永磁同步电机无传感器控制：扩展卡尔曼滤波(EKF)实战

1. 项目概述：当电机遇上卡尔曼滤波

去年调试一台永磁同步电机时，我遇到了一个棘手的问题——编码器信号在高速运行时出现严重干扰。这让我开始研究无传感器控制方案，而扩展卡尔曼滤波（EKF）就像黑暗中的灯塔突然照亮了前路。这种将控制理论与信号处理结合的算法，能在不增加硬件成本的情况下，通过数学模型"感知"转子位置。

传统PMSM控制依赖机械传感器获取转子位置，但编码器不仅增加系统成本，还存在安装精度要求高、易受干扰等问题。无传感器控制的核心在于通过电机端电压、电流这些可测量参数，推算出不可直接测量的转子位置和速度。EKF作为最优估计算法，通过处理带有噪声的观测数据，能实现比简单反电动势法更精确的估计。

注意：EKF算法对电机参数敏感性较高，实际应用中需要配合在线参数辨识才能获得理想效果。我在某工业伺服项目中发现，当电机电感参数偏差超过15%时，传统EKF的位置估计误差会急剧增大。

2. 核心原理拆解：EKF如何"看透"电机内部

2.1 PMSM的数学模型构建

建立准确的数学模型是EKF应用的基础。在dq旋转坐标系下，PMSM的电压方程可表示为：

code复制ud = Rs*id + Ld*d(id)/dt - ωe*Lq*iq
uq = Rs*iq + Lq*d(iq)/dt + ωe*Ld*id + ωe*ψf

其中ψf是永磁体磁链，ωe为电角速度。这个非线性方程描述了电流、电压与转子位置的关系，正是EKF需要的状态空间模型。

2.2 扩展卡尔曼滤波的五大方程

EKF通过预测-校正的递推过程实现状态估计：

1. 状态预测：
   x̂ₖ⁻ = f(x̂ₖ₋₁, uₖ₋₁)

2. 协方差预测：
   Pₖ⁻ = Fₖ₋₁Pₖ₋₁Fₖ₋₁ᵀ + Qₖ₋₁

3. 卡尔曼增益计算：
   Kₖ = Pₖ⁻Hₖᵀ(HₖPₖ⁻Hₖᵀ + Rₖ)⁻¹

4. 状态更新：
   x̂ₖ = x̂ₖ⁻ + Kₖ(zₖ - h(x̂ₖ⁻))

5. 协方差更新：
   Pₖ = (I - KₖHₖ)Pₖ⁻

在PMSM应用中，状态变量x通常选择为[id, iq, θ, ω]ᵀ，观测变量z为[id, iq]ᵀ。F和H矩阵通过对非线性函数f和h在当前估计点进行雅可比矩阵线性化得到。

实操技巧：雅可比矩阵的计算是EKF实