1. 项目概述：为什么选ADRC做永磁同步电机仿真

搞电机控制的人，谁没被PID支配过几年？从大学实验室到产线调试，PID确实是万金油，结构简单、参数直观、工程经验丰富。可一旦碰到永磁同步电机这种强耦合、非线性、参数时变的被控对象，PID那三板斧就开始露怯了——负载突变时转速波动大，参数摄动时动态性能明显退化，更别提Simulink里仿真跑得欢、上了台架就翻车的经典尴尬。这也是我当初决定把ADRC（自抗扰控制）引入PMSM仿真模型的核心动机。

这个模型解决的是这样一个问题：在不改变电机本体数学模型的前提下，用ADRC替代传统的PID速度环，通过扩张状态观测器（ESO）实时估计系统内部扰动和外部负载扰动，并在控制律中进行主动补偿，从而提升系统的抗扰能力和鲁棒性。说人话就是——负载突然加上去，转速掉得少、回得快；电机参数因为温度变化漂移了，系统还跟没事人一样。

项目本身非常值得做。一方面，ADRC是当前工业控制领域最有希望大规模替代PID的候选方案之一，其理论体系完整、工程实现路径清晰；另一方面，Simulink仿真平台给了我们一个低成本、零风险验证算法效果的绝佳环境。无论你是学生做毕业设计，还是工程师搞技术预研，这套仿真模型都能让你在半天之内建立起对ADRC从理论到实践的全链路认知。我在实际搭建过程中踩了不少坑，这篇文章把每一步的来龙去脉都写清楚，看完你也能从零搭出一套能跑的ADRC+PMSM仿真模型。

1.1 标题拆解：ADRC和PMSM各自是什么

永磁同步电机，简称PMSM，是当前工业伺服、电动汽车、机器人领域最主流的电机类型。它的转子装有永磁体，不需要励磁电流，所以效率高、功率密度大。但它的数学模型是一个典型的非线性强耦合系统——d轴和q轴之间存在交叉耦合项，反电动势与转速成正比，转矩与电流之间存在非线性的乘积关系。这些特性决定了它不像直流电机那样"一个PI环就能怡然自得"。

自抗扰控制ADRC的核心思想，最早由韩京清研究员在上世纪90年代提出。它把系统的未建模动态和外部扰动统一看成"总扰动"，然后通过扩张状态观测器把这个总扰动实时估计出来，再在控制输入中减去这个估计值，实现对扰动的主动补偿。这套思想的精妙之处在于：它不依赖被控对象的精确数学模型——你是几阶系统、非线性有多强，ESO都能给你兜住。

这两个东西放到一起，碰撞出的火花非常有意思。PMSM数学模型越复杂、扰动越不确定，ADRC发挥的空间就越大。如果被控对象本身是理想线性的，那ADRC相对PID的优势并不明显，甚至PID已经足够了。但PMSM恰恰不是，它内部有交叉耦合、外部有负载突变，还有参数漂移，天然就是ADRC的试验田。

1.2 为什么不用PID改用ADRC：一场控制理念的对比

既然PID用了这么多年，为什么还要折腾ADRC？我个人的体会是：PID是"基于误差消除误差"，但它有一个天然短板——没有办法区分"误差是因为外部扰动造成的"还是"因为控制器本身没干好造成的"。整个反馈系统就像一个被动挨打的拳手，被打了一拳才做出反应，反应完了可能又被补了一拳。

ADRC的逻辑完全不同。ESO的数学本质是一个扩张了状态维度的观测器。在原系统状态的基础上，把那个说不清道不明的"总扰动"也当成一个状态来估计。也就是说，它不仅能测到"转速掉了"，还能同时估计出"是负载转矩增加了，还是磁链衰减了，还是逆变器非线性导致的等效扰动"。然后控制器不再等转速掉下去再慢慢调——而是在扰动刚出现的瞬间，就把补偿量叠加到控制输入上，提前把坑填平。

这个差异在仿真里体现得很直观。给系统加一个阶跃负载，PID控制的转速会先掉下去再慢慢爬回来，回落的深度和恢复时间与PID参数直接相关；ADRC控制的转速几乎只有一点点瞬态凹坑，然后迅速恢复到给定值——那个凹坑的大小直接取决于ESO的跟踪速度。这个仿真模型跑通了之后，你会实实在在地感受到什么叫"主动抗扰"。

2. ADRC控制器的结构拆解

ADRC不是一个单一的控制算法，而是一个控制框架。我在模型里实现的是最经典的二阶ADRC——二阶系统模型，速度环作为被控对象。它由三个核心部件组成：跟踪微分器（TD）、扩张状态观测器（ESO）和非线性状态误差反馈（NLSEF）。这三个部件各司其职，但缺一个整体性能都会打折。

2.1 跟踪微分器（TD）：给速度信号安排一条平滑路径

TD解决的是"快速性与超调"的矛盾。传统的PID一阶低通滤波也能滤掉转速测量中的噪声，但滤波会带来相位滞后，滞后的信号反馈回来会让系统觉得"我还没到目标呢"，继续使劲输出，结果就是超调。TD的思路是安排一个过渡过程：给一个阶跃速度给定，TD输出一条平滑的、有最大加速度限制的轨迹，让实际转速沿着这条轨迹平滑到达目标。

TD的离散形式我在Simulink里是这样实现的：

function [x1, x2] = td_update(x1, x2, v, r, h0) % x1: 过渡信号, x2: 过渡信号导数 % v: 给定值, r: 跟踪速度因子, h0: 滤波因子 f = fhan(x1 - v, x2, r, h0); x1 = x1 + h0 * x2; x2 = x2 + h0 * f; end function f = fhan(x1, x2, r, h) % 最速控制综合函数，ADRC中TD的核心 d = r * h; d0 = d * h; y = x1 + h * x2; a0 = sqrt(d^2 + 8 * r * abs(y)); if abs(y) <= d0 a = x2 + y / h; else a = x2 + 0.5 * (a0 - d) * sign(y); end if abs(a) <= d f = -r * a / d; else f = -r * sign(a); end end

这段代码里的fhan函数是韩京清提出的最速控制综合函数。我最初在搭模型的时候一度很困惑：为什么不直接用一阶惯性环节代替TD？后来仿真对比发现，TD的过渡过程能让系统在阶跃给定下几乎无超调地达到目标转速，而一阶惯性环节则会因为相位滞后产生可观的超调量。TD的跟踪速度因子r直接决定过渡过程快慢——r越大，过渡过程越短，但对噪声越敏感；r太小，转速响应会变得拖沓。这个参数和PID里的比例增益有点像，需要根据实际系统特性权衡。

2.2 扩张状态观测器（ESO）：整个ADRC的灵魂

如果说TD是"前馈整形"，那ESO就是整个ADRC最核心的部分。它解决的是"状态感知"问题——在只知道被控对象输入输出信息的前提下，同时估计出系统状态和总扰动。

二阶系统的扩张状态观测器可以写成这样的形式：

对于系统：x1_dot = x2, x2_dot = f(x1, x2, w, t) + b0 * u

其中f就是那个总扰动，包含内部未建模动态和外部扰动w。扩张状态x3 = f，则ESO可以设计为：

• e = z1 - y
• z1_dot = z2 - beta1 * e
• z2_dot = z3 - beta2 * fal(e, 0.5, delta) + b0 * u
• z3_dot = -beta3 * fal(e, 0.25, delta)

这里的fal函数是一个非线性函数，表达式为：

function f = fal(e, alpha, delta) if abs(e) <= delta f = e / delta^(1 - alpha); else f = sign(e) * abs(e)^alpha; end end

直观理解就是：小误差时放大（线性段），大误差时饱和（非线性段），从而保证观测器在小误差时快速收敛，在大误差时不过度超调。

我在搭建这个模块时用了一个小技巧：把beta参数从"带宽法"出发设定。ESO的观测带宽w0决定了ESO的收敛速度，三个增益的初值可以取为beta1 = 3w0, beta2 = 3w0^2, beta3 = w0^3。这样整定参数时只需要关注w0一个数就行。当然实际仿真中这些增益还要微调，因为非线性函数的存在使得带宽法估算值只是一个好的出发点。

2.3 非线性状态误差反馈（NLSEF）与扰动补偿

NLSEF的作用是把TD给出的过渡信号与系统实际状态之间的误差，结合ESO的扰动估计，组合成最终的控制律。传统PID是对误差做"比例、积分、微分"的线性组合，而NLSEF用非线性组合误差——小误差用高增益，大误差用低增益，从数学形式上更符合"小偏差精细调节、大偏差快速逼近"的工程直觉。

控制律的形式一般是：

u0 = kp * fal(e1, alpha1, delta) + kd * fal(e2, alpha2, delta)

然后最终控制输入：

u = (u0 - z3) / b0

其中z3是ESO估计的总扰动，b0是控制增益估计值。这个b0的分母项正是扰动补偿的关键——ESO估计出多大扰动，控制输入就反向减去多大分量。如果b0的估计不准确，补偿就会产生偏差：b0偏大，补偿过冲；b0偏小，补偿不足。

这里有一个非常关键的Simulink实现细节：控制律的输出是转速环的给定转矩电流iq_ref，由于PMSM的电磁转矩与q轴电流近似成正比（在id=0控制策略下），所以ADRC速度环的输出直接串联到电流环的输入端。这个等效链路的增益是1.5p磁链（与电机参数相关），在整定b0时需要把这个增益折算进去，否则ESO的扰动估计会失真。我一开始偷懒直接取b0=1，结果ESO的观测效果看着还行，但整体系统的抗扰性能明显不如预期，排查了半天才发现是这个增益折算的问题。

3. Simulink模型整体架构设计

搭建ADRC+PMSM仿真模型，架构设计决定成败。如果一上来就闷头拖模块，后面改起来会非常痛苦。我的建议是先在纸上把信号流图画清楚——从速度给定到转速反馈，中间经过哪些环节，每个环节的输入输出是什么，然后再说Simulink里怎么搭。

3.1 模型整体拓扑：双闭环还是三环

伺服系统最常见的拓扑是位置环、速度环、电流环三环结构。这个仿真模型我做的是速度电流双闭环，位置环留了接口但没闭环——因为ADRC的速度环是核心，位置环如果要加，也只是在速度环外面串一个比例控制器，思路完全一致。

双闭环结构如下：

• 外环（速度环）：ADRC控制器，输入是给定转速与反馈转速的误差关系（经过TD和ESO状态），输出是q轴电流给定iq_ref
• 内环（电流环）：两个PI控制器，分别控制d轴电流和q轴电流。d轴电流给定为0（id=0控制），q轴电流给定来自速度环输出

我遇到不少人在仿真时把速度环和电流环都用ADRC，认为"用ADRC越多越高级"。其实没必要。电流环的动态比速度环快得多，电流环的被控对象（定子绕组）相对而言更接近线性模型，PI控制完全够用，还省了ADRC参数整定的麻烦。速度环是真正面临负载扰动和参数摄动的环节，把ADRC放在这里性价比最高。

3.2 坐标变换与PMSM数学模型的Simulink实现

PMSM在Simulink里有两种建模方式：直接用Simscape Electrical里的永磁同步电机模型，或者用数学公式自己搭dq坐标系下的电机模型。我做模型时用的是数学公式方式——好处是每一个物理量都看得见摸得着，方便调试和排查问题。

dq坐标系下的电压方程为：

• ud = Rsid + Lddid/dt - omega_eLqiq
• uq = Rsiq + Lqdiq/dt + omega_e*(Ld*id + psi_f)

电磁转矩方程：Te = 1.5p(psi_f*iq + (Ld - Lq)idiq)

对于表贴式PMSM，Ld = Lq，转矩方程退化为Te = 1.5ppsi_f*iq，非常清爽。我用的电机参数如下：

坐标变换模块实现Park变换和Clark变换。Clark把三相abc坐标系变到静止两相αβ，Park把αβ变到旋转dq。这两个变换在Simulink里可以用Fcn模块直接写表达式，也可以用封装好的子系统。我个人的习惯是单独建一个"坐标变换"子模块，里面用Fcn写公式，这样改动电机参数时不用动变换模块。

3.3 离散化与采样时间设置的工程考量

仿真模型的采样时间设置是很多人忽略但影响很大的细节。ADRC本身是一个连续算法，但实际工程中一定是在DSP或MCU里离散化运行的，所以我在模型里做了离散化处理——速度环ADRC的采样时间设为0.1ms（对应10kHz控制频率），电流环的采样时间设为0.01ms（100kHz）。

为什么速度环要慢一拍？因为电流环需要更快的带宽来保证电流跟随，速度环的带宽相对较低。如果两个环都用0.01ms采样，仿真速度会变慢，而且对ADRC来说没必要——ESO的带宽不需要做那么高。我在实际跑仿真时发现，ESO的观测带宽w0设定在300rad/s左右就足够应对大多数工况了，对应的采样时间0.1ms完全够用。

离散化方式上，ESO和TD我用的是前向欧拉法（一阶），实现简单、计算量小，在采样时间足够短的时候精度完全够用。如果你追求更高精度，可以用RK4，但仿真步长固定为0.01ms时，欧拉法和RK4的差别肉眼几乎看不出来——完全没必要为了这种"自以为是的精度"拖慢仿真速度。

4. 建模实操：从零搭建仿真模型

下面进入重头戏——具体怎么搭。我会按从底层到顶层的顺序一步步讲解，每一步要建什么模块、参数怎么填、有哪些坑，都写清楚。整个模型我建议分成三个大子系统：PMSM本体子系统、坐标变换与逆变器子系统、ADRC控制器子系统。

4.1 第一步：搭建PMSM本体与逆变器模块

PMSM本体用电压方程和转矩方程搭。输入是ud和uq，输出是电流id、iq和机械转速。在Simulink里，我的做法是：

• 建一个子系统，内部用积分模块（Integrator）表示电流动态。dq轴电流的微分方程写成ud = Rs*id + Ld*did/dt - omega_e*Lq*iq的形式，那么did/dt = (ud - Rs*id + omega_e*Lq*iq)/Ld，从这个公式直接连积分器。
• 机械方程同理，转速的积分基于运动方程：J*dω/dt = Te - B*ω - TL，所以转速积分器的输入是(Te - B*ω - TL)/J。
• 电角速度omega_e = ω * p，直接乘一个增益模块。

逆变器的建模我做了简化——没有用IGBT导通损耗那种细节模型，而是用一个饱和限幅模块模拟逆变器输出电压极限。直流母线电压假设为300V，那么三相线电压有效值要经过SVPWM限制，简化后就是ud和uq的幅值限幅在±150V左右。

提示：初次跑仿真时如果发现id和iq发散到几千甚至几万，基本可以确定是限幅没加或者电机参数填错了。我踩过这个坑——忘记加限幅，仿真结果直接变成一条直线，根本看不出控制效果。

4.2 第二步：ADRC控制器C-MEX S-Function实现

ADRC控制器我用的是S-Function方式实现，而不是一堆Simulink基本模块堆砌。原因很简单：S-Function的代码逻辑清晰，参数调整只需要改一个变量数组，而且方便后续移植到嵌入式代码里。另一个方案是Matlab Function模块，也可以，但代码组织不如S-Function规整。

S-Function的框架如下：

function adrc_sfun(block) % 输入: 速度给定ref, 速度反馈w % 输出: 电流给定iq_ref setup(block); end function setup(block) block.NumInputPorts = 2; block.NumOutputPorts = 1; block.SetPreCompPortInfoToDynamic; block.InputPort(1).Dimensions = 1; block.InputPort(2).Dimensions = 1; block.OutputPort(1).Dimensions = 1; block.SampleTimes = [0.0001 0]; % 0.1ms离散采样 block.RegDialogs = ... {'b0', 'Parameters for ADRC', 'b0'}; % 参数: [b0, r, h0, w0, kp, kd] block.SetAccelRunOn = true; block.SimStateCompliance = 'DefaultSimState'; block.NumContStates = 0; block.NumDworks = 4; block.Dwork(1).Name = 'z1'; block.Dwork(1).Dimensions = 1; % ... 其他dwork定义省略 end

更简洁的方式是用Level-2 MATLAB S-Function，把状态更新打包。我在实际的模型里是这样实现核心更新逻辑的：

function OutputUpdate(block) % 读取输入 ref = block.InputPort(1).Data; w = block.InputPort(2).Data; % 读取状态 z1 = block.Dwork(1).Data; z2 = block.Dwork(2).Data; z3 = block.Dwork(3).Data; x1 = block.Dwork(4).Data; % TD状态 x2 = block.Dwork(5).Data; % TD [x1, x2] = td_update(x1, x2, ref, r, h0); % ESO e = z1 - w; z1 = z1 + h * (z2 - beta1 * e); z2 = z2 + h * (z3 - beta2 * fal(e, 0.5, delta) + b0 * u_prev); z3 = z3 + h * (-beta3 * fal(e, 0.25, delta)); % NLSEF e1 = x1 - z1; e2 = x2 - z2; u0 = kp * fal(e1, 0.5, delta) + kd * fal(e2, 0.5, delta); u = (u0 - z3) / b0; % 输出并保存上一次u block.OutputPort(1).Data = u; block.Dwork(6).Data = u; % u_prev end

这个代码框架基本就是ADRC的全貌。你可能注意到ESO的更新方程里用了上一次的控制输入u_prev，这是离散化的自然结果——当前时刻的ESO输出用上一时刻的控制输入来计算，因为当前时刻的控制输入还没算出来呢。在连续域里没有这个问题，但离散仿真里必须这样处理，否则会出现代数环报警。

4.3 第三步：电流环PI控制器搭建与限幅设置

电流环两个PI控制器结构一样，只是参数不同。d轴PI控制id到0，q轴PI控制iq到给定。PI参数我用的是零极点对消法整定：PI的零点对消电机电时间常数的极点，即Ti = Lq/Rs（或Ld/Rs），比例增益Kp取电流环带宽wc乘以电感Lq。

举个例子：

• q轴：Lq = 8.5mH, Rs = 2.875Ω, 电时间常数Tq = Lq/Rs ≈ 2.96ms
• 取电流环带宽wc = 3000rad/s
• Ki = Kp / Ti，Kp = wc * Lq = 3000 * 0.0085 = 25.5
• Ti = 0.00296，所以Ki = 25.5 / 0.00296 ≈ 8615

这样算出来的参数可以直接用，但跑仿真时要注意：如果出现电流震荡，多半是带宽取太高了，把wc降到2000rad/s试试。电流环的输出限幅也要注意，我设的限幅是±20A——超过这个值，在仿真里会看到iq_ref被削顶。

这个仿真模型最复杂的地方其实是ADRC参数的协调。单独调ESO和NLSEF都没问题，但两者放在一起需要多次迭代。下面是我调试时用的参数表（只针对上文电机参数）：

这套参数能让系统在额定转速下启动无超调，并且在2Nm负载突变时转速跌落小于20rpm、恢复时间约0.05s。如果你想抄作业，直接用这套参数跑，保准能出基本正确的波形。

5. 仿真验证与结果分析

模型搭出来只是第一步，最关键的环节是验证ADRC到底比PID强在哪里。我的建议是设计三组对照实验：启动响应测试、负载突变测试、参数摄动鲁棒性测试。这三组实验做完，ADRC和PID的差异就一目了然了。

5.1 启动响应测试：阶跃给定对比

给定1000rpm阶跃转速指令。PID组的响应曲线大概是这样：转速快速上升，到达额定值附近后有一个约15%~20%的超调，然后经过约0.1s的振荡收敛。ADRC组的曲线则不同——转速沿着TD规划的平滑路径上升，几乎无超调地到达给定转速，但上升时间会比PID慢一点（大约0.15s左右）。

这个对比结果很典型。PID的"快"是牺牲了超调换来的，ADRC的"稳"是通过主动规划过渡过程实现的。如果你把PID参数往小调压低超调，它的响应会变得很慢，反而比ADRC更慢。也就是说，ADRC在"同超调量下响应更快"这个维度上通常能赢。

5.2 负载突变测试：抗扰能力直观对比

在t=0.5s的时刻突加2Nm负载，观察转速动态。PID组的转速跌落大约60~80rpm，恢复时间约0.3s；ADRC组的转速跌落大约20rpm左右，恢复时间约0.05s。差距非常直观。

原理上也不难理解：PID要等转速出现偏差后才通过积分环节慢慢把偏差拉回，属于"事后补偿"；ADRC的ESO在负载突加的瞬间就感知到了转矩的变化，立即在控制量中叠加补偿，属于"事前抵消"。我为了验证ESO确实观测到了扰动，在Scope里特意把z3（总扰动估计值）的波形调出来看——负载加上后，z3的数值在极短时间内跳变到大约2Nm（换算成转矩）附近，而PID控制器里根本没有这个环节。

5.3 参数摄动鲁棒性测试：真实工程价值

仿真做完了，很多人会想："参数实物模型和仿真不一样怎么办？" 这正好是ADRC的优势所在——让电机参数在仿真中途突变，看看谁扛得住。我把Lq从8.5mH突变为13mH（模拟磁路饱和），转动惯量J从0.001增大到0.002。PID组在参数突变后转速波形出现了明显振荡，甚至需要重新整定参数才能恢复性能；ADRC组的波形变化几乎看不出来，ESO自动把参数摄动当成"内部扰动"给补偿掉了。

这就是ADRC在工程中最值钱的地方——你不知道的、测不了的、算不准的那些因素，ESO都会替你打包处理。如果把同样的算法移植到实物台架上，意味着你可以少花很多时间在"为不同工况分别整定参数"上。

6. 常见问题与调试心得

这一节是血泪经验总结。我在搭建和调试这套模型的过程中遇到的各种问题，梳理成速查表，大概率你也会碰到。

6.1 仿真直接发散：先排除最蠢的错误

最典型的发散原因是ESO参数beta值设置过大或b0设置错误。可以按下面的排查顺序来：

• 先把b0设成0（控制器就没有扰动补偿了），看系统是否能稳定。如果此时还不稳定，问题不在ADRC，而在电流环或电机模型本身。
• 然后把b0恢复，逐步增加ESO带宽w0。如果从w0=50开始不收敛、到300时发散，检查是否离散化步长太大——把仿真步长从0.01ms改到0.001ms对比一下。
• 还有一种情况是限幅缺失。逆变器饱和限幅没有加，控制器输出几百A的电流给电机模型，电机转速直接飞了。

6.2 ESO观测结果抖动严重：fal函数delta参数的问题

ESO的z3波形抖动，最常见的原因是fal函数里的delta参数设得太小。delta决定了线性区间的大小，delta越小，非线性段越强，但对噪声越敏感。在Simulink的数值仿真环境中，计算误差不可避免，如果delta=0.0001，观测器会一直在极小的误差区域来回震荡，导致z3抖动。

解决办法很简单——把delta改为0.01甚至0.05，z3的波形会平滑很多。不要担心delta改大后ESO性能下降，仿真里的噪声水平通常远低于实物，在仿真中追求极致精度但牺牲稳定性的做法没有意义。

6.3 b0到底该取多少：控制增益的物理折算

这是ADRC入门最容易卡住的地方。ESO的原理要求我们知道b0的精确值，但很多资料直接告诉你"b0是个大概值"就完事了，实际操作起来很困惑。

我的经验是这样：

• 针对PMSM速度环，速度环的输入是iq_ref（A），输出是转速（rad/s）。一阶近似的传递关系是：dω/dt = (1.5*p*ψ_f / J) * iq_ref。所以b0 ≈ 1.5*p*ψ_f / J。
• 代入参数：1.5 * 4 * 0.175 / 0.001 = 1050。
• 但实际模型还有电流环动态在环路里，电流环的延迟会降低等效增益，所以仿真中我发现b0取800~1200之间都能跑，但取值偏离太多时ESO的估计会偏。

注意：b0的物理意义就是"控制输入到状态微分的增益"。你可以通过开环仿真精确测定——给一个阶跃iq_ref，测量转速的加速度，两者一比就是b0。这个方法比纯理论计算靠谱得多。

6.4 电流环与ADRC速度环的耦合问题

跑仿真时另一个常见现象是：速度环输出iq_ref已经很大了，但电流环就是跟踪不上。原因在于电流环的带宽不够或者限幅太小。电流环PI带宽至少要达到速度环ESO带宽的3~5倍，否则内环的动态响应会成为整个系统的瓶颈。

如果电流环带宽上不去，可以检查电流环PI参数是不是按零极点对消法设置的。很多教程里直接给"Kp=10, Ki=100"之类的经验值，但对不同参数电机来说完全不适用。按前面提到的公式算出来的参数虽然可能不是最优，但至少方向正确。

7. 扩展方向与后续演进

这个模型跑通之后，可以沿着几个方向继续深入。

第一，位置环ADRC。在当前双闭环基础上，把位置环设为外环，一样可以用TD安排位置过渡过程。位置环的ADRC设计思路完全一致，只是被控对象变成了一阶积分环节，状态维度减少到一阶，对应的ESO也降为二阶。

第二，无传感器控制。把速度环的反馈从"直接测量"改为"基于反电动势的滑模观测器估计"，ADRC的ESO会自动把估计误差当成扰动的一部分处理掉——这也是ADRC的一个隐藏加成，它对上游传感器的不精确有一定的容忍度。

第三，参数自适应。固定参数的ADRC已经能扛参数摄动了，但如果磁链或电感变化范围极大，可以对b0做在线辨识修正，让ESO的估计精度进一步改善。

我个人最推荐第一和第三个方向。位置环ADRC在工业伺服里有直接应用价值，参数自适应则是把ADRC推向工程化的重要一步。如果你打算做毕业设计或者技术储备，往这三个方向任何一个延伸都比停留在仿真层面更有说服力。

最后再分享一个小技巧：调试ADRC时一定要把ESO的z1、z2、z3三个信号引出到Scope，和实际转速、电流波形对照着看。z1应该实时跟住转速反馈，z2是转速的导数，z3平滑不抖动就说明观测器工作正常。很多人调试时只关注最终的转速波形，ESO内部出问题都不知道，走了不少弯路。先确认ESO观测准确，再去调NLSEF，这条调试路径是最省时间的。