状态观测器与无传感器 FOC — Luenberger / SMO / Kalman / HFI

控制采样L4别名 State Observer · 状态观测器 · Luenberger Observer · Sliding Mode Observer · SMO · Kalman Filter · Extended Kalman Filter · EKF · Unscented Kalman Filter · UKF · Sensorless FOC · 无传感器 FOC · HFI · High Frequency Injection · 高频注入 · back-EMF observer · 反电势观测

本质与导读

本质 FOC 必须知道转子位置 θ_e,但 resolver/encoder 是成本、可靠性、体积负担;无传感器 FOC 用电压电流估 θ_e 替掉它,这是状态观测器的工程价值。代价是物理边界:中高速靠反电动势(SMO/EKF/Luenberger),零速 / 低速反电动势消失,只能靠 HFI 利用 IPMSM dq 不对称——所以无传感器在低速天生弱,且因 ASIL D 进不了 EV 主驱主控,只能做降级备份。

主线坐标:第 6 站 · 电机 + 控制采样 · ↑ 全景主线

1. 状态观测器本质

1.1 motivation

状态空间模型:

\overset{x}{˙} = A x + B u, y = C x

x 是状态(可能不可直接测),y 是输出(可测)。目标:从 y 估计 x̂。

1.2 Luenberger 观测器

最朴素结构——"复制系统"+ "误差反馈":

\dot{\overset{x}{^}} = A \overset{x}{^} + B u + L (y - C \overset{x}{^})

L = 观测器增益矩阵。设计 L 让 (A - LC) 极点在左半平面 + 比 plant 极点快(典型 5-10×)→ x̂ → x。

1.3 PMSM 应用

PMSM 在 αβ 坐标系电压方程:

v_{α} = R i_{α} + L \frac{d i _{α}}{d t} + e_{α}

v_{β} = R i_{β} + L \frac{d i _{β}}{d t} + e_{β}

e_α, e_β = 反电势 = ψ_f · ω · [-sin(θ_e), cos(θ_e)]。

观测目标:从 v, i 估计 e_α, e_β → 反推 θ_e = atan2(-e_α / e_β)。

2. Luenberger 观测器(线性)

2.1 算法

观测电流 + 反电势:

\dot{\hat{i}}_{α} = - \frac{R}{L} \hat{i}_{α} - \frac{1}{L} \overset{e}{^}_{α} + \frac{1}{L} v_{α} + l 1 (i_{α} - \hat{i}_{α})

\dot{\overset{e}{^}}_{α} = l 2 (i_{α} - \hat{i}_{α})

(类似 β 通道)

l1, l2 = 观测器增益。设计极点 → 算 l1, l2。

2.2 优势

这里先收束这一路径真正成立的前提，后面的条目再展开它能带来的工程收益。

简单(线性方程)
计算量小(MCU 实时友好)
稳定性可证明(经典控制理论)

2.3 劣势

这一节先给出“劣势”需要同时考虑的几个判断点，后面的条目按工程优先级展开。

鲁棒性差(对参数 R, L 敏感,温度漂移影响大)
零速 / 低速无效(反电势 ∝ ω,ω = 0 时反电势为 0,无信号)
启动困难(从零速观测必须辅助)

2.4 适用区间

这一节先给出“适用区间”需要同时考虑的几个判断点，后面的条目按工程优先级展开。

中速以上(> 10% 额定速)
工业风机 / 泵(转速稳定)
简单实现(low-cost MCU)

3. 滑模观测器 SMO(鲁棒)

3.1 思想

不用线性反馈,用符号函数(sgn) 反馈,使误差滑动到零而非渐近趋近:

\dot{\hat{i}}_{α} = - \frac{R}{L} \hat{i}_{α} + \frac{1}{L} (v_{α} - z_{α})

z_{α} = Ks m o \cdot sgn (\hat{i}_{α} - i_{α})

Ksmo > 0 是滑模增益。

3.2 等效控制

滑模一旦"到达滑模面"(误差 = 0),z_α 平均值 = 反电势 e_α(等效控制 = Equivalent Control)。

实务:用低通滤波器从 z_α 提取 e_α:

\overset{e}{^}_{α} = LPF (z_{α})

LPF 带宽 = ω_e_max(电机最高电频率)。

3.3 优势

这里先收束这一路径真正成立的前提，后面的条目再展开它能带来的工程收益。

鲁棒(对参数 R, L 容忍 ±20%)
中高速主流方案
算法简单(符号 + 低通)

3.4 劣势

这一节先给出“劣势”需要同时考虑的几个判断点，后面的条目按工程优先级展开。

抖振(chattering)—— sgn 函数在滑模面附近高频切换 → 引入抖动
解决:用 sigmoid / sat 函数替代 sgn(平滑过渡)
LPF 引入相位滞后,需补偿 θ_e_compensated = θ̂_e + ω_e · TLPF

3.5 工程量产

家电压缩机(美的 / 海尔 / 海信)中高速段几乎都是 SMO:

启动用 V/f 开环升速到 5-10% 额定
切到 SMO 闭环
全速 SMO 跟踪

4. 扩展卡尔曼滤波 EKF(精度)

4.1 思想

Kalman 在线性系统下最优,EKF 把非线性系统局部线性化(雅可比矩阵)后用 Kalman:

预测:

\overset{x}{^}_{k}^{-} = f (\overset{x}{^}_{k - 1}, u k - 1)

P k^{-} = FP k - 1 F^{T} + Q

更新:

K k = P k^{-} H^{T} (H P k^{-} H^{T} + R)^{- 1}

\overset{x}{^}_{k} = \overset{x}{^}_{k}^{-} + K k (y k - h (\overset{x}{^}_{k}^{-}))

P k = (I - K k H) P k^{-}

F = ∂f/∂x, H = ∂h/∂x(雅可比),Q = 过程噪声,R = 测量噪声。

4.2 PMSM 状态选取

经典选 4 个状态:

x = [i_{α}, i_{β}, ω_{e}, θ_{e}]^{T}

模型 f 包含 PMSM 电压方程 + θ_e 积分(dθ/dt = ω)。

4.3 优势

这里先收束这一路径真正成立的前提，后面的条目再展开它能带来的工程收益。

精度最高(最优估计)
处理非线性
自动平衡测量噪声 vs 模型噪声
也可估计参数(扩展状态)

4.4 劣势

这一节先给出“劣势”需要同时考虑的几个判断点，后面的条目按工程优先级展开。

计算量大(矩阵求逆 / 雅可比每步算)
Q, R 调参困难(无明确物理意义)
协方差矩阵数值不稳定 → 必须 Joseph form 或 UD 分解

4.5 工程量产

这一节先给出“工程量产”需要同时考虑的几个判断点，后面的条目按工程优先级展开。

高端工业伺服(Yaskawa / Mitsubishi)
实验级 EV 主驱(无传感器降级备份)
学术界主流(算法对比 baseline)

家电压缩机 EKF 太贵(MCU 算力不够)→ SMO 是主流。

4.6 UKF(无迹卡尔曼)

EKF 局部线性化的精度损失在强非线性下大 → UKF 用 sigma 点采样近似分布,精度更高,计算量略大。EV 主驱实验室用,量产罕。

5. HFI 高频注入(零速 / 低速)

零速 / 低速反电势 ≈ 0 → Luenberger / SMO / EKF 都无效 → HFI 是唯一方案。

5.1 物理原理

IPMSM 的 Ld ≠ Lq(转子永磁体在 d 轴 → 磁阻不对称):

沿 d 轴:磁阻最小,Ld 小
沿 q 轴:磁阻最大,Lq 大

注入高频电压(典型 500-1000 Hz)叠加在 dq 参考上 → 高频电流响应幅值与方向反映 d 轴位置。

5.2 算法

注入:

v d^{inj} = Vh cos (ω_{h} t), v q^{inj} = 0

测得高频电流响应,用解调技术提取与 sin(2θ̂_e_error) 成正比的项 → 反馈 θ̂_e。

5.3 优势

这里先收束这一路径真正成立的前提，后面的条目再展开它能带来的工程收益。

零速可用(唯一)
启动平稳
精度好(IPMSM 凸极比 Lq/Ld ≥ 1.3 时)

5.4 劣势

这一节先给出“劣势”需要同时考虑的几个判断点，后面的条目按工程优先级展开。

噪声(高频电流引入电机噪声 / 振动)
限于 IPMSM(SPMSM 凸极比 ≈ 1 → HFI 不适用)
中高速失效(高频载波被基波淹没 → 必须切到 SMO)

5.5 量产

这一节先给出“量产”需要同时考虑的几个判断点，后面的条目按工程优先级展开。

家电压缩机启动(0-10% 额定速)→ HFI;中高速 → SMO
工业伺服低速段 → HFI
EV 主驱无传感器降级备份 → HFI(零速失能时维持基本动作)

6. 四方法工程对比

四类观测器各占转速区间不同位置。家电 / 工业 / 汽车的工程实务都是"组合用"——零速 HFI,中速 SMO,高速 SMO 加固。下图把四种方法按转子转速域铺开:低速段靠 saliency 的 HFI / 凸极跟踪,中高速段靠 back-EMF / 磁链的 SMO / EKF / Luenberger,中间是两者加权融合或切换的过渡区。

无传感位置估计方法 x 转速域 — 低速 HFI/凸极跟踪,中高速反 EMF/滑模/EKF/磁链观测器,过渡区融合切换

方法	速度覆盖	鲁棒性 / 计算量	备注
Luenberger	零速 ✗；低速 ✗；中速 ✓；高速 ✓	差 / 低	结构简单，但低速无观测力
SMO	零速 ✗；低速 △；中速 ✓；高速 ✓	好 / 低	工业上最常见的中高速方案
EKF	零速 ✗；低速 △；中速 ✓；高速 ✓	中 / 高	精度高，但算力压力最大
HFI	零速 ✓；低速 ✓；中速 ✗；高速 ✗	好(IPMSM) / 中	擅长零低速，不适合高速长期运行

6.1 组合方案

家电压缩机:HFI(0-10%)→ 平滑过渡(10-15%)→ SMO(> 15%)。

工业伺服:HFI(0-5%)→ EKF(5-100%)。

EV 主驱无传感器降级:HFI(零速维持)+ SMO(中高速),仅作 resolver 失效后安全停车用,不长期运行。

7. 与 resolver/encoder 的硬件边界

无传感器 FOC 不是"完全替代硬件位置传感"——而是"无传感器和有传感器是两条独立选型路径"。

7.1 无传感器选型

这一节先把选型判断框架摆出来，后面的内容用于比较不同方案在约束和代价上的差异。

转矩稳定性要求 < 5%(家电 / 风机 / 泵)
启动转矩 < 50% 额定
安全要求 ASIL B 以下
成本敏感(节省 $30-100 的 resolver + RDC)

7.2 有传感器选型

这一节先把选型判断框架摆出来，后面的内容用于比较不同方案在约束和代价上的差异。

转矩稳定性要求 < 1%(伺服 / 机器人)
启动满转矩(EV 主驱 / 电梯)
ASIL D 安全(EV 主驱)
高动态响应

7.3 EV 主驱为什么不用无传感器作主控

ISO 26262 ASIL D 要求位置故障覆盖率 > 99% + 故障诊断时间 < 100 ms:

无传感器: 参数漂移 / 噪声 / 模型失配 → 难以独立故障诊断
resolver + RDC: LOS/DOS/LOT 内置硬件检测 → 直接覆盖

→ EV 主驱 resolver 是 ASIL D 安全要求(不是技术选择)。无传感器 FOC 仅作"resolver 失效后降级备份"——allowing safe stop in case of sensor failure。

8. 实战陷阱

8.1 SMO 抖振影响 FOC

sgn 切换引入 5-10 kHz 抖振 → 直接馈入 dq 电流环 → 电机电流抖动 → 转矩抖动。

实务:

sgn → sat / sigmoid 平滑过渡
LPF cutoff ≈ ω_e_max(平衡相位损失 vs 噪声)

8.2 参数辨识偏差

R 随温度漂移 0.4%/°C → SMO / EKF 模型失配 → θ̂_e 偏差。

实务:

在线辨识 R(电机绕组温度)
自适应 LUT(温度 → R 修正)

8.3 HFI 噪声

高频注入 500-1000 Hz 在电机产生电磁噪声 / 振动 → 用户体验差(家电压缩机)。

实务:

注入幅度小化(刚够估计)
HFI 只在低速段启用,过 10% 切到 SMO
选择 1500-2000 Hz 注入(超过人耳敏感区)

8.4 EKF 协方差发散

Q, R 不正确 → 协方差矩阵 P 数值不稳定 → 发散。

实务:

Joseph form 更新 → 强制 P 对称正定
UD 分解 → 数值稳定
在线监测 P → 重置(如果发散)

8.5 启动转矩不足

无传感器 FOC 启动用 V/f 或 HFI,启动转矩 < 50%(尤其纯 V/f)→ 重载启动失败。

实务:

大转矩负载用 HFI(可启动满转矩)
中等负载用 V/f 加速到 10% 后切观测器

核心要点

状态观测器:用模型 + 测量误差反馈估计不可直接测的状态(如反 EMF → θ_e)
Luenberger 简单线性,鲁棒性差,中速以上用
SMO 鲁棒(参数 ±20% 容忍),中高速主流,但有抖振(sgn → sat 平滑)
EKF 精度最高,处理非线性,计算量大,Q/R 调参难,工业伺服 / 实验级 EV 主驱
HFI 利用 IPMSM Ld ≠ Lq 在零速 / 低速估 θ_e,SPMSM 不适用
工程组合:HFI(零速)+ SMO(中高速)→ 家电压缩机主流
EV 主驱不用无传感器作主控(ASIL D 故障覆盖),仅作 resolver 失效降级备份
无传感器节省 $30-100 BOM,启动转矩 / 安全 / 动态性能比有传感器差

Engineering Objects

引用此页的结构化 Engineeri…

引用此页的结构化 Engineering Object(v2.0 Copilot 自动生成,不要手动编辑此段)。

case · case_aircon_pmsm_compressor — Variable-Speed AC Compressor (PMSM + Sensorless FOC)
diagnostic · diagnostic_motor_parameter_id — Motor Parameter Identification (Auto-Tune)
mechanism · mechanism_observer_pll_sensorless — PLL Observer for Sensorless Control
mechanism · mechanism_sensorless_back_emf — Sensorless Control via Back-EMF Observer

Cross-references

← 索引
FOC 磁场定向控制:无传感器 FOC 的上层
Resolver / RDC:有传感器替代方案
电机控制基础:PMSM 模型
PI 调参方法论:观测器极点配置
位置传感基础:传感器 vs 无传感器边界
位置传感诊断 SM:ASIL D 故障保护
SVPWM 调制:FOC 输出层
HV 逆变器 ISO26262 概念:EV 主驱安全
失效模式综合速查表:传感器失效降级

状态观测器与无传感器 FOC — Luenberger / SMO / Kalman / HFI

本质与导读

1. 状态观测器本质

1.1 motivation

1.2 Luenberger 观测器

1.3 PMSM 应用

2. Luenberger 观测器(线性)

2.1 算法

2.2 优势

2.3 劣势

2.4 适用区间

3. 滑模观测器 SMO(鲁棒)

3.1 思想

3.2 等效控制

3.3 优势

3.4 劣势

3.5 工程量产

4. 扩展卡尔曼滤波 EKF(精度)

4.1 思想

4.2 PMSM 状态选取

4.3 优势

4.4 劣势

4.5 工程量产

4.6 UKF(无迹卡尔曼)

5. HFI 高频注入(零速 / 低速)

5.1 物理原理

5.2 算法

5.3 优势

5.4 劣势

5.5 量产

6. 四方法工程对比

6.1 组合方案

7. 与 resolver/encoder 的硬件边界

7.1 无传感器选型

7.2 有传感器选型

7.3 EV 主驱为什么不用无传感器作主控

8. 实战陷阱

8.1 SMO 抖振影响 FOC

8.2 参数辨识偏差

8.3 HFI 噪声

8.4 EKF 协方差发散

8.5 启动转矩不足

10. 核心要点

9. Engineering Objects

A. Cross-references

核心要点

Engineering Objects

Cross-references