4、速度环参数整定方法：手动整定法、Ziegler-Nichols整定法、基于模型的自整定法、自适应整定法

速度环的参数整定，说白了就是找到一组最合适的 比例增益 Kv 和 积分时间 Ti，让电机既跑得快又站得稳。我见过不少工程师一上来就对着驱动器面板猛调参数，调了半天系统反而抖得像筛糠。其实整定方法就那么几种，选对了路子，事半功倍。

这一章我把四种主流方法掰开揉碎讲清楚。每种方法都有它的脾气，也有它的用武之地。

核心观点：没有万能的方法，只有最合适的场景。手动整定是基本功，Ziegler-Nichols是经典套路，基于模型的自整定适合高精度场合，自适应整定则是应对变负载的利器。
速度环参数整定方法知识体系 速度环参数整定方法 手动整定法 Ziegler-Nichols法 基于模型自整定 自适应整定法 适用场景 调试阶段、简单负载 依赖工程师经验 适用场景 线性系统、经验公式 需临界振荡测试 适用场景 高精度、变负载 需系统辨识 适用场景 实时变化负载 算法复杂度高 选择原则：精度要求 × 负载变化 × 调试效率

4.1 手动整定法

手动整定是最原始，也是最考验手感的方法。我刚开始做伺服驱动那会儿，没有自动整定功能，全靠耳朵听电机声音、眼睛看示波器波形。说白了，这就是个「试错—观察—调整」的循环。

基本步骤：

  1. 先把积分关掉——将 Ti 设到最大值（相当于禁用积分），只保留比例项 Kv。
  2. 慢慢增大 Kv，直到系统出现持续的等幅振荡。这时候的 Kv 就是临界增益 Ku。
  3. 记录振荡周期 Tu，然后用经验公式算出最终参数。
  4. 微调——根据实际响应微调 Kv 和 Ti，直到超调量和响应时间都满意。
我的小技巧：手动整定时，我习惯先给一个小的阶跃指令（比如 100 rpm），然后观察速度反馈波形。如果波形上升沿陡峭但有过冲，说明 Kv 偏大；如果上升缓慢且稳态误差大，说明 Kv 偏小。多试几次，手感就出来了。

手动整定的优点是直观、不需要任何数学模型。缺点也很明显——依赖经验，效率低，而且对于大惯量或强非线性负载，很容易调过头导致系统振荡。

4.2 Ziegler-Nichols 整定法

Ziegler-Nichols 法（简称 Z-N 法）是 1942 年提出的经典方法。你想想看，都八十多年了还在用，说明它确实管用。这个方法的核心思想是：通过临界振荡实验获取系统特征参数，然后套用经验公式。

具体流程：

  • 让系统在纯比例控制下进入等幅振荡，记录 临界增益 Ku 和 临界周期 Tu。
  • 然后按下面的表格查公式：
控制器类型 Kv Ti 特点
P 控制器 0.5 × Ku — 简单，有静差
PI 控制器 0.45 × Ku 0.85 × Tu 消除静差，常用
PID 控制器 0.6 × Ku 0.5 × Tu 响应快，但易超调
注意：Z-N 法得到的参数通常偏「激进」。我曾经在一个高精度转台项目上直接用 Z-N 公式算出的参数，结果超调量达到了 25%，根本不能用。后来我把 Kv 降到了 0.3 × Ku，才把超调压到 5% 以内。所以 Z-N 法给出的参数只能作为起点，必须根据实际系统微调。

Z-N 法的优势在于它提供了一个可重复的、有理论依据的整定流程。但它要求系统能够进入等幅振荡——有些系统（比如大惯量负载）很难振荡起来，或者振荡幅度过大可能损坏设备。这时候就得换别的方法了。

4.3 基于模型的自整定法

基于模型的自整定，说白了就是先给系统做个「体检」——通过注入测试信号（如阶跃、伪随机序列）来辨识出系统的数学模型，然后根据模型参数自动计算出最优的 PI/PID 参数。

典型流程：

  1. 激励注入：向速度环输入端施加一个已知的测试信号（比如幅值 50 rpm、频率 10 Hz 的正弦波）。
  2. 数据采集：同步采集输入信号和速度反馈信号，采样率至少是系统带宽的 10 倍。
  3. 模型辨识：用最小二乘法或递推辨识算法，拟合出系统的传递函数。通常简化为二阶模型：
G(s) = K / (s² + 2ζωₙs + ωₙ²)
  1. 参数计算：根据辨识出的 K、ζ、ωₙ，用极点配置或最优控制理论算出 Kv 和 Ti。
实际效果：我在一个半导体晶圆搬运机器人项目上用过这种方法。负载惯量变化范围达到 1:5，手动整定根本搞不定。用基于模型的自整定后，每次换料后系统自动跑一次辨识流程，30 秒内完成参数更新，位置精度稳定在 ±0.02 mm。

这种方法的优点是精度高、适应性强，尤其适合负载惯量变化大的场合。缺点是需要额外的激励信号，而且辨识算法对噪声敏感——如果编码器分辨率不够或者现场电磁干扰大，辨识出来的模型可能不准。

4.4 自适应整定法

自适应整定是最高级的一种方法。它不需要离线测试，而是在系统运行过程中实时调整参数。你想想看，电机一边转着，控制器一边在后台偷偷优化自己——是不是有点「机器学习」的味道？

两种主流实现方式：

  • 模型参考自适应（MRAC）：建立一个理想的速度环参考模型，然后通过调整 PI 参数，让实际系统的响应尽量逼近参考模型。
  • 自校正调节（STR）：在线实时辨识系统参数，然后根据最新的参数重新计算控制器参数。相当于把 4.3 节的方法做成了实时版本。

自适应整定的核心公式（以 MRAC 为例）：

ΔKv = γ₁ × e(t) × ω_ref(t)
ΔTi = γ₂ × e(t) × ∫e(t)dt

其中 e(t) 是参考模型输出与实际速度的误差，γ₁、γ₂ 是自适应增益。这两个增益选大了系统容易发散，选小了收敛太慢。嗯，这里要注意——自适应增益的整定本身也是个技术活。

我的经验：自适应整定不是万能的。有一次我在一个纺织机械项目上用了 MRAC，结果因为纱线张力波动太大，自适应算法一直在「追赶」负载变化，反而把系统搞得不稳定。后来我加了一个死区环节——只有当误差超过 2% 时才启动自适应更新，问题就解决了。所以自适应算法一定要加保护逻辑，不能让它「乱来」。

自适应整定的最大优势是能应对时变系统——比如机器人关节在运动过程中惯量不断变化，或者机床主轴在切削时负载突然增大。但它的算法复杂度高，对处理器性能有要求，而且调试周期长。我个人建议：除非你的系统负载变化确实很大且不可预测，否则用基于模型的自整定就够了。

4.5 四种方法对比总结

方法 调试效率 精度 抗干扰能力 适用场景
手动整定 低（依赖经验） 中等 弱 简单负载、调试初期
Ziegler-Nichols 中（需临界振荡） 中等（偏激进） 一般 线性系统、快速原型
基于模型自整定 高（自动化） 高 较强 变负载、高精度场合
自适应整定 最高（在线实时） 高（需调优） 强（有保护逻辑时） 时变系统、复杂工况

选哪种方法，取决于你的项目需求。如果只是做个简单的传送带，手动整定完全够用。如果是精密加工中心，我建议上基于模型的自整定。至于自适应整定——嗯，除非你团队里有懂控制理论的专家，否则别轻易碰，坑不少。

← 上一章 📖 返回目录 下一章 →