3、负载扰动观测器设计：龙伯格观测器原理、扰动转矩估算、前馈补偿策略

好，咱们进入第三章。前两章我们把速度环震荡的根因挖了一遍，也聊了传统 PI 的局限。这一章要聊的，是我个人觉得 FOC 实战里最有「工程师味道」的一个环节——负载扰动观测器。

说白了，就是让电机自己「感觉」到外界在推它、拽它，然后提前把对抗的力气使出来。而不是等转速掉下去了，PI 再慢悠悠地去追。你想想看，这就像你开车，前面有个坡，老司机提前加油，新手到了坡底才踩油门——哪个稳？

3.1 为什么要用观测器？

先问个问题：负载扰动能不能直接测？

能，但代价高。装个扭矩传感器，贵、占地方、信号还容易受干扰。在量产产品里，这玩意儿基本不现实。那怎么办？用数学模型「算」出来。

我在做伺服驱动器项目时，遇到过一台设备，空载跑得挺顺，一加上负载就「嘎嘎」响。后来发现，不是 PI 参数不行，而是负载突变时，速度环根本来不及反应。加了观测器之后，同样的 PI 参数，稳得像换了台电机。

3.2 龙伯格观测器原理

龙伯格观测器，名字听着唬人，其实原理不复杂。它就是一个状态重构器。

电机系统可以写成状态方程：

dx/dt = A·x + B·u
y = C·x

其中 x 是状态（比如转速、电流），u 是输入（比如 q 轴电压），y 是输出（比如实测转速）。

但我们不知道扰动转矩，它不在状态里。怎么办？把扰动转矩也当成一个状态，扩展开来。

龙伯格观测器的结构是这样的：

dẋ/dt = A·ẋ + B·u + L·(y - ŷ)
ŷ = C·ẋ

这里的 L 就是观测器增益矩阵。它的作用，是让估算状态 ẋ 快速收敛到真实状态 x。L 越大，收敛越快，但噪声也越容易被放大。嗯，这里要注意，L 不是越大越好。

3.3 扰动转矩估算模型

对于永磁同步电机（PMSM），机械运动方程是：

J·dω/dt = Te - TL - B·ω

其中：

• J：转动惯量
• ω：机械角速度
• Te：电磁转矩（已知，从 iq 算出来）
• TL：负载转矩（未知，我们要估的）
• B：阻尼系数

把 TL 当作一个缓慢变化的状态（dTL/dt ≈ 0），扩展后的状态方程就是：

d/dt [ω; TL] = [ -B/J  -1/J; 0  0 ] · [ω; TL] + [ 1/J; 0 ] · Te
y = [1 0] · [ω; TL]

然后套用龙伯格观测器公式，就能实时估算出 TL。

3.4 前馈补偿策略

估算出扰动转矩 TL_hat 之后，怎么用？

直接把它换算成 q 轴电流补偿值：

iq_ff = TL_hat / Kt

其中 Kt 是转矩常数。然后把这个补偿值加到速度环 PI 的输出上：

iq_ref = iq_pi + iq_ff

这样一来，当负载突变时，观测器几乎瞬间就能估算出变化，前馈通道直接给电流环一个「预判」信号。速度环 PI 只需要处理残余的微小误差就行。

我做过对比测试：纯 PI 控制，突加 50% 负载，转速掉 200 rpm，恢复时间 150 ms。加上观测器前馈后，转速只掉 30 rpm，恢复时间不到 20 ms。效果立竿见影。

3.5 本章知识体系

下面这张图，把整个负载扰动观测器的设计流程串起来了：

3.6 代码实现要点

最后，给一段观测器核心代码的伪代码框架，方便你移植到自己的项目里：

// 龙伯格观测器 - 离散化实现
// 采样周期 Ts

// 状态：x[0] = 转速, x[1] = 扰动转矩
// 输入：u = Te (电磁转矩)
// 输出：y = 实测转速

void observer_update(float omega_meas, float Te)
{
    // 预测步
    float omega_pred = x[0] + Ts * ((-B/J)*x[0] - (1.0/J)*x[1] + (1.0/J)*Te);
    float TL_pred     = x[1];  // 假设扰动缓慢变化
    
    // 误差计算
    float error = omega_meas - omega_pred;
    
    // 修正步（L1, L2 为观测器增益）
    x[0] = omega_pred + L1 * error;
    x[1] = TL_pred     + L2 * error;
    
    // 输出估算扰动
    TL_hat = x[1];
}