1. 伺服系统低速困境：摩擦力的"零速狙击"
在伺服控制领域干了十几年，最让我头疼的就是低速和换向工况下的控制精度问题。每当电机转速接近零时，那个看不见的"老六"——摩擦力就会突然跳出来捣乱，导致系统出现爬行、抖动甚至定位失准。这种现象在精密数控机床、工业机器人关节模组等高精度场景中尤为致命，直接影响到加工件的表面光洁度和装配精度。
摩擦力在零速附近的非线性特性就像个狡猾的对手：静摩擦系数往往比动摩擦高出20%-30%，当系统从静止状态启动时，需要额外克服这个静摩擦"门槛"；而在速度过零时，摩擦力又会发生方向突变，产生类似"粘滑运动"（Stick-Slip）的振荡现象。去年我们团队调试某型号晶圆搬运机械臂时，就因为这个现象导致末端重复定位精度差了8微米，差点让整个项目延期。
2. 摩擦模型拆解：认识你的对手
2.1 经典摩擦模型对比
要对付摩擦力，首先得了解它的行为模式。通过Matlab仿真验证，我们发现几种经典模型对低速工况的适用性差异显著：
| 模型类型 | 数学表达式 | 低速特性表现 | 适用场景 |
|---|---|---|---|
| Coulomb摩擦 | F = Fc*sign(v) | 无法描述静摩擦 | 粗略估算 |
| 静摩擦+库仑 | F = Fs (v=0), Fc*sign(v) (v≠0) | 存在突变不连续 | 简单启停控制 |
| Stribeck曲线 | F = (Fc + (Fs-Fc)*e^(-(v/vs)^2))*sign(v) | 能反映低速过渡区 | 精密运动控制 |
| LuGre动态模型 | 微分方程描述接触面微观形变 | 可模拟预滑动和滞后效应 | 高精度仿真 |
实测数据显示，在0.1rpm的超低速下，Stribeck模型比简单库仑摩擦的扭矩预测误差小62%。而LuGre模型虽然计算复杂，但能完美复现我们在大理石平台直线电机上观察到的0.01mm级微动特性。
2.2 Stribeck效应实测数据
在某型号伺服电机上采集的实测数据表明，当转速低于5rpm时，摩擦扭矩会出现明显非线性：
- 0.5rpm时摩擦扭矩比5rpm时高出约40%
- 速度过零瞬间存在约15ms的扭矩波动
- 正反向切换时的扭矩差值达到额定值的8%
这些特性用常规PID控制根本无法有效补偿，必须借助模型前馈和自适应策略。
3. Matlab仿真实战：构建摩擦观测器
3.1 仿真环境搭建
matlab复制% 建立含Stribeck摩擦的伺服系统模型
J = 0.02; % 转动惯量(kg·m²)
B = 0.1; % 粘性阻尼(N·m·s/rad)
Fs = 2.5; % 静摩擦(N·m)
Fc = 1.8; % 库仑摩擦(N·m)
vs = 0.01; % Stribeck速度(rad/s)
s = tf('s');
P = 1/(J*s + B); % 被控对象
% Stribeck摩擦函数
function Ff = friction(v)
Ff = (Fc + (Fs-Fc)*exp(-(v/vs)^2)).*sign(v) + 0.2*v;
end
关键技巧：在Simulink中使用S函数实现速度相关的摩擦模块时，务必启用零穿越检测(zero-crossing detection)，否则会在速度过零点出现仿真失真。
3.2 自适应补偿策略
通过仿真对比三种补偿方案：
- 固定增益前馈补偿
matlab复制Kf = 1.5; % 摩擦补偿增益
u_ff = Kf * friction(v_est);
问题：过补偿会导致反向超调，欠补偿则无法消除死区
- 模型参考自适应(MRAC)
matlab复制gamma = 0.8; % 自适应率
dFf_hat = gamma * sgn(v) * tracking_error;
优势：能跟踪摩擦参数慢时变，但需要精确的参考模型
- 扰动观测器(DOB)
matlab复制Q_filter = 1/(0.02*s + 1); % 低通Q滤波器
Ff_obs = Q_filter * (u - J*s^2*theta);
实测效果：在0.5Hz正弦跟踪时，DOB方案将位置误差从±0.15rad降至±0.03rad
4. 工程落地中的避坑指南
4.1 参数辨识实操要点
去年给某半导体设备厂商调试时，我们总结出这套摩擦参数测量流程：
- 使用0.1%分辨率的光电编码器采集低速(＜1rpm)速度曲线
- 采用梯形速度指令，在多个速度点保持至少3秒
- 用最小二乘法拟合扭矩-速度曲线得到Fs、Fc、vs
- 特别要注意测量正反向参数的不对称性
常见错误：
- 未考虑温度影响（某次测试发现轴承温度升高15℃后Fs下降12%）
- 忽略传动链反向间隙（会导致速度过零时的虚假摩擦突变）
4.2 控制参数整定经验
在X-Y平台上的调试笔记：
matlab复制% 速度环PI参数经验公式
Kvp = 2*pi*10 * J; % 带宽10Hz
Kvi = Kvp * 5; % 积分时间常数0.2s
% 加入摩擦补偿后的改进参数
Kvp_comp = Kvp * 0.7; % 降低刚度避免振荡
Kvi_comp = Kvi * 1.3; % 增强低速积分作用
现场调试发现：补偿后速度环带宽可降低30%仍能保持相同跟踪性能，同时电机发热量减少约25%。
5. 进阶：智能补偿方案探索
最近在医疗机器人项目上试验的LSTM摩擦预测器表现出色：
- 输入层：过去100ms的速度、电流、温度序列
- 隐藏层：32个LSTM单元
- 输出层：预测下一时刻的摩擦扭矩
在关节往复运动测试中，相比传统方法： - 轨迹跟踪误差降低42%
- 过零冲击噪声下降18dB
- 补偿响应延迟从8ms缩短到2ms
实现关键点：
matlab复制% 数据预处理
vel_diff = diff(velocity);
current_smooth = movmean(current, 5);
% 网络结构
layers = [ ...
sequenceInputLayer(4)
lstmLayer(32,'OutputMode','last')
fullyConnectedLayer(1)
regressionLayer];
这套方案虽然需要额外的GPU算力，但在要求μ级精度的眼科手术机器人上，最终实现了0.3μm的重复定位精度。