3. 惯量辨识原理：从运动方程到工程实践

大家好，我是老张。今天咱们聊聊惯量辨识的原理。说实话，这个知识点我当年刚入行时也觉得挺抽象的，直到在产线上被一台大惯量设备折腾了三天三夜……嗯，从那以后，我对惯量辨识的理解就深刻多了。

惯量辨识，说白了就是让伺服系统自己算出负载有多“重”。不是物理重量，而是转动惯量——你可以理解为旋转时的“惯性大小”。为什么重要？因为伺服系统的增益参数跟负载惯量直接挂钩。负载变了，参数不跟着变，系统就容易抖或者响应慢。

3.1 惯量辨识的数学模型

先看最基本的运动方程。伺服电机的动力学模型其实很简单：

J * dω/dt = Te - TL - B * ω

其中：

• J —— 总惯量（电机转子+负载），单位 kg·m²
• ω —— 电机角速度，单位 rad/s
• Te —— 电磁转矩，单位 N·m
• TL —— 负载转矩，单位 N·m
• B —— 粘性摩擦系数

这个方程是所有惯量辨识方法的起点。你想想看，如果我们能知道Te、ω和TL，那J不就解出来了吗？但问题在于——TL通常是未知的，而且会随着工况变化。

我个人习惯把运动方程改写成离散形式，方便在数字控制器里实现：

J * (ω[k] - ω[k-1]) / Ts = Te[k-1] - TL[k-1] - B * ω[k-1]

这里Ts是采样周期。我在项目中遇到过一个问题：采样周期选得太小，噪声放大得厉害；选得太大，又跟不上动态变化。后来我总结了一个经验——采样周期取电流环周期的5~10倍比较合适。

3.2 基于运动方程的辨识方法

这是最直观的方法。说白了就是让电机跑一段特定的轨迹，然后通过测量转矩和速度来反推惯量。

常用的方法有两种：

• 加减速法：让电机以恒定加速度加速，再以恒定减速度减速。通过加速段和减速段的转矩差来消除负载转矩的影响。
• 正弦扫描法：给电机施加正弦速度指令，通过频率响应来辨识惯量。

加减速法的原理很简单。假设加速段转矩为Te_acc，减速段转矩为Te_dec，忽略摩擦：

J * α = Te_acc - TL
J * (-α) = Te_dec - TL

两式相减，TL就消掉了：

J = (Te_acc - Te_dec) / (2 * α)

你看，多巧妙！不需要知道负载转矩，只需要测两个转矩值和一个加速度值。

3.3 基于扰动观测器的辨识方法

这个方法更高级一些。扰动观测器（DOB）本来是用于估计外部扰动的，但我们可以用它来估计负载转矩，然后结合运动方程反推惯量。

扰动观测器的基本思想是：把实际系统与标称模型之间的差异看作一个“等效扰动”，然后通过滤波器估计出来。

具体到惯量辨识，流程是这样的：

1. 建立标称模型，假设惯量为J_nom
2. 运行扰动观测器，估计出等效扰动d_hat
3. 等效扰动中包含惯量误差项：(J - J_nom) * dω/dt
4. 通过最小二乘法或递推算法，从d_hat中提取出真实的J

这个方法的好处是可以在线运行，不需要专门的辨识轨迹。但缺点也很明显——对模型精度要求高，而且滤波器参数不好调。

3.4 离线辨识与在线辨识的区别

这个问题我经常被问到。简单来说：

对比项	离线辨识	在线辨识
执行时机	系统停机或空闲时	系统正常运行中
轨迹要求	需要专门的辨识轨迹	利用实际运行数据
精度	较高（可控制条件）	受工况影响较大
计算量	可离线处理，计算量大没关系	需实时计算，算法要轻量
适用场景	初次调试、负载变化不频繁	负载频繁变化、需要自适应

我个人建议：初次调试用离线辨识，运行中用在线辨识做微调。这样既保证了精度，又兼顾了实时性。

离线辨识的典型做法是：让电机跑一段“S型速度曲线”，采集全程的转矩和速度数据，然后用最小二乘法离线拟合。我习惯在数据采集后先做一次低通滤波，把高频噪声去掉，效果会好很多。

在线辨识则常用递推最小二乘法（RLS）或卡尔曼滤波。这些算法可以逐点更新惯量估计值，但要注意——如果负载转矩变化太快，算法可能跟不上。我曾经在冲压机床上遇到过这个问题，负载每秒钟变化好几次，RLS根本收敛不了。后来改用带遗忘因子的RLS，才勉强能用。

知识体系总览

下面这张图总结了惯量辨识的核心逻辑，我画了很久才满意：

这张图把整个惯量辨识的脉络理清楚了。从运动方程出发，分两大技术路线，再落实到具体的执行方式，最后服务于自适应整定。你想想看，是不是一目了然？

好了，关于惯量辨识的原理就聊到这里。记住一句话：方法没有绝对的好坏，只有合不合适。加减速法简单可靠，适合大多数场合；扰动观测器法更灵活，但对算法功底要求高。选哪种，取决于你的应用场景和团队能力。

---