滑模观测器抖振抑制与MRAS补偿技术解析

1. 滑模观测器的痛点与改进思路

在永磁同步电机(PMSM)无传感器控制领域，滑模观测器(Sliding Mode Observer, SMO)因其强鲁棒性而被广泛应用。但传统SMO存在一个顽固问题——抖振现象。这就像用砂纸打磨精密零件，虽然能达到目的，但会带来不必要的磨损。

抖振产生的本质原因在于开关函数的不连续特性。当系统状态接近滑模面时，高频切换会导致反电势信号中包含大量噪声。传统解决方案是简单粗暴地加低通滤波器(LPF)，但这带来了两个新问题：

1. 相位滞后影响位置估计精度
2. 幅值衰减导致转速计算误差

我们实验室采用的改进方案是在LPF后级联模型参考自适应系统(MRAS)补偿模块。这种组合拳的思路是：

• LPF先滤除大部分高频噪声
• MRAS动态补偿LPF引入的相位和幅值误差
• 通过自适应机制实现噪声抑制与信号保真的平衡

2. MRAS补偿器核心原理

2.1 自适应机制设计

MRAS补偿器的核心是一个参数可调的自适应模型。其工作原理可以类比自动驾驶中的车道保持系统：

• 参考模型相当于预设的理想车道线
• 可调模型相当于车辆实际行驶轨迹
• 自适应机构就是不断调整方向盘的控制器

在我们的实现中，参考模型采用电机电流方程：

code复制di_α/dt = -R/L·i_α + e_α/L
di_β/dt = -R/L·i_β + e_β/L

其中e_α、e_β为反电势分量。

2.2 关键算法实现

自适应律的设计直接影响系统性能。我们采用李雅普诺夫稳定性理论推导出的自适应律：

code复制θ(k+1) = θ(k) + γ·e(k)·ξ(k)

其中：

• θ为待调参数向量
• γ为自适应增益系数
• e为输出误差
• ξ为回归向量

具体到代码实现，核心函数如下：

matlab复制function e_comp = mras_compensate(e_lpf, i_act, i_ref)
    persistent theta;
    if isempty(theta)
        theta = zeros(2,1); 
    end
    
    % 误差计算
    err = i_act - i_ref;
    
    % 回归向量构造
    xi = [e_lpf(1)*sign(err(1)); 
          e_lpf(2)*sign(err(2))];
    
    % 自适应率
    gamma = 0.025;  
    theta = theta + gamma * xi;
    
    % 补偿输出
    e_comp = [cos(theta(1)) -sin(theta(2));
              sin(theta(1))  cos(theta(2))] * e_lpf;
end

3. 系统实现细节

3.1 Simulink建模要点

在搭建仿真模型时，需要特别注意以下几个关键点：

1. 接口匹配：

   • LPF截止频率建议设为PWM频率的1/4
   • 采样时间应与控制器中断周期一致
   • 信号数据类型统一使用single精度

2. 参数初始化：

matlab复制init.MRAS_gamma = 0.02;   % 自适应率
init.LPF_wn = 2*pi*2000;  % 截止频率(rad/s) 
init.theta0 = [0; 0];     % 初始相位

3. 抗饱和处理：

matlab复制% 参数限幅
theta = min(max(theta, -pi/2), pi/2);

% 输出限幅
e_comp = min(max(e_comp, -Vdc/2), Vdc/2);

3.2 实验数据对比

在1.5kW PMSM平台上测试得到：

4. 工程应用技巧

4.1 参数整定经验

自适应增益γ的选取需要平衡响应速度与稳定性：

• 初始值建议设为0.01
• 以0.005为步长递增
• 观察电流波形，出现轻微振荡时回退一步

实测表明，对于多数中小功率电机：

• 500W以下：γ=0.01~0.02
• 1-3kW：γ=0.02~0.03
• 5kW以上：γ=0.03~0.05

4.2 典型问题排查

1. 补偿过冲：

   • 现象：转速突变时位置估计出现振荡
   • 解决方案：增加θ的变化率限制

   matlab复制delta_theta = gamma * xi;
   delta_theta = min(max(delta_theta, -0.1), 0.1); % 限制变化率
   theta = theta + delta_theta;
   

2. 低速性能差：

   • 原因：反电势信号幅值太小
   • 改进：加入死区补偿

   matlab复制if norm(e_lpf) < 0.05
       e_comp = e_lpf;  % 绕过MRAS
   else
       e_comp = mras_compensate(e_lpf, i_act, i_ref);
   end
   

5. 进阶优化方向

对于要求更高的应用场景，可以考虑以下扩展方案：

1. 变增益策略：

matlab复制% 根据转速动态调整gamma
if rpm < 100
    gamma = 0.01;
elseif rpm < 500
    gamma = 0.02;
else
    gamma = 0.03;
end

2. 混合观测器设计：

• 低速区间：采用高频注入法
• 中高速区间：切换为MRAS-SMO
• 过渡区：加权混合输出

3. 参数自整定：

matlab复制% 基于误差自动调整gamma
if mean(abs(err)) > threshold
    gamma = gamma * 1.1;
else
    gamma = gamma * 0.9;
end

在实际调试中发现，这套方案对电机参数变化的鲁棒性很好。即使在Ld、Lq变化±20%的情况下，位置估计误差仍能保持在±0.5rad以内。不过要注意的是，电阻R的变化会影响低速性能，建议每隔一段时间做一次在线参数辨识。