无速度传感器算法在电机控制中的应用与实现

1. 无速度传感器算法概述

在电机控制领域，速度传感器一直是获取转子位置和转速信息的关键部件。但传统光电编码器或旋转变压器不仅增加系统成本，还降低了可靠性。我在工业现场见过太多因传感器故障导致的停机事故，这促使我开始研究无速度传感器技术。

无速度传感器算法通过电机绕组上的电压、电流等电气量，实时估算转子位置和转速。这种技术省去了物理传感器，特别适合恶劣环境或对成本敏感的应用。目前主流方案包括滑模观测器(SMO)、模型参考自适应(MRAS)和高频注入(HFI)等，每种方法各有优劣。

2. 核心算法原理剖析

2.1 滑模观测器基础架构

滑模观测器的核心思想是通过构造一个带有切换函数的动态系统，迫使系统状态在有限时间内到达预设的滑模面。以永磁同步电机为例，其电流方程可表示为：

c复制// 简化版α-β坐标系下的电机模型
typedef struct {
    float Rs;    // 定子电阻
    float Ls;    // 定子电感
    float psi_f; // 永磁体磁链
} MotorParams;

void motor_model(MotorParams *p, float i_alpha, float i_beta, 
                float u_alpha, float u_beta, float *di_alpha, 
                *di_beta) {
    *di_alpha = (u_alpha - p->Rs*i_alpha)/p->Ls;
    *di_beta = (u_beta - p->Rs*i_beta)/p->Ls;
}

观测器通过比较实际电流与模型电流的误差，采用符号函数进行反馈：

c复制float sign_function(float x) {
    return (x > 0) ? 1.0 : -1.0;
}

// 滑模观测器核心计算
void smo_update(float i_alpha_err, float i_beta_err, 
               float *e_alpha, float *e_beta) {
    float k_slide = 10.0; // 滑模增益
    *e_alpha = k_slide * sign_function(i_alpha_err);
    *e_beta = k_slide * sign_function(i_beta_err);
}

2.2 ESO增强型滑模观测器

基础SMO存在抖振问题，我在某风机项目中实测发现转速波动可达±5 RPM。ESO(Extended Sliding Mode Observer)通过引入扩张状态观测器，将系统扰动作为新状态进行估计：

c复制typedef struct {
    float z1_alpha;  // 电流观测状态
    float z2_alpha;  // 反电动势观测状态
    float z1_beta;
    float z2_beta;
    float beta;      // 观测器增益
} ESO_State;

void eso_update(ESO_State *s, float i_alpha, float i_beta, 
               float u_alpha, float u_beta, float dt) {
    // α轴更新
    float e_alpha = s->z1_alpha - i_alpha;
    s->z1_alpha += (-s->beta*e_alpha + u_alpha/Ls) * dt;
    s->z2_alpha += (-s->beta*s->beta*e_alpha) * dt;
    
    // β轴更新同理
    ...
}

实测数据显示，ESO可将转速波动降低到±1 RPM以内，但计算量增加约15%。在STM32F4系列MCU上，完整ESO算法执行时间约28μs。

2.3 HFI高频注入技术

对于零低速工况（<5%额定转速），传统反电动势法失效。我在某伺服压机项目中采用HFI技术，通过在定子绕组注入高频信号（通常1-2kHz），利用转子的凸极效应获取位置信息：

c复制void hfi_injection(float *u_alpha, float *u_beta, float t) {
    float Vh = 12.0; // 注入电压幅值
    float wh = 2*PI*1500; // 1.5kHz注入频率
    
    *u_alpha += Vh * cos(wh * t);
    *u_beta += Vh * sin(wh * t);
}

// 解调处理
float hfi_demodulate(float i_alpha, float i_beta, float t) {
    float wh = 2*PI*1500;
    float L_diff = 0.1; // 电感差异
    
    float mod_signal = i_alpha * sin(wh*t) - i_beta * cos(wh*t);
    return L_diff * mod_signal; // 包含位置信息
}

关键提示：HFI注入电压幅值需谨慎选择，过大会引起振动噪声，过小则信噪比不足。根据我的经验，对于额定电压380V的电机，注入幅值建议在5-15V之间。

3. 混合算法实现策略

3.1 SMO与HFI的无缝切换

在实际项目中，我采用速度分区策略：

• 低速区（0-5%额定转速）：纯HFI模式
• 过渡区（5-10%）：HFI+SMO加权融合
• 高速区（>10%）：纯SMO模式

c复制// 混合算法选择逻辑
void algorithm_select(float speed_pu, float *hfi_weight, 
                     float *smo_weight) {
    if (speed_pu < 0.05) {
        *hfi_weight = 1.0;
        *smo_weight = 0.0;
    } else if (speed_pu < 0.1) {
        float ratio = (speed_pu - 0.05) / 0.05;
        *smo_weight = ratio;
        *hfi_weight = 1.0 - ratio;
    } else {
        *smo_weight = 1.0;
        *hfi_weight = 0.0;
    }
}

3.2 位置观测器实现细节

转子角度通过锁相环(PLL)从反电动势中提取，我在代码中采用二阶PLL提高跟踪性能：

c复制typedef struct {
    float theta;    // 估计角度
    float speed;    // 估计转速
    float kp;       // 比例增益
    float ki;       // 积分增益
    float i_term;   // 积分项
} PLL_State;

void pll_update(PLL_State *s, float e_alpha, float e_beta, float dt) {
    // 计算角度误差
    float sin_theta = sin(s->theta);
    float cos_theta = cos(s->theta);
    float err = e_alpha * cos_theta - e_beta * sin_theta;
    
    // PI控制器更新
    s->i_term += s->ki * err * dt;
    s->speed = s->kp * err + s->i_term;
    
    // 角度积分
    s->theta += s->speed * dt;
    if (s->theta > 2*PI) s->theta -= 2*PI;
    if (s->theta < 0) s->theta += 2*PI;
}

实测表明，在额定转速下角度估计误差<0.5度，动态响应时间约20ms。

4. 关键参数整定指南

4.1 滑模增益选择

滑模增益k_slide直接影响系统鲁棒性和抖振程度。通过大量实验，我总结出以下经验公式：

code复制k_slide = 1.5 * (R/L) * Imax + 1.2 * w_base * psi_f/L

其中：

• R/L：电机时间常数倒数
• Imax：最大相电流
• w_base：额定电角速度
• psi_f：永磁体磁链

4.2 观测器带宽设计

ESO的带宽（由β决定）应与控制系统带宽匹配：

• 过低：动态响应慢
• 过高：放大噪声

我的经验法则是：

code复制beta = 2 * PI * (5~10) * f_control

其中f_control为电流环带宽，通常500Hz-1kHz。

5. 工程实践中的挑战

5.1 参数敏感性分析

在某电动叉车项目中，电机温升导致电阻变化30%，引起转速估计偏差。解决方案：

1. 在线电阻辨识算法
2. 采用参数鲁棒性更强的ESO结构

c复制void online_rs_ident(float *Rs, float u_alpha, float u_beta,
                    float i_alpha, float i_beta, float dt) {
    static float integral = 0;
    float err = (u_alpha - *Rs*i_alpha) * i_alpha +
               (u_beta - *Rs*i_beta) * i_beta;
    integral += 0.001 * err * dt; // 自适应增益
    *Rs = integral;
}

5.2 数字实现要点

1. 采样同步：PWM中断中立即采样电流，避免开关噪声
2. 定点优化：Q15格式处理三角函数，节省50%计算时间
3. 抗饱和处理：积分项需做限幅

c复制// 定点数三角函数优化示例
short q15_sin(short theta_q15) {
    // 使用查表法+线性插值
    static const short sin_table[64] = {...};
    int index = theta_q15 >> 10;
    short frac = theta_q15 & 0x3FF;
    return sin_table[index] + 
          ((sin_table[index+1]-sin_table[index])*frac >> 10);
}

6. 实测性能对比

在某工业输送带电机上测试结果：

7. 完整实现框架

建议的软件架构：

c复制typedef struct {
    MotorParams motor;      // 电机参数
    ESO_State eso;         // ESO观测器状态
    PLL_State pll;         // PLL状态
    float hfi_angle;       // HFI估计角度
    float final_angle;     // 最终输出角度
} SensorlessCtrl;

void sensorless_update(SensorlessCtrl *ctrl, 
                      float i_alpha, float i_beta,
                      float u_alpha, float u_beta,
                      float t, float dt) {
    // HFI信号注入
    hfi_injection(&u_alpha, &u_beta, t);
    
    // 电流采样与坐标变换
    ...
    
    // ESO更新
    eso_update(&ctrl->eso, i_alpha, i_beta, u_alpha, u_