当传统PID遇上智能调参：L_ADRC2实战手记
二阶线性自抗扰控制器（L_ADRC2），支持算法，已封装调试简单，支持粒子群调参（另外的）。
搞控制的兄弟对自抗扰应该不陌生，这玩意儿比PID多带个状态观测器，对付系统扰动确实更生猛。最近封装了个二阶线性自抗扰控制器（LADRC2），实测效果不错，顺手把粒子群调参也集成了。直接甩干货，先说怎么用再看门道。
先看封装好的LADRC2类
class LADRC2: def __init__(self, w0, b0, dt): self.z1 = 0 # 状态观测器状态1 self.z2 = 0 # 状态观测器状态2 self.u = 0 # 控制输出 self.b0 = b0 # 系统增益估计值 self.beta1 = 2 * w0 # 观测器带宽参数 self.beta2 = w0 ** 2 self.dt = dt def update(self, y, target): # 状态观测器核心方程 e = y - self.z1 self.z1 += (self.z2 + self.beta1 * e) * self.dt self.z2 += (self.beta2 * e) * self.dt # 控制器计算 u0 = (target - self.z2) / self.b0 self.u = u0 - self.z1 / self.b0 return self.u重点看状态观测器那两行微分方程，这相当于给系统装了个X光机。beta参数决定观测器反应速度，实际调试时建议从系统带宽的3-5倍开始试。dt记得要和实际控制周期匹配，否则数值积分会飘。
粒子群调参实战
调w0和b0最头疼？上智能算法：
from pyswarm import pso def tune_parameters(system_model): def cost_func(params): w0, b0 = params controller = LADRC2(w0, b0, dt=0.01) # 运行仿真计算ISE指标 ise = simulate(system_model, controller) return ise # 参数边界：w0∈[1,100], b0∈[0.1,10] lb = [1, 0.1] ub = [100, 10] xopt, _ = pso(cost_func, lb, ub, swarmsize=20, maxiter=50) return xopt这里用了pyswarm库，设置20个粒子迭代50次。注意代价函数里要封装被控对象的仿真过程，ISE指标可以根据实际情况换成IAE或者其他。实测在电机控制场景下，这样调参比手动试快三倍不止。
实测踩坑记录
最近在四旋翼姿态控制项目用了这个框架，几个经验值：
- 观测器带宽w0别超过采样频率的1/5，否则数值不稳定
- b0初始值取系统稳态增益的倒数，能加快收敛
- 粒子群迭代时加个参数对数变换，搜索效率更高
遇到过最邪门的情况：某款空心杯电机b0调到0.8时突然震荡，后来发现是PWM分辨率不够导致的非线性。所以智能算法不是万能的，物理瓶颈还得靠硬件解决。
二阶线性自抗扰控制器（L_ADRC2），支持算法，已封装调试简单，支持粒子群调参（另外的）。
代码仓库里给了无人机姿态控制demo，直接改电机模型就能复现。自抗扰这玩意儿在强扰动场合确实比PID顶用，特别是做无人机抗风实验时，跟踪误差小了40%左右。下次试试结合强化学习在线调参，应该更有意思。