企业官网建设流程全解析

提到转速估计，很多人第一反应是装编码器或旋变传感器。但如果是高温、高振动、空间受限的场合，或者纯粹想省掉反馈器件成本，用一个状态观测器在软件里把转速“算”出来，就成了很务实的替代方案。本文要聊的是基于Simulink的龙伯格观测器（Luenberger）转速估计——简单说，就是把电机转速当作一个不可直接测量的状态量，通过系统状态方程和可测的电流、电压等信号，把转速在软件里重建出来。这套思路是状态观测器家族里最经典的一支，适合正在学现代控制理论、想做无传感器控制仿真，或者刚接手电机驱动项目但被“估不准转速”卡住的工程师。

我第一次接触这个观测器时，总觉得它有点玄。后来在Simulink里一步步搭出来才明白，它本质上就一句话：先猜一个状态，再用“实际测量值”和“预测测量值”的差去修正猜测。真正让项目难推进的，往往不是公式推导，而是状态方程怎么列、极点怎么选、增益算出来为什么那么大、模型失配了怎么收敛。下面我把这些环节按照从理论到仿真的顺序一条条拆开讲，文中的参数和模块搭建过程都来自我自己的调试记录，照着操作基本能复现。

1. 无传感器方案为什么绕不开Luenberger观测器

1.1 开环模型估算与闭环观测器的本质区别

做转速估计，最容易想到的办法是“反电动势法”：电机转动时会产生一个和转速成正比的反电动势，测出电压电流，用公式算回去，转速就出来了。这个方法在稳态下挺好用，但一遇到负载突变、加减速，估算值和真实值之间会因为没有反馈校正而越跑越偏。

问题出在“开环”。开环估算就像你凭天气猜明天几点日出，只要初始条件对，未来几个小时内误差不大；但模型有一点误差、系统有一点扰动，估算结果就会像滚雪球一样漂移。Luenberger观测器做的第一件关键事，就是把估算回路闭合：不只看模型预测出来的输出，还要把预测输出和实际输出的差值，乘以一个增益矩阵，再反馈回状态微分方程里。这样一来，只要误差存在，修正项就会持续把估算状态往真实状态方向拉。这就是它比开环计算稳的根本原因。

1.2 为什么转速能成为“可被估计的状态”

观测器能起作用，前提是系统状态本身具备可观测性。很多人听到“可观测性”就头疼，其实放在电机里特别好理解：转速变化会影响反电动势，反电动势会影响电流，电流是能直接测到的。那么从测到的电流波形里，理论上就藏着转速的信息。观测器的工作，就是把这个隐藏在电流里的转速信息一点点“榨”出来。

在状态空间框架下，我们把电机转速作为状态向量的一项，把电流作为输出量的一项。剩下的工作就是设计一个状态方程，让估计状态跟随真实状态。Luenberger观测器给出的校正结构非常直接：

x_hat_dot = A * x_hat + B * u + L * (y - y_hat)

其中x_hat是估计状态，y是实际测量输出，y_hat是估计输出，L就是待设计的观测器增益矩阵。整个公式的意思很简单：先用模型预测状态变化，再拿预测输出和真实测量的差来修正。如果你把L设成0，这个观测器就退化成开环模型估算；L越大，修正力度越强，估计状态收敛越快，但也更容易把测量噪声放大。

配套Simulink环境来学习和调试这套逻辑非常方便，因为矩阵运算、积分器、增益模块都是现成的，不需要自己去写底层的数值积分算法。对比写C代码或者手写Python脚本，Simulink的优势在于能直观看到信号流，尤其是调试L矩阵时，改一个参数就能立刻看到收敛速度变化，这比纯代码环境高效得多。

2. 建模先行：建立包含转速状态的状态方程与可观测性检查

2.1 直流电机拖动系统的状态空间方程

Luenberger观测器是模型驱动的，模型越贴近实际，估计越准。为了把推导过程讲清楚，我用一个最常见也最简单的直流电机拖动系统作为说明对象，参数如下表所示。

取状态变量x = [电流i, 转速ω]的转置，输入u为电枢电压Va，输出y选择为电流i，状态方程可以写为：

d(i)/dt = -R/L * i - Ke/L * ω + 1/L * Va d(ω)/dt = Kt/J * i - B/J * ω

写成矩阵形式就是：

A = [-R/L, -Ke/L; Kt/J, -B/J] B = [1/L; 0] C = [1, 0] D = 0

代入上面的参数，具体数值如下：

A = [-120, -12; 12, -0.5] B = [100; 0] C = [1, 0]

这里要特别注意C矩阵为什么取[1, 0]。这表示我们只测量电流，不测转速。整个观测器的目标，就是利用这个电流测量值，把第二个状态量ω重建出来。如果C取成[0, 1]，那就成了直接测转速，也就没有做观测器的必要了。

2.2 可观测性判据与输出量的选择

列好方程后，先别急着搭Simulink，第一步是检查系统是否可观测。对于这个2乘2系统，可观测性矩阵O的定义是：

O = [C; C*A]

展开计算：

C*A = [1, 0] * [-120, -12; 12, -0.5] = [-120, -12]

所以可观测性矩阵为：

O = [1, 0; -120, -12]

它的行列式是 -12，不为0，满秩，系统可观测。这意味着仅凭电流测量，理论上就能唯一确定转速状态。

这里有一个工程经验值得记住：输出量的选择直接决定了能不能做观测器。如果你手里只有一个电流传感器，而电机参数未知，那至少要先确认C*A这一项不为零。在很多实际驱动器里，电流采样是标配，电压指令也是控制器自己给的，所以用电流作为输出、电压作为输入，是搭建无传感器转速观测器最顺手的一条路。反过来说，如果系统存在不可观模态，比如某些参数恰好让O矩阵降秩，那就必须换一个输出量，或者在模型里增加额外的状态，否则无论L怎么调都救不回来。

3. 观测器增益设计：极点配置计算L矩阵的一种手算方法

3.1 期望极点如何选取

观测器设计问题的核心，是选一个增益矩阵L，让矩阵(A - L*C)的特征值位于期望位置。极点位置决定了估计误差的收敛速度：

• 极点离虚轴越远，收敛越快，但过远会放大高频噪声。
• 极点太靠近虚轴，收敛慢，负载突变时转速估计会严重滞后。

工程上比较常见的做法，是把观测器极点的模取为系统开环极点的3到10倍。先算一下系统本身的极点。系统的特征方程为：

det(sI - A) = 0

代入数值计算，得到两个极点约在-1.7和-119。慢极点来自机械惯性，快极点来自电气时间常数。观测器至少要跟上慢极点，否则转速估计会像温水煮青蛙一样慢慢落后；但也不能一味求快，否则电流采样里的开关噪声会被瞬间放大。

在我调试过的几次仿真中，取观测器极点在-100和-150左右，收敛速度和噪声抑制比较平衡。下面就以这两个极点为期望值，演示完整的L矩阵推导。

3.2 基于特征方程解的增益矩阵计算

令L = [L1; L2]，C = [1, 0]，则(A - L*C)为：

A - L*C = [-120 - L1, -12; 12 - L2, -0.5]

它的特征方程为：

s² + (120.5 + L1) * s + (204 + 0.5L1 - 12L2) = 0

期望极点为-100和-150，对应特征方程：

s² + 250 * s + 15000 = 0

对比系数，得到两个方程：

120.5 + L1 = 250 204 + 0.5L1 - 12L2 = 15000

解出来：

L1 = 129.5 L2 = -1227.6

所以：

L = [129.5; -1227.6]

第一次算出这个结果时，我盯着L2发呆，为什么这个反馈增益这么大？这里其实藏着一个很直观的物理原因：电流模型中，转速是通过反电动势系数影响电流的，这个耦合项很小，只有-12。要让转速估计快速收敛，观测器必须把“电流测量误差”以很大的倍率折算成对转速的修正，才能抵消小耦合带来的慢响应。L2很大，不代表观测器设计有误，而是系统本身耦合较弱的一种必然结果。理解这一点，对后面调试噪声抑制非常关键。

3.3 用MATLAB命令快速验证

手算适合理解原理，实际项目中用MATLAB命令能更快验证。可以在命令行里直接调用place函数：

A = [-120, -12; 12, -0.5]; C = [1, 0]; p = [-100, -150]; L = place(A', C', p)'

注意place函数里的转置，是因为我们设计的是对偶系统。执行结果会和手算的L矩阵一致。如果不想记转置，也可以用acker函数，但acker在高阶系统数值稳定性上不如place，两个都试试也行。

验证完后，顺便把闭环观测器极点也check一下：

eig(A - L*C)

输出就是-100和-150，误差收敛行为可以由这个矩阵完全刻画。这一步做对了，再进Simulink心里就有底。

4. 在Simulink中实现Luenberger观测器：模块选择与回路搭建

4.1 搭建目标与总体信号流

在Simulink里实现观测器，目标不是单纯做出一个能跑的模型，而是让模型结构清晰、方便改参数、方便后续接入真实项目。总体信号流分两条路：

• 真实对象通道：给定电压Va，进入电机模型，输出电流测量值i_meas。
• 观测器通道：电压Va同时进入观测器，输出转速估计值ω_hat和电流估计值i_hat。i_hat与i_meas做差，经过L矩阵反馈回状态方程。

需要注意的是，观测器必须拿到和真实对象相同的输入电压Va。实际项目中，这个电压一般来自PWM占空比和母线电压的重建值；在仿真阶段，直接取电机模型的输入就行。

4.2 用基础模块搭观测器子系统

我习惯用最基础模块搭，不依赖高级封装，方便看清楚信号流。整个观测器表达式为：

x_hat_dot = Ax_hat + Bu + L*(i_meas - C*x_hat)

在Simulink中，搭建步骤如下：

1. 新建一个Gain模块，命名为A，参数填[-120, -12; 12, -0.5]，用于计算A*x_hat。
2. 新建一个Gain模块，命名为B，参数填[100; 0]，用于计算B*u。
3. 新建一个Gain模块，命名为C，参数填[1, 0]，用于从x_hat中提取电流估计值i_hat。
4. 新建一个Gain模块，命名为L，参数填[129.5; -1227.6]，用于计算反馈修正量。
5. 用Sum模块把三项加起来，得到x_hat_dot。
6. 接一个Integrator模块，对x_hat_dot积分，得到x_hat。
7. 在Integrator模块的Initial condition中设置初值，比如[0; 0]，对应初始电流和转速都为0。
8. 从x_hat向量中引出第二路，用Demux或者Selector模块取出ω_hat，输出到Scope。

如果嫌模块太多，也可以把A、B、C、L灌进State-Space模块里，但那样反馈修正项L*(i_meas - C*x_hat)不好直接接入。个人经验是，首次学习用基础模块搭一次，信号流一目了然；等彻底理解了，再改成State-Space封装提升仿真速度。

Simulink模型运行时，没有特殊的求解器要求，用默认的ode45就可以。但如果你后面打算把观测器代码部署到控制器里，就涉及到离散化问题，这部分我在下一节详细说。

4.3 可选的State-Space封装方式

如果不想每次改参数都去翻好几个Gain模块，可以用State-Space统一封装。做法是把观测器拆成两个矩阵方程：

x_hat_dot = Ax_hat + [B, L] * [u; (i_meas - Cx_hat)]

新建一个State-Space模块，参数设置如下：

• A矩阵：A
• B矩阵：拼接[B, L]
• C矩阵：单位阵[1, 0; 0, 1]
• D矩阵：零矩阵[0, 0; 0, 0]

这个模块的输出直接就是完整的估计状态向量，后续想输出转速只需要再接一个Selector。这种封装的好处是，A矩阵和L矩阵可以在MATLAB工作区里事先定义好，改模型时只需要重新运行一次参数脚本，不需要进入模块内部改动。缺点是反馈路径隐含在B矩阵里，初次看模型的人理解起来稍微费劲一些。

5. 仿真验证怎么做：收敛曲线、噪声扰动与极点影响的观察

5.1 搭建一个完整可复现的仿真场景

有了观测器模块，还差一个被观测对象。最简单的做法是用另一个State-Space模块搭建真实电机模型，A矩阵和观测器里的A一致，B矩阵一致，C矩阵为[1, 0]，输入电压Va，输出电流i_meas。

为了模拟真实场景，可以给输入电压做一个阶跃跳变：0秒开始电压为0，0.5秒时跳到20V，1.5秒时再加一个50%的负载转矩扰动。负载转矩扰动可以建模为输入端的附加项，在状态方程里加到转速微分方程的右侧。真实对象和观测器用同一个电压源，但观测器内部完全不知道负载转矩的存在。这个细节很重要：观测器模型里没有负载项，如果它还能准确估计转速，说明反馈修正项确实在发挥作用。

运行仿真0到3秒，在Scope里同时显示真实转速ω和估计转速ω_hat。你会看到一条很典型的收敛曲线：初始阶段由于观测器初值和真实初值不一致，两个转速有偏差；但在L矩阵作用下，误差迅速缩小到几乎重合。阶跃电压加入后，转速上升过程中估计值会紧跟真实值，不会出现大的滞后。这就是Luenberger观测器应该有的表现。

5.2 该观察哪些关键指标

观察仿真结果时，不要光看“曲线有没有跟上”，需要量化三个指标：

• 收敛时间：从启动到估计误差降到5%以内的时间。这个时间主要由观测器极点的实部决定，越远离虚轴收敛越快。
• 稳态精度：转速稳定后，估计值和真实值的差。理想情况下应该为零，但如果模型参数有偏差，会出现大小不一的稳态误差。
• 动态跟随性：负载突变或电压阶跃瞬间，估计转速的最大偏差。这个指标非常能说明问题，是最考验观测器鲁棒性的场景。

如果收敛太慢，就增大期望极点的绝对值；如果收敛快但噪声大，就适当回调。仿真中你会直观看到这对矛盾：L2那个-1227.6的大增益，会让电流测量中的微小纹波通过修正项传递到转速估计上。最终选择哪个极点组合，完全取决于你的系统对噪声和响应速度的容忍度。

5.3 噪声扰动下的表现

给电流测量信号增加一个幅值为0.01A的高斯白噪声，再跑一遍仿真。观测器输出的转速估计会出现明显的高频抖动，尤其在转速稳定阶段。这个仿真结果能帮我们理解一个现实问题：物理世界里的电流采样噪声逃不掉，观测器极点不能无条件地往远推。

我实际调到极点取-200和-250时，转速估计抖动幅度比-100和-150时大了将近一倍。所以如果项目里电流采样滤波已经做得很好，可以用快极点；要是采样噪声本身就大，宁可接受少慢一点的收敛速度，也要把极点往回调。这类权衡，书上不会写，只能靠仿真和实测迭代出来。

6. 调参经验：仿真和实物联调中常见的三个坑

6.1 极点频率太高导致估计噪声放大

这是新手最容易踩的坑。看到观测器收敛太慢，第一反应就是把极点往远处拖，结果转速估计曲线抖动剧烈，甚至出现明显毛刺。原因在第三节已经提到：L矩阵的增益和极点位置强相关，极点越远，L2值越大，电流测量噪声被放大的倍数就越高。

处理办法是先看电流采样噪声水平，再定观测器极点。一个可供参考的经验是：先把极点设置为系统开环慢极点绝对值的5倍左右，跑通仿真，再逐步增大，每步观察转速估计噪声。如果噪声增幅明显高于收敛速度改善，就说明极点已经推到这台系统能接受的极限了。

6.2 模型参数失配会让稳态转速估计偏航

这是从仿真走向实物时最头疼的问题。仿真里A矩阵和真实对象完全一致，所以稳态误差为零；拿到实物上，电阻R会随温度变化，转动惯量J可能因为负载变化而改变，反电动势系数Ke也有一定分散性。这些参数一旦和观测器模型不一致，稳态转速估计就会出现系统偏差。

直观理解就是：观测器内部坚持用错误的模型预测电流，而修正项L只能把估计状态往真实测量上拉，但无法完全抵消模型错误带来的偏离。实践中规避这个问题的办法有三层：

• 优先确保B矩阵和输入电压通道准确，这决定了观测器的基础驱动能力。
• 对电阻和转动惯量做在线辨识，或者采用自适应观测器，这是进阶方案。
• 在Luenberger观测器后面再加一个慢速的转速修正环，利用电机方程里的稳态关系校准估计值。

第一层和第三层实现成本较低，可以优先做。第二层虽然效果好，但工作量明显增加，适合在项目中期再推进。

6.3 仿真求解器、初值和执行器饱和的细节问题

Simulink仿真中还有一个容易忽略的细节：如果全模型既有电机模型又有观测器，而且你用了比较大的L增益，仿真步长太大会产生数值振荡。现象是转速估计曲线在启动瞬间出现高频锯齿，但真实转速曲线正常。这时要把最大步长调小，或者切换到变步长求解器，把相对误差上限设得严格一些。

初值问题也不能轻视。观测器积分器初值如果和真实初始状态差得远，启动瞬间的修正量会非常大，可能让估计转速出现一个很大的尖峰。解决办法是把真实对象的初值设置成和观测器初值保持一致，或者给观测器设置一个启动软化逻辑，限制最大修正量。

最后一个坑是执行器饱和。实际电机控制中，电压指令通常会受母线电压限制而饱和；如果观测器里用的B*u没有同步考虑饱和，模型预测的电流变化速率就会偏大，估计转速在饱和期间会明显超前。仿真中如果只在理论上跑线性范围，这个问题不会出现，但实物联调时几乎必现。建议在Simulink里就给电压通道加上饱和模块，并让观测器复用同一个饱和后的电压值，这样仿真结论才更贴近真实运行条件。

说了这么多，归根结底，Luenberger观测器是一个“框架正确、参数敏感”的方案。框架正确，意味着只要模型结构和可观测性条件满足，它一定能把转速状态重建出来；参数敏感，意味着从极点选择到电压馈入，每个细节都会影响最终估计质量。如果你也在调无传感器转速估计，我建议先把这套基础模型在Simulink里完整跑通，包括负载阶跃、测量噪声、参数失配三种场景都试一遍。等这几类问题你都亲手处理过，后续再接触滑模观测器、扩展卡尔曼滤波这些更复杂的方法时，理解起来会顺畅很多。