企业官网建设流程全解析

滑模控制算法仿真建模这件事，门槛比想象中低，但翻车点也比想象中多。很多人刚开始接触滑模控制时，容易被那一串公式推导劝退，觉得Matlab/Simulink里的模型也一定很复杂。实际上，把滑模控制算法仿真建模拆开看，核心模块就那么几个：Gain、Sum、Sign、积分器，再加几个信号源和示波器。真正让仿真结果没法看的，往往不是控制律本身，而是求解器步长没设对、sign模块用得太理想化、参数整定顺序搞反了这些看起来很小的细节。

这篇文章我会完整记录一遍用Simulink从零搭建滑模控制算法仿真建模示例的过程，包括原理怎么落到模型上、每个模块为什么这么搭、调参时先调哪个后调哪个、以及抖振问题到底怎么治。适合刚接触滑模控制、想在Simulink里快速跑通第一个仿真的人，也适合已经能跑但发现波形抖得没法看、想找排查方向的读者。

1. 为什么要把滑模控制搬进Simulink：原理与适用场景

1.1 滑模控制到底解决的是什么问题

滑模控制（Sliding Mode Control，SMC）最吸引人的点就一个：鲁棒性。它面对模型参数不准和外部扰动时，表现出很强的"不敏感"特性，这是PID、LQR这类依赖精确模型的控制器很难做到的。

我打个比方：普通反馈控制像你开车走一条固定路线，路况好的时候没问题，一旦轮胎打滑或者有人别车，路线就会明显偏离；滑模控制则像给车加了一条看不见的滑轨，不管你在哪个位置、有没有外力干扰，控制器会先把你"狠狠拽到"滑轨附近，然后沿着滑轨把误差送到零。这种设计天然对扰动和参数偏差不敏感，所以在电机驱动、四旋翼、机械臂、导弹制导、汽车ABS这些对鲁棒性要求高的场合，滑模控制一直是被反复研究的对象。

但需要说句公道话：滑模控制不是万能的，它最大的毛病就是抖振。理想情况下状态一旦到达滑模面就贴着面滑动，实际上由于切换不连续和数字仿真的离散特性，状态会在滑模面附近来回穿越，形成高频振荡。这个问题我在后面第5节会仔细讲。

1.2 三个核心要素：滑模面、趋近律、控制律

一个完整的滑模控制器设计，绕不开三个东西。我把它们拆开说：

第一个是滑模面。滑模面是系统状态空间里的一条"目标曲线"，设计的目标就是让系统的误差状态落在这条曲线上。最常用也最直观的是线性滑模面：

s = c·e + e'

其中 e 是跟踪误差，e' 是误差变化率，c 是大于零的常数。这个式子其实很巧妙：当系统状态满足 s = 0 时，误差动态就退化成一阶线性系统 e' = -c·e，误差会按指数速度收敛到零。也就是说，一旦状态上了滑模面，闭环行为就被这个滑模面决定了，和被控对象的参数关系不大了——这就是鲁棒性的来源。

第二个是趋近律。滑模面只定义了"最终要去的面"，但状态怎么走向这个面、走多快，由趋近律决定。最经典的是指数趋近律：

s' = -ε·sign(s) - k·s

这里 ε 和 k 都大于零。等号右边有两项：-k·s 是指数项，让状态在距离滑模面较远时快速逼近；-ε·sign(s) 是切换项，确保证状态能"穿越"到滑模面上并保持，也是抖振的直接来源。

第三个是控制律。把系统模型代入趋近律，反解出控制量 u，就是完整的控制律。以我后面仿真要用的二阶系统为例，被控对象是：

J·θ'' + B·θ' = u

J 是转动惯量，B 是阻尼系数，θ 是位置输出，u 是控制力矩。通过推导可以得到控制律：

u = B·θ' - J·c·e' + J·θd'' - k1·s - k2·sign(s)

这个式子看着长，拆开看就四块：第一项 B·θ' 补偿被控对象的阻尼项，第二项 -J·c·e' 补偿滑模面定义中误差变化率的耦合，第三项 J·θd'' 是期望轨迹的加速度前馈，最后两项 -k1·s - k2·sign(s) 就是趋近律部分，k1 对应指数趋近项，k2 对应切换项。前两项加第三项本质上就是在做"等效控制"——让系统状态在理想情况下保持零动态；后面两项负责"切换控制"，把偏离滑模面的状态拉回来。

一句话总结原理：等效控制保证状态不离开滑模面，切换控制保证状态被强制推到滑模面上。后面的Simulink建模，其实就是把这条控制律一条一条挪到模块图上。

2. 模型框架设计：二阶机电系统与控制器结构

2.1 被控对象和仿真工况怎么选

仿真建模第一步不是急着搭Simulink模块，而是先明确被控对象模型和期望的跟踪工况。

我选的被控对象是一个二阶机电系统，物理上可以理解成一台带阻尼的旋转电机或单轴机械臂：

J·θ'' + B·θ' = u

模型参数取 J = 0.01 kg·m²，B = 0.1 N·m·s。为什么选这个系统？因为它结构简单、物理意义清楚，而且和电机驱动、机器人关节这些真实工程对象强相关。把滑模控制在这个系统上摸透了，再换到四旋翼、车辆或机械臂模型上，思路是一样的。

期望跟踪指令我建议用正弦信号，而不是只用阶跃信号。阶跃信号只能看出稳态误差和超调，正弦信号能看出动态跟踪能力——比如跟踪相位滞后、幅值衰减这些问题。我用的是：

θd = 0.5·sin(2·t)

幅值0.5弧度，频率2 rad/s，大约0.3Hz，对仿真系统来说比较温和，方便观察参数变化带来的影响。

2.2 整体信号流与模块划分思路

在打开Simulink之前，先在纸上画一遍信号流向。搭模型最忌讳的直接上手到处拖模块，后面一通线根本没法查问题。我这个模型的信号流是这样的：

• 参考输入 θd 和实际输出 θ 做差，得到误差 e
• e 通过增益 c 后与误差变化率 e' 相加，得到滑模面 s
• s 分别进入趋近律的两个分支：一路乘 -k1，一路经过 sign 后乘 -k2
• 两个分支加起来，再加上被控对象阻尼补偿项 B·θ'、滑模面耦合补偿项 -J·c·e'、期望加速度前馈项 J·θd''
• 合成的控制量 u 进入被控对象，被控对象输出 θ 和 θ' 反馈回去

这样的结构也决定了模块划分思路：误差模块、滑模面模块、趋近律模块、控制量合成模块、被控对象模块。每一块都是独立子系统或者至少是独立的区域，方便单独调试。我给每个区域都用大括号的Annotation标注了名字，比如"SMC Controller"和"Plant"。

特别强调一下，控制律里用到了 θ'（实际速度），这个信号我设计成从被控对象的积分器中间引出，而不是对 θ 求导，这个细节第3节会细说。

3. 分模块搭建：从被控对象到控制律的完整过程

3.1 被控对象建模：积分器串联比传递函数好用在哪

被控对象有两种常见搭法，我用的是积分器串联的方式。

第一种是用传递函数模块：直接放一个 Transfer Fcn，分子是 [1]，分母是 [J, B, 0]，G(s) = 1 / (J·s² + B·s)。优点是简洁、一眼看清传递函数；缺点是不方便引出中间状态，尤其是不方便直接拿到速度信号 θ'。如果后面要把速度信号引到控制器里，还得额外再搭一个 s/(J·s² + B·s) 的传递函数，这就重复了。

第二种是积分器串联：先算 θ''，通过增益 1/J 得到角加速度，然后串联两个积分器，第一个积分器输出 θ'，第二个输出 θ。整个被控对象只需要三个模块：一个 Sum、一个 Gain、两个 Integrator。它的最大优势是中间状态（速度）可以直接引出，而且物理意义非常清楚：加速度积分成速度，速度积分成位置。

我把两种方式对比一下：

这里要提醒一个细节：积分器初值一定要设置。我习惯把位置积分器初值设为 0.2，速度积分器初值设为 0，模拟系统从偏离目标位置的状态开始运动。这样能直接看出滑模控制的"趋近过程"——状态一开始离滑模面很远，控制器把它拽回来的过程就是滑模趋近段。如果初值都是零，起始点恰好就在滑模面上，反而观察不到趋近过程了。

3.2 跟踪误差与滑模面模块：尽量别用Derivative

误差模块很简单，用两个 Sum 实现：一个 Sum 算位置误差 e = θ - θd，另一个 Sum 算速度误差 de/dt = θ' - θd'。

求 θ' 和 θd' 的方法是关键。θ' 从被控对象积分器中间引出，完全没问题。但 θd' 是期望指令的导数，很多教程会直接用 Derivative 模块对 θd 求导，我强烈不建议在滑模控制里这么干，原因是：

1. Derivative 模块放大噪声。仿真中不可避免有数值误差，对带噪声的信号求导，噪声会剧烈放大。
2. 滑模控制对切换项已经够敏感了，再叠加数值噪声，抖振会更吓人。
3. Derivative 模块有直接馈通（direct feedthrough）特性，容易引发代数环警告。

解决办法很朴素：用数学解析式给出导数。期望轨迹是 θd = 0.5·sin(2t)，那一阶导就是 θd' = 1.0·cos(2t)，二阶导是 θd'' = -2.0·sin(2t)。这三个信号可以直接用三个信号源分别生成，或者用一个正弦信号源并联两个 Gain 模块变换出来。因为正弦的二次导数就是自身乘以 -ω²，我把正弦输出取反乘 4 就得到了 θd''，效率高且没有噪声。

如果期望轨迹不是解析可导的复杂信号，我建议你把期望轨迹做成一个单独的状态空间模型，把位置、速度、加速度都作为输出引出来，而不是用 Derivative 硬求。

滑模面模块就一组 Gain + Sum：s = c·e + de/dt。我把 e 通过 Gain 模块（增益设为变量 c），再和 de/dt 相加。注意这里的信号类型要保持 double，Simulink 在默认配置下不会自动处理数据类型不一致的问题，后面接 sign 模块时如果类型不对会报错。

3.3 趋近律与控制律模块：一条公式拆成三个分支

控制律这条公式，搭的时候我建议按它的物理结构拆成三个分支，最后用一个 Sum 合成，这样出了问题好定位：

• 分支1：模型补偿项，由 B·θ'、-J·c·e'、J·θd'' 三个子项构成。把 J·c 合并算成一个 Gain 系数，可以提高执行效率。
• 分支2：指数趋近项，-k1·s，一个 Gain 搞定。
• 分支3：切换项，-k2·sign(s)，需要一个 Sign 模块和 Gain 模块。

把三个分支的输出接入一个 Sum，得到最终控制量 u。在这个 Sum 后面我建议加一个 Saturation 模块做限幅，把控制力矩限制在 ±10 N·m 以内。限幅有两个作用：一是模拟真实执行机构饱和特性，不让控制器输出不现实的巨大力矩；二是防止极端参数下控制量发散把仿真数值冲爆。

Sign 模块在 Simulink 的 Math Operations 库里，输入大于零输出1，小于零输出-1，等于零输出0。这个模块是理想化的符号函数，在后面抖振分析里，它就是"罪魁祸首"。

3.4 接线、示波器与数据记录的小习惯

接线之前，我建议给每个子系统的输入输出接口都起好有意义的名字，比如 r_position、theta、velocity、s_sliding、smc_u 这种，不要用默认的 In1、Out1。名字会直接显示在总线标签上，模型复杂之后排查连线问题会省很多事。

示波器我一般会分三个：

• Scope1 看位置跟踪：θd 和 θ 放在一起，直接判断跟踪效果
• Scope2 看滑模面 s：这是评价滑模控制是否"进入滑动模态"的核心指标，s 应该快速收敛到0附近，然后小幅振荡
• Scope3 看控制量 u：观察控制信号是否有剧烈抖振

数据记录建议打开模型的 Signal Logging：在相关信号线上右键，选择 Log Selected Signals，然后用 MATLAB 脚本里的logsout = sim('modelname')拿到数据，方便后续画图、做误差分析。跑完仿真后我用plot(logsout.get('theta').Values)这类命令处理数据，比在示波器里右键导数据好用得多。

还有一个很实用的小技巧：用模型初始化回调函数（Model Properties → Callbacks → InitFcn）定义参数。我把 J、B、c、k1、k2 都写成一个 initialization 脚本或 .m 文件里的变量，这样在模型里所有 Gain、积分器参数都填变量名，而不是硬编码数字。改参数的时候只需要改脚本里的值，而且方便用 for 循环批量扫参数对比。

4. 参数整定与调试：求解器、步长和参数配合

4.1 求解器选型：为什么默认ode45会翻车

这一步是我踩过最深的坑。Simulink 默认求解器是变步长 ode45，在绝大多数连续系统仿真里很稳，但在滑模控制里经常出问题。

原因是滑模控制引入了 sign(s) 这个不连续的切换项。在切换瞬间，系统方程从一个动态快速跳到另一个动态，数值上表现为刚性（stiff）行为。ode45 是显式 Runge-Kutta 法，处理刚性系统时会因为稳定性限制被迫把步长压得非常小，结果表现为：仿真进度极慢，波形在切换点附近出现肉眼可见的锯齿，甚至在切换点附近误差估算失败导致报错。

我实测下来，同样的模型和参数，ode45 跑 10 秒仿真需要一两分钟且波形明显毛糙；换 ode23t 之后，仿真速度快了不止一倍，波形平滑很多。具体建议：

• 变步长仿真时，首选ode23t。它对中等刚性系统兼顾精度和速度，适合滑模这类带非光滑项的系统。
• 如果模型更复杂、刚性更强，考虑ode15s，它作为多步法效率更高，但会引入一定数值阻尼，对抖振形态有点"掩盖"作用。
• 如果做固定步长仿真（比如为了之后做代码生成），步长上限要足够小。滑模面时间常数约 1/c，也就是 50ms 量级，但切换项的剧烈动态要求更高分辨率，我建议固定步长从 1ms 起试，必要时缩小到 0.1ms — 0.5ms。步长太大时，仿真结果看起来会像高频噪声的混叠，很多人在这里误以为控制器设计错了。

4.2 滑模参数怎么选：c、k1、k2的分工

参数整定前先搞清楚每个参数管什么事：

我推荐的整定顺序是：

1. 先定 c。把 k1、k2 设成比较小的值，观察误差收敛速度。c 相当于"滑模面上的收敛带宽"，c 越大误差衰减越快，但太大时控制器对高频噪声特别敏感，实测中会出现本来平滑的输出变得毛糙。一般先用 c = 5 到 50 之间试，看阶跃响应的收敛速度。

2. 再调 k1。观察 s 从初始值快速下降到 0 附近的过程。k1 决定趋近段速度，但过大的 k1 会让 s 在趋近过程中"冲过头"，表现为误差先快速变小再反弹。

3. 最后调 k2。主要看抗扰动能力和抖振幅值。我习惯从 k2 = 0.1 开始，逐步增大到刚好能看到扰动被明显压制的水平，再退一点留余量。k2 是抖振的直接能量来源，neng 小则不小。

另外一个重要的验证手段：注入扰动看鲁棒性。模型搭好后，我在被控对象输入端加一个幅值 0.5、频率 3Hz 的正弦干扰力矩，比较有扰动和无扰动的跟踪误差曲线。如果 k2 足够大，两条曲线几乎重合；如果 k2 太小，轨迹会有明显偏差。这个对比是判断滑模控制是否生效的最直观证据。

4.3 实测中比较典型的报错与排查

把我在调试过程中遇到的几个典型问题列出来，大家碰到时可以直接对照：

代数环警告需要单独说一句。滑模控制器天然容易触发这个警告，因为控制律里同时包含了状态反馈和 sign 非线性，sign 是直接馈通模块，信号从输出到输入存在瞬时路径。Simulink 会尝试迭代求解这个代数环，花费额外计算时间，严重时模型跑不动。我在反馈路径上插入一个 Memory 模块之后，警告消失，仿真也流畅了。Memory 模块引入一拍延迟，对低频跟踪影响很小，完全可接受。

5. 抖振抑制：从理想仿真到工程可用的关键一步

5.1 抖振的机理：sign在数字仿真中的"规矩"

先明确一个概念：抖振分两种来源，一种来自真实物理系统，一种来自数字仿真本身。

真实抖振的来源是 sign(s) 在 s = 0 处发生理想的不连续切换。物理执行器（电机、舵机、液压阀）不可能瞬间完成这种无限带宽的切换，必然产生有限频率的高频振动。数字仿真中的抖振则是额外的：仿真步长有限，控制器在每个仿真步长内最多切换一次，状态在滑模面附近来回穿越，就形成了和步长相关的锯齿状高频振荡。

你可以把 sign(s) 想象成一个没有死区的继电器：误差稍微为正就全力往一个方向推，稍微为负就全力往反方向推。理想情况下这个继电器能以无限频率切换，但仿真做不到，物理世界也做不到，于是状态就会像"拧麻花"一样在滑模面附近来回转。

所以抖振不是"调参偶尔会遇到的问题"，而是滑模控制从原理到实现必然面临的固有矛盾。好消息是，工程界积累了很多成熟抑制手段。

5.2 四种工程上实用的抑制方案

我在实际中用过的、有效的方案有四种，按实现难度从低到高排列：

方案1：边界层法（饱和函数替代符号函数）。把 sign(s) 换成 sat(s/φ)，其中 φ 是边界层厚度：

sat(s/φ) = sign(s) 当 |s| > φ sat(s/φ) = s/φ 当 |s| ≤ φ

在 Simulink 里实现非常容易：把 s 经过一个增益 1/φ，再接一个上下限为 ±1 的 Saturation 模块，就得到了 sat(s/φ)。边界层内切换项变成连续线性函数，抖振被大幅削弱，代价是边界层内没有理想的滑模运动，稳态精度会打折扣。这是我最推荐的入门方案。

方案2：连续化近似。用 s/(|s| + δ) 代替 sign(s)，δ 是个很小的正数。在 |s| 很小的时候，函数值平滑过渡到0附近，不会发生突然切换。Simulink 里可以直接用一个 Fcn 模块写表达式u/(abs(u)+delta)，很方便。这个方案本质上和边界层法类似，但更平滑。

方案3：切换项低通滤波。在 sign 模块后面串一个一阶低通滤波器，比如 1/(0.001s + 1)，把高频切换信号滤平后再参与控制量合成。这个方案和之前 Simulink 仿真中常用的一阶滤波模块思路完全一致。好处是做法简单，保留理想切换的各项特性；缺点是滤波器会引入相位滞后，边界层或滤波器时间常数太大会显著削弱鲁棒性。我一般只在边界层法效果不理想时才用滤波器，因为滤波器调参会多一点。

方案4：高阶级联滑模。比如超螺旋滑模（Super-Twisting），它把 sign 项放进积分器中，从原理上消除抖振。这个方案性能最好，但设计复杂度明显上升，需要处理二阶滑模面的稳定性证明和参数选取，适合对控制性能要求高的项目，作为从仿真走向实际工程前可以考虑的进阶方向。

四种方案放一起对比：

5.3 边界层参数怎么选：一组实测对比

边界层法是最推荐优先试的，所以我把 φ 的选取经验单独说。φ 越大，抖振越小，但控制精度越差；φ 越小，精度越好，但抖振越明显。这是一对矛盾。

我用自己的模型做了一组对比实验，位置跟踪稳态误差和抖振幅值的大致趋势如下：

从这个趋势能明显看到：φ 从 0.01 到 0.1 之间，存在一个工程上比较好的折中点。我的经验是从 φ = 0.05 开始试（大约等于 s 幅值的 0.5% — 1% 量级），然后根据实际波形微调。如果输出曲线还抖就把 φ 调大，如果误差超了就调小。

还要提醒一点，φ 的标定依赖 s 的实际幅值范围。在固定 c 的前提下，s 的数量级可以看误差曲线估算。建议在 Scope2 里先看 s 的幅值，再定 φ，这样比盲目试数更有数。边界层法和滤波方案配合使用时，先调边界层，后调滤波器时间常数，不要同时动两个参数，否则会分不清是谁在起作用。

我在做工程复现时还发现一个现象：固定步长仿真下，即使加了饱和函数，如果步长太大，s 在边界层内的"抖动"仍然会被数值误差放大。所以说到底，抖振抑制是一个控制设计 + 数值实现的联合问题，好的参数加上合适的求解器步长，才能得到一条真正干净的输出曲线。

从Simulink模型到后续扩展的一点体会

这个模型跑通之后，我最大的感受是：滑模控制的理论推导和工程实现之间，差的就是对细节的敏感度。控制律本身半小时能推导完，但要把仿真调得又快又稳，需要把求解器、步长、边界层、限幅这些工程细节全部统筹起来。我现在拿到一个滑模控制仿真任务，优先确认的永远是三件事：模型里有没有用 Derivative 模块、求解器是不是 ode45、sign 函数有没有做平滑处理。这三个点几乎是所有滑模仿真"看起来不对"的根源。

另外，这个模型本身有很强的复用价值。把被控对象从二阶线性系统换成机电系统、车辆模型，甚至加进 Carsim 联合仿真框架，控制器结构基本不用动；把控制律写好并验证稳定之后，可以走 Simulink Coder 生成 C 代码，进入快速原型或硬件在环测试流程。四旋翼、导弹制导、VSG 这类热门方向的滑模控制，本质上都是同一个框架在不同被控对象上的应用。

最后分享一个调试技巧：如果你把模型参数都写在初始化脚本里，可以用一段 for 循环批量跑不同 k2 或 φ 的仿真，自动把每组的跟踪误差积分（ITAE）算出来做对比。用数据代替肉眼判断，选参数会客观得多。我第一次做扫参实验时发现 k2 = 0.4 和 k2 = 0.8 的误差积分差距并不大，但抖振幅值差了三倍，果断选了小 k2。这种"够用就好、留有余量"的整定思路，在从仿真走向实际硬件时能帮你避开不少麻烦。