滑膜观测器学习笔记(2)滑模观测器SMO的理论分析与推导

第一章节链接滑膜观测器学习笔记(1)dq坐标系下永磁同步电机(PMSM)电压方程的推导与简化-CSDN博客

内容来自b站up主有幸遇到娇宝宝,为个人学习所记录

原视频b站链接PMSM无感控制-P2-滑模观测器SMO的理论分析与推导

滑膜观测器框架

由图可知转速和角度信息可有α和β轴电流获得

滑膜观测器内部可分为两部分:参数预测部分+锁相环部分。

参数预测部分:先将位置信息和转速信息大致估算出来和真实值进行比较,通过不断地迭代,让预期值不断接近真实值

锁相跟随部分:将解算的数据放入锁相环进行优化

定理声明

这里我们着重说一下3定理

先理解"系统、平衡点 "

  • 系统:可以是任何动态变化的东西(比如电机转速随电压变化、生态中种群数量随时间变化),用"状态变量,(或更多)"描述,状态随时间的变化轨迹叫"解"。

  • 平衡点:系统"不变化"的状态(比如电机稳定在某转速、种群数量不再增减),是我们关心的"目标状态"。

(1)李雅普诺夫意义下的稳定("不发散")

  • 通俗说:只要初始状态足够近(距离),系统运行后,状态永远不会跑太远(距离始终)。

  • 图示对应:上右图中,橙色轨迹在"小圈 内出发,永远不跑出大圈",像"被限制在一个范围内晃悠",但不一定回到(比如钟摆有摩擦时,可能在平衡点附近震荡,但幅度不扩大,也不收敛)。

(2)渐进稳定("能回来")

  • 通俗说:不仅"不发散"(满足李雅普诺夫稳定),而且随着时间推移,系统状态会收敛到 (不管初始差多少,最终回归平衡点)。

  • 图示对应:下右图中,橙色轨迹不仅没跑出,还"逐渐缩回到 ",像"有一股力把系统拉回平衡点"(比如带阻尼的弹簧振子,最终会停在原长位置)。

(3)全局渐进稳定("任你咋晃,都能回来")

  • 通俗说:不管初始状态在哪里(全局任意点),系统最终都能收敛到

  • 关键区别:前两种稳定可能只在 "附近区域"有效(局部稳定),而全局稳定是"无论从哪出发,都能回来"(比如某些简单的生态模型,不管初始种群多少,最终都会稳定在一个数量)。

  • 李雅普诺夫稳定:"别乱跑太远"(有界);

  • 渐进稳定:"别乱跑,还得回家"(有界+收敛);

  • 全局渐进稳定:"不管从哪出发,最终都回家"(全局收敛)。

这些定义是判断系统稳定性的基础。

  1. 先理解"李雅普诺夫函数 "

想象成系统的**"能量"** :

  • 是系统的状态(比如电机转速、位置,生态中种群数量),描述"当前状态的能量大小"。

  • 目标:找一个这样的,通过它的"能量特性"判断系统是否稳定。

  1. 条件一:(正定,仅原点取等号)
  • 人话:"能量不能为负,只有在平衡点(原点 =(0,0,...) )时能量为 0"。

  • 类比:弹簧振子的弹性势能,位移 x 越大(偏离平衡点越远),势能越大;只有 x=0 (平衡点)时,势能为 0 。这就是"正定"------能量非负,仅平衡点为 0 。

  1. 条件二:(导数负定,非平衡点时能量减小)
  • 人话:"系统运行时,能量一直在减少(除了平衡点,能量变化率为负)"。

  • 类比:带阻尼的弹簧振子,振动时会因摩擦损失能量(动能、势能转化为热能),所以能量 U(t) 随时间减小( U' < 0 ),最终会停在平衡点(能量为 0 )。

  • 关键:这保证系统"有回到平衡点的趋势",因为能量越减越小,最终只能到 U=0 的原点。

  1. 条件三:时,(全局能量无界)
  • 人话:"如果系统状态跑到无穷远(偏离平衡点极远),能量会无限增大"。

  • 作用:排除"局部稳定但全局不稳定"的情况。比如有些系统,在平衡点附近能量减小(满足前两个条件),但如果初始状态太远,能量反而会爆炸(不满足条件三),这样的系统不是全局稳定的。

  • 类比:如果弹簧振子的"能量函数"是 (动能+势能),当 x 或 无穷大时,能量也无穷大,说明"再怎么晃,能量也不会失控到别处",保证全局稳定。

  1. 结论:满足条件 = 系统渐进稳定(甚至全局)
  • 若满足条件一+条件二:系统在原点(平衡点)附近渐进稳定(从附近出发,最终会回到平衡点)。

  • 若再满足条件三:系统是全局渐进稳定(不管从哪出发,最终都能回到平衡点)。

根据滑膜观测器学习笔记(1)dq坐标系下永磁同步电机(PMSM)电压方程的推导与简化-CSDN博客

参数预测

我们已经推算出DQ轴下电压方程

如果想解算电机速度,角度等信息,需要将其转换到α和β轴上

在PMSM电机中Ld≈Lq,所以最左边为0R矩阵(对角元素相等,非对角元素为R);将加号后面部分概括为反电动势Eα和Eβ

将α和β轴变为电流微分表达式,方便后面设计参数和式子所用

Uα和Uβ可以确定(属于已知输入量,Ud和Uq已知后,经过rev_park获得),通过下图可知,认为控制反电动势便可获得一个人为估计的电流。

反电动势可通过下图来给定,其中h为符号函数,如果h内的值>0,则sign为1,反之则为-1,根据括号内正负值为正负1,sign内部为预期值与观测值的误差称为观测误差,越接近0则与实际值越接近

下图为实际电流(1)和观测电流(2)。

其中,下图横轴为实际值,纵轴为预测值

其中s1和s2分别为α和β轴观测电流和真实电流的误差,并设函数U(s1)和U(s2),该函数满足李雅普诺夫稳定性判据

所以h取值范围为下图四个参数中最大值,就可以保证U(s1)和U(s2)的观测误差最终会趋近于0

所以我们可以知道

上图模型为

其中模型上半部分(如上图)

部分解释为下图。

而模型下半部分同理推导

锁相跟随

锁相环分为三部分:PD(鉴相器),LPF(环路滤波器),VCO(压控振荡器)

模块 功能(通用 + 电机控制场景)
PD(鉴相器) 比输入输出相位差 → 输出误差电压;SMO 里对比反电势相位,找角度偏差
LPF(环路滤波器) 滤除高频噪声,让控制更平滑;给 SMO 稳定的调节信号
VCO(压控振荡器) 用电压调频率 / 相位;SMO 里实时调整电角度,让观测值跟上实际值

可以参考FOC学习笔记(7)锁相环(PLL)原理及其在电机控制中的应用-CSDN博客

(上面图片右边实际模型为)

将下图式子

带入到

中,(上图式子定为系数K)

这里着重讲一下

为何

经过PI控制器后可以获得角速度,再积分可以获得角度?