4. 系统建模与参数：电机传递函数推导、电气时间常数与机械时间常数、系统辨识方法简介
做电机控制这么多年，我越来越觉得一个道理：控制做得好不好，七分在模型，三分在算法。你想想看，连被控对象长什么样都不知道，调出来的PID参数能靠谱吗？
这一章，我们就来聊聊直流电机的“底细”。我会从传递函数推导讲起，再带你搞清楚电气时间常数和机械时间常数这两个关键参数。最后，我会分享一些我在现场做系统辨识的土办法——嗯，这些方法虽然看着不高级，但真的很管用。
核心观点：电机模型不是用来“算准”的，而是用来“理解”的。理解透了，调参才有方向。
4.1 直流电机的传递函数推导
我们先从最基本的电枢控制直流电机说起。它的等效电路其实很简单：一个电阻R，一个电感L，一个反电动势E，再加上一个机械负载。
电枢回路的电压方程是：
Ua = Ra * Ia + La * dIa/dt + E其中E = Ke * ω，Ke是反电动势常数，ω是电机转速。
再看机械部分。电机的转矩方程：
T = Kt * Ia = J * dω/dt + B * ω + TLKt是转矩常数，J是转动惯量，B是阻尼系数，TL是负载转矩。
把这两个方程联立，做拉普拉斯变换，就能得到电机的传递函数。我习惯把它写成这样的形式：
G(s) = ω(s) / Ua(s) = Kt / [(La * s + Ra) * (J * s + B) + Kt * Ke]这个式子看着有点复杂，但别怕。我们把它拆开看：
- 电气部分：La * s + Ra，代表电枢回路的动态特性
- 机械部分：J * s + B，代表转子的动态特性
- 耦合项：Kt * Ke，代表机电耦合
在实际项目中，我经常把这个传递函数简化成二阶系统。为什么呢？因为大部分直流电机，尤其是小功率的，电气时间常数远小于机械时间常数。这时候，电气部分可以近似为一个惯性环节。
我的经验：在做仿真的时候，别一上来就用精确模型。先用简化模型跑通逻辑，再慢慢加细节。我曾经在一个项目中，花了两周时间建了一个超精确的模型，结果发现控制算法本身就有问题——白白浪费了时间。
4.2 电气时间常数与机械时间常数
这两个参数，说白了就是电机“反应快慢”的度量。
电气时间常数 τe：
τe = La / Ra它决定了电流对电压变化的响应速度。τe越小，电流建立得越快。一般小电机的τe在几毫秒到几十毫秒之间。
机械时间常数 τm：
τm = J * Ra / (Kt * Ke)它决定了转速对电流变化的响应速度。τm通常比τe大一个数量级，从几十毫秒到几百毫秒不等。
为什么要区分这两个时间常数？
- 电流环设计：主要考虑τe，带宽可以设得比较高
- 速度环设计：主要考虑τm，带宽要低一些
- 位置环设计：带宽更低，通常只有速度环的1/5到1/10
我记得有一次调试一个大型伺服系统，速度环怎么调都振荡。后来一查，发现机械时间常数比预想的大了三倍——负载的转动惯量算错了。嗯，从那以后，我每次做系统设计，都会先实测一下这两个时间常数。
避坑指南：我曾经在一个项目中，直接用电机手册上的参数做设计。结果实际系统响应慢得像蜗牛。后来才发现，手册上的参数是在空载条件下测的，而实际负载的惯量大了好几倍。所以，一定要用实际工况下的参数。
4.3 系统辨识方法简介
理论推导是一回事，实际参数是另一回事。系统辨识，就是通过实验数据来“猜”出电机的真实参数。
我常用的方法有三种，各有各的适用场景：
| 方法 | 原理 | 适用场景 | 精度 |
|---|---|---|---|
| 阶跃响应法 | 给电机加一个阶跃电压，记录电流和转速的响应曲线 | 现场快速估算 | 中等 |
| 频率响应法 | 扫频输入，测量幅频和相频特性 | 实验室精确建模 | 高 |
| 最小二乘法 | 采集输入输出数据，用数学方法拟合模型参数 | 在线自适应控制 | 较高 |
阶跃响应法是我在现场用得最多的方法。操作很简单：
- 让电机空载运行在某个稳定转速
- 突然改变电压（比如加10%的阶跃）
- 记录电流和转速的变化曲线
- 从曲线上读出τe和τm
具体怎么读？看电流曲线：从0上升到63%的时间，就是τe。看转速曲线：从0上升到63%的时间，就是τm。当然，这是近似值，但足够用了。
频率响应法更精确，但需要扫频仪或者信号发生器。我一般在实验室做产品定型时用这个方法。扫频范围从0.1Hz到1000Hz，记录幅频和相频曲线，然后用曲线拟合工具提取参数。
最小二乘法适合做在线辨识。我有个项目需要在运行中自动调整PID参数，就是用这个方法实时更新电机模型。代码实现也不复杂：
// 简化的递推最小二乘法（RLS）伪代码
// 输入：u(k) 电压，y(k) 转速
// 输出：theta 参数向量 [a1, a2, b1]
theta = [0, 0, 0]'; // 初始参数
P = 1000 * eye(3); // 初始协方差矩阵
lambda = 0.98; // 遗忘因子
for k = 3:N
phi = [-y(k-1), -y(k-2), u(k-1)]';
e = y(k) - phi' * theta;
K = P * phi / (lambda + phi' * P * phi);
theta = theta + K * e;
P = (P - K * phi' * P) / lambda;
end这段代码看着简单，但实际用起来坑不少。比如数据要预处理，要去掉直流分量，还要防止协方差矩阵发散。我刚开始用的时候，就遇到过参数突然跳变的情况——后来加了数据窗和限幅才解决。
我的建议：如果你刚开始做系统辨识，别急着上复杂算法。先用阶跃响应法摸清电机的“脾气”，再用频率响应法精调。等经验积累够了，再考虑在线辨识。一步一步来，反而更快。
4.4 本章知识体系
为了让你更直观地理解这一章的内容，我画了一张图。它展示了从物理模型到参数辨识的完整逻辑链条：
从这张图你可以看到，整个知识体系是层层递进的。先有物理模型，再推导传递函数，然后提取关键参数，最后用这些参数指导控制器设计。每一步都有它的意义，缺一不可。
好了，这一章的内容就到这里。记住一句话：模型是控制的基础，参数是模型的灵魂。下一章，我们会把这些参数用到PID整定中去，看看它们到底怎么影响控制效果。
公众号:蓝海资料掘金营，微信deep3321