PMSM无传感器控制中SMO-MRAS混合观测器的设计与优化

1. 项目背景与核心问题

在永磁同步电机（PMSM）的无传感器控制领域，滑模观测器（SMO）一直是主流的转子位置估计方案。但从业多年的工程师都知道，这个经典方案有个顽固的"老毛病"——抖振问题。就像老式收音机调频时的静电噪声，这种高频振荡不仅影响观测精度，还会导致电流波形畸变。

传统解决方案简单粗暴地使用低通滤波器（LPF）处理反电势信号，但这种方法存在明显缺陷：

1. 相位滞后不可避免，导致动态响应变差
2. 截止频率选择是个两难：设高了滤波效果差，设低了有用信号也被衰减
3. 固定参数无法适应转速变化带来的信号特性改变

我们实验室在测试一台3kW的PMSM时发现，当转速从1000rpm突变到3000rpm时，传统SMO的位置估计误差会从±0.8rad飙升到±1.5rad。更棘手的是，这种误差会通过电流环反馈放大，最终导致电机转矩波动达到额定值的12%。

2. 混合观测器架构设计

2.1 整体方案框架

我们提出的改进方案采用级联结构，将传统SMO与模型参考自适应系统（MRAS）有机结合。这个架构的精妙之处在于：

• 前级SMO负责快速跟踪：利用其强鲁棒性捕捉反电势信号
• 后级MRAS进行精细补偿：通过自适应机制动态修正信号失真

具体实现时需要注意三个关键接口：

1. 低通滤波器输出到MRAS模块的增益匹配
2. 自适应律的收敛速度与系统响应时间的配合
3. 补偿信号与原始信号的相位对齐

2.2 核心算法实现

自适应补偿模块的核心代码如下（MATLAB实现）：

matlab复制function e_compensated = mras_compensate(e_filtered, i_alpha, i_beta)
    persistent theta;
    if isempty(theta)
        theta = [0 0];  % 初始化补偿角度
    end
    gamma = 0.02;  % 自适应率系数，需根据电机参数调整
    error = calculate_current_error(i_alpha, i_beta);  % 自定义电流误差计算
    theta_update = gamma * e_filtered * error;
    theta = theta + theta_update;  % 关键的自适应律
    e_compensated = apply_phase_compensation(e_filtered, theta);
end

这个实现有几个工程技巧：

1. 使用persistent变量保持theta连续性，避免每次调用重置
2. 将误差计算封装为独立函数，便于不同电机模型的替换
3. 相位补偿采用向量运算，提高执行效率

3. 参数整定与优化

3.1 自适应率系数选择

gamma参数是算法成败的关键，我们通过大量实验得出以下经验值：

实际调试时建议采用"二分法"：

1. 从表中选取中间值开始
2. 观察转速阶跃响应波形
3. 若出现超调则减半，若响应迟缓则加倍

3.2 滤波器参数配合

LPF的截止频率(fc)与开关频率(fsw)的关系需要谨慎处理：

重要经验：fc应设为fsw的1/4左右，并在MRAS模块中保留±15%的相位裕量

我们开发了一个实用计算公式：

code复制fc = (0.23~0.27) * fsw + 0.05 * rated_speed (rpm)

例如对于开关频率10kHz、额定转速3000rpm的电机：

code复制fc = 0.25*10000 + 0.05*3000 = 2650Hz

4. 实验验证与性能分析

4.1 仿真结果对比

在Simulink环境下对比传统SMO和改进方案：

特别值得注意的是，在低速区（<5%额定转速）的改进更为显著：

• 位置估计波动从±0.5rad降至±0.1rad
• 启动成功率从82%提升到98%

4.2 实测数据

在台达ECMA-E11320RS电机上的实测结果：

关键发现：

1. 转速突变时theta的自适应速率可达35rad/s
2. 补偿延迟控制在100μs以内
3. 稳态时theta波动幅度<0.05rad

5. 工程应用建议

5.1 典型问题排查

遇到以下现象时可参考此表：

5.2 特殊工况处理

对于极端工况，我们总结出以下应对策略：

1. 突加负载情况：

   • 临时将gamma提高20%
   • 负载稳定后恢复原值
   • 可配合负载观测器预判

2. 超高速运行（>1.2倍额定转速）：

   • 动态调整fc跟随转速变化
   • 启用抗饱和补偿算法
   • 限制theta变化率在50rad/s以内

3. 参数失配（如温度变化导致Rs变化）：

   • 在线更新参考模型参数
   • 采用参数辨识与观测器联动

6. 进阶优化方向

对于追求更高性能的用户，可以考虑以下扩展方案：

1. 模糊自适应：
   用模糊逻辑替代固定gamma，实现非线性自适应

   matlab复制gamma = fuzzy_controller(error, d_error);
   

2. 多模型切换：
   针对不同转速区间采用不同的参考模型

   code复制低速模型：考虑齿槽效应
   中速模型：标准电机方程
   高速模型：包含铁损补偿
   

3. 数字滤波增强：
   在MRAS前级加入自适应陷波器

   c复制// 示例：STM32 HAL库实现
   void ANF_Update(ANF_HandleTypeDef *hanf, float input) {
       hanf->error = input - hanf->last_output;
       hanf->frequency += hanf->mu * hanf->error * hanf->last_quad;
       hanf->last_output = hanf->beta * hanf->last_output 
                         + hanf->alpha * input;
   }
   

这套方案我们已经在实际产品中验证超过2000小时，最关键的收获是：自适应算法不是设置完参数就万事大吉，需要根据具体应用场景建立参数调整策略。比如在电梯曳引机应用中，我们开发了基于运行历史的参数自学习算法，使系统能够自动适应钢丝绳老化带来的负载特性变化。