3、龙伯格观测器原理：全阶状态观测器的结构与设计方法
好，咱们今天聊聊龙伯格观测器。
说实话，我在做电机控制之前，一直觉得「观测器」这东西挺玄乎的。明明传感器都没法直接测到的量，你凭什么能算出来？后来真正上手做项目，才明白——观测器本质上就是一个数学模型，它在脑子里模拟你的电机在干嘛。
龙伯格观测器，就是其中最经典的一种。它属于全阶状态观测器，意思是它把电机的全部状态变量都估计出来。你想想看，电机控制里我们最想要啥？转速、磁链、位置……这些不一定都能装传感器去测，或者传感器太贵、太脆弱。这时候，观测器就派上用场了。
3.1 为什么需要全阶观测器？
先问一个问题：你手头只有电流和电压的测量值，怎么知道电机内部的磁链？
嗯，这就是观测器要解决的核心问题。电机是一个动态系统，它的状态变量（比如定子电流、转子磁链）随时间变化。我们只能测到一部分变量（比如电流），另一部分（比如磁链）是隐藏的。
我在做异步电机无速度传感器控制时，就遇到过这个难题。当时想省掉速度编码器，但磁链又必须知道。怎么办？用龙伯格观测器把磁链和转速一起估出来。
说白了，全阶观测器就是用一个数学模型，加上测量值的反馈校正，让估计值逼近真实值。
3.2 龙伯格观测器的结构
龙伯格观测器的结构其实不复杂。咱们先看它的数学形式。
假设电机的状态方程是：
dx/dt = A·x + B·u
y = C·x其中 x 是状态向量（比如 [i_sd, i_sq, ψ_rd, ψ_rq]），u 是输入（电压），y 是输出（电流）。
龙伯格观测器的结构就是：
dẋ/dt = A·ẋ + B·u + L·(y - ŷ)
ŷ = C·ẋ这里 ẋ 是估计的状态，ŷ 是估计的输出。L 就是观测器增益矩阵，它的作用是把输出误差反馈回去，修正状态估计。
你发现没有？这个结构和电机本身的模型几乎一样，只是多了一项 L·(y - ŷ)。这一项就是「校正项」。
核心思想：模型预测 + 测量校正 = 状态估计
我习惯把观测器想象成一个「虚拟电机」。你给虚拟电机和真实电机同样的电压，虚拟电机就会输出估计的电流。如果估计电流和实测电流不一样，说明虚拟电机的内部状态（比如磁链）有偏差。这时候用 L 矩阵把偏差反馈回去，修正虚拟电机的状态，让它跟上真实电机。
3.3 增益矩阵 L 的设计方法
好，结构清楚了，那 L 怎么选？
这其实是观测器设计的核心。L 选得太大，观测器对噪声敏感，估计值会抖；选得太小，收敛速度慢，跟不上真实状态的变化。
设计 L 的经典方法是极点配置法。
观测器的误差动态方程为：
de/dt = (A - L·C)·e其中 e = x - ẋ 是估计误差。这个方程告诉我们，误差的收敛速度由矩阵 (A - L·C) 的特征值决定。
所以，设计 L 就是选择一组特征值（极点），让误差快速衰减到零。
具体步骤：
- 确定期望极点位置：一般选在左半平面，且比系统本身的极点更靠左（更快）。
- 计算 L 矩阵：用阿克曼公式或直接求解。
- 验证稳定性：检查 (A - L·C) 的特征值是否都在左半平面。
我曾经在一个项目中，把观测器极点选得比系统极点快 3~5 倍。结果发现电流估计很准，但磁链估计有高频噪声。后来把极点放慢一点，噪声就压下去了。嗯，这里要注意：不是越快越好，要权衡收敛速度和噪声抑制。
我的经验：对于电机控制，观测器极点一般选在系统极点的 2~5 倍之间。具体值需要根据实际系统的噪声水平来调。
3.4 离散化实现
实际代码里，我们用的是离散时间版本。连续域的观测器方程需要离散化。
常用的离散化方法：
- 前向欧拉法：简单，但精度一般
- 双线性变换（Tustin）：精度高，我比较推荐
- 零阶保持法（ZOH）：最精确，但计算量大
离散化后的观测器方程：
ẋ[k+1] = A_d·ẋ[k] + B_d·u[k] + L_d·(y[k] - ŷ[k])
ŷ[k] = C·ẋ[k]其中 A_d、B_d、L_d 是离散化后的矩阵。
我一般用双线性变换，因为它在中等采样频率下精度足够，而且实现简单。如果你用的是高速 DSP，用 ZOH 也没问题。
3.5 一个简单的实现示例
下面是一个伪代码示例，展示龙伯格观测器在电机控制中的实现框架：
// 龙伯格观测器 - 单步更新
void luenberger_observer_update(float u_alpha, float u_beta,
float i_alpha, float i_beta) {
// 1. 计算估计输出（电流）
float i_hat_alpha = C[0][0] * x_hat[0] + C[0][1] * x_hat[1];
float i_hat_beta = C[1][0] * x_hat[0] + C[1][1] * x_hat[1];
// 2. 计算输出误差
float err_alpha = i_alpha - i_hat_alpha;
float err_beta = i_beta - i_hat_beta;
// 3. 状态预测（模型部分）
float x_pred[4];
for (int i = 0; i < 4; i++) {
x_pred[i] = A_d[i][0]*x_hat[0] + A_d[i][1]*x_hat[1]
+ A_d[i][2]*x_hat[2] + A_d[i][3]*x_hat[3]
+ B_d[i][0]*u_alpha + B_d[i][1]*u_beta;
}
// 4. 校正（反馈部分）
for (int i = 0; i < 4; i++) {
x_hat[i] = x_pred[i] + L_d[i][0]*err_alpha + L_d[i][1]*err_beta;
}
}你看，代码其实不复杂。核心就是三步：预测、计算误差、校正。
注意：实际实现时，矩阵乘法要优化，避免在中断里做大量浮点运算。我习惯把 L_d 矩阵提前算好存成常量，运行时只做乘加操作。
3.6 龙伯格观测器的局限性
没有万能的观测器。龙伯格观测器也有它的短板：
| 问题 | 说明 | 应对方法 |
|---|---|---|
| 模型依赖性强 | 需要精确的电机参数（电阻、电感等） | 参数在线辨识或鲁棒观测器 |
| 对噪声敏感 | 增益 L 越大，噪声放大越严重 | 适当降低极点速度，或加滤波器 |
| 低速性能差 | 反电动势信号弱，观测精度下降 | 注入高频信号辅助 |
| 启动时需要初始值 | 状态初值未知，需要收敛时间 | 预定位或开环启动 |
我曾经在一个低速重载的场合吃过亏。电机转速只有 10 rpm，龙伯格观测器估计的磁链完全漂掉了。后来加了高频注入，才把低速性能救回来。
3.7 小结
龙伯格观测器是电机控制里最基础、最实用的状态观测方法。它的结构清晰，实现简单，只要参数准确，效果相当不错。
我个人建议：初学者先从龙伯格观测器入手，把它的原理吃透。后面再学滑模观测器、卡尔曼滤波器，你会发现很多思路是相通的。
下一章咱们聊聊滑模观测器——那个东西收敛更快，但抖振问题也更头疼。到时候我会分享一些我在项目中抑制抖振的实战经验。