1. 永磁同步电机控制的技术背景
永磁同步电机（PMSM）作为现代工业驱动领域的核心部件，其高性能控制一直是电气传动领域的研究热点。与传统感应电机相比，PMSM具有功率密度高、效率优异、动态响应快等显著优势，特别适合需要精密调速的场合，如数控机床、电动汽车、航空航天等高端应用场景。
但在实际运行中，PMSM面临着多重挑战：参数摄动（如绕组电阻随温度变化）、负载扰动（机械负载突变）、未建模动态（高频谐波效应）等问题都会显著影响控制性能。传统的PID控制虽然结构简单，但在应对这些复杂扰动时往往力不从心——积分环节会导致相位滞后，微分环节又容易放大噪声，这种固有矛盾使得PID在动态性能与抗扰能力之间难以兼顾。
2. 自抗扰控制（ADRC）的核心思想
2.1 从PID到ADRC的进化路径
自抗扰控制器（Active Disturbance Rejection Control, ADRC）由韩京清教授提出，其设计哲学是"将一切不确定性视为可观测、可补偿的总扰动"。与PID的误差反馈思路不同，ADRC通过扩张状态观测器（ESO）实时估计系统内外部的总和扰动（包括模型不确定性、外部干扰、未建模动态等），并在控制律中主动补偿这些扰动，从而实现近似"不变性"控制。
这种思路类似于经验丰富的驾驶员应对侧风干扰——不是等车辆偏离车道后再修正（如PID那样），而是通过手感预判风力的影响，提前调整方向盘角度抵消风压。ADRC的ESO就相当于这种"手感"的数学实现。
2.2 ADRC的三阶架构解析
典型的三阶ADRC包含三个核心组件：
-
跟踪微分器（TD）：为参考信号安排过渡过程，避免阶跃输入引起的超调。例如将转速指令从0到1000rpm的跳变转化为平滑的S曲线，其数学表达为：
math复制\begin{cases} v_1(k+1) = v_1(k) + h \cdot v_2(k) \\ v_2(k+1) = v_2(k) + h \cdot fhan(v_1(k)-r(k), v_2(k), r_0, h_0) \end{cases}其中
fhan()为最速综合函数，r_0决定跟踪速度。 -
扩张状态观测器（ESO）：将系统总扰动扩张为新的状态变量进行观测。对于PMSM的d轴电流环，其ESO可设计为：
math复制\begin{cases} e = z_1 - y \\ \dot{z}_1 = z_2 - \beta_{01}e \\ \dot{z}_2 = z_3 - \beta_{02}e + b_0u \\ \dot{z}_3 = -\beta_{03}e \end{cases}其中
z_3就是对总扰动的实时估计值。 -
非线性状态误差反馈（NLSEF）：采用非线性组合生成控制量。常用形式为：
math复制u_0 = k_1 fal(e_1, \alpha_1, \delta) + k_2 fal(e_2, \alpha_2, \delta)函数
fal()通过参数α调节非线性强度，在小误差区增强灵敏度，在大误差区避免饱和。
3. PMSM的ADRC具体实现方案
3.1 双闭环控制结构设计
针对PMSM的矢量控制框架，我们采用电流-转速双闭环ADRC结构：
code复制[转速ADRC] → [电流ADRC(d轴)] → [SVPWM] → [逆变器]
↑
[电流ADRC(q轴)] ← [弱磁控制]
其中转速环ADRC输出q轴电流参考值，d轴电流参考根据弱磁策略给定。每个ADRC模块都独立配置ESO，形成分布式扰动观测网络。
3.2 参数整定经验法则
通过大量实验总结出PMSM-ADRC的调参规律：
-
ESO带宽：与采样频率的关系应满足
ω_o ≤ 0.2ω_s（ω_s为采样角频率），通常取控制带宽的3~5倍。例如当电流环期望带宽为500Hz时：python复制beta_01 = 3 * 2*pi*500 # 约9420 beta_02 = 3 * beta_01 # 约28260 beta_03 = beta_01**2 # 约8.87e7 -
NLSEF非线性参数：推荐取值区间：
- α₁, α₂ ∈ [0.5, 0.8]（增强小误差段增益）
- δ = 0.01~0.1（线性区间宽度）
- k₁, k₂通过带宽法初步计算后微调
-
TD速度因子：与系统响应速度匹配，过快会引入高频噪声。对于额定转速3000rpm的电机：
math复制r_0 = \frac{N_{rated}}{60T_s} \times 10\% = \frac{3000}{60 \times 0.0001} \times 0.1 = 500
4. 实测问题与解决方案
4.1 观测器发散现象
在负载突变时，ESO可能出现估计值漂移。根本原因是离散化误差积累，解决方法包括：
- 采用预测-校正离散化方法（如Tustin变换）
- 增加泄漏项：修改ESO最后一行为
ż₃ = -β₀₃e - εz₃ - 限制扰动变化率：
z₃(k) = sat(z₃(k), Δ_max)
4.2 高频噪声放大
ADRC的微分特性可能放大测量噪声。实测有效的滤波方案：
-
在ESO输入端加入二阶低通滤波：
matlab复制G_f(s) = \frac{ω_f^2}{s^2 + 2ξω_f s + ω_f^2}取ξ=0.707, ω_f=5~10倍控制带宽
-
采用非线性跟踪微分器预处理反馈信号：
math复制
\dot{v}_1 = v_2 \dot{v}_2 = -R^2(v_1-y) - 2Rv_2其中R决定滤波强度
4.3 参数失配鲁棒性测试
人为设置±50%的定子电阻误差和±30%的电感误差，对比PID与ADRC的性能：
| 指标 | PID控制 | ADRC控制 |
|---|---|---|
| 转速超调量 | 12.3% | 4.1% |
| 恢复时间(ms) | 28.5 | 9.2 |
| 转矩波动(%) | 8.7 | 3.2 |
5. 进阶优化方向
5.1 自适应带宽调整
根据运行状态动态调节ESO带宽：
c复制if (|e| > e_th) {
ω_o = ω_o_base * (1 + K_adapt*|e|);
} else {
ω_o = ω_o_base;
}
这种机制在突加负载时自动提高观测器响应速度，在稳态时降低噪声敏感度。
5.2 基于神经网络的扰动预测
用LSTM网络学习扰动变化规律，作为ESO的前馈补偿：
code复制[ESO估计值] + [LSTM预测值] → [总扰动补偿]
实测显示可减少约40%的扰动估计滞后。
5.3 参数自整定策略
结合粒子群算法（PSO）离线优化参数：
-
定义适应度函数：
math复制J = w_1 \cdot t_s + w_2 \cdot OS + w_3 \cdot \Delta T包含调节时间、超调量和转矩波动
-
设计约束条件：
math复制|u(t)| ≤ U_{max}, \quad |du/dt| ≤ S_{max} -
通过200代迭代获得的典型参数集：
python复制params_opt = { 'beta': [12500, 37500, 1.56e8], 'alpha': [0.65, 0.55], 'delta': 0.03 }
6. 工程实施要点
6.1 离散化实现技巧
采用零阶保持器离散化时，ESO的离散形式应写为：
matlab复制z1 = z1 + Ts*(z2 - beta01*e);
z2 = z2 + Ts*(z3 - beta02*e + b0*u);
z3 = z3 - Ts*beta03*e;
其中采样时间Ts的选择需满足：
math复制T_s ≤ \frac{1}{10 \cdot max(ω_c, ω_o)}
6.2 定点数优化
为适应DSP的定点运算，需进行标幺化处理：
- 将状态变量归一化到[-1,1]区间：
math复制z_{1,pu} = \frac{z_1}{Z_{1,max}} - 系数转换为Q格式：
c复制#define BETA01_Q15 (int16_t)(9420 * 32767 / 10000) // Q15格式
6.3 实时性保障措施
在STM32F407上的实测资源占用：
| 模块 | 执行时间(μs) | 内存占用(bytes) |
|---|---|---|
| 转速环ADRC | 18.7 | 120 |
| 电流环ADRC | 9.2 | 80 |
| 总开销 | <30 | <256 |
关键优化手段：
- 使用查表法实现
fal()函数 - 将矩阵运算展开为标量方程
- 采用DSP库的Q15乘法指令