4. 自整定技术概览：基于阶跃响应、基于继电反馈、基于模型辨识

好，咱们进入正题。自整定技术，说白了就是让驱动器自己学会怎么调参数。你想想看，一个电机换上去，还要人工去试PI参数，费时费力不说，还不一定最优。我这些年做项目，最怕的就是现场调试——环境一变，参数就得重来。

自整定技术主要有三条路：阶跃响应法、继电反馈法、模型辨识法。每条路都有自己的脾气，咱们一条一条捋清楚。

4.1 三种方法的总体对比

先给个全景图。我习惯把这三条路比作三种性格的人：

• 阶跃响应法——直来直去，给系统一个阶跃，看它怎么响应，然后算参数。简单粗暴，但容易受噪声影响。
• 继电反馈法——有点小聪明，让系统自己振荡起来，从振荡中提取信息。抗干扰能力强，工业上用得最多。
• 模型辨识法——最“学霸”，先建个数学模型，再用优化算法去拟合。精度高，但计算量大。

我早期做的一个伺服项目，用的就是阶跃响应法。当时觉得简单嘛，结果现场一跑，噪声一上来，参数抖得厉害。后来换成继电反馈，稳多了。

方法	原理	优点	缺点	适用场景
阶跃响应法	施加阶跃信号，提取响应特征	实现简单，物理意义明确	对噪声敏感，需人工判断稳态	实验室、低噪声环境
继电反馈法	引入继电环节，产生等幅振荡	抗干扰强，自动获取临界信息	振荡可能影响系统寿命	工业现场、在线整定
模型辨识法	采集数据，拟合传递函数	精度高，可离线优化	计算量大，需激励信号设计	高精度伺服、研发阶段

4.2 阶跃响应法——最直观的入门方法

阶跃响应法，我当年在学校里第一次接触PID时就在用。原理很简单：给系统一个阶跃指令，记录电流的响应曲线，然后从曲线上提取几个关键特征量。

具体怎么做？

1. 施加阶跃：给电流环一个阶跃给定，比如从0A跳到1A。
2. 记录响应：采集实际电流的上升过程。
3. 提取特征：找到上升时间、超调量、稳态误差。
4. 计算参数：用Ziegler-Nichols公式或改进公式算出Kp和Ki。

举个例子，Ziegler-Nichols的阶跃响应法公式：

// 从阶跃响应中提取 L（滞后时间）和 T（时间常数）
// 然后计算PI参数
Kp = 0.9 * T / (L * K)   // K是系统增益
Ki = Kp / (3 * L)         // 积分时间常数

阶跃响应法的优点是直观，你一眼就能看出系统响应快不快、有没有振荡。但缺点也很明显——它需要系统进入稳态才能开始测试，而且阶跃幅度要选好，太小信噪比低，太大可能触发保护。

4.3 继电反馈法——工业界的宠儿

继电反馈法，这是我在实际项目中最喜欢用的方法。为什么？因为它抗干扰能力强，而且不需要人工判断稳态。

原理是这样的：在电流环中插入一个继电环节（就是带滞环的比较器），让系统自己产生等幅振荡。从振荡的幅值和频率，就能算出临界增益Ku和临界周期Tu。

流程如下：

1. 断开PI控制器，插入继电环节。
2. 设置滞环宽度：一般取额定电流的1%~5%。
3. 等待振荡稳定：通常3~5个周期就够了。
4. 提取振荡信息：记录振荡幅值A和周期Tu。
5. 计算临界参数：Ku = 4h / (πA)，其中h是继电输出幅值。
6. 整定PI参数：用Ziegler-Nichols或改进公式。

继电反馈法的Ziegler-Nichols整定公式：

// 从继电振荡中获取 Ku（临界增益）和 Tu（临界周期）
Kp = 0.45 * Ku
Ki = Kp / (0.85 * Tu)   // 注意：这里是积分时间常数，不是Ki本身

继电反馈法的最大优势是鲁棒性强。即使电流采样有噪声，只要滞环设置合理，振荡依然稳定。我在一个电机参数变化很大的项目中（温度从-20℃到80℃），继电反馈法每次都能给出可用的参数，而阶跃响应法就经常翻车。

4.4 模型辨识法——精度最高的选择

模型辨识法，说白了就是给电机“建模”。你先假设电流环的传递函数形式（比如一阶惯性+纯滞后），然后采集输入输出数据，用最小二乘法或递推算法去拟合模型参数。

这种方法精度最高，但代价也最大——计算量大，而且需要精心设计激励信号。

常用的模型结构：

• 一阶惯性+纯滞后：G(s) = K * e^(-Ls) / (Ts + 1)
• 二阶系统：G(s) = ωn² / (s² + 2ζωn s + ωn²)
• ARX模型：离散时间模型，适合在线辨识

我一般用递推最小二乘法（RLS）做在线辨识。代码框架如下：

// 递推最小二乘法（RLS）在线辨识
// 输入：u(k) 当前控制量，y(k) 当前反馈量
// 输出：theta 模型参数向量

// 初始化
P = 1000 * I;  // 协方差矩阵，初始值要大
theta = [0; 0; 0];  // 参数向量

// 每次采样执行
phi = [-y(k-1), -y(k-2), u(k-1)]';  // 回归向量
e = y(k) - phi' * theta;  // 预测误差
K = P * phi / (lambda + phi' * P * phi);  // 增益矩阵
theta = theta + K * e;  // 更新参数
P = (I - K * phi') * P / lambda;  // 更新协方差，lambda是遗忘因子

模型辨识法的好处是，你不仅能得到PI参数，还能得到系统的完整数学模型。这对于后续的前馈补偿、抗饱和设计都很有用。但缺点也很明显——计算量大，在低成本MCU上跑起来有点吃力。

4.5 三种方法的知识体系图

下面这张图，把三种方法的流程和关系画清楚了。你可以看到，它们最终都指向同一个目标——算出Kp和Ki。

4.6 怎么选？我的建议

三种方法各有千秋，没有绝对的好坏。我个人的选择原则是这样的：

• 做原型验证：用阶跃响应法，快，能快速看到系统特性。
• 做产品量产：用继电反馈法，稳定可靠，抗干扰。
• 做高性能伺服：用模型辨识法，精度优先，算力不是问题。

还有一个组合拳：先用继电反馈法粗调，再用模型辨识法精调。我在一个机器人关节项目中就是这么干的——继电反馈先给出一个“能用”的参数，然后在线RLS微调，最终效果比单一方法好很多。