1、绪论：为什么需要状态观测器？电机控制中的状态观测器概述
1.1 一个让我头疼的真实问题
做电机控制这些年，我踩过最大的坑是什么？
不是PID调参，也不是FOC算法本身。
而是——你明明需要某个状态量，但传感器装不了，或者装得起但信号烂得没法用。
我记得2017年做的一个伺服项目。客户要求零速带载，力矩波动小于3%。我用了电流环+速度环双闭环，按理说够了。但实际跑起来，低速时速度反馈抖得像筛糠。为什么？编码器分辨率不够，低速下脉冲间隔太长，算出来的速度全是噪声。
换高分辨率编码器？成本翻三倍，客户直接摇头。
后来怎么解决的？状态观测器。我用电流和位置信息，通过一个简单的龙伯格观测器，把速度“算”了出来。结果呢？低速抖动从±15rpm降到了±2rpm。客户满意了，我也记住了：有些状态，不是非得用传感器去测。
1.2 什么是状态观测器？说白了就是“软测量”
你想想看，电机控制里我们最关心什么？
- 电流（能测，用电流传感器）
- 转速（能测，用编码器或霍尔）
- 转子位置（能测，用编码器或旋变）
- 磁链（能测吗？不能！）
- 负载转矩（能测吗？不能！）
- 反电动势（能测吗？不能！）
你看，有些关键状态，要么测不了，要么测不准，要么测得起但成本受不了。
状态观测器就是干这个的——利用你能测到的信号（比如电流、电压），结合电机的数学模型，把那些测不到的状态“推算”出来。
嗯，这里要注意：它不是瞎猜。它是有理论依据的。核心思想是——
用模型预测 + 用实测修正 = 状态估计
说白了，就是让一个“虚拟传感器”在代码里跑起来。
1.3 为什么电机控制离不开状态观测器？
我个人的习惯是，做任何算法之前先问三个问题：
- 这个状态我能不能直接测？
- 如果能测，成本多少？精度够不够？
- 如果不能测，有没有办法算出来？
在电机控制里，状态观测器几乎无处不在。我给你列几个最常见的场景：
| 应用场景 | 需要估计的状态 | 为什么不用传感器 |
|---|---|---|
| 无传感器FOC | 转子位置、转速 | 去掉编码器，降成本、提高可靠性 |
| 磁链观测 | 定子磁链、转子磁链 | 磁链无法直接测量 |
| 负载转矩前馈 | 负载转矩 | 转矩传感器太贵、安装困难 |
| 低速/零速控制 | 精确转速 | 编码器低速信号质量差 |
| 参数辨识 | 电阻、电感、磁链常数 | 在线测量不现实 |
你看，从最简单的速度估计，到复杂的无传感器矢量控制，状态观测器都是核心中的核心。
1.4 几种主流的状态观测器，我帮你捋一捋
做电机控制这些年，我接触过的观测器不下十种。但真正工程上常用的，其实就这几类：
1.4.1 龙伯格观测器（Luenberger Observer）
这是最经典、最基础的一种。结构简单，计算量小。适合线性系统。我在早期的伺服项目里就用它做速度估计。效果不错，但有个前提——电机模型要准。模型一偏，估计值就跟着偏。
1.4.2 滑模观测器（Sliding Mode Observer）
这个我特别喜欢。它对模型误差和参数变化不敏感，鲁棒性好。我曾经在一个车载项目里用滑模观测器做无传感器FOC，电机参数从冷机到热机变了30%，估计的位置误差才2度电角度。不过它有个毛病——抖振。信号里会带高频毛刺，需要加滤波器处理。
1.4.3 卡尔曼滤波器（Kalman Filter）
如果你追求最优估计，卡尔曼滤波器是首选。它考虑了噪声统计特性，能在随机干扰下给出最小方差估计。但代价是——计算量大。我在一个需要极高精度的位置伺服项目里用过扩展卡尔曼滤波（EKF），效果确实好，但MCU的算力差点没扛住。
1.4.4 模型参考自适应系统（MRAS）
这个思路很有意思：让一个参考模型和一个可调模型同时跑，用两者的误差去修正可调模型的参数。常用于转速估计和参数辨识。我建议初学者从MRAS入手，因为它物理意义清晰，调试起来直观。
我的建议： 如果你是刚接触状态观测器，先从龙伯格观测器入手。把原理搞透，再去看滑模和卡尔曼。别一上来就啃EKF，容易劝退。
1.5 一个简单的例子：用龙伯格观测器估计转速
光说不练假把式。我给你看一个最简化的例子。
假设我们有一个直流电机（或者交流电机的某一轴），它的机械方程是：
J * dω/dt = Te - Tl - B * ω其中：
- ω：转速（我们要估计的状态）
- Te：电磁转矩（可以算出来）
- Tl：负载转矩（未知，当作扰动）
- J：转动惯量
- B：阻尼系数
我们能测什么？位置θ（通过编码器）。
龙伯格观测器的思路是：
// 预测步骤（基于模型）
ω_hat_pred = ω_hat + (Te - Tl_hat - B*ω_hat) / J * Ts
// 修正步骤（用实测位置误差修正）
error = θ_measured - θ_hat
ω_hat = ω_hat_pred + K1 * error
θ_hat = θ_hat + (ω_hat_pred + K2 * error) * Ts你看，核心就两步：先按模型预测，再用实测误差修正。K1和K2是观测器增益，决定了修正的力度。
我曾经在一个项目里把K1调得太大，结果观测器输出跟着编码器噪声一起抖。后来把增益降下来，再加了个一阶低通，才稳定下来。嗯，这就是经验——观测器不是越“猛”越好，要跟传感器噪声做权衡。
1.6 避坑指南：我踩过的几个坑
我曾经犯过的错误：
- 模型参数不准就硬上观测器 —— 有一次我直接用铭牌参数做磁链观测，结果估计的磁链跟实际差了40%。后来老老实实做了离线参数辨识，才把误差降到5%以内。
- 忽略离散化误差 —— 连续域设计的观测器增益，直接搬到离散域里用，结果系统振荡。后来我学会了用双线性变换（Tustin）做离散化，问题解决。
- 观测器带宽跟控制带宽打架 —— 观测器响应太快，会把噪声引入控制环；响应太慢，又跟不上动态。我现在的经验是：观测器带宽设为电流环带宽的2~3倍，速度环带宽的5~10倍。
1.7 这门课你会学到什么？
好，说了这么多，你应该对状态观测器有个基本认识了。这门课我会带你：
- 从零推导每种观测器的数学原理，不跳步
- 手撕代码，把公式变成能在MCU上跑的C代码
- 实战调试，告诉你增益怎么调、遇到振荡怎么办
- 对比选型，什么场景用龙伯格，什么场景用滑模，什么场景必须上卡尔曼
我个人的习惯是，每讲完一个观测器，都会给你一个完整的仿真模型和代码框架。你拿回去就能跑，跑起来就能调。
下一章，我们先从最基础的龙伯格观测器开始，把它的原理掰开揉碎了讲清楚。准备好了吗？
我们第二章见。