Simulink仿真对比LADRC与PID：自抗扰控制入门到实践

把LADRC和PID同时放进Simulink里跑一遍仿真对比，是我见过学习自抗扰控制最扎实的入门方式。你不必一上来就啃扩张状态观测器那套数学推导，只需搭两个闭环、调几组参数、放一个阶跃和一个扰动进去，就能直观看到“观测器补偿”和“误差反馈”究竟差在哪里。这篇文章适合三类读者：刚学完自动控制理论但没碰过LADRC的学生、想评估LADRC能否替代现有PID回路的工程师，以及只在公式层面见过ADRC但想把它真正“跑通”的人。我会从模型准备、控制器搭建、参数整定、结果解读一直写到常见报错，把能踩的坑尽量提前替你们摸一遍。

1. 为什么要在Simulink里对比LADRC与PID

1.1 两种控制器的底层逻辑差异

PID控制器的核心逻辑，简单说就是“看误差、算误差、消误差”。它把当前误差（P）、历史误差积分（I）和误差变化趋势（D）按比例叠加成一个控制量。这个思路非常朴素，工程师上手快，调参也有比较成熟的套路。但也正因如此，PID对被控对象内部的耦合、外部扰动和参数变化，只能通过闭环增益去“被动压制”。

LADRC的全称是线性自抗扰控制，它做了一件关键的事：把系统模型中不确定的部分、外部扰动、内部耦合统一看成“总扰动”,然后用扩张状态观测器（ESO）去实时估计这个总扰动，再把估计值直接补偿掉。放在Simulink里看，PID是“用反馈扛扰动”，LADRC是“把扰动看见并抵消掉”，这个差别在仿真曲线上会非常明显。

我经常用一个生活化类比：PID像是一个只根据室温偏差调空调的人，屋里热了开冷风，开过了再调回来；LADRC则是这个人额外感知到了阳光暴晒、房间密封性差、隔壁发热设备在散这些“扰动源”，然后提前加大制冷补偿，而不是等温度偏差变大后才出手。

1.2 仿真对比给谁用、能解决什么问题

我一直主张第一次接触LADRC的人不要直接上硬件，原因很现实：真实被控对象通常是非线性的，接线有延迟，传感器带噪声，控制器参数一旦设得离谱，轻则系统发散，重则损坏设备。而在Simulink里做对比仿真，你可以在几秒内改参数、加扰动、换对象模型，还能用Scope和MATLAB脚本把响应曲线完整记录下来，这是硬件实验做不到的便利。

对初学者来说，仿真对比真正解决的是“感性认识”问题。LADRC公式里一排增益系数、观测器矩阵，看到之后大多数人会懵。但你把它搭进Simulink回路里，把目标值阶跃和外部扰动分别加进去，再跑一次仿真，你就会立刻明白：原来LESO是在第三维状态里实时跟踪扰动，原来控制器带宽和观测器带宽各自管的是哪一段性能。这种认识一旦建立，再回头翻书，那些矩阵和特征值配置就不再是抽象符号。

2. 搭建模型前的工作：确定对象与准备仿真环境

2.1 被控对象选择：为什么要用二阶传递函数

做对比仿真最重要的前提是“公平”。我不会一上来就选择复杂的非线性对象，而是用一个典型的二阶线性模型作为被控对象，例如一个直流电机速度或位置系统的简化模型：

[ G(s)=\frac{10}{s^2+2s+1} ]

这个对象有明确的物理意义：s^2项对应转动惯量，2s项代表阻尼，增益10对应电枢电压到转速的静态放大倍数。选择二阶模型有两个好处：一是PID和LADRC的设计都容易起步，传递函数结构清晰，便于手算；二是二阶系统已经能体现出超调、振荡、调节时间等绝大多数控制系统关心的动态特性。

如果你手头有实际的被控对象辨识结果，比如某个伺服系统的传递函数是G(s)=K/(Ts+1)(as+1)，也可以换进去。但要记住，对比结论只对“你选的这个对象”成立，换一个对象后参数需要重新整定，性能优劣也可能反转。做入门学习时，先用标准二阶系统把方法论跑通，再去换对象才是正路。

2.2 Simulink环境配置和公共信号布置

在Simulink中新建模型后，我建议直接做三件准备工作：模型求解器设置、基本模块库准备、公共信号构建。求解器建议用固定步长方式，具体步长你可以取0.001秒，这一步放在后面第6节会解释原因。模块库里需要准备Step阶跃信号、Sum加减模块、Gain增益模块、Integrator积分器、Scope示波器，以及一个关键的PID Controller模块。

更重要的准备工作是“把两个控制器放进同一个模型文件，还是拆成两个模型文件”。我的习惯是放在同一个模型中，用上下两路分别构建PID闭环和LADRC闭环，两个闭环共享同一个被控对象模块。这样做的最大好处是方便做对比：同一个阶跃信号分别进两路，外部扰动模块也可以通过一个多路分配器同时加给两个系统，Scope里一框看四根线，结果一目了然。

2.3 公共参数脚本

在Simulink里直接敲参数不够规范，尤其在参数数量较多的LADRC里，每改一次都要进对话框点一遍非常容易出错。我的做法是先在MATLAB脚本里把公共变量都定义好，再在Simulink模块的参数栏填变量名。

public_params.m脚本示例：

% 公共被控对象参数 G_num = 10; G_den = [1 2 1]; % s^2 + 2s + 1 % 仿真参数 Ts = 0.001; % 固定采样周期 T_end = 10; % 仿真时长 % 阶跃信号参数 step_start = 1; % 阶跃起始时间 step_amp = 1; % 阶跃幅值 % 扰动信号参数 dist_time = 5; % 扰动加入时间 dist_amp = 3; % 扰动幅值

脚本执行后，所有模块都能直接引用这些变量。之后你想把对象增益改成50，只需要改G_num，两个回路的公共对象同步变化，对比逻辑不会错乱。这个习惯往小了说是省事，往大了说是保证对比公平的关键。

3. LADRC控制器的Simulink搭建：LESO、带宽参数化与离散化

3.1 线性自抗扰控制的核心结构

LADRC针对二阶对象时的结构非常固定，核心由三部分构成：线性扩张状态观测器（LESO）、线性误差反馈控制率（LSEF）、以及扰动补偿回路。我要先说清楚整个回路里每个信号的走向，再落到Simulink模块上。

把二阶对象写成一阶状态方程形式：

[ \dot{x}_1 = x_2 ] [ \dot{x}_2 = f(x_1,x_2,w,t) + b_0 u ] [ \dot{x}_3 = \dot{f} ]

其中x3就是那个被扩张出来的“总扰动”状态。LESO要做的是用输出y和控制输入u去估计x1、x2、x3：

[ \dot{z}_1 = z_2 + l_1 (y - z_1) ] [ \dot{z}_2 = z_3 + b_0 u + l_2 (y - z_1) ] [ \dot{z}_3 = l_3 (y - z_1) ]

注意这个公式里input用b_0 u，即对被控对象输入的估计，这个b_0是对象控制增益的估计值，它的取值直接影响观测器估计的准确性。控制量则由两部分组成：

[ u_0 = k_p (r - z_1) - k_d z_2 ] [ u = \frac{u_0 - z_3}{b_0} ]

z3估计出来的总扰动被直接减掉并除以b_0，这就是“扰动补偿”的数学含义。你会发现，LADRC本质上是一个“状态反馈+前馈补偿”的组合，与PID的纯误差反馈思路已经不在同一层了。

3.2 带宽参数化公式与初始参数

LADRC学起来最轻松的一点，就是它把多个增益压缩成了两个带宽：控制器带宽ωc和观测器带宽ωo。标准配置下，控制器增益取：

[ k_p = \omega_c^2, \quad k_d = 2\omega_c ]

观测器增益取：

[ l_1 = 3\omega_o, \quad l_2 = 3\omega_o^2, \quad l_3 = \omega_o^3 ]

这个配置的本质是把闭环特征多项式配成典型的多重极点形式。对于入门级参数，我通常先取ωc=8、ωo=40，b0=10。这三个参数的理解方式：ωc决定跟踪的速度，越大响应越快但超调和噪声问题会冒出来；ωo决定观测器估计扰动的速度，一般取ωo为ωc的3到10倍，太小则扰动估计跟不上，太大则噪声被严重放大。

3.3 用MATLAB Function模块实现离散LADRC

搭建LADRC有纯模块搭法和写代码搭法。纯模块搭法需要三个积分器、多个增益和求和模块，连线复杂，不适合讲解和复现。所以我会用MATLAB Function模块来写离散化的LADRC控制器，这样既贴近实际嵌入式实现，代码逻辑也一目了然。

在Simulink的User-Defined Functions库中拖一个MATLAB Function模块，写入如下代码：

function u = ladrc_controller(y, r, u_past, z1_mem, z2_mem, z3_mem, wc, wo, b0, Ts) % 增益 kp = wc^2; kd = 2 * wc; l1 = 3 * wo; l2 = 3 * wo^2; l3 = wo^3; % 观测误差 e = y - z1_mem; % 离散LESO：一阶欧拉法 z1 = z1_mem + Ts * (z2_mem + l1 * e); z2 = z2_mem + Ts * (z3_mem + b0 * u_past + l2 * e); z3 = z3_mem + Ts * (l3 * e); % 控制率 u0 = kp * (r - z1) - kd * z2; u = (u0 - z3) / b0; end

这里的难点在于状态记忆。Simulink中每次调用这个函数时，z1、z2、z3都不应该从零开始，而是从上一时刻的结束值继续。上面代码把z1_mem、z2_mem、z3_mem和u_past作为外部记忆输入，是为了避免在MATLAB Function内部定义persistent变量时引发的离散状态管理问题。你需要在Simulink模型中用Unit Delay模块或Memory模块来存储这些信号，把输出端的z1...等信号返回到输入端形成闭环记忆。

模型里每个模块的对应关系是：控制器的输入端接目标值r和被控对象输出y，控制器的输出u连接被控对象输入。同时把控制器内部更新后的z1、z2、z3、u分别连到几个记忆模块，再从记忆模块输出反馈回函数输入。全部连好后，LADRC回路就建立起来了。

4. PID控制器的搭建与调参：从自动整定到手改

4.1 在Simulink中放一个可对比的PID Controller

PID那一路直接用Simulink的PID Controller模块是最省事的。拖入模块后，双击打开参数页，把控制器形式设为PID，域设为Continuous Time。这里我建议在参数页里把公式形式选为Parallel或Ideal视模块版本而定，增益含义和传递函数中的Kp、Ki、Kd一一对应。

PID Controller模块内部会自动帮你做积分限幅、输出饱和等处理，但为了和LADRC保持一致的离散对比条件，如果你用的是固定步长求解器+离散LADRC，那么PID这路也建议把域改成Discrete Time，并选择同样的采样周期Ts。这算是一个容易忽略的公平性问题：一个连续PID配一个离散LADRC，响应快慢本身就不可比。

4.2 手动初调的顺序和边界条件

在拿到一组可用PID参数前，我不建议直接把PID Tuner自动整定结果当作终点。先用一组能稳定闭环的参数作为起点，再按照“先P、后I、再D”的顺序手动调整，你才能理解每个增益在响应曲线上具体影响什么。

对于G(s)=10/(s^2+2s+1)，一组比较稳妥的起始参数是：

Kp = 2; Ki = 2; Kd = 2;

先把Ki和Kd设为0，只保留Kp，然后逐渐增大Kp直到阶跃响应出现临界等幅振荡，记下此时增益Kc和振荡周期Tc，再用经验公式推算另外两个增益。这是一种早期的Ziegler-Nichols整定思路。但在Simulink里操作要小心：临界振荡时系统已经处于等幅振动的边界，继续加增益就会发散，一定要小步长地增加Kp。

得到稳定响应后，我再去处理积分项和微分项。通常的规律是：增加Ki会消除静态误差但会带来低频振荡；增加Kd能抑制超调但会对高频噪声特别敏感。手动调参时每改一个增益就重跑一次仿真，别同时动两个参数，否则你根本不知道是哪一个改动让曲线变好了。

4.3 自动整定工具的使用时机

Simulink的Control Design工具箱里集成了PID Tuner，可以用自动整定方式快速生成一组初始参数。打开方法是：在PID Controller模块上右键选择“Tune PID”，然后在工具界面里选择指定参考阶跃响应性能和鲁棒性水平，它会自动算出增益。

我的建议是把自动整定当作起点而不是终点。PID Tuner的优点是快，几秒钟就能得到一组不发散且基本可用的参数；缺点是你不知道它优化的是什么目标，而且对于初学者来说会绕过了理解增益含义的环节。所以我习惯在自动整定后仍然看一眼超调量、调节时间和控制量曲线，有不满意的指标再手动改。

5. 设置公平的仿真场景并解读结果：这是最关键的一步

5.1 公平的对比场景应该包含什么

对比仿真不是“跑起来就行”，而是要在一个故意设置了压力场景下看性能。我会在仿真T=1秒时给一个幅值为1的阶跃目标信号，让两个系统跟踪；在T=5秒时给被控对象输入端加入一个幅值为3的阶跃扰动信号，模拟外部负载突变；在T=6秒后还可以往测量输出端叠加入一个幅值很小的白噪声，观察两种控制器对噪声的敏感度。

输入端扰动是LADRC最能发挥优势的场景。因为LESO能把这类外部扰动扩张成总扰动状态，并实时估计出来，然后通过补偿通道直接抵消掉。PID则只能等扰动导致的输出偏差出现后，靠反馈闭环一点点把误差压回去。两者的恢复速度在这种场景下往往拉开明显差距。

5.2 从响应曲线上看性能差异

跑完仿真，Scope里一般能看到两类现象。在阶跃跟踪阶段，高带宽LADRC的超调通常明显小于PID，尤其当PID为了缩短上升时间而把Kp拉得比较高时，超调更容易到15%到30%。LADRC因为用了状态反馈，等效于“提前知道”速度误差并修正，所以阶跃响应更平缓。

在T=5秒加入扰动后，差异更直观：PID输出会先偏出一个明显的鼓包，然后经过一段调节周期慢慢回到设定值；LADRC输出虽然也会有小幅波动，但z3观测器在极短时间内估计出了扰动值，补偿量一上去，输出很快就被拉回。对比曲线里你能清晰看到LADRC的“抗扰恢复时间”更短，这是它相对PID最有说服力的优势。

5.3 用stepinfo量化指标而不是凭感觉

肉眼看曲线只能定性判断，写报告或做方案评估时一定要用量化指标。Simulink里可以直接把系统输出传到MATLAB工作空间，然后使用stepinfo函数计算超调量、峰值时间、调节时间等参数。

使用步骤是：在模型中添加To Workspace模块，变量名设为y_pid和y_ladrc；仿真结束后在命令行运行：

info_pid = stepinfo(y_pid.Data, y_pid.Time, 1); info_ladrc = stepinfo(y_ladrc.Data, y_ladrc.Time, 1);

注意这里的第三步参数1表示阶跃最终值为1，stepinfo会据此计算2%调节时间。如果目标值不是1，就把这个参数改掉。最终你会得到一张类似这样的对照表，可以用来做技术选型汇报：

这些数值会随参数变化，别把它当作绝对结论，重点是看趋势。

6. 踩坑记录：从仿真发散、代数环到噪声放大

6.1 模型发散：根源多数在b0和ωo的匹配

新手第一次跑LADRC最容易遇到的问题就是模型发散，曲线直接飘到几百上千去。我排查过太多的案例，九个里面八个出在b0和ωo的不匹配上。b_0是对象控制增益的估计值，如果你把被控对象G(s)=10/(s^2+2s+1)估计成b0=1，观测器就会认为控制作用被低估，z3状态会疯狂增大，大概两三秒曲线就飞了。

正确的做法是先把b0设成接近对象静态增益的值，比如这个对象用b0=10。如果不知道对象增益，宁可先保守一点，用b0=5看看响应趋势，再逐步加大。ωo也是一个敏感项，我见过有人一上来就把ωo设为1000，结果是LESO数值太刚烈，固定步长只有0.001秒，根本没法跟上一时刻的映射关系，直接振荡发散。ωo从40开始是比较稳的起点。

6.2 代数环问题：离散控制器要避免直通

在MATLAB Function里如果直接写成迭代式z1每步都依赖输入y，那么y又来自被控对象输出，被控对象输入又来自z1的计算结果，Simulink就可能检测到Algebraic Loop代数环。它看起来是提示“Algebraic state”错误，或者仿真奇慢。

解决代数环的办法就是我前面代码里就埋好的u_past方法：LESO当前步估计用的控制量是上一时刻的输出u[k-1]，而不是当前步的u[k]。这样输入输出之间就永远是天然延迟一拍的状态，代数环自然消失。即使使用了Unit Delay，也要确保整个控制器回路里至少有一个离散延迟节点，而不是把MATLAB Function的输出直接连回自身输入端。

6.3 测量噪声与LESO的带宽权衡

把Band-Limited White Noise加入测量通道后，另一个典型现象会出现：LADRC的输出反而比PID抖动得更厉害。原因不难理解，LESO把测量噪声误当成状态信息的一部分，高频噪声经过高带宽观测器后被放大，然后通过控制量u再打回系统里。

解决方法是权衡ωo。ωo越高，ESO对扰动的响应越快，但对噪声越不友好。入门调参时建议先在一个完全没有噪声的模型里把抗扰性能调到满意，再逐步加入噪声，观察输出抖动的幅度，如果抖得太厉害，就把ωo向下调，直到抖动和抗扰性能之间取得平衡。这是LADRC工程应用中一定会遇到的实际问题，仿真阶段不处理，真机上会更难收场。

7. 一点个人体会：什么时候值得用LADRC，哪些地方不必强行换

这三四年带人做控制方案时，我一直提醒大家别把LADRC当成PID的万能替代品。从仿真里看到它的优势之后，有人会冲动地把现场所有回路都换成LADRC，这并不明智。如果被控对象本身线性度不错、扰动频率低、传感器噪声又大，PID完全够用，强行上LADRC只会让观测器噪声放大的问题更难缠。

LADRC真正发挥价值的地方，是被控对象存在明显的模型不确定性和外部扰动，比如机械臂在变负载工况下作业、飞行器在风扰条件下姿态控制、电机驱动系统在负荷突变时调速。这些场景下总扰动复杂且难建模，LESO的价值就是不需要你知道扰动是什么，只要它存在，就能估出来并补偿掉。仿真里你可以在输入端任意叠加不同频率的扰动，亲眼看LADRC的z3状态实时跟随这个扰动值，这种“被看见的扰动”带给人的信心是PID曲线给不了的。

最后分享一个实操小技巧：把LADRC在Simulink里调通后，再用MATLAB Coder把MATLAB Function导成C代码，嵌入式部署会顺畅很多。但前提是你在仿真阶段就坚持用离散LADRC，千万别搭一个纯连续模块然后指望自动生成代码。仿真里留的扩展空间，才是这门技术真正落地时少走弯路的关键。