1. 滑模控制的“顽疾”：抖振与切换的博弈

如果你接触过滑模控制，那你一定对“抖振”这个词不陌生。它就像是滑模控制这位武林高手身上一个难以根治的“内伤”。我刚开始做电机伺服控制项目时，就被这个问题折腾得够呛。理论上，滑模控制鲁棒性强，对参数变化和外部干扰不敏感，听起来简直是工程上的“万金油”。但一上实物，电机就发出刺耳的“滋滋”声，控制信号在高频段剧烈跳变，不仅磨损执行机构，还严重影响系统的稳态精度和动态性能。

这种抖振的根源，就在于传统滑模控制中的不连续切换函数，最常见的就是符号函数 sign(s)。当系统状态轨迹穿越滑模面 s=0 时，控制律会瞬间从一个极值跳变到另一个极值。理想情况下，这个切换是无限快的，系统状态会被“钉”在滑模面上。但现实中，开关器件有延迟，执行机构有惯性，测量有滞后，这一系列的非理想因素导致状态轨迹无法精确地沿着滑模面滑动，而是在其两侧来回穿越，形成高频、小幅度的振荡，这就是抖振。

为了解决这个问题，工程师们最早想到的办法是边界层法，也就是用饱和函数 sat(s/Φ) 来代替符号函数。在边界层 |s| < Φ 内，控制信号是连续的线性反馈；在边界层外，则切换为恒值。这个方法确实能显著削弱抖振，我实测下来，电机噪音小了很多。但它带来了一个新问题：饱和函数在边界层边界点（s=±Φ）处是不可导的。这意味着它的导数不连续，存在一个“尖角”。在很多高级控制策略中，比如需要基于切换函数设计自适应律、或者需要分析高阶滑模时，这个不可导的特性就成了绊脚石，会让后续的数学分析和控制器设计变得非常棘手。

那么，有没有一种函数，既能像饱和函数一样平滑地过渡、抑制抖振，又能在整个定义域内连续且光滑可导呢？答案是肯定的，这就是我们今天的“主角”——双曲正切函数。它就像一个更聪明、更圆滑的“和事佬”，在保持滑模控制核心鲁棒性的同时，巧妙地化解了切换带来的剧烈冲突。接下来，我们就深入看看这个函数到底有何魔力。

2. 双曲正切函数：一个更“圆滑”的切换器

2.1 数学特性与直观理解

双曲正切函数 tanh(x) 的表达式大家应该不陌生：

tanh(x/ε) = (e^(x/ε) - e^(-x/ε)) / (e^(x/ε) + e^(-x/ε))

其中，ε 是一个大于零的关键参数，它控制着函数从 -1 到 1 的过渡速度。ε 越小，过渡越陡峭，越接近符号函数；ε 越大，过渡越平缓。

我们可以把它和符号函数 sign(x)、饱和函数 sat(x/Φ) 放在一起对比，就能立刻看出它的优势：

特性	符号函数 sign(s)	饱和函数 sat(s/Φ)	双曲正切函数 tanh(s/ε)
连续性	不连续（在s=0处跳变）	连续，但不可导（在s=±Φ处有“尖角”）	全局连续且光滑（无穷阶可导）
输出范围	{-1, 1}	[-1, 1]	(-1, 1)，渐近趋近于±1
抖振抑制	无，抖振严重	好，但牺牲了边界层外的鲁棒性	优秀，且全局连续可导
数学处理	困难，存在微分包含	在边界点处理麻烦	方便，易于进行稳定性分析和高级设计

从图像上看，tanh 函数是一条光滑的“S”形曲线。它没有跳变，也没有尖角。当系统状态 s 远离零时，它的输出无限接近 ±1，保证了类似符号函数的强鲁棒性；当 s 接近零时，它平滑地过渡到零附近，避免了剧烈的控制量变化，从而有效抑制了抖振。

这里有个非常关键的性质，也是后续证明系统稳定性的核心：对于任意实数 x，都有 x * tanh(x/ε) ≥ 0。这意味着函数的输出符号始终与输入 x 保持一致，这是保证滑模控制“趋近律”方向正确的关键。另一个性质是 |x| - x*tanh(x/ε) ≤ με，其中 μ ≈ 0.2785。这个不等式告诉我们，用 tanh 近似 sign 函数所产生的误差是有界的，并且这个误差上界由参数 ε 直接控制。ε 越小，近似精度越高，但过渡越陡峭，可能引入高频成分；ε 越大，平滑效果越好，但会引入更大的稳态误差。如何权衡这个参数，是工程实现中的一门艺术。

2.2 为什么是“连续切换”？

在滑模控制的语境里，“切换”的本质是对不确定性和干扰的强力纠正。传统符号函数的切换是“硬碰硬”的 bang-bang 控制，而双曲正切函数实现的是一种 “连续切换” 或 “软切换”。

你可以这样想象：符号函数像是一个严厉的教练，队员一旦偏离预定跑道，就立刻大声呵斥让他猛冲回来；而双曲正切函数更像是一个有经验的教练，他会根据队员偏离的远近，用不同大小的声音提醒。偏离越远，提醒的力度越大（输出趋近±1）；偏离很近时，只是轻声纠正（输出接近0）。这种力度连续变化的方式，使得控制动作更加柔和，系统状态的回归过程也更平滑，自然就避免了因“用力过猛”而产生的抖振。

这种连续性带来的最大好处，就是为控制器的进一步设计和分析打开了方便之门。比如，你可以对包含 tanh 的控制律直接求导，用于设计高阶滑模或观测器；你也可以更方便地应用李雅普诺夫稳定性理论，因为函数是光滑的，求导和不等式处理都变得清晰明了。我在设计一个需要在线更新参数的自适应滑模控制器时，就深刻体会到了这一点，使用 tanh 函数让自适应律的推导顺畅了许多。

3. 实战推演：从理论到控制律设计

光说不练假把式，我们用一个经典的二阶系统例子，把基于双曲正切函数的滑模控制器设计过程完整走一遍。这个过程我会尽量讲得细一些，包括我当初理解时踩过的“坑”。

3.1 被控对象与问题定义

考虑一个常见的转动系统，比如一台直流电机的位置伺服控制，其模型可以简化为：

J * θ¨(t) = u(t) + d(t)

这里：

• J 是系统的转动惯量，假设我们已知其标称值，但实际中可能存在误差。
• θ(t) 是电机转子的实际角度。
• u(t) 是我们设计的控制输入（比如电机的控制电压或电流）。
• d(t) 是集总干扰，包括未建模动态、外部负载扰动、摩擦力等。我们假设这个干扰是有界的，即 |d(t)| ≤ D，D 是一个已知的正数。这个假设很实际，因为实际物理系统的能量不可能是无限的。

我们的控制目标是让电机的角度 θ(t) 能够快速、准确地跟踪上一个期望的轨迹 θ_d(t)。这个期望轨迹可能是固定的角度（位置调节），也可能是一个时变信号（轨迹跟踪）。

3.2 滑模面与误差定义

首先定义跟踪误差：

e(t) = θ_d(t) - θ(t)

那么误差的一阶导数就是速度跟踪误差：

e˙(t) = θ˙_d(t) - θ˙(t)

滑模控制的核心是设计一个滑模面，一旦系统状态“滑”到这个面上，就会产生理想的动态特性。对于这个二阶系统，我们通常设计一个线性滑模面：

s(t) = c * e(t) + e˙(t)

其中 c > 0。这个滑模面设计非常巧妙：当系统状态被约束在 s(t)=0 上时，误差的动态方程就变成了 e˙ = -c e。这是一个一阶指数稳定的微分方程，意味着误差 e(t) 会以指数速度 c 收敛到零！所以，控制器的任务就是想方设法把系统状态“拉”到滑模面 s=0 上，并维持在上面。

3.3 李雅普诺夫稳定性分析与控制律推导

这里我们使用控制理论中强大的工具——李雅普诺夫直接法。我们构造一个候选的李雅普诺夫函数：

V(t) = 1/2 * s(t)²

显然，V(t) 是正定的。如果它的导数 V˙(t) 是负定的，那么 V(t) 就会衰减，s(t) 就会趋向于零，我们的目标就达到了。

对 V 求导：

V˙ = s * s˙ = s * (c * e˙ + e¨)

代入系统动力学方程 e¨ = θ¨_d - θ¨ = θ¨_d - (u+d)/J，得到：

V˙ = s * [c*e˙ + θ¨_d - (u+d)/J]

为了让 V˙ 负定，我们设计控制律 u。一个经典的设计思路是让 V˙ 满足：

V˙ ≤ -η * s²   (η > 0)

这样就能保证 s 指数收敛。我们把设计好的控制律 u 代入 V˙ 的表达式，反推 u 应该长什么样。基于双曲正切函数的设计如下：

u = J * [θ¨_d + c*e˙ + η*s] + D * tanh(s/ε)

这个控制律由三部分组成：

1. 前馈补偿项 J * θ¨_d：用于抵消期望加速度带来的影响。
2. 状态反馈项 J * (c*e˙ + η*s)：其中 η*s 是保证趋近速度的指数项，c*e˙ 与滑模面定义相关。这部分构成了一个等效的线性反馈控制，负责将系统状态驱动到滑模面附近。
3. 鲁棒项 D * tanh(s/ε)：这是核心。用 D * tanh(s/ε) 来估计和补偿未知干扰 d(t) 的上界 D。tanh 函数在这里平滑地实现了切换。

3.4 稳定性证明与稳态误差分析

现在把设计好的控制律 u 代回 V˙ 的表达式：

V˙ = s * [c*e˙ + θ¨_d - ( {J*[θ¨_d+c*e˙+η*s] + D*tanh(s/ε) + d} ) / J ]
     = s * [c*e˙ + θ¨_d - θ¨_d - c*e˙ - η*s - (d + D*tanh(s/ε))/J ]
     = -η * s² - (s/J) * [d + D*tanh(s/ε)]

接下来利用双曲正切函数的关键性质。我们知道 -s * D * tanh(s/ε) ≤ -D|s| + Dμε。同时，干扰有界 |d| ≤ D，所以 -s*d ≥ -|s|*D。结合这两点：

-s * [d + D*tanh(s/ε)] ≤ -|s|D - s*D*tanh(s/ε) ≤ Dμε

因此：

V˙ ≤ -η * s² + (Dμε) / J

你看，V˙ 并不总是负的。当 s 很小，使得 -η*s² 这一项小于 (Dμε)/J 时，V˙ 可能为正，s 可能会增大。但这并不意味着系统不稳定，而是意味着状态轨迹最终会被吸引到一个有界的区域内，而不是精确收敛到零点。

我们可以解这个微分不等式。把它看作一个关于 V 的微分方程 V˙ = -2ηV + (Dμε)/J（因为 s² = 2V）。这个方程的解是：

V(t) ≤ [V(0) - Dμε/(2ηJ)] * e^(-2ηt) + Dμε/(2ηJ)

当时间 t 趋向于无穷时，V(t) 的稳态值满足：

V(∞) ≤ Dμε / (2ηJ)

也就是说，滑模变量 s 的稳态幅值满足 |s(∞)| ≤ sqrt(Dμε / (ηJ))。这是一个非常重要的结论！它告诉我们：

1. 稳态误差是存在的，并且与 D（干扰上界）、ε（双曲正切函数的平滑参数）、η（趋近律增益）和 J 有关。
2. 我们可以通过调节参数来权衡性能：
   • 减小 ε：可以减小稳态误差，但会使 tanh 函数更陡峭，可能重新引入高频抖振。
   • 增大 η：可以加速收敛过程，并减小稳态误差，但过大的 η 会要求过大的控制能量，可能在实际执行器中饱和。
   • 干扰 D 越大，稳态误差也越大，这符合直觉。

所以，基于双曲正切函数的滑模控制，本质上是用一点点可调的稳态误差，换来了控制信号的连续性和抖振的显著抑制。在实际工程中，只要这个稳态误差落在允许的精度范围内，这个交换就是非常值得的。

4. 仿真实例：手把手搭建模型与结果分析

理论分析完了，我们上机实操，用 MATLAB/Simulink 来验证一下。我强烈建议你跟着步骤做一遍，仿真跑出来的波形比任何文字都更有说服力。

4.1 仿真模型搭建

我们使用原文中的参数：

• 转动惯量 J = 10 kg·m²。
• 期望轨迹 θ_d(t) = sin(t) rad，这是一个正弦跟踪任务。
• 外加干扰 d(t) = 50 * sin(t) N·m，干扰幅值很大，达到了控制量级的50%，专门用来测试控制器的鲁棒性。
• 初始状态 [θ(0); θ˙(0)] = [-0.5; 0.8]。
• 控制器参数：c = 0.5, η = 10, D = 50, ε = 0.02。

在 Simulink 里，我们可以这样搭建模型：

1. 被控对象模块：用一个积分器链实现 θ¨ = (u+d)/J。输入是 u+d，除以 J 后积分得到速度 θ˙，再积分得到位置 θ。
2. 轨迹生成模块：用 Sine Wave 模块生成 sin(t)，同时用 Derivative 模块（或自己搭建微分器）得到 θ˙_d 和 θ¨_d。注意：实际中直接对信号微分会放大噪声，这里仿真为简化可以这样用，实物中需要用观测器或安排微分器。
3. 误差计算模块：计算 e = θ_d - θ 和 e˙ = θ˙_d - θ˙。
4. 滑模面计算模块：s = c*e + e˙。
5. S-Function 控制器模块：这是核心。我们写一个 S-Function，或者用 MATLAB Function 模块来实现控制律 u = J*(θ¨_d + c*e˙ + η*s) + D*tanh(s/ε)。代码非常直观：

   function u = smc_controller(de, s, ddthd)
       % 输入: de = e˙, s = 滑模变量, ddthd = θ¨_d
       % 输出: 控制量 u
       c = 0.5;
       eta = 10;
       D = 50;
       eps = 0.02;
       J = 10;
       u = J * (c*de + ddthd + eta*s) + D * tanh(s/eps);
   end
   

6. 干扰模块：用另一个 Sine Wave 模块生成 50*sin(t)，加到控制输入上。

4.2 仿真结果与深度解读

运行仿真后，我们重点关注三个图：位置跟踪曲线、控制输入 u(t) 的波形、以及误差 e 和 e˙ 的相轨迹。

位置跟踪曲线：你会看到，尽管存在一个幅值高达50的大干扰，系统的实际位置 θ(t) 仍然能非常快地跟上期望的正弦信号 θ_d(t)。初始的误差在很短时间内就被消除，之后的跟踪误差几乎肉眼难以分辨。这直观地展示了滑模控制强大的鲁棒性——干扰被有效地抑制了。

控制输入 u(t) 波形：这是最能体现 tanh 函数价值的地方。如果你曾经用传统的符号函数 sign(s) 做过仿真，你会看到控制信号 u 是剧烈抖动的方波，频率很高。而在我们这次的仿真中，u(t) 是一条连续、光滑的曲线！它随着误差和滑模变量的变化而平滑地调整大小，完全没有高频跳变。这对于真实的物理执行器（如电机驱动器、液压阀）来说是极其友好的，能大大降低磨损和发热，也更容易通过低通滤波器。

误差相轨迹（e vs. e˙）：这是分析系统稳态性能的关键。相轨迹描绘了系统状态在误差空间中的运动路径。理想情况下，如果跟踪完美，相轨迹应该收敛到原点 (0,0)。但在我们的结果中，你会看到相轨迹收敛到了一个非常小的、近似椭圆形的极限环上，它围绕原点做周期运动，但并不经过原点。这个极限环的大小，就对应着我们前面理论分析中提到的稳态误差。

为什么是椭圆？因为我们的期望轨迹和干扰都是正弦信号，稳态误差也是周期性的。这个极限环的半径大小，直接由参数 Dμε/(2ηJ) 决定。你可以尝试修改仿真中的 ε 参数，比如把它从 0.02 增大到 0.1，再跑一次仿真。你会发现：

• 控制输入 u(t) 变得更加平滑，波形更圆润。
• 但是，误差相轨迹的极限环变大了！稳态跟踪误差增加了。 这就是我们前面说的权衡（Trade-off）：用 ε 来调节平滑度（抑制抖振）和精度（稳态误差）。你需要根据实际系统的要求来仔细调节这个参数。

4.3 参数调节心得与“踩坑”指南

根据我多年的项目经验，调节这类控制器参数有个大致流程，可以帮你少走弯路：

1. 先调线性部分 (c, η)：暂时把鲁棒项 D*tanh(s/ε) 设为零，或者把 D 设为一个很小的值。先让系统在无大干扰情况下，依靠 c 和 η 能较好地跟踪。c 主要影响滑模面上的动态（误差收敛速度），η 影响趋近滑模面的速度。可以先根据期望的误差收敛速度粗略确定 c（例如，希望误差在0.5秒内衰减到5%以内，可取 c ≈ 3/0.5 = 6），然后调节 η 使响应快速且无超调。
2. 加入干扰，初调鲁棒项 (D)：加入干扰，将 D 设置为已知干扰上界的一个估计值。观察控制输入是否饱和，以及跟踪误差是否在可接受范围。如果控制输入饱和，可能需要降低 η 或 D；如果跟踪误差太大，可以适当增大 D（但不要超过实际执行器的能力）。
3. 精细调节平滑参数 (ε)：这是抑制抖振的关键。从一个较小的值（如0.01）开始，观察控制信号。如果还有你不希望看到的高频毛刺，逐步增大 ε，直到控制信号变得光滑。同时，密切监视跟踪误差。一旦误差开始超出你的容忍范围，就说明 ε 太大了，需要往回微调。一个实用的技巧是：ε 的取值可以与滑模变量 s 的“噪声水平”或测量分辨率相关联。例如，如果 s 的测量噪声幅值约为0.1，那么 ε 可以设为0.1左右，这样在 |s| < 0.1 的范围内，tanh 函数起到很好的平滑滤波作用。
4. 迭代与折中：参数调节往往不是一蹴而就的。你可能需要在响应速度（大 η）、控制能量（u 的幅值）、平滑度（大 ε）和稳态精度（小 ε）之间反复权衡。务必在仿真中模拟最恶劣的工况（最大干扰、参数最差情况）来测试控制器的鲁棒性。

我踩过的一个“坑”是，一开始为了追求极致平滑，把 ε 设得很大（比如0.5），结果在干扰突变时，系统响应变得很迟钝，跟踪误差明显变大。后来明白，tanh 函数虽然平滑，但本质上是一个“饱和”函数，过大的 ε 会过早地“饱和”，削弱了控制器在滑模面附近的纠正能力。所以，没有最好的参数，只有最适合当前系统约束和性能要求的参数。

5. 进阶思考：双曲正切函数的局限与扩展

双曲正切函数虽然优秀，但也不是银弹。理解它的局限性，能帮助我们在更复杂的场景下做出正确选择。

5.1 稳态误差的根源与改进思路

我们前面的理论推导已经明确指出，使用 tanh 函数会引入与 ε 成正比的稳态误差。这是因为在滑模面 s=0 附近，tanh(s/ε) ≈ s/ε，控制律中的鲁棒项近似为 (D/ε)*s，变成了一个线性反馈项。它虽然连续，但对抗恒定或慢变干扰的能力在原点附近被削弱了。

如何改进？工程上有几种常见思路：

1. 与边界层法结合：在边界层 |s| < Φ 内使用 tanh 函数，在边界层外直接切换为符号函数 sign(s)。这样既保证了边界层内的连续性，又保留了边界层外最强的鲁棒性。控制律可以写为：

   u_robust = D * sign(s),          if |s| >= Φ
   u_robust = D * tanh(s/ε),        if |s| < Φ
   

   这里 Φ 是边界层厚度，通常 Φ 略大于 ε 以保证平滑衔接。

2. 自适应调整 ε 或 D：让平滑参数 ε 或干扰上界估计 D 不再是固定值，而是根据系统状态自适应变化。例如，当 |s| 较大时，使用较小的 ε 以获得更强的趋近能力；当 |s| 较小时，使用较大的 ε 以获得更好的平滑效果。这需要设计额外的自适应律，复杂度会增加，但性能可能更优。

3. 与其他干扰估计技术结合：这是目前研究的热点。既然 tanh 在抑制抖振的同时削弱了鲁棒性，那我们就把干扰估计出来并补偿掉。常用的方法有：

   • 干扰观测器：设计一个观测器来实时估计 d(t)，然后在控制律中直接减去这个估计值。这样，滑模控制器只需要对付估计的残差，这个残差通常很小，因此可以用更小的 D 和更大的 ε，进一步抑制抖振。
   • 自适应控制：在线估计干扰的上界 D 甚至系统参数 J，让控制器能自适应于对象的变化。
   • 智能控制：利用模糊逻辑或神经网络来在线调整 ε 或直接逼近不确定部分。

我在一个机械臂项目中就采用了“滑模控制 + 干扰观测器 + 双曲正切函数”的组合。干扰观测器负责处理大部分已知动力学和慢变干扰，而滑模控制中的 tanh 项则用来处理观测器的估计误差和未建模的快变干扰。实测下来，控制电机的声音非常安静，轨迹跟踪精度也比单纯用滑模或PID控制高出一个数量级。

5.2 在更复杂系统中的应用

我们演示的是最简单的二阶积分器型系统。在实际中，比如机器人、飞行器、电机驱动等领域，系统往往是非线性和耦合的。但基于双曲正切函数的滑模控制设计思路是通用的。

对于形如 x˙ = f(x) + g(x)u + d 的一般非线性系统，设计过程通常是：

1. 定义跟踪误差和滑模面 s。
2. 选取李雅普诺夫函数 V = 0.5 * s²。
3. 对 V 求导，得到包含 s˙ 的表达式，而 s˙ 中包含 u。
4. 设计控制律 u，使得 V˙ 负定或满足类似 V˙ ≤ -ηV + δ 的不等式。其中，非线性部分 f(x) 和 g(x) 如果已知，可以被精确补偿；未知部分和干扰 d 则由鲁棒项 D(x)*tanh(s/ε) 来处理，这里的 D(x) 可能是状态相关的干扰上界。

关键在于，无论系统多复杂，tanh 函数始终扮演着那个“平滑的仲裁者”角色，将不连续的切换转化为连续的调节，使得整个控制律 u 是光滑的，从而可以直接应用于需要对控制量求导或需要连续控制信号的场合。

6. 总结与工程实践建议

回顾整篇文章，我们从滑模控制的抖振问题出发，深入探讨了双曲正切函数作为连续切换函数的原理、设计和实现。它的核心价值在于，用一个可调参数 ε，巧妙地平衡了控制系统的鲁棒性、连续性和稳态精度。

对于正在考虑在实际项目中应用滑模控制的工程师，我的建议是：

首先，明确你的需求。 如果你的执行机构对高频开关信号非常敏感（如精密光学平台、柔性机械臂），或者你的控制算法后续需要求导（如基于 backstepping 的嵌套设计），那么基于双曲正切函数的连续滑模控制是一个非常好的起点。

其次，仿真必须充分。 在写一行实际代码之前，用 Simulink 或 Python/Matlab 搭建详细的模型，包括执行器的饱和、死区、测量噪声和延迟。在不同 ε 值下，测试系统对阶跃指令、正弦跟踪以及各种干扰的响应。记录下控制信号的频谱，看看高频成分是否被有效抑制。

再次，参数调节要循序渐进。 记住那个调节顺序：先调线性性能 (c, η)，再调鲁棒增益 (D)，最后精细调节平滑参数 (ε)。ε 的选取与你对稳态误差的容忍度直接相关。不妨做一个参数扫描，画出 ε 与跟踪误差均方根 (RMSE)、控制信号变化率 (TV) 的关系曲线，能帮你直观地找到那个“甜蜜点”。

最后，做好实机调试的准备。 仿真再完美，和实际系统也有差距。在实机上电调试时，务必从非常保守的参数开始（较小的 η 和 D，较大的 ε），在确保系统基本稳定和安全的前提下，逐步向仿真中得到的最优参数靠拢。同时，一定要做好监控，实时观察控制输出是否饱和，以及关键状态变量是否在预期范围内。

滑模控制是一个强大而深邃的领域，双曲正切函数只是我们手中一件好用的工具。理解其背后的权衡哲学——用可控的稳态误差换取控制的平滑性与可实现性，这或许比掌握工具本身更为重要。在实际工程中，这种基于深刻理解的折中艺术，往往是解决复杂控制问题的关键。希望这篇结合了理论推导和实战仿真的解析，能帮你更自信地将这个工具应用到你的下一个项目中去。