第3章传统PI控制局限性

3. 传统PI控制局限性：参数失配下的稳态误差与动态响应退化

各位做电机控制的同行，今天我们来聊聊PI控制器的“软肋”。

说实话，PI控制器在工程界用了这么多年，确实皮实耐用。但你要说它完美无缺，那我第一个不同意。尤其是在永磁同步电机这种强耦合、非线性系统里，一旦电机参数跟控制器里设定的参数对不上号——嗯，问题就来了。

我个人习惯把这种“对不上号”叫做参数失配。说白了，就是你控制器里存的电阻、电感、磁链值，跟电机实际的值不一样了。为什么会不一样？温度变化、磁饱和、老化，原因多了去了。

3.1 参数失配怎么来的？

先说说参数失配的几种典型场景。我在项目里遇到过最头疼的一次，是电机跑着跑着温度从25℃升到80℃，电阻直接变了30%。控制器还傻乎乎用着常温下的参数，结果电流环就开始抖了。

常见的参数失配来源：

电阻R_s变化：温度每升高10℃，铜线电阻大约增加4%。夏天和冬天，差别很大。
电感L_d、L_q变化：电流大了，磁路饱和，电感值会下降。我见过降20%的。
永磁磁链ψ_f变化：温度升高，磁钢退磁，磁链会减小。高温下能掉5%-10%。

⚠️ 注意： 参数失配不是“有或没有”的问题，而是“多严重”的问题。任何实际系统都存在失配，只是程度不同。

3.2 PI控制器在参数失配下的稳态误差推导

我们来点硬核的。推导一下PI控制器在参数失配时，到底会出什么问题。

先看电流环。理想情况下，d轴和q轴的电流环是解耦的。但参数失配后，解耦就不彻底了。

假设实际电机参数为R、L，控制器使用的参数为R₀、L₀。定义失配系数：

α_R = R / R₀    // 电阻失配系数
α_L = L / L₀    // 电感失配系数

当α_R ≠ 1或α_L ≠ 1时，电流环的传递函数会发生变化。我推导过，q轴电流的稳态误差可以写成：

Δi_q = (α_R - 1) · R₀ · i_q_ref / (K_p + K_i/s) + 耦合项

你看，这个误差跟失配系数直接相关。更麻烦的是，d轴和q轴之间还会互相串扰。本来解耦得好好的，参数一偏，d轴电流变化会影响到q轴，反之亦然。

为什么会这样？ 因为PI控制器的解耦项里用了L₀和ψ_f0。实际值变了，解耦就不准了。说白了，你算的补偿电压是错的，那电流自然控不准。

  关键结论： 参数失配下，PI电流环的稳态误差不为零。而且这个误差会随着负载增大而增大。轻载时可能不明显，重载时就露馅了。

3.3 动态响应退化：不只是稳态问题

稳态误差是一方面，动态响应退化更让人头疼。

我记得有一次调试，电机空载时电流环响应挺好的，带宽能做到500Hz。结果一带负载，带宽直接掉到200Hz。查了半天，发现是电感参数失配导致的。

动态退化的几个表现：

响应变慢：参数失配后，系统的闭环极点位置会偏移。本来设计好的带宽，实际达不到。
超调增大：失配严重时，系统可能从过阻尼变成欠阻尼，超调量飙升。
震荡风险：我见过最极端的情况，参数失配超过50%，电流环直接震荡了。

这里有个经验值：当电感失配超过30%时，电流环的相位裕度会下降15°-20°。你想想看，本来留了45°裕度，一下掉到25°，系统就接近不稳定了。

3.4 仿真验证：眼见为实

光说不练假把式。我们做个仿真看看。

仿真条件：一台表贴式永磁同步电机，额定参数如下：

参数	额定值	失配后值
定子电阻 R_s	0.5 Ω	0.65 Ω（+30%）
d/q轴电感 L	8 mH	6 mH（-25%）
永磁磁链 ψ_f	0.175 Wb	0.158 Wb（-10%）

控制器里用的还是额定参数。我们看看电流阶跃响应会怎样。

下面是我用Python写的仿真代码，大家可以跑跑看：

import numpy as np
import matplotlib.pyplot as plt

# 电机参数
Rs = 0.5      # 实际电阻
L = 8e-3      # 实际电感
psi_f = 0.175 # 实际磁链

# 控制器参数（未更新）
Rs0 = 0.5
L0 = 8e-3
psi_f0 = 0.175

# PI参数（按额定参数设计）
Kp = 100
Ki = 5000

# 仿真参数
dt = 1e-5
t_end = 0.1
t = np.arange(0, t_end, dt)

# 初始化
id_ref = 0
iq_ref = 10  # 阶跃指令
id = 0
iq = 0
we = 100  # 电角速度

id_err_int = 0
iq_err_int = 0

id_actual = []
iq_actual = []

for k in range(len(t)):
    # 电流误差
    id_err = id_ref - id
    iq_err = iq_ref - iq
    
    # 积分
    id_err_int += id_err * dt
    iq_err_int += iq_err * dt
    
    # PI输出
    vd_pi = Kp * id_err + Ki * id_err_int
    vq_pi = Kp * iq_err + Ki * iq_err_int
    
    # 解耦补偿（使用控制器参数）
    vd_decouple = -we * L0 * iq
    vq_decouple = we * (L0 * id + psi_f0)
    
    vd = vd_pi + vd_decouple
    vq = vq_pi + vq_decouple
    
    # 实际电机模型（使用实际参数）
    did_dt = (vd - Rs * id + we * L * iq) / L
    diq_dt = (vq - Rs * iq - we * (L * id + psi_f)) / L
    
    id += did_dt * dt
    iq += diq_dt * dt
    
    id_actual.append(id)
    iq_actual.append(iq)

# 绘制结果
plt.figure(figsize=(10, 6))
plt.plot(t, iq_actual, label='q轴电流（参数失配）')
plt.axhline(y=iq_ref, color='r', linestyle='--', label='指令值')
plt.xlabel('时间 (s)')
plt.ylabel('电流 (A)')
plt.legend()
plt.grid(True)
plt.title('PI控制器在参数失配下的电流阶跃响应')
plt.show()

💡 小提示： 跑这个仿真时，你可以试试把失配系数改大改小，看看系统什么时候开始震荡。我试过，电感失配到40%以上，电流环就开始抖了。

仿真结果会告诉你三件事：

稳态误差不为零：q轴电流稳定后，跟指令值之间有个偏差。这个偏差随着负载增大而增大。
动态响应变慢：上升时间比参数匹配时长了大约30%。
超调量增加：本来设计成无超调的，现在超调了5%左右。

3.5 一张图看懂PI控制的局限性

下面这张SVG图，总结了PI控制在参数失配下的核心问题：

3.6 避坑指南：我踩过的坑

做电机控制这些年，我在参数失配这个问题上栽过不少跟头。分享几个典型的：

🕳️ 坑1： 我曾经以为PI参数调好了就万事大吉。结果电机从冷机跑到热机，电流环性能直接崩了。后来才意识到，温度变化引起的电阻漂移是罪魁祸首。

🕳️ 坑2： 有一次做弱磁控制，电感参数失配导致解耦项算错了。d轴电流控制不住，电机直接过流保护。查了两天才找到原因——电感值在弱磁区变了30%。

🕳️ 坑3： 低速时参数失配影响不大，但高速时问题就放大了。因为反电动势跟转速成正比，参数失配导致的电压误差也会被放大。

3.7 小结

总结一下今天的内容：

参数失配是实际系统中必然存在的问题，不是“会不会发生”，而是“什么时候发生”
PI控制器在参数失配下，稳态误差不为零，动态响应会退化
失配严重时，系统可能失去稳定性
仿真验证了理论分析，结果是一致的

那怎么办呢？总不能不用PI吧？别急，后面我们会讲各种鲁棒控制方法，比如滑模控制、自适应控制、模型预测控制等。这些方法能在参数失配的情况下，依然保持较好的控制性能。

今天就到这里。下次我们聊聊滑模控制——一种对参数失配“不敏感”的控制方法。

  一句话记住： PI控制依赖精确的模型参数，参数一偏，性能就偏。这是它的天性，不是调参能解决的。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

3. 传统PI控制局限性：参数失配下的稳态误差与动态响应退化

3.1 参数失配怎么来的？

3.2 PI控制器在参数失配下的稳态误差推导

3.3 动态响应退化：不只是稳态问题

3.4 仿真验证：眼见为实

3.5 一张图看懂PI控制的局限性

3.6 避坑指南：我踩过的坑

3.7 小结