Simulink改进滑模控制仿真：抖振抑制与参数整定实战

做控制的同行应该都有过这种经历：明明论文里滑模控制的轨迹漂亮得不行，自己按公式搭出来的“基于simulink的改进滑膜控制算法仿真模型”，一跑就开始高频抖动，控制量波形像锯齿一样，仿真步长越调越小，最后干脆卡死。我第一次做这个方向时，也被这个问题折磨了整整一周。

这里先纠正一个容易让人搜不到资料的小细节：标题里的“滑膜”其实是常见笔误，这个方向的专业术语是滑模控制（Sliding Mode Control）。搜文献、找Simulink示例时建议用“滑模”两个字，能搜到的内容会多一个数量级。不过既然很多人在标题里习惯写“滑膜”，这篇就保留这种写法方便识别。

下面把我从原理分析、方案选型到Simulink建模、参数整定的完整过程整理出来。文中的示例模型是一个带扰动和未建模动态的二阶非线性系统，控制器分别做了传统符号函数、饱和函数替代、指数趋近律、超螺旋算法四种对比。没跑仿真、只停留在公式层面的答案网上很多，这里重点说能直接落地的操作和坑。

1. 先理解抖振从哪里来，再谈“改进滑模控制”

很多刚开始做改进算法的人，一上来就翻论文，看别人用了什么新趋近律、什么自适应增益，然后照着改参数。结果发现换汤不换药，换个场景还是抖。原因很简单：没搞清楚抖振的数学根源，只把注意力放在“怎么把波形调光滑”，而不是“为什么波形不光滑”。

1.1 滑模控制的基本结构和抖振的数学根源

标准滑模设计的思路非常直白。对一个二阶系统，取跟踪误差 ( e = x - x_d )，构造滑模面：

[ s = \dot{e} + c e \quad (c > 0) ]

当系统状态被控制到 ( s = 0 ) 的流形上时，误差动力学退化为 ( \dot{e} = -c e )，误差按指数速率收敛，收敛快慢由滑模面参数 ( c ) 决定。控制量通常设计成两部分：等效控制项加切换项，最简形式是：

[ u = -M \cdot \text{sign}(s) ]

其中 ( M ) 是切换增益，sign是符号函数。理论上，只要 ( M ) 大于系统不确定性和扰动的上界，状态就会被强行“压”到滑模面上，并且一旦到达就不再离开。这是滑模控制鲁棒性好的根本原因——它根本不关心扰动具体是什么，只要上界已知，用一个足够大的开关量就能压住。

但这里就藏着抖振的根源。理想的滑模运动假设sign(s)以无穷大频率切换，系统状态在滑模面上做“Z字形”微幅穿越。物理设备做不到无穷大频率切换，数字控制器的采样周期有限，仿真求解器也不可能无限细分步长。实际实现中，符号函数在零点附近来回跳变，控制量就在正负高增益之间高速切换，这就是抖振。

我个人的理解是：抖振不是“参数没调好”，而是符号函数本身的数学性质决定的。只要控制量的表达式里直接出现sign(s)，且没有后续的滤波、积分或平滑机制，抖振就一定会以某种形式存在。改进滑模控制，本质上就是改变这个不连续切换在控制通道里的“投影方式”。

1.2 仿真环境下抖振被放大的几个“隐形推手”

除了数学根源，Simulink仿真环境本身还会放大抖振现象，这几个因素在做对比实验时必须意识到。

第一个是求解器步长。用变步长求解器时，sign(s)每发生一次切换，数值积分器就会认为误差变化剧烈，试图缩小步长来满足局部误差容限。一个总时长2秒的仿真，可能实际算了10万步，跑起来慢得让人怀疑人生。改用固定步长虽然解决了仿真速度问题，但等于人为给切换频率设了上限，控制量必然出现锯齿状波形。所以做改进算法对比时，统一用固定步长，否则不同方案之间没有可比性。

第二个是Simulink的Sign模块在输入恰好为0时输出0，而不是 ±1。这个细节平时不会注意，但在滑模控制里，系统会在滑模面附近来回穿越，s = 0的时刻经常出现。输出变成0意味着控制量出现一个短暂的“平顶”，这个平顶在示波器上表现为一种额外的小台阶，影响抖振幅值的统计。

第三个是离散化延迟。很多实际控制器是离散实现的，采样周期 ( T_s ) 会造成至少一个周期的滞后。状态已经越过滑模面，控制器却还按上一拍的符号输出，两者叠加就形成一个有限幅值的极限环。这个极限环在连续仿真里不明显，一旦把控制器换成离散模块，抖振幅值会整体上升一个量级。

理解了这几个因素，再去选改进方案，就不会对着仿真结果一头雾水。我在第一次调试时就是没想明白这一点，把 ( M ) 从1调到了100都试了一遍，最后发现根源就是sign本身。

2. 主流的改进路线怎么选：趋近律、边界层、超螺旋

改进滑模控制的方法非常多，但真正适合在Simulink里快速验证、又有明确工程意义的主要就三类：改进趋近律、用饱和函数替换符号函数、基于超螺旋的连续滑模。三者的思路差异很大，适用场景也不同，下面逐一说明。

2.1 指数趋近律：最轻量的改进，但参数依赖性强

传统设计 ( u = -M \cdot \text{sign}(s) ) 隐含的趋近律是等速趋近 ( \dot{s} = -M \cdot \text{sign}(s) )。也就是说，系统无论离滑模面多远，都以恒定速度 ( M ) 冲过去。距离远时这个速度不够快，距离近时这个速度又显得太猛，直接导致穿越滑模面的“过冲”比较明显。

指数趋近律在等速项基础上加了一个比例项：

[ \dot{s} = -k s - \varepsilon \cdot \text{sign}(s) ]

当 ( |s| ) 较大时，( -k s ) 主导，系统以近似指数速率逼近滑模面；当 ( s ) 接近0时，( \varepsilon \cdot \text{sign}(s) ) 保证系统仍能在有限时间内到达滑模面。相比于传统方案，趋近过程的超调会小一些，响应更快，但本质上sign(s)依然存在于控制通道，进入滑模面附近后抖振并没有消失，只是相对缓和。

对示例系统 ( \ddot{x} = -2\dot{x} - x + 0.1\sin(20t) + u )，取 ( s = \dot{e} + c e )，由 ( \dot{s} = -k s - \varepsilon \cdot \text{sign}(s) ) 可反解出：

[ u = \ddot{x}_d - c\dot{e} - k s - \varepsilon \cdot \text{sign}(s) + 2\dot{x} + x ]

这里把标称模型部分做了前馈补偿，扰动部分则交给鲁棒项处理。参数选择上，我的经验是：( k ) 取 10~50，( \varepsilon ) 取 0.1~1。( \varepsilon ) 不能太小，它是应对外部扰动的“最后防线”；但也不能太大，否则抖振幅度会被直接放大。

2.2 饱和函数替换符号函数：简单有效，但边界层厚度是双刃剑

这是最“立竿见影”的消抖手段，也是很多工程实现的默认做法：用饱和函数sat(s/φ)替换sign(s)：

[ \text{sat}(s/\phi) = \begin{cases} \text{sign}(s), & |s| > \phi \ s / \phi, & |s| \le \phi \end{cases} ]

其中 ( \phi ) 是边界层厚度。其物理含义是：当状态离滑模面较远时，控制器仍以满幅切换；当状态进入厚度为 ( \phi ) 的边界层内时，控制量从 ( \pm 1 ) 平滑过渡为比例输出，不再硬切换。

代价也很清楚：边界层内部不再是理想滑模运动，系统状态只能保证被约束在 ( s = O(\phi) ) 的区域，稳态误差和扰动抑制能力随 ( \phi ) 增大而变差。我实际测试的经验是，( \phi = 0.01 ) 时控制量接近开关状态，抖振改善有限；( \phi = 0.2 ) 时波形很平，但跟踪误差可能比符号函数版本大一个数量级。做仿真时建议从 ( \phi = 0.05 ) 起步，先看抖振降了多少，再看误差是否在可接受范围，然后往回调。

2.3 超螺旋算法：控制量真正连续的“二阶滑模”

如果希望在保证鲁棒性的同时彻底去掉控制量的高频切换，超螺旋（Super-Twisting）是仿真场景下性价比最高的选择。它的结构是：

[ \dot{s} = -k_1 |s|^{1/2} \cdot \text{sign}(s) + v ] [ \dot{v} = -k_2 \cdot \text{sign}(s) ]

这里的核心是引入了辅助积分项 ( v )。控制量u里不再直接出现sign(s)，而是出现sign(s)的积分结果，高频切换被积分运算平滑掉了，输出是连续的。超螺旋属于二阶滑模，滑模条件同时要求 ( s = 0 ) 和 ( \dot{s} = 0 )，因此对匹配扰动依然保留了强鲁棒性，又能输出连续控制量，非常适合执行机构无法承受频繁换向的场景。

在Simulink里实现超螺旋非常直观：第一路是-k1 * sqrt(abs(s)) * sign(s)，第二路是-k2 * Integral(sign(s))，两路相加后并入控制量。参数初值方面，( k_1 ) 可取期望收敛速率的量级，( k_2 ) 则要根据扰动变化率上界来定，后面第4章会再展开调参顺序。

3. 在Simulink里搭模型：被控对象、控制器和求解器的完整链路

很多新手死磕在“公式看得懂，模型搭不出来”这一步。这里把我推荐的建模顺序完整走一遍：先搭被控对象、再设计控制器内部结构、最后配置求解器。顺序反了容易出现代数环和各种奇怪的仿真报错。

3.1 先搭被控对象：用状态方程而不是传递函数

为了让对比结果有说服力，全文使用同一个示例被控对象：

[ \ddot{x} = -2\dot{x} - x + 0.1\sin(20t) + u ]

这是一个典型的带标称二阶动力学、外加高频正弦扰动 ( 0.1\sin(20t) ) 的非线性系统。扰动频率20 rad/s，幅值0.1，足够模拟一类慢变负载扰动或摩擦力扰动。用Simulink搭建时，不建议用Transfer Fcn模块直接拖一个传递函数，因为后续改进控制器时需要随时引出状态变量 ( x )、( \dot{x} )，还要方便地切换控制器结构，用积分器组会更灵活。

具体连接方式：

1. 从Simulink/Continuous拖出两个Integrator模块，串联。
2. 第一个积分器的输入是 ( \dot{x} )，输出是 ( x )；第二个积分器的输入是 ( \ddot{x} )，输出是 ( \dot{x} )。
3. 通过Gain模块分别取 ( -2\dot{x} )、( -x ) 和 ( +u )，用Add模块汇总得到 ( \ddot{x} )，再反馈回第二个积分器的输入端。
4. 用Fcn模块或Sine Wave模块生成扰动项 ( 0.1\sin(20t) )，一起加入求和的输入。
5. 把状态 ( x ) 接到Scope，把控制量 ( u ) 也引一路到Scope，方便后续观察波形。

这一步完成的标准是：给 ( u ) 加一个阶跃信号，系统能正常响应，曲线不发散、不报错。确认被控对象没问题后，再把它封装成一个带输入口 ( u )、输出口 ( x ) 和 ( \dot{x} ) 的子系统，后面控制器怎么改都不会干扰对象部分。

3.2 控制器实现方式：基础模块、MATLAB Function、S函数的取舍

控制器内部有三种实现方式，各有优劣势，我按实际使用频率排个序：

我的建议是：先在Simulink里用基础模块搭通了再考虑封装。基础模块的每个增益、加法器、饱和模块都能单独观察信号，调试时不用反复改代码。等结构验证成熟，再整体封装成Subsystem，或者改写成MATLAB Function以便后续复用。

以饱和函数方案为例，用MATLAB Function模块实现控制器的核心逻辑：

function u = smc_controller(x, xd, xd_dot, xd_ddot, c, k, eps, phi) % x: 状态向量 [x; x_dot] % xd, xd_dot, xd_ddot: 期望轨迹及其导数 e = x(1) - xd; ed = x(2) - xd_dot; s = ed + c * e; % 饱和函数 if abs(s) <= phi sat = s / phi; else sat = sign(s); end % 标称模型补偿: x_ddot = -2*x_dot - x + 0.1*sin(20t) + u f_nominal = -2 * x(2) - x(1); u = xd_ddot - c * ed - k * s - eps * sat - f_nominal; end

注意如果扰动 ( 0.1\sin(20t) ) 已知，也可以把它加入补偿，但如果当作未知扰动处理，则靠 ( \varepsilon \cdot \text{sat} ) 项去克服，仿真结论更接近真实场景。我在对比实验里是把扰动当作未知量处理的，这样改进算法的鲁棒性差异才看得出来。

3.3 求解器配置：固定步长 ode4、为什么不用变步长

这一点极其重要。滑模控制模型里到处是不连续切换，如果还用变步长求解器，很容易出现“仿真走到某一步就不再前进”的假死现象。这并不是模型崩溃，而是求解器为了满足误差容限疯狂缩步长，最终步长小到超出数值表示范围。

我统一采用如下配置：

• 求解器：ode4（四阶龙格库塔）
• 步长：1e-4秒
• 仿真时长：5秒

固定步长能保证不同控制器方案的对比条件一致：符号函数切换、饱和函数切换、超螺旋积分，数值积分步长都一样，差异只来自算法本身。步长如果选得过大（比如1e-2），离散化带来的“数值极限环”会叠加在抖振信号上，你根本分不清是算法问题还是采样问题。

此外建议从Simulink/Library里拖To Workspace模块，把u和e以数组形式存到MATLAB工作区。后面算抖振幅值、IAE积分误差都要靠这些数据，只靠示波器肉眼看是不严谨的。

4. 结果对比怎么做才严谨：三个指标和一组实测数据

做改进算法的仿真对比，最怕的就是“只看曲线变光滑了就宣布成功”。控制领域有个基本共识：光看波形可能会被视觉欺骗。同样一条光滑度很高的控制曲线，可能是靠把鲁棒项增益降到形同虚设换来的。所以每次对比实验，我至少算三个指标：控制量抖振幅值、跟踪误差积分、控制能量。

4.1 指标一：控制量抖振幅值——执行机构最直接的感受

抖振幅值直接反映执行器承受的切换压力。计算方法是在稳态阶段（比如2秒以后），统计控制量 ( u ) 的最大值与最小值之差：

[ \Delta u = \max(u_{steady}) - \min(u_{steady}) ]

也可以通过相邻采样点差值的最大值max(abs(diff(u)))来刻画切换剧烈程度。对同一组仿真数据，前者反映“总摆幅”，后者反映“切换速度”。两者结合看，比单独看一个更有意义。

4.2 指标二：跟踪误差的积分指标——只看末态误差会骗人

很多滑模控制器最终都能收敛到很小的稳态误差，但如果只看终值，中间过程的大超调、长调节时间都会被忽略。我习惯同时算两个积分指标：

[ IAE = \sum_{k=1}^{N} |e_k| \cdot \Delta t ]

[ ISE = \sum_{k=1}^{N} e_k^2 \cdot \Delta t ]

IAE对小幅误差更敏感，ISE对大误差惩罚更大。如果改进后的ISE比原来还大，哪怕稳态误差变小了，说明中间过程是失控的，这个改进就要打个问号。

4.3 指标三：控制能量——防止“加增益消抖”的作弊式对比

[ CE = \sum_{k=1}^{N} u_k^2 \cdot \Delta t ]

控制能量指标的作用是防止一种偷懒做法：把切换增益 ( M ) 大幅度调高，系统确实“更不抖了”，但代价是控制量始终处于接近饱和的高幅值状态。这在仿真数据里可能表现得很“好看”，但工程上驱动器会发热、执行器会磨损。控制能量指标能把这个作弊行为直接暴露出来。

下表是一次典型对比实验的数据（示例模型、统一扰动条件、固定步长1e-4，控制器参数针对各方案单独整定到合理范围）：

这组数据代表一个典型规律：传统符号函数抖振幅值最大；指数趋近律缓解了一部分，但切换仍存在；饱和函数消抖最直观，但代价是IAE增大——边界层内部变成了线性高增益控制，精度反而变差；超螺旋在三个指标上都表现最优，因为它的控制量本身连续，既没有切换，也没有牺牲精度。

我用的是任意示例参数，数据只代表趋势。你换成自己的系统参数后，结论方向大概率类似，但具体数值会有出入。关键在于这套“三个指标一起看”的评估方法，比单看一条曲线严谨得多。

5. 参数整定中的几个反直觉现象与工程化建议

即便改进算法选对了，参数整定仍然是最容易翻车的地方。下面几个现象属于“仿真里反复遇到、但论文里很少写透”的实操经验。

5.1 把边界层调大确实不抖了，但系统为什么会变“软”

饱和函数方案有个反直觉的现象：( \phi ) 调大之后，波形特别漂亮，但给系统加一个突变负载扰动，误差会明显比原来大。原因是边界层内部等效增益是 ( 1/\phi )，( \phi ) 越大，局部增益越低，系统对外部扰动的“刚度”就越差。直观类比：边界层就像一层柔软的橡胶垫，垫子越厚，外界冲击传进来的力越小，但同时系统抵抗外界干扰时也觉得“使不上劲”。

所以在工程上，( \phi ) 不是越大越好，而是要找到一个“控制量不发抖”和“抗扰动精度够用”之间的平衡点。做伺服系统时，我一般先按期望稳态误差的3~5倍取 ( \phi )，再逐步缩小到刚好不抖为止。

5.2 超螺旋参数的“初值套路”和调试顺序

超螺旋有两个参数 ( k_1 )、( k_2 )。很多人一上来两个参数同时调，结果完全不知道是谁在起作用。我的调试顺序是：

1. 固定 ( k_2 )，从小到大扫 ( k_1 )。观察 ( s ) 的收敛速度，( s ) 收敛太慢就增大 ( k_1 )。
2. 固定 ( k_1 )，从小到大扫 ( k_2 )。观察稳态阶段的误差和 ( v ) 的波形，( k_2 ) 太小，误差会带一个缓慢漂移；( k_2 ) 太大，( v ) 会上出现低频振荡。
3. 最后微调：在目标范围内反复交替微调两者，直到抖振幅值和IAE都满足要求。

有一个容易忽视的点：( k_2 ) 本质是“积分纠偏”的力度，它不直接决定抖振幅值，但过大的 ( k_2 ) 会让积分项 ( v ) 自身产生低频振荡。这个振荡因为经过了积分，波形看着很光滑，但实际已经给执行机构加了一个缓慢变化的额外载荷，控制能量会悄悄升高。

5.3 从仿真到工程实现的三个提醒

仿真做得再漂亮，最终都要过离散化、执行器饱和、噪声这几关。

第一，离散化后参数必须重新整定。连续域里 ( \phi = 0.05 ) 表现很好，采样周期 ( T_s = 1 \text{ms} ) 时可能就完全不是那么回事了。因为离散化引入的延迟会让边界层内的“线性增益”阶段产生相位滞后，严重时会变成自激振荡。做离散仿真验证时，至少要把 ( T_s ) 从1ms、5ms、10ms分别试一遍。

第二，务必给控制量加速度限制和饱和限制。在Simulink仿真里不加饱和模块，控制器输出的巨大尖峰也能让模型“收敛”，但实际系统会直接烧驱动器。我习惯在控制器输出端加Saturation模块，限幅范围设为执行机构的实际能力，再看改进算法是否还能正常工作。很多改进算法在无约束仿真里性能很好，一加上限幅就露馅。

第三，绝对不要完全去掉鲁棒项。就算用超螺旋这种连续输出方案，也要保留 ( v = -k_2 \int \text{sign}(s) dt ) 这一项。它相当于一个积分型鲁棒项，专门吸收未知扰动。如果把它也去掉，系统对未建模动态的响应速度会明显变慢，退化成普通的连续高增益控制，失去了滑模控制“不关心扰动细节”的核心优势。

我在实际仿真和后续硬件验证中反复体会到，改进滑模的每一步取舍都对应一个具体的工程约束。理解抖振来源，才能判断该用哪种改进；搭好可对比的仿真模型，才能量化每种改进的真实收益；最终把三个指标一起看，才能避免被单一波形的“光滑”骗过去。这套思路不仅适用于滑模控制，也适用于其他不连续非线性的控制算法验证。

最后分享一个小习惯：每次调完一组参数，我会把控制器的全部参数连同仿真结果导出成一个带时间戳的.mat文件，文件名写成“算法类型_参数_日期”。滑模控制的参数组合非常多，没有记录的话，过两天你自己都分不清哪组参数出过哪张图。这个习惯帮我省下了大量重复劳动。