一、控制发散现象：发散的定义、发散的原因

各位同学，咱们今天聊一个很实在的话题——控制发散。

说实话，做控制这么多年，我最怕的就是半夜接到电话，说系统发散炸了。嗯，那种感觉，就像你精心调教的车子突然在高速上失控。今天我就把这块掰开揉碎了讲清楚。

先给个最直白的定义：控制发散，就是系统的状态量或者控制量，在运行过程中不断增大，最终超出物理极限或者数值范围。

你想想看，正常情况下的控制，误差应该越来越小，最后收敛到目标值附近。但发散正好相反——误差越来越大，系统越来越不稳定。

我个人的习惯是，把发散分成两类来看：

核心判断标准：如果系统状态量的绝对值随时间单调递增，或者出现振荡且振幅越来越大，基本可以判定为发散。

我在项目中遇到过一种情况：一个PID控制器，参数看起来没问题，仿真也跑得好好的。结果一上实际硬件，电机直接飞车。后来一查，是积分项在累积误差，数值越滚越大——这就是典型的数值发散。

说白了，计算机是离散的，但物理世界是连续的。我们用离散的算法去模拟连续的系统，误差就来了。

最常见的场景是积分环节。比如PID控制器里的积分项：

// 离散化积分
integral += error * dt;   // 欧拉法积分

这段代码看起来没问题吧？但实际跑起来，如果dt（采样周期）设置得不对，或者误差一直存在，积分项就会不断累加。我见过一个案例，积分项从0.1累加到1000，控制器输出直接饱和，系统彻底失控。

为什么会这样？因为欧拉法积分本身就有截断误差。误差会随着时间累积，尤其是当系统存在稳态误差时，积分项就像滚雪球一样越来越大。

我的建议：实际工程中，一定要加积分限幅。我习惯的做法是，把积分项限制在输出范围的±20%以内。另外，能用梯形法积分就别用欧拉法，精度差不少。

模型失配，说白了就是你的控制器以为系统长这样，但实际系统长那样。两者不一样，控制效果自然就差了。

举个例子，你设计控制器时假设电机的时间常数是0.1秒，但实际电机因为老化或者负载变化，时间常数变成了0.3秒。这时候你算出来的控制量，对实际系统来说就太大了，容易过冲甚至发散。

我记得有一次做无人机姿态控制，仿真里飞得稳稳的，一上天就翻跟头。查了两天才发现，是桨叶的转动惯量参数给错了，差了将近一倍。这就是典型的模型失配导致发散。

常见的模型失配类型：

注意：模型失配是控制发散中最难排查的原因之一。我曾经花了一周时间，最后发现是一个摩擦模型的库仑摩擦系数写反了。所以，做控制一定要有模型验证的环节，别光靠仿真。

采样率不足，说白了就是你的控制器反应太慢，跟不上系统的变化速度。

根据香农采样定理，采样频率至少要大于系统最高频率的两倍。但在实际工程中，我建议至少留出3-5倍的余量。为什么？因为真实系统有噪声、有延迟，两倍只是理论下限。

我遇到过最典型的案例：一个快速响应的伺服系统，采样率设成了100Hz，但系统的机械谐振频率是80Hz。结果就是，控制器每次采样到的数据都是滞后的，控制量总是慢半拍，系统开始剧烈振荡。

采样率不足的典型症状：

避坑指南：我曾经在做一个视觉伺服项目时，相机帧率只有30fps，但机械臂的响应频率需要100Hz以上。结果就是，视觉反馈永远跟不上机械臂的运动，系统一直在振荡。后来我加了一个状态观测器做预测补偿，才勉强稳住。所以，采样率不够的时候，别硬扛，要么换硬件，要么加算法补偿。

下面这张图，是我自己总结的控制发散知识框架，方便大家理解这三类原因之间的关系：

这张图想表达的核心意思是：数值积分误差、模型失配、采样率不足，这三者不是孤立的。很多时候，一个系统发散是多个原因叠加的结果。比如采样率不足会放大积分误差，模型失配会让积分项更难收敛。

一句话总结：控制发散的本质，是离散化、模型化、采样化这三个环节的误差累积，最终突破了系统的稳定边界。

好了，这一章的内容就到这里。下一章我们会深入讲如何诊断发散问题，以及具体的调试工具和方法。到时候我会分享一些我实际用过的调试技巧，保证实用。