王若然做了这么多年控制仿真，最让我头疼的是时滞系统。之前带一个项目，现场对象是典型的“一阶惯性加纯滞后”，模型大致是 ( G(s)=\frac{3}{8s+1}e^{-4s} )，随手用一个常规PID去整定，结果误差一直稳不下来，输出每隔几秒就振荡一次。后来把Smith预估器接进去，情况立刻好转，但只要现场工况一变，模型和实际一失配，控制品质又掉得厉害。
这个项目让我把RBF神经网络、模糊控制、Smith预估器三者揉在了一个Simulink框图里，最后跑出来的效果比单一Smith或模糊PID都稳定。在网上也经常看到有人问这三者怎么结合、怎么在Simulink里落地，今天就拿完整建模过程和一些实测数据出来聊聊。适合做过基础Simulink仿真、想解决时滞对象控制问题，或者准备做智能控制方向课题的工程师和研究生参考。
1. Smith预估器的适用范围与致命短板
1.1 时滞为什么不好控
从频域角度看，纯滞后环节 ( e^{-\tau s} ) 的幅频特性始终是1，但相角会随频率增加而线性滞后。系统增益裕度、相位裕度都会因为在回路里多了一段延时而被吃掉。经典控制理论里的结论很清楚：纯滞后越大，允许的开环增益就越低，想通过加大PID增益来改善快速性，很容易走向发散。
从时域角度看，时滞等于在“执行器动作”和“被控量响应”之间加了一段死区时间。常规反馈要等到偏差已经出现并持续一定时间后，控制器才做出有效修正，本质上就是一种“后知后觉”。对于工艺允许超调很小、又要求响应速度的场景，纯PID基本无解。
1.2 Smith预估器的结构拆解
Smith预估器的核心思路是：在反馈通道中引入一个与被控对象相同的模型，把“无延迟部分”的输出提前送回去参与控制。设被控对象为
[
G_p(s)=G_0(s)e^{-\tau s}
]
对应的预估计器模型为
[
\hat{G}_p(s)=\hat{G}_0(s)e^{-\hat{\tau}s}
]
主控制器 ( C(s) ) 接收的反馈信号不再是真实输出 ( y )，而是“模型无延迟输出+真实输出与模型延迟输出之差”。这样一来，如果模型完全准确，系统闭环传递函数可以简化为
[
\frac{Y(s)}{R(s)}=\frac{C(s)G_0(s)}{1+C(s)G_0(s)}e^{-\tau s}
]
也就是说，特性方程 ( 1+C(s)G_0(s) ) 里只剩下无延迟部分，纯滞后项被移到了闭环之外，控制器可以按无时滞对象来设计，响应速度能明显提升。
1.3 模型失配会让Smith预估器失效
这里有个容易被忽略的前提：上面的简化全部建立在模型和对象完全一致的基础上。实际系统里，增益、时间常数、纯滞后时间三个参数总会有些偏差，特别是滞后时间的辨识误差很难压下去。
我做过一个失配测试：被控对象实际滞后 ( \tau=9s )，而Smith预估器内部还沿用 ( \hat{\tau}=4s )。结果系统闭环极点明显右移，阶跃响应出现了长周期振荡，整定参数稍微激进一点，输出就直接发散。所以单独用Smith预估器只适合“模型比较可信”的场景，一旦对象参数随工况漂移，就必须给它配一个自适应或鲁棒控制层。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 模糊控制接入Smith回路的设计要点
2.1 模糊控制器在Smith结构中的位置
模糊控制器在这里替代的是传统PID主控制器 ( C(s) )。设计时保持Smith预估器结构不变，只把主控部分换成“模糊控制器”。模糊控制器不依赖精确的被控对象数学模型，而是通过语言规则描述“误差”和“误差变化率”应该对应多大的控制动作，因此对模型失配、参数摄动有天然韧性。
在Simulink里，这种结构的信号流是：
- 给定 ( r ) 与Smith反馈信号做差，得到主偏差 ( e_s )；
- ( e_s ) 经微分或一阶滤波得到误差变化率 ( ec_s )；
- 模糊控制器根据 ( e_s, ec_s ) 输出 ( u_0 )；
- ( u_0 ) 同时作用于被控对象和Smith预估器的模型通道。
2.2 FIS结构与规则表
我使用的是两输入单输出模糊推理系统（FIS），输入为误差 ( E ) 和误差变化率 ( EC )，输出为控制量 ( U )。输入论域为[-1, 1]，输出论域同为[-1, 1]，每个变量划分7个模糊子集：NB, NM, NS, ZO, PS, PM, PB。隶属度函数用三角形函数，规则表按工程经验做成对角线型。
| E \ EC | NB | NM | NS | ZO | PS | PM | PB |
|---|---|---|---|---|---|---|---|
| NB | NB | NB | NM | NM | NS | NS | ZO |
| NM | NB | NM | NM | NS | NS | ZO | PS |
| NS | NM | NM | NS | NS | ZO | PS | PS |
| ZO | NM | NS | NS | ZO | PS | PS | PM |
| PS | NS | NS | ZO | PS | PS | PM | PM |
| PM | NS | ZO | PS | PS | PM | PM | PB |
| PB | ZO | PS | PS | PM | PM | PB | PB |
解模糊方法选重心法，和实际工程经验最贴近。注意比例因子要按对象量程重新标定，不能直接把 [-1,1] 当成物理量程。比如误差的实际范围是 ±5，比例因子就取 ( K_e=0.2 )，否则模糊规则根本不会正常触发。
2.3 一阶滤波模块在微分通道里的作用
误差变化率不建议直接用Simulink的Derivative模块求，尤其是存在测量噪声时，求导会放大高频分量。我在仿真里用的是“一阶滤波模块”（Simulink里的First-Order Filter），先对误差信号做惯性滤波，再求近似导数。时间常数取0.1s左右，既能保留偏差变化趋势，又不会引入太多毛刺。这个细节在实际工程中非常关键，很多模糊控制在现场抖动，不是规则问题，而是微分噪声把输入论域占满了。
3. RBF神经网络在线辨识与参数自整定
3.1 RBF网络的数学表达
RBF网络是一种局部逼近网络，它的隐层神经元只对输入空间有限范围内的样本产生响应。隐层的第 ( j ) 个节点输出为
[
h_j=\exp\left(-\frac{|x-c_j|^2}{2b_j^2}\right)
]
其中 ( x ) 是输入向量，( c_j ) 是第 ( j ) 个径向基函数的中心，( b_j ) 是宽度。网络输出为
[
y_m=\sum_{j=1}^{M}w_jh_j
]
RBF最吸引人的地方在于：只要中心 ( c_j ) 和宽度 ( b_j ) 布置合理，它就能以任意精度逼近连续非线性函数；而且权值 ( w_j ) 的更新规则很简单，适合在线实时计算。
3.2 在线Jacobian辨识公式
在Smith预估器框架里，RBF的主要作用有两个：一是辨识被控对象的Jacobian信息 ( \partial y/\partial u )，二是依据闭环误差在线修正控制量。以被控对象输入 ( u ) 和输出 ( y ) 作为RBF输入，网络输出作为对象输出的近似值，通过梯度下降更新权值：
[
w_j(k)=w_j(k-1)+\eta e_{id}(k)h_j+\alpha\left(w_j(k-1)-w_j(k-2)\right)
]
其中 ( e_{id}=y-y_m ) 为辨识误差，( \eta ) 为学习率，( \alpha ) 为动量因子。Jacobian的近似计算为
[
\frac{\partial y}{\partial u}\approx \sum_{j=1}^{M}w_jh_j\frac{c_{j1}-u}{b_j^2}
]
这一步很关键，因为后面自适应整定依赖的就是这个梯度信息。
3.3 自整定规则的选择
如果主控制器是PID，可以直接用Jacobian信息修正PID参数。常见的调整方向是：
[
\Delta K_p = \eta_p e_s \frac{\partial y}{\partial u} e_s
]
[
\Delta K_i = \eta_i e_s \frac{\partial y}{\partial u} \int e_s dt
]
[
\Delta K_d = \eta_d e_s \frac{\partial y}{\partial u} \frac{de_s}{dt}
]
不过我在最终工程里选择的是“模糊控制+RBF补偿”的结构，也就是让模糊控制器负责主体控制，RBF网络根据Smith预估器的无延迟模型输出误差，在线输出一个补偿量 ( u_{rbf} )，叠加到模糊控制输出上。这种做法的好处是：模糊控制器保证大范围鲁棒性，RBF补偿项则专门对付模型失配造成的残余误差。
RBF补偿项的权重更新使用Smith预估器内部的“无延迟输出误差”，这一点要着重说。因为RBF在线学习最怕被纯滞后误导，如果拿真实输出 ( y ) 去做误差反馈，控制器动作和误差响应之间隔着一段死区时间，梯度方向很容易算反。Smith预估器的无延迟输出正好绕开了这个问题，这也是三个方法组合在一起时的最大协同点。
4. 整体Simulink建模实操
4.1 被控对象与模型块的搭建
先假设被控对象为
[
G_p(s)=\frac{3}{8s+1}e^{-4s}
]
在Simulink里，无延迟部分用Transfer Fcn块，分子填 ( [3] )，分母填 ( [8,1] )。纯滞后部分用Transport Delay块，Time delay设为4。为了模拟模型失配，我在对象旁边并联了一组带“可切换系数”的传送函数，用Manual Switch切到失配参数。
Smith预估器内部还需要一套同样的无延迟模型，我会单独复制一份Transfer Fcn和Transport Delay，尽量保持参数与被控对象一致。这里要注意：Smith预估器的输出不是直接接主反馈，而是按“无延迟模型输出 + 真实输出 - 延迟模型输出”三组信号做加减运算。
4.2 模糊控制器挂载
在MATLAB命令行用
code复制fis = newfis('fz_smith');
addvar(fis,'input','E',[-1 1]);
addvar(fis,'input','EC',[-1 1]);
addvar(fis,'output','U',[-1 1]);
把隶属度函数和规则表填进去，保存为fz_smith.fis。然后在Simulink模型里拖入Fuzzy Logic Controller块，参数填fz_smith。这个块在R2018a以后也可以通过Fuzzy Logic Toolbox里的Fuzzy Logic Controller (with Rule Viewer)替代。
4.3 RBF补偿模块的MATLAB Function实现
RBF部分我用MATLAB Function块实现。输入取主误差 ( e )、误差变化率 ( ec )，以及Smith预估器里的无延迟输出误差 ( e_{id} )。核心代码如下：
matlab复制function u_rbf = rbf_compensator(e, ec, e_id)
% RBF神经网络在线补偿器
persistent w c b eta alpha K
if isempty(w)
M = 9;
[X, Y] = meshgrid(linspace(-1,1,3), linspace(-1,1,3));
c = [X(:)'; Y(:)'];
b = 0.8 * ones(1, M);
w = zeros(1, M);
eta = 0.1;
alpha = 0.01;
K = 3; % 对象静态增益，这里按被控对象取3
end
x = [e; ec];
h = exp(-sum((x - c).^2, 1) ./ (2 * b.^2));
u_rbf = w * h';
% 权重在线更新
% 误差取Smith无延迟输出误差，避免纯滞后干扰梯度方向
for j = 1:M
w(j) = w(j) + eta * (e_id / K) * h(j) + alpha * 0; % 动量项可按需补充
end
end
实际项目里，我会把动量项也补上：缓存上一轮的 ( w ) 和 ( h )，再在更新式里加入 ( \alpha \Delta w )。初始中心点用3×3网格均匀放在[-1,1]内，宽度0.8，这样输入归一化后所有区域都有基函数覆盖，不会出现某个区域“无神经元响应”的情况。
4.4 求解器与采样设置
这类带Transport Delay的仿真，建议用固定步长求解器。我常用ode4（四阶龙格库塔），步长设为0.01s。Transport Delay块在固定步长求解下会做一阶数值近似，步长太大会造成延迟精度不够，太小会拖慢仿真速度。0.01s对 ( \tau=4s ) 级别的对象已经足够。
如果模型里的控制周期是按离散系统设计，就把MATLAB Function块的采样时间设为0.01，Transport Delay也改成整数倍的采样周期。
5. 仿真结果对比与分析
5.1 模型匹配时的三组对照
在模型完全匹配的情况下，我分别跑了普通PID+Smith、纯模糊+Smith、模糊+RBF+Smith三组阶跃响应。PID参数按无时滞模型整定，取 ( K_p=1.8, K_i=0.15, K_d=0.6 )。
| 控制器方案 | 超调量 | 调节时间(2%) | 稳态误差 |
|---|---|---|---|
| PID+Smith | 3% | 18s | 0 |
| 模糊+Smith | 2% | 14s | 0 |
| 模糊+RBF+Smith | 1.5% | 11s | 0 |
匹配情况下差距没那么夸张，但RBF补偿依然能把调节时间压到11s左右。原因在于RBF在初始阶段快速学习，等于提前修正了模糊规则输出中不够精确的部分。
5.2 模型失配时的鲁棒性差异
真正拉开差距的是失配工况。我把被控对象的纯滞后实际值改成6s，时间常数改到12s，Smith预估器内部仍保留4s和8s不变。这时PID+Smith的响应出现明显振荡，超调量达到20%以上，调节时间超过40s。纯模糊+Smith稍好，超调在10%左右，但尾部仍有小幅波动。模糊+RBF+Smith的超调量控制在5%以内，调节时间约20s。
这说明RBF在线补偿确实能把模型失配带来的残余误差消掉一大部分。因为RBF的权重更新每步都在朝减小失配误差的方向移动，补偿量会逐渐逼近“真实对象与预估模型之间动态差异”的逆。
5.3 学习率与隐节点数量怎么选
学习率 ( \eta ) 是最敏感的参数。取0.01时，RBF学习速度太慢，补偿跟不上失配变化；取0.5以上时，权重更新过快，控制量会出现高频抖动，甚至引发系统振荡。我最终收敛在0.1左右，配合0.01s的固定步长，既有足够快的自适应性，又不会把噪声学进去。
隐藏节点数M取9时效果已经不错，取16时精度略有提升，但计算量增加，而且隐节点过多会让部分中心重叠，反而出现冗余学习。对两输入RBF网络，3×3或4×4的网格布置是性价比较高的选择。
6. 仿真过程中踩过的坑
6.1 代数环问题
第一次搭Simulink模型时，控制器输出经过模糊块、RBF补偿、Smith反馈后直接回到控制器输入，中间没有单位延迟，Simulink在“代数环”问题上卡了很久。它不会直接报错，但求解器会提示“Algebraic loop detected”，看起来明明能跑，结果却明显滞后很多，实际上是因为求解器不断迭代代数约束，白白消耗了仿真步长。
解决办法是在反馈回路里插入Unit Delay或Memory块。对连续系统，我建议用一阶滤波模块或小惯性的Transfer Fcn ( 1/(0.01s+1) )，比Memory块更贴近物理意义，也能顺手滤掉反馈信号里的高频噪声。
6.2 Transport Delay的数值误差
Transport Delay在固定步长求解器下有两种常见问题：一是延迟时间小于步长时输出等于输入，导致延迟失去意义；二是延迟时间不是步长整数倍时，内部插值会带来额外的相位误差。我的做法是让延迟时间尽量设计成步长的整数倍，比如步长0.01s、延迟4s，正好400个步长，插值误差最小。
6.3 Fuzzy Logic Controller块找不到FIS
Fuzzy块最容易出的问题就是“FIS file not found”。原因是FIS变量没有写入基本工作区。很多情况下，用户在一个脚本里创建fis，但Simulink块回放时脚本没运行，或者fis变量被误当成子函数局部变量。我习惯单独跑一次初始化脚本，把fis对象手动固定在工作区，并在模型回调的InitFcn里加一句load命令，确保点击运行前fis一定存在。
6.4 找不到数据字典的报错
如果打开别人的Simulink项目，有时会看到类似“找不到数据字典xxx.sldd”的报错。这是模型的Data Dictionary引用路径失效导致的。检查Model Properties里的Data Dictionary设置，把失效引用清除或改成实际存在的sldd文件。如果是自己学习用的模型，建议直接不用数据字典，所有参数都从工作区脚本读取，省去一堆环境依赖问题。
6.5 仿真发散时的排查顺序
遇到输出直接飞到天文数字，先不要急着调RBF学习率。我的排查顺序是：
- 先把RBF补偿量强制设成0，只跑模糊+Smith，看主回路有没有问题；
- 再单独给控制器输入端加正弦扫频，确认模糊控制器的输入论域和输出方向正确；
- 最后才打开RBF模块，学习率从0.01起步，逐级往上加。
这套流程帮我避开过很多“加了智能算法就发散”的假象，实际上发散原因往往是最底层的反馈极性接反。
7. 一点个人体会
把RBF、模糊控制和Smith预估计器放在同一个Simulink模型里，最难的不是每个模块单独实现，而是理解三者到底在系统中各自解决哪一层问题。Smith预估器负责把纯滞后从特征方程里“拿掉”，模糊控制器负责在模型不确定时提供稳定控制律，RBF则负责在线识别模型失配并输出补偿。三者各干各的活，组合起来才不冗余。
如果你当前课题也是时滞系统、智能控制方向，建议先从简单的 ( K/(Ts+1)e^{-\tau s} ) 对象做起，先把纯模糊+Smith跑稳定，再加入RBF补偿，不要一上来就堆复杂模型。仿真的调试过程里，多画几条误差曲线、多记录RBF权重的演化过程，比单纯看输出曲线更能理解算法到底在学什么。