企业官网建设流程全解析

你在搜"李雅普诺夫一阶系统/二阶系统稳定性分析"或者"自适应自抗扰控制Simulink实现"的时候，大概率已经被理论书里的V函数、正定矩阵、半负定这些概念劝退过一轮了。这很正常，我自己当年啃这些内容的时候也差不多是同样的状态——公式能看懂，但一回到Simulink里就不知道从哪下手，更不知道调出来的参数到底在干什么。这篇东西就是想把这中间的沟填上一点：我会从一阶系统的李雅普诺夫稳定性分析讲起，再做二阶系统的V函数构造，然后过渡到自适应自抗扰控制（ADRC）的设计思路，最后把整套东西在Simulink里面跑通，附上我实际调试时踩过的坑和总结出来的参数整定经验。适合正在做控制理论课程设计、研究生课题里需要用到稳定性证明，或者工作中要用ADRC做扰动抑制但不想只看PPT的读者。

1. 为什么李雅普诺夫方法值得从一阶二阶系统开始练手

很多初学者有个误区，觉得李雅普诺夫稳定性分析是"纯理论课内容"，跟实际仿真关系不大。但我做过几个工程项目之后发现，恰恰相反——李雅普诺夫方法是在仿真发散时最快帮你定位问题根源的工具之一。你辛辛苦苦搭好一个自适应控制器，仿真跑了0.3秒就数值爆炸了，这时候如果只会盯着波形看，大概率调一晚上都找不出原因。但如果你有一阶、二阶系统的李雅普诺夫分析功底，你会习惯性地先检查V函数是否正定、V̇是否满足负定条件，然后很快定位到是自适应律里的某个增益符号搞反了，还是ESO带宽给得太高导致观测误差项在V̇里贡献了正项。

1.1 从一阶系统开始的核心逻辑

一阶系统之所以是入门的"最小可行案例"，是因为它的状态量只有一个，V函数的选择几乎是唯一的，不需要面对多变量系统里"V函数构造方式不唯一"这个让人头疼的问题。考虑最简单的标量系统：

ẋ = -a·x + d(t)

其中a > 0是系统固有衰减系数，d(t)是外部扰动。如果d(t) = 0，这个系统的解析解是x(t) = x(0)·e^(-at)，所有人都知道它稳定。但问题在于：你凭什么严格证明它稳定？用李雅普诺夫方法，取V = ½x²，显然V > 0（当x ≠ 0），然后求导：

V̇ = x·ẋ = -a·x² ≤ 0

当a > 0时，V̇是负定的，所以系统在李雅普诺夫意义下渐近稳定。这个推导简单到让人觉得"这不是废话吗"。但它的价值在于建立了一种思维模式：把稳定性问题转化为"能不能找到一个能量函数，让它沿着系统轨迹单调下降"。

1.2 为什么实际工程里要重新用李雅普诺夫方法

纯粹的一阶线性系统当然不需要这么绕。但一旦加入不确定性、非线性项、时变参数，甚至控制器本身带有自适应调节机制，解析解就不存在了，这时候李雅普诺夫方法是少数几条能给出严格保证的路径。比如说一阶系统带不确定参数θ和未知扰动：

ẋ = θ·u + d(t)

其中u是控制输入，θ的真实值未知但范围可以估计。你设计自适应控制器u = -k·x - θ̂·x（这里的θ̂是θ的估计值），这时候整个闭环系统变成了(x, θ̃)的二维系统，θ̃ = θ̂ - θ是参数估计误差。怎么证明整体稳定？还是用李雅普诺夫方法，但V函数要扩展为：

V = ½x² + ½·θ̃²/γ

其中γ是自适应增益。对这个V求导，然后把自适应律设计成θ̂̇ = γ·x²（即θ̃̇ = γ·x²，假设θ是常值），就能消掉交叉项，得到V̇ = -k·x² ≤ 0。这就是自适应控制里最经典的"李雅普诺夫导出自适应律"的思路——不是先拍脑袋定自适应律再证明稳定，而是从V̇要满足负半定的需求里反推自适应律应该长什么样。这个方法在Simulink里实现起来非常直观，下面第三节我会给完整的模型拆解。

2. 一阶系统：V函数构造的"最小可行案例"与Simulink验证

先搭一个最简单的一阶系统Simulink模型来验证上面的理论推导。这个模型虽然简单，但它包含了后续做ADRC时要用到的所有基础要素：被控对象、控制器、扰动注入、信号观测。

2.1 一阶系统V函数在Simulink里的直观呈现

模型结构大致是这几块：一个积分器表示状态x，一个Gain模块表示-a·x，一个Step或正弦信号作为扰动d(t)注入。控制器部分先用最简单的比例控制u = -k·x，然后我们把V = ½x²和V̇ = x·ẋ同时在模型里算出来，用Scope观察。

具体操作步骤：

1. 新建Simulink模型，从Continuous库拖一个Integrator模块，命名x。
2. Integrator的输出接一个Gain模块，增益设为-1（对应a = 1），再接回Integrator的输入，构成负反馈闭环。
3. 在Integrator输入端用Add模块叠加一个Step扰动（Step Time设为5，Final Value设为0.5）。
4. 用Fcn模块或者直接搭乘法器计算V = ½·x²。
5. 用Derivative模块对V求导得到V̇——注意，这里只是仿真验证用，实际控制器里不要用Derivative模块，噪声会放大到你怀疑人生。

仿真参数设置：Solver用ode45，相对误差1e-6，仿真时长20秒，初始条件x(0) = 1。

跑完仿真你会看到三组曲线：x指数衰减到0附近（受到Step扰动后有一个小凸起然后恢复），V单调下降并趋于0，V̇始终在0以下、只在扰动注入瞬间有一个短暂波动。这个结果跟理论推导完全吻合。这里有个值得注意的细节：理论上的V̇恒小于等于0，但在仿真里扰动注入的瞬间V̇可能会短暂为正，因为Step信号是不连续的，等效于给系统注入了一个瞬时的能量冲击。这是连续系统理想模型和数值仿真之间的固有差异，不表示控制器有问题。

2.2 一阶系统仿真的V函数可视化技巧

如果你想让自己对V函数的理解更直观，可以做一个更有意思的可视化：用XY Graph模块，X轴接x，Y轴接V，你会看到一条开口向上的抛物线（V = ½x²）。然后运行仿真，观察点沿着抛物线滑向原点。

这个可视化在课程答辩里非常加分。不过我要提醒一下，XY Graph在新版本MATLAB里被归类为"legacy"，不影响使用，但如果你的MATLAB版本比较新（R2020a之后），也可以用Simulink Dashboard里的Scope替代，或者把数据导出到MATLAB工作区后用plot命令画图，这样排版更可控。

我个人的习惯是：Simulink里跑数据，然后导出到工作区用MATLAB脚本统一出图。因为Simulink原生的Scope在论文/报告里截图的清晰度不够，而且不方便统一坐标轴范围。具体做法是在模型里加To Workspace模块，变量名设为x_out和V_out，Save format选Timeseries，跑完后在工作区执行：

figure; subplot(2,1,1); plot(x_out.Time, x_out.Data); grid on; xlabel('Time (s)'); ylabel('x'); subplot(2,1,2); plot(V_out.Time, V_out.Data); grid on; xlabel('Time (s)'); ylabel('V = 0.5*x^2');

这样出来的图直接能放进报告里。

2.3 带自适应律的一阶系统模型搭法

接下来把问题升级：被控对象改成ẋ = θ·u + d(t)，其中θ = 1.5是未知常值，我们要设计自适应控制器，让x收敛到0，同时在线估计θ。控制器结构：

u = -k·x - θ̂·x

自适应律：

θ̂̇ = γ·x²

这里的γ是自适应增益，k是比例增益。在Simulink里实现：

1. 对象部分：Integrator的输入是θ·u + d(t)，用一个Gain模块（值为1.5）在乘法后面模拟真实对象参数θ。
2. 控制器部分：用MATLAB Function模块写u = -kx - theta_hatx，输入x和theta_hat。
3. 自适应律部分：θ̂̇ = γ·x²，用Fcn模块算γ·x²，然后接Integrator得到θ̂。
4. 注意：真实对象里的θ和控制器估计的θ̂是两个完全独立的信号路径，千万不要在模型中把它们连在一起。

仿真初始条件：x(0) = 1，θ̂(0) = 0。参数取k = 2，γ = 0.5。跑完之后你会看到两个关键现象：一是x收敛到0；二是θ̂从0逐渐上升到1.5附近，但上升过程伴随着震荡——这是自适应控制里非常典型的"参数估计与状态收敛互相耦合"的现象。振荡的幅度和γ直接相关，γ越大收敛越快但振荡越剧烈，γ太小则收敛很慢。这个矛盾就是自适应控制调参的核心痛点，后面做ADRC时还会再遇到。

3. 二阶系统的V函数进阶：能量视角与相轨迹验证

二阶系统的李雅普诺夫分析比一阶系统上了一个台阶，因为状态变量有两个，V函数的构造有了自由度——你可以选不同的V，只要满足正定且V̇负定，都能证明稳定性，但不同V给出的"物理直觉"完全不同。这里我推荐从机械系统的能量视角切入，因为这是最自然、也最容易在Simulink里验证的路径。

3.1 质量-弹簧-阻尼系统的V函数构造

考虑经典的二阶系统：

m·ẍ + c·ẋ + k·x = 0

其中m、c、k分别是质量、阻尼系数、弹簧刚度，都为正。这是控制理论里最经典的被对象，也是你后面做位置伺服控制、振动抑制、乃至ADRC仿真的常见对象。把它写成状态空间形式：

ẋ₁ = x₂
ẋ₂ = -(k/m)·x₁ - (c/m)·x₂

这里x₁ = x是位移，x₂ = ẋ是速度。

系统的总机械能是：

V = ½k·x₁² + ½m·x₂²

第一项是弹簧的弹性势能，第二项是质量的动能。显然V ≥ 0，且只有x₁ = 0且x₂ = 0时V = 0，所以V是正定函数。对V求导：

V̇ = k·x₁·x₁̇ + m·x₂·x₂̇
= k·x₁·x₂ + m·x₂·(-(k/m)x₁ - (c/m)x₂)
= k·x₁·x₂ - k·x₂·x₁ - c·x₂²
= -c·x₂² ≤ 0

妙就妙在弹性势能项和动能项的交叉项正好抵消了，最后只剩下阻尼耗散项-c·x₂²。这就是"能量从机械能转换为热能，系统的总能量单调下降，最终停在平衡点"这个物理事实的数学表达。用Simulink搭这个模型非常顺手：两个Integrator串联构成二阶对象，然后自己算V函数看它是否单调下降。

3.2 相轨迹与V函数等值线联合分析

二阶系统的分析要比一阶系统多一个工具：相平面。把x₂作为纵轴、x₁作为横轴画相轨迹，你会看到系统从任意初始状态出发，相轨迹螺旋收敛到原点（欠阻尼情况）或直接滑向原点（过阻尼情况）。而V = ½k·x₁² + ½m·x₂² = E这个方程在相平面上是一族椭圆等值线，每个椭圆代表一个固定的能量水平。

把相轨迹和V的等值线叠在一张图上看，你能直观理解李雅普诺夫定理的几何含义：相轨迹从外层椭圆穿向内层椭圆，能量在不断减小。我在实际做课程展示时很喜欢用这个图，因为它能让没学过控制理论的人也能一眼看出"系统在往能量低的方向走"。Simulink里实现方法：用XY Graph模块，X轴接x₁，Y轴接x₂，跑完就能看到相轨迹。如果想看到等值线，把仿真数据导出后加一行MATLAB画图代码：

[X1, X2] = meshgrid(-1.5:0.1:1.5, -1.5:0.1:1.5); E = 0.5*100*X1.^2 + 0.5*1*X2.^2; % 以k=100, m=1为例 contour(X1, X2, E, 20); hold on; plot(x1_out, x2_out, 'r', 'LineWidth', 1.5);

你会看到红色相轨迹从外圈椭圆一圈一圈地切向原点，每一圈穿过的椭圆等值线对应的能量都在下降。这个画面比我在这里写一百句话都有用。

3.3 二阶系统V函数构造的两个常见误区

第二个坑是：V̇是负半定的（V̇ = -c·x₂²，只在x₂ = 0时为0），这种情况只能推出系统稳定（Lyapunov stability），要推出渐近稳定还需要用到LaSalle不变集原理——即从集合{x₂ = 0}出发的最大不变集只有原点。很多教程草草一句"所以系统渐近稳定"就带过了，但你要知道这里缺失的论证是什么。在Simulink仿真里，你可以直接验证：如果初始条件里的x₁ ≠ 0但x₂ = 0（比如拉开的弹簧静止释放），系统不会停在x₂ = 0那条线上，因为弹簧力会推动质量运动，所以系统的状态不会永远停留在V̇ = 0的集合里，最终还是会回到原点。

第二个常见的坑是：强行套用V = ½x₁² + ½x₂²这种"正方形求和"形式的二次型，而不顾系统的物理结构。对于质量-弹簧-阻尼系统，如果取V = ½x₁² + ½x₂²（无加权），你会得到：

V̇ = x₁·x₂ + x₂·(-(k/m)x₁ - (c/m)x₂)
= (1 - k/m)·x₁·x₂ - (c/m)·x₂²

当k/m ≠ 1时，交叉项(1 - k/m)·x₁·x₂无法保证消掉，V̇的符号就不确定了。这说明V函数不是随便选的，它必须跟系统的能量结构匹配。这也是为什么我一直强调从物理能量视角出发选V函数，而不是从"凑一个二次型"出发——前者有物理直觉兜底，后者纯靠运气。

4. 从稳定性分析到自适应自抗扰控制：ESO与控制律的设计逻辑

一阶、二阶系统的李雅普诺夫分析打底之后，就可以进入本文的重头戏：自适应自抗扰控制（ADRC）。很多人第一次接触ADRC是被它的"抗扰"名头吸引的，觉得它可以不管对象模型就干活。这句话对了一半——ADRC确实不需要精确模型，但它对"哪些东西需要未知、哪些东西必须已知"是有明确界定的，如果你搞不清楚这个边界，仿真模型就是一锅粥。

4.1 扩张状态观测器ESO到底在观测什么

ADRC的灵魂是扩张状态观测器（Extended State Observer, ESO）。以二阶系统为例，假设被控对象可以写成：

ẍ = f(x, ẋ, d, t) + b·u

其中f(x, ẋ, d, t)包含了内部非线性动态、模型不确定性和外部扰动，统称"总扰动"；b是控制增益（可以理解为输入通道的不确定系数，但通常用估计值b₀代替）。ADRC的核心思路是把总扰动f扩张成一个新的状态变量x₃ = f，然后构造一个三阶观测器去同时估计x₁、x₂、x₃：

ẑ₁ = z₂ + β₁·(y - z₁)
ẑ₂ = z₃ + β₂·(y - z₁) + b₀·u
ẑ₃ = β₃·(y - z₁)

其中β₁、β₂、β₃是观测器增益，通常按带宽参数化：β₁ = 3ω₀，β₂ = 3ω₀²，β₃ = ω₀³，ω₀被称为观测器带宽。z₁跟踪输出y，z₂跟踪速度ẋ，z₃跟踪总扰动f。控制律设计为：

u = (u₀ - z₃) / b₀

其中u₀是某个基础控制器（比如PD控制器）的输出。这样做的意图很清晰：把z₃（总扰动估计值）从控制量里减掉，相当于用一个负的估计来抵消真实扰动——如果z₃ ≈ f，那么被控对象就变成了：

ẍ ≈ u₀

一个完美的二阶积分器。于是你只需要对u₀设计一个简单的PD控制器就能控制它。这就是ADRC的"动态线性化"或者说"反馈线性化"思想。在Simulink里实现ESO，最直接的办法是用MATLAB Function模块写一个三阶积分器表达式，或者拆成三个Integrator模块——前者代码短、易维护，后者纯模块化、适合演示底层原理，看你个人习惯。

4.2 自适应机制加在哪里：从"固定增益"到"在线调节"

理论中的ADRC往往假设b₀已知且固定，但工程实际中b₀经常是不精确的——比如你控制电机的力矩系数、控制无人机时的气动增益，都只是粗略估计。当b₀与实际b偏差较大时，ESO的补偿效果会打折扣，甚至出现极限环振荡。自适应ADRC的思路就是把这个"增益失配"也当作一种不确定性，用在线估计的方式去处理。

具体自适应机制的选择有几种：

对于Simulink仿真入门，我个人推荐第二种：在PD控制器输出的基础上，叠加一个自适应补偿项，用李雅普诺夫方法导出自适应律——就是把第一节里那个"反推自适应律"的思路搬到二阶系统上。具体做法是，取滑模面s = ė + λ·e（其中e = r - x是跟踪误差），然后设计自适应律让参数估计误差带来的项在V̇里被消掉。这跟我在第一节一阶系统里做的推导是同构的，只是状态从一维变成了二维。

4.3 一个具体的设计实例：二阶位置跟踪自适应ADRC

拿一个具体的仿真案例来说：被控对象是质量-弹簧-阻尼系统加上一个非线性扰动项，目标是从初始位置0跟踪一个方波信号。数学描述：

m·ẍ = -c·ẋ - k·x + f_nl(x) + b·u + d(t)

其中f_nl(x) = sin(2x)是非线性弹簧力，d(t) = 0.5·sin(3t)是外部扰动，m = 1, c = 1, k = 5, b = 2。设计以下控制结构：

• ESO估计总扰动（包括f_nl、参数偏差、d(t)），带宽ω₀ = 30。
• PD控制器：u₀ = kp·e + kd·ė，kp = 100，kd = 20。
• 自适应参数θ_filet用于补偿残余的常值扰动，自适应律θ̂̇ = γ·s（s是滑模面），γ = 5。

这个结构在Simulink里搭起来大约需要20分钟，但跑通之后你会非常清楚地看到三个现象：一是ESO的z₃波形会跟踪f_nl + d(t)的总和；二是有了补偿之后，跟踪误差比纯PD控制小一个数量级；三是自适应项能进一步把稳态误差压到接近零。

5. Simulink仿真模型搭建：架构、参数与调参全流程

理论讲完了，下面进入纯干货阶段——模型怎么搭、参数怎么设、调参顺序是什么。我尽量按我实际动手时的操作顺序来写，你照着做就能复现。

5.1 仿真模型总体架构与模块清单

整个模型分成四层：被控对象层、ESO层、控制律层、自适应层。推荐用Bus信号把各层之间的接口整清楚，别用Goto/From满天飞的方式——短期看省事，长期看维护成本极高。

核心模块清单如下：

一个关键的工程建议：把b₀、ω₀、kp、kd、γ这些参数全部定义成MATLAB工作区的变量，Simulink模块里的Gain参数直接填变量名。这样你就不用每次调参都去双击模块改数字，直接在工作区改完跑仿真就行。如果你用的是R2020a之后版本，推荐用Simulink的Parameter Configuration方式统一管理，或者干脆写一个初始化脚本set_params.m，把参数集中放在文件头部。

5.2 关键参数取值与整定顺序

ADRC参数整定的顺序，我建议严格遵循"从内到外、从后到前"的原则。这个顺序我踩了不少坑才总结出来：

1. 先整定ESO的ω₀。把控制律暂时退化成u = -z3/b0（只做扰动补偿），观察z1对y的跟踪速度。ω₀太小，z1滞后严重，后面全白搭；ω₀太大，观测器对噪声敏感，Simulink里表现为z3波形高频抖动。经验值：ω₀从对象响应速度的3～5倍起步，逐步加大到z1能快速跟踪y且z3不抖为止。

2. 再整定PD的kp、kd。整定ESO时可以把PD设为纯P控制，把kp从小往大加，看到系统开始振荡就回退20%，然后加入kd抑制超调。这里有个经验法则：kp决定闭环刚度，kd决定阻尼，先刚度后阻尼。

3. 最后加自适应项。γ从很小的值（比如0.1）开始往上加，每加一次就观察θ̂的收敛速度和s的大小。γ太大，θ̂本身开始振荡，并且会跟ESO的观测动态互相激发，整个系统出现低频振荡。

以我上面那个例子，实测下来一组稳定的参数是：ω₀ = 30，kp = 100，kd = 20，γ = 5，b₀ = 2，仿真采样步长0.001秒（定步长求解器）。这套参数跑出来，方波跟踪的上升时间约为0.15秒，超调小于5%，稳态误差在0.01以内。

5.3 仿真求解器设置：定步长还是变步长

这个问题在ADRC仿真里特别关键。ESO本质是高频观测器，它需要足够小的仿真步长才能稳定。我的建议是：ADRC仿真一律用定步长求解器（比如ode4或者ode5），步长按控制系统最高频率的1/50～1/100来选。如果你用变步长求解器（ode45），仿真会自动在ESO动态剧烈的地方加密步长，结果是你无法复现实际嵌入式系统里的固定采样行为。况且，最终你要把控制器部署到真实的MCU或者DSP上，控制周期是固定的（比如1kHz），定步长仿真才贴近工程现实。

定步长具体设置方法：Simulink模型窗口 -> Solver -> Solver options -> Type选Fixed-step，Solver选ode4（四阶龙格库塔），Fixed-step size填0.001。如果你用了MATLAB Function模块而且里面写了连续状态（比如ESO的三个积分状态），用ode4是够用的；如果模型规模大、非线性强，可以考虑ode5提高精度，但仿真时间会明显变长。

6. 仿真踩坑记录：代数环、参数发散与离散化问题

最后这部分是我实际调试中遇到的三个最典型的问题，每个都花了不止一个晚上才解决。我把排查过程写出来，希望能帮你省下这些时间。

6.1 MATLAB Function模块引起的代数环

用MATLAB Function模块写ESO时，很多人第一次跑会弹出一个warning：存在Algebraic Loop（代数环）。原因是ESO的输入里有y和u，而u又由ESO的输出z3计算而来，形成了一个u → ESO → z3 → u的环。Simulink默认会尝试用迭代法解这个代数环，但迭代会显著拖慢仿真速度，严重时直接导致仿真失败或者结果振荡。

我的处理办法有两种。第一种最治本：把ESO模型拆成基于积分器的状态方程实现，用Integrator模块的输出作为状态，输入输出信号分开，这样Simulink就能以积分环节断开代数环。第二种做法是给ESO的输入u加一个单位延迟（Unit Delay模块），人为打破代数环。这相当于把控制量延迟一个仿真步长，对于采样时间在毫秒级的系统影响非常小。工程上很多嵌入式实现本来就是"上一周期的u"参与本周期ESO计算，反而更接近实际代码行为。

6.2 自适应增益引发的参数发散

自适应项刚加上去的时候，系统100%会先发散一段时间——至少在我做的十几个不同工程里，还没有一次是第一次跑就稳定的。最典型的症状是：前0.1秒一切正常，然后θ̂突然往一个方向狂奔（比如涨到几百），同时x也开始发散。原因通常是γ太大加上持续激励条件不满足，或者符号错误。

排查思路的建议：先用纯PD+ESO（不加自适应项）跑通，确认基础层没问题；然后加入自适应项但把γ设到极小（0.01）；再逐步增大γ并用Scope同时观察θ̂和s（滑模面），如果θ̂出现高频振荡，说明γ和ESO带宽之间产生了耦合，需要降低ω₀或γ两者之一。我还习惯在θ̂的积分器上加一个饱和限幅（Saturation模块），比如限制在[-10, 10]，这样即使调试过程中参数出问题，也不至于一次仿真就把数据搞到天文数字，方便观察局面。

6.3 ESO带宽与采样步长的匹配问题

最后一个高频坑：ESO的ω₀设得很大，但仿真步长不够小，结果就是离散化误差导致的数值发散。ESO作为高频观测器，它的动态时间尺度是1/ω₀，仿真步长至少要小于1/(10·ω₀)才能保证数值稳定。比如ω₀ = 30，步长至少要小于0.0033秒，而我上面推荐0.001秒是留了安全余量的。

你可以做个简单的实验对比：同样的参数，变步长ode45（默认容差）跑出来可能看起来很正常，但一旦切成0.01秒的定步长，系统立刻发散。这正是离散化误差的威力。我以前给一个课程设计做辅导的时候，一个学生折腾了三天没解决的问题就是这个——他把ESO带宽设成了1000，而仿真步长是0.001，理论上1/(10·1000) = 0.0001秒的步长要求，他差了10倍。把ω₀降到300，或者把步长改成0.0001秒，问题立刻消失。

6.4 一个工程建议：把仿真当"实验台"，把调参当"实验设计"

最后分享一点个人体会。我刚接触ADRC的时候，总觉得调参是一个"试错"的过程，调到一个稳定点就算完事。后来做多了才意识到，这就是一个典型的"实验设计"问题——每一个参数组合都是一个实验点，你要做的不是碰运气找到能用的那个点，而是理解每个参数在系统中所扮演的角色，知道往哪个方向调会产生什么效果。

比如ω₀在ESO里的角色是"观测带宽"，它的物理意义是"观测器对输出误差的放大程度"，对应z3对总扰动的跟踪速度。kp和kd的角色是"闭环刚度和阻尼"，对应跟踪误差在PD层面的响应速度。γ的角色是"参数自适应速度"，对应未知参数搜索的快慢。三个参数分别作用于三个时间尺度：ω₀管快变量，kp/kd管中速变量，γ管慢变量。调参时只要按这个时间尺度的顺序来，先快后慢、先观测后控制、先固定后自适应，大部分问题都能有条理地解决，而不是靠瞎试。

这套"从李雅普诺夫稳定性分析到自适应自抗扰控制"的仿真链路，我前后带过不少学生和同事复现过。每次有人卡住，十有八九不是理论不懂，而是仿真实现里的某个细节没处理好——代数环没破、步长没匹配、参数整定顺序反了。希望这篇东西能帮你把这几个坑提前填平。如果你在复现过程中遇到了这篇没覆盖到的问题，欢迎带着你的模型参数和波形来交流。