态更新、限幅、延迟一拍都包含进去了。你在Simulink里用S-Function模块指定这个函数名，再填6个参数就能跑。

搭好之后可以把它放进自建库，这样以后新建模型直接拖出来用，不用每次重新写一遍。

4.3 仿真环境：PMSM模块、逆变器和求解器的选择

PMSM本体可以用Simscape Electrical里的永磁同步电机模块，也可以用自己搭的电机数学方程模型。我的建议是前期用数学方程模型（dq坐标系下的电压方程+运动方程+电磁转矩方程），好处是仿真速度快、参数全透明，适合专注验证ADRC算法；后期再换Simscape电气模型配合三相逆变器和SVPWM，验证真实PWM开关下的控制效果。

求解器配置上，如果你采用的是离散ADRC算法，应该选择固定步长离散求解器。模型里如果只有PMSM的连续方程，推荐用固定步长的ode4，步长一般取1e-5到1e-6，取决于你PWM载波频率和电流环采样周期。速度环Ts取1e-3（1kHz）是常见配置，电流环Ts取1e-4（10kHz）。仿真时间够采样几十个速度环周期即可，我通常跑0.5到1秒。

5. 参数整定顺序与调试技巧：先稳住ESO，再谈性能

5.1 用带宽法快速得到初始参数

参数整定是ADRC落地最大的门槛，但别怕，带宽法可以快速给出可用的起点。核心思想：把控制器带宽ωc和观测器带宽ωo解耦，先把ωo设成ωc的3到10倍，然后逐步调整。

对于前面那个一阶速度环ADRC：

• 控制增益：kp = ωc
• ESO增益：β1 = 2*ωo，β2 = ωo²

初始值怎么取？根据实际对象大致评估。比如一个PMSM速度环的机械时间常数在几十到几百毫秒量级，速度环的闭环带宽通常取几个Hz到十几Hz。取ωc = 10 rad/s左右作为起点，ωo = 5ωc = 50 rad/s，然后跑阶跃响应看趋势。

以下是常用初始参数表，可作参考：

这个表是我实测下来比较稳的起点。你不需要一上来就追求最优，先把这些参数跑出一个可用的响应，再做局部微调。

5.2 调参三大阶段：看估计、看跟踪、看抗扰

我每次调ADRC都按三个阶段推进，强烈建议你也这样做。

第一阶段：只开ESO，看z1能不能跟上实际转速。给一个正弦或扫频速度指令，把Scope同时拉出实际转速ω和z1曲线。如果z1滞后太大，说明ωo偏低，增大ωo；如果z1抖动严重，说明ωo过高或测量噪声太大，减小ωo。同时观察z2曲线，z2应该是相对平滑的信号，反映了负载和扰动的等效加速度，如果z2高频乱跳，就是ωo过大的典型信号。

第二阶段：闭合速度环，但先不加额外扰动，只做阶跃跟踪。看v1（TD输出）与实际转速ω之间的误差。如果跟踪慢，增大ωc；如果出现振荡，优先减小ωc，或者增大TD的过渡时间、减小r0。这个阶段的目标是得到一个“干净”的阶跃响应曲线。

第三阶段：加入负载转矩突变。在PMSM机械方程输入端叠加一个阶跃负载（比如在0.3秒时突加额定负载）。观察转速跌落幅度和恢复时间。如果转速跌落大且恢复慢，优先提高ωo，再考虑调整b0；如果恢复过程出现振荡，说明ωo相对ωc取得过高，适当回调。

5.3 b0偏大偏小的判断和修正

b0是整个ADRC里最容易被误解的参数。它的物理含义是“单位控制量对转速变化的贡献”，估算公式是b0 = 1.5p·ψf/J。但实际系统里电流环不可能瞬时响应，控制量从指令到实际转矩产生存在延迟，所以理论b0几乎总是偏乐观的。

b0偏大会怎样？控制律u = (u0 - z2)/b0，b0偏大意味着同样的u0和z2，算出的u会偏小，补偿力度不足。表现就是：阶跃响应上升偏慢，负载扰动时转速跌落比预期大。

b0偏小会怎样？u = (u0 - z2)/b0会把控制量放大，表现是：响应变快的同时容易出现超调，甚至高频振铃。严重偏小会让整个闭环不稳定，ESO的z2也会剧烈震荡。

实际调试时，你可以把b0上下浮动50%看响应变化。如果b0偏大导致响应懒洋洋的，就减小b0；如果出现振铃，就增大b0。一个技巧：先用理论值，然后向“偏小”的方向试探，当系统开始不稳定时就退回去一点，这个值通常接近最优。

5.4 非线性ADRC什么时候值得上

线性ADRC跑顺之后，你可能会想上非线性fal。我的经验是：只有当线性ADRC出现明显的“大误差收敛慢、小误差稳态精度不足”时，才值得上非线性。把控制律改成：

u0 = k1 * fal(e1, 0.5, δ) + k2 * fal(e2, 0.25, δ)

注意这里e2是误差的微分，一阶速度环场景下没有这个状态，所以通常是先引入含TD的完整二阶结构，才谈得上真正意义上的非线性NLSEF。如果你用一阶线性ADRC已经能满足指标，就不要为了用非线性而非线性，它带来的性能提升在速度环上往往没有论文里写的那么夸张。

6. 仿真里最容易翻车的地方：代数环、离散化与fal函数实现

6.1 代数环：把ESO搭成“自己算自己”的死循环

基础模块搭ESO时，最容易遇到的Simulink报错就是代数环（Algebraic Loop）。现象是模型跑起来之后警告“Algebraic loop detected”，仿真速度极慢，甚至直接报数值错误。

原因在于：ESO当前时刻的更新需要用到当前时刻的控制量u，而u又是由ESO当前时刻的输出z1、z2计算出来的，这就形成了一个“自己算自己”的环。

解决方法我的推荐是：在控制量反馈进ESO之前加一个Unit Delay，让ESO用的是上一拍的控制量u(k-1)，而不是当前拍的u(k)。这在离散控制里是非常自然的处理，因为实际控制器做运算的时候也不可能在同一拍内拿到当前时刻的执行结果。S-function路线里，我在代码中直接用u_delay这个状态变量保存了上一拍的控制量，天然避开了代数环。

6.2 fal函数的数值细节：α、δ都不任性

fal函数的实现看起来简单，实际使用中有几个细节要小心。

第一个是α的取值。当α小于1时，函数在零点附近是线性段加非线性段的拼接，线性段长度由δ决定。如果δ取得太小，比如转速单位是rad/s时δ取0.001，那么在线性段和平方根段的衔接处容易产生数值凸起，导致微小扰动被放大。我一般把δ取成被估计信号量程的0.1%到1%。速度环信号如果是314 rad/s量程，δ取0.1到1都是合理的。

第二个是要避免指数运算的数值问题。MATLAB里(-0.001)^0.5这种负底数小数幂会得到复数，fal函数里如果不先判断符号，代码会直接报错或者产生复数传播。正确写法是先取绝对值、做幂运算、再加符号：

function f = fal(e, alpha, delta) if abs(e) <= delta f = e / delta^(1 - alpha); else f = abs(e)^alpha * sign(e); end end

第三个是关于“要不要用非线性ESO”的争议。我见过不少人一上来就上全套非线性，结果仿真曲线各种高频抖动，根本分不清是参数问题还是数值问题。建议按这个顺序推进：线性ESO + 线性控制律 → 线性ESO + 非线性控制律 → 非线性ESO + 非线性控制律。每一步都确认没有异常，再进入下一步。

6.3 连续积分器和离散化步长的匹配问题

很多初学者直接在Simulink里用Integrator模块搭ESO，自以为天衣无缝。但这里有一个隐蔽的坑：Integrator模块用的是连续积分语义，而ADRC的离散增益设计（比如β1=2ωo、β2=ωo²）是基于采样间隔Ts推导的。只要仿真步长变化，ESO的实际离散特性就跟着变化，造成“换台电脑或换个步长，参数就得重新调”。

正确做法是：从一开始就把ADRC写成离散递推式，用Unit Delay和Gain模块实现状态更新，或者干脆用S-function显式写离散状态方程。嵌入式的控制器一定是离散实现的，所以仿真阶段就按离散方式建模，可以减少后面移植的工作量。

举个简单的离散ESO更新代码：

e = z1 - w; z1 = z1 + Ts * (z2 + b0 * u_delay - 2 * wo * e); z2 = z2 + Ts * (-wo * wo * e);

这就是用显式欧拉法离散化ESO，Ts就是速度环采样周期。注意z1和z2的更新用了同一拍的e，这在工程上是可接受的，尤其当Ts足够小时，欧拉法带来的误差远小于外部扰动的影响。

6.4 测量噪声：ESO不是万能滤波器，别把带宽推太高

ESO本身有一定的滤波特性，因为观测器的极点可以理解为对测量信号做低通整形。但你如果把ωo推得过高，噪声问题会全部暴露出来。编码器转速信号本身就有量化噪声，尤其是低速段，码盘分辨率不足时转速信号会出现明显的台阶状抖动。这些抖动进入ESO后，会被直接放大并反映到总扰动估计z2和控制量u上，表现为电流指令高频颤动、电机发烫、甚至电流环饱和。

我的建议是：速度信号可以做一阶低通滤波，但滤波时间常数不要太大，否则相位滞后会抵消ESO的观测速度。工程上更实用的做法是：优先把ωo控制在一个合理范围，用“转速信号轻滤波 + ESO适中带宽”的组合。你在仿真里可以做一个对照实验：把ωo从50调到200，然后给转速反馈叠加一个白噪声，观察z2噪声放大的程度。这个实验做完，你对带宽取舍的理解会比看十篇论文都深刻。

7. 仿真跑通之后再看一眼：参数辨识、代码生成与快速原型衔接

7.1 ADRC参数不是随便拍脑袋，b0估算依赖电机参数

前面说了那么多，你可能发现了：ADRC声称不依赖精确模型，但b0这个参数还是离不开电机的p、ψf和J。ADRC的优势是“允许b0不准”，并且把这个不准的部分折到总扰动里去补偿，但b0如果偏太多，补偿效果会大打折扣。所以b0的估算质量直接影响控制性能。

参数辨识在这里就派上用场了。特别是转动惯量J，它在实际机械系统里经常是未知的，而且可能随负载变化。离线辨识可以在电机启动阶段注入一定的激励信号（比如小幅度的转速阶跃序列），用最小二乘法辨识速度环的一阶模型，从而得到J的估计。在线辨识则可以用带遗忘因子的递推最小二乘，持续跟踪转动惯量的变化，实时更新b0。

仿真阶段怎么验证？你可以把电机模型里的J人为改大一倍，但控制器b0保持原值，看ADRC还能不能稳住。如果只是响应变慢、抗扰变弱，说明ESO确实在补偿；如果直接发散，说明b0偏差超出了ESO的补偿能力范围，这时候就需要参数辨识来兜底。

7.2 代码生成、FMU导出和外部模式调试

如果你最终的目标是硬件落地，那么仿真模型的设计从一开始就要考虑代码生成的兼容性。有几个硬性要求：

• 控制算法部分使用离散模块，不要用连续积分器
• S-function推荐使用Level-2或C MEX方式实现，纯Interpreted MATLAB Function无法直接生成嵌入式代码
• 所有参数用对话框或结构体传入，不要硬编码在函数内部
• 子系统封装成原子子系统，方便代码生成时控制函数边界

FMU导出也是目前协同仿真里的一个常用手段。在Simulink里把包含ADRC的控制模型配置成支持FMU导出后，可以供其他工具调用。要注意的是，FMU导出对求解器和采样时间设置很严格，必须使用固定步长，而且ADRC模块内部不能有变步长连续状态。

如果在快速原型设备上调试，建议把ESO的z1、z2作为输出引出来，通过外部模式实时观测。这是最有效的调参方式——只看转速波形你分不清是跟踪问题还是扰动补偿问题，同时看z2曲线你就能判断观测器是否在正常工作。

7.3 ADRC的迁移价值：不止PMSM，也不止速度环

有一种很有意思的现象：当你把ADRC从PMSM速度环打通之后，你会发现这套“观测扰动+补偿扰动”的思路几乎可以平移到任何控制场景。比如四旋翼的姿态控制、车辆运动控制、电机参数辨识、弱磁控制等，本质都是把复杂的动力学对象简化成一个积分器串外加一个“总扰动”。

但迁移的时候一定要记住：被控对象的阶次决定ADRC的阶次，b0的物理含义随对象不同而不同。PMSM速度环是一阶积分串模型，所以ESO只要二阶就够了；如果要做位置环，那就是二阶积分串模型，ESO需要三阶，控制律也需要带微分项。直接把速度环的参数和结构搬到位置环，基本必炸。

我自己在这个项目里还发现一个额外收益：同一个ADRC观测器结构可以复用到不同型号的PMSM上，只要重新估算b0和带宽，其余逻辑几乎不用改。这比我之前调一套PI参数要通用得多。

最后说一点个人体会。我最初在Simulink里第一次把ESO的z2曲线拉出来和负载转矩曲线叠加对比时，那种“观测器居然真的把看不见的负载力矩看出来了”的感受，确实是PID给不了的。但我也想泼一盆冷水：ADRC不是银弹，它把PID调参的“经验活”变成了观测器带宽选择的“权衡活”，本质上还是需要你对被控对象有足够的物理直觉。建议你拿到这篇文章后，先用线性ADRC把基础模型跑通，再一步步改成非线性版本，每一步都做好记录。仿真与理论之间那些说不清的模糊地带，参数一旦跑飞，就是你的“实践手感”开始形成的时候。