深入理解摩擦力建模

可视化演示

摩擦现象分类

老管家推门的第一课，是分清“门不理你”和“门拖着你”。门静止时，要攒足力气才推得动，这叫静摩擦；门一旦滑起来，反而省力许多，这叫滑动摩擦。而门速度越来越快时，那股“黏糊糊”的拖拽感，来自粘性摩擦。三种手感完全不同，就像摩擦力家族的三位性格迥异的成员。

摩擦力的技术分类同样如此。静摩擦发生在两个接触面相对静止时，大小随外力变化、有上限；滑动摩擦在相对滑动时出现，通常与速度无关；粘性摩擦则随相对速度线性增长。对于机器人关节，还有齿轮滚动接触产生的滚动摩擦和油膜剪切带来的粘性阻力。这些分类是建模的第一层地图。

静摩擦和滑动摩擦的数学表达最简洁——用摩擦系数乘以正压力。静摩擦不超过其最大值，而滑动摩擦恒定：

老管家心里有数：越是年久失修的门，静摩擦和动摩擦的“差距”越大，推起来越是一顿一顿。这个差距，正是后面 Stribeck 效应的起点。

经典摩擦模型

老管家发现，同样是推开后的门，不同门“拖后腿”的感觉不一样：有的门无论快慢都是一个阻力（库仑主导），有的门越快越费劲（粘性主导）。把这两种手感叠加，就得到了最经典的摩擦模型——库仑粘性模型。它虽然简单，却是工业界最常用的基础。

数学上，库仑摩擦用一个符号函数表示方向，粘性摩擦用一个线性项表示速度依赖。两者相加，构成了完整的速度-摩擦力曲线：

这个模型虽然粗糙，但没有它就没有后续的精细化。老管家先学会“匀速拖动的大致手感”，再去感受那些更微妙的差异。

Stribeck效应

老管家最得意的经验是：门刚推开的瞬间最费劲，可一旦动起来，阻力反而会“塌”下去一截，随后才随速度回升。这个“先降后升”的手感，在摩擦学中叫 Stribeck 效应，它解释了为什么低速时机器人关节总是一顿一顿地爬行。

Stribeck 效应的本质是润滑状态的切换：速度极低时接触面几乎干摩擦（静摩擦峰），速度稍增后润滑油楔入形成边界润滑，摩擦力骤降；速度继续增大，流体润滑建立，粘性阻力重新占据主导。这个“下坡-上坡”的曲线就是 Stribeck 曲线：

所以老管家推门时从不大步猛推，而是先轻轻施加一个力、等门“松动”的那一刻再顺势用力。懂得 Stribeck 曲线的工程师，正是用同样的道理避免机器人低速爬行。

迟滞建模

老管家还有一层更细的体感：把门推过去再拉回来，同样的位置对应的阻力不一样；门轴里的油泥让力-位移路径形成了一个“回环”。这就是摩擦的迟滞特性，它让摩擦力不仅取决于当前速度，还取决于过去的历史——就像门有“记忆”。

在微米级定位场景中，这种记忆效应尤其致命。即使关节没有宏观滑动，微观接触凸峰也会发生弹性变形，产生预滑位移。此时摩擦力与位移的关系呈迟滞回线，经典模型无法描述。工程上常用 Bouc-Wen 算子捕捉这种记忆：

老管家的“手感记忆”从此有了数学化身。对要求纳米级定位的光刻机、精密测量台而言，这个回环模型决定了最终能压到多小的跟踪误差。

摩擦辨识

老管家再厉害，也得反复推门才能总结出手感。辨识就是“用实验摸清每扇新门的脾气”——通过设计激励轨迹、采集速度与力矩数据，再反推出 $F_c$、$F_s$、$v_s$、$b$ 等参数。

最常用的方法是稳态辨识：让机械臂关节匀速转过一系列速度点，记录每个速度下的平均驱动力矩，就得到离散的摩擦力-速度数据。然后用最小二乘法拟合模型参数：

老管家摸清一门脾气需推几十次，工程师则靠激励轨迹和高频采样在几秒内完成辨识。辨识得越准，“手感地图”就越精细，后续补偿才越有底气。

前馈补偿

知道门脾气之后，老管家推门就再也不用等门“反应”了——手先发力，门刚想抵抗就被推过去了。这种“不等误差出现就预先出力”的思路，控制在工程中叫前馈补偿。

前馈的关键是构造一个摩擦逆模型：根据期望速度直接计算出所需的补偿力矩 $\hat{F}(v_d)$，叠加在 PD 反馈控制信号上。这样误差尚未产生，摩擦阻力已被抵消大半：

老管家推门之所以行云流水，正是因为“预判”取代了“反应”。在机械臂高速换向或低速精雕场景，前馈补偿往往能把跟踪误差缩小一个数量级。

工程实践指南

老管家不仅会推门，还懂得保养门：定期上油、调门轴的松紧、冬天和夏天用不同的力道。工程实践也是如此——建模和补偿之外，还要从润滑、装配、温漂和振动四个方面持续优化。

润滑优化让 Stribeck 曲线整体下移；装配预紧控制静摩擦峰的高度；温度补偿修正环境对粘性系数的影响；低速振动抑制则通过调整控制增益避开负斜率区的不稳定。综合效果可以用闭环稳态误差来评估：

老管家把每扇门都调教到“顺手”的功力，正是工程实践的艺术：好的摩擦力控制，一半靠模型，一半靠保养。两者都到位，机器人才能“推得动人、停得住、感觉不像机器”。

AI 应用场景

Python 演示

import numpy as np def friction_force(v, fc=0.3, fs=0.8, vs=0.1, b=0.5):    F = fc + (fs - fc) * np.exp(-(np.abs(v) / vs) ** 2) + b * np.abs(v)    return np.where(v >= 0, F, -F) dt = 0.001t = np.arange(0, 5, dt)m = 1.0kp = 40.0kd = 8.0 v_d = 0.5 * np.sin(t) + 0.2 * np.sin(2.5 * t) def simulate(feedforward):    v = 0.0    err_list = []    for vd in v_d:        e = vd - v        ff = friction_force(vd) if feedforward else 0.0        u = kp * e + kd * (vd - v) / dt + ff        a = (u - friction_force(v)) / m        v += a * dt        err_list.append(abs(e))    return np.array(err_list) err_no = simulate(feedforward=False)err_ff = simulate(feedforward=True) print('无前馈平均误差: {:.5f}'.format(err_no.mean()))print('带前馈平均误差: {:.5f}'.format(err_ff.mean()))print('误差改善率: {:.1f}%'.format((1 - err_ff.mean() / err_no.mean()) * 100))

1. def friction_force(...)实现 Stribeck 摩擦模型，含库仑、静摩擦峰和粘性三项。
2. ff = friction_force(vd)按期望速度查模型，这就是前馈补偿的核心：提前出力。
3. u = kp * e + kd * (vd - v) / dt + ffPD 反馈加前馈三合一，构成了完整的控制律。
4. a = (u - friction_force(v)) / m用牛顿第二定律仿真被控对象真实运动。
5. simulate(feedforward=False)关闭前馈，得到纯反馈的基线误差。
6. simulate(feedforward=True)开启前馈，对比误差改善率。

常见误区

面试题