企业官网建设流程全解析

做电机控制的都知道，无感FOC最难的部分从来不是电流环，而是没有编码器的情况下，怎么把转子位置和转速估准。早些年我搭滑模观测器，抖振处理得头疼，后来转向扩展卡尔曼滤波（EKF）观测器，配合STM32与Simulink自动代码生成，整个方案在永磁同步电机模型上跑得相当稳。这篇文章就把这套方案的完整思路记录下来：从EKF的数学模型怎么搭、Q和R矩阵怎么调，到Simulink里的仿真验证，再到自动代码生成、Keil MDK工程集成，最后是台架实机测试那几天踩过的坑和排查链路。

如果你手头正在做PMSM无位置传感器控制，或者刚把Simulink模型生成了代码但不知道怎么接进STM32工程，又或者EKF调了大半个月还是波形乱飘，这篇文章应该都能给你一些直接能用的东西。

1. 为什么这套方案选择EKF而不是滑模或高频注入

1.1 无位置传感器方案里的三角色

PMSM无位置传感器控制，主流方案大体三种：滑模观测器（SMO）、高频信号注入、扩展卡尔曼滤波（EKF）。

SMO的实现最激进，依赖反电动势提取转子位置，鲁棒性很好，但滑模切换带来的抖振在低速和轻载时特别明显。很多工程做法是后面再接一个低通滤波和一个锁相环，把抖振压下去，代价是相位滞后，转速越高越明显。我拿这个方案做过一次实验，突加负载时角度估计能跳好几度，电流环跟着抖，整个系统给人的感觉就是"虚胖"。

高频注入能在零速和极低速下工作，原理是把一个高频电压信号叠在基波上，靠电机的凸极性或者饱和凸性来辨识转子位置。问题是它对电机参数的凸极性敏感，对噪声和滤波器设计的要求也高，工程上要想稳定得很细的成本。

EKF的思路则是另一条路：承认系统有噪声、建模有不精确、测量有干扰，然后通过统计意义下的最优滤波，把转子位置和转速作为状态量直接估计出来。它不需要额外的锁相环，也不需要复杂的信号注入，只要状态方程建得靠谱、噪声矩阵给得合理，中高速段的表现稳定，尤其在电流采样噪声比较大的情况下，EKF的抗扰能力明显好过SMO。

1.2 项目为什么选中速段优先、以EKF为核心观测器

我这套方案的场景是中高速段无感FOC，目标转速范围大概从额定转速的10%左右开始，往上覆盖到高速区。零速和极低速的启动没有指望纯靠EKF解决，那一块通过预定位加I/F开环拖动，等转速起来了再切到EKF闭环。这个组合逻辑在工程上非常常见，也是比较稳妥的路子。

EKF在PMSM上的优势还有一点：它可以直接估计电角速度，而不需要像SMO那样需要反正切函数加上微分去求转速。转速是位置积分出来的状态量，微分噪声天然被滤波过程压制，放大做转速环反馈时信号干净很多。

Pick一下实现平台：Simulink建模加自动代码生成，目标MCU选STM32，集成环境用Keil MDK。之所以不手写全套C代码，是因为EKF涉及矩阵运算，手写容易出现维度错和不一致的bug；用Simulink里MATLAB Function块搭完EKF，侧重点是代码可读性和迭代效率。模型改一个矩阵参数，重新生成代码重编译，整个流程比手改C文件快得多，而且能保证仿真和实机用的是同一套逻辑。

1.3 整套方案的实现链路

我采用的链路分四段：

• Simulink中搭建PMSM被控对象模型和EKF观测器，先做纯仿真；
• 仿真调好Q和R矩阵、确认观测器收敛性和稳态精度；
• 通过Embedded Coder配置生成嵌入式C代码；
• 把生成代码导入Keil MDK工程，和HAL库、电机驱动、ADC采样、FOC主中断配合，烧录到STM32样机实测。

下面按这条链路展开讲，每一步都有具体的做法和为什么这么做。

2. 建立可代码生成的EKF观测器模型：状态方程与雅可比矩阵怎么推

2.1 从αβ坐标系下的PMSM电气方程出发

做EKF的第一步是选定状态方程。PMSM在旋转dq坐标系下的电压方程里含有正弦余弦耦合项，位置角度本身就是需要估的东西，不适合直接作为观测模型的坐标。所以标准做法是把方程转换到静止αβ坐标系下。

以表贴式PMSM为例，Ld=Lq=Ls，αβ坐标下的电压方程可以写成：

uα = Rs·iα + Ls·(diα/dt) - ωe·ψf·sinθe
uβ = Rs·iβ + Ls·(diβ/dt) + ωe·ψf·cosθe

把电流导数提出来，状态量选为[iα, iβ, ωe, θe]，得到：

diα/dt = (-Rs/Ls)·iα + (ψf/Ls)·ωe·sinθe + uα/Ls
diβ/dt = (-Rs/Ls)·iβ - (ψf/Ls)·ωe·cosθe + uβ/Ls
dωe/dt = 0
dθe/dt = ωe

其中ωe是电角速度，ψf是永磁磁链，Rs是定子电阻，Ls是定子电感。dωe/dt=0这个式子表示在仿真步长内认为转速不变或变化很慢，相当于把负载转矩和机械动态当作过程噪声处理。这种简化是EKF工程应用里的常见技巧：不增加机械方程复杂度，把模型误差交给Q矩阵去兜底。

测量量选[iα, iβ]，因为这两个电流可以直接从直流母线采样和Clark变换得到，不需要额外传感器。

2.2 EKF五步更新流程与雅可比矩阵推导

EKF的预测和更新分五步，我来把每一步对应到PMSM模型里：

预测步骤：

状态先验估计： x_pred = x_est + f(x_est, u)·Ts

其中f(x,u)就是上面那组状态方程，Ts是控制周期/步长。实际离散化用前向欧拉就够，因为Ts在50µs到100µs级别，系统极点离单位圆边界有充分裕量。

协方差先验： P_pred = Fd·P_est·Fd^T + Qd

Fd是离散雅可比矩阵，Fd = I + Ts·F。连续雅可比F是状态方程对状态变量的偏导数矩阵，推出来是：

F13 = (ψf/Ls)·sinθe
F14 = (ψf/Ls)·ωe·cosθe
F23 = -(ψf/Ls)·cosθe
F24 = (ψf/Ls)·ωe·sinθe

F矩阵里第一行第二列、第二行第一列均为0，第三行全0，第四行只有第四列的转速微分项。整体看起来就是：

F = [-Rs/Ls, 0, F13, F14;
0, -Rs/Ls, F23, F24;
0, 0, 0, 0;
0, 0, 1, 0]

建议这一步不要手算，直接把偏导公式写到MATLAB Function里自动求导反而容易出错，手推一次然后写成矩阵形式最稳妥。我也见过有人用Symbolic Math Toolbox推导再生成代码，能做但对工程来说有点重。

更新步骤：

卡尔曼增益： K = P_pred·H^T·(H·P_pred·H^T + R)^(-1)

H是测量矩阵，因为测量量直接是iα和iβ，所以H就是2×4的标准选择矩阵：

H = [1, 0, 0, 0;
0, 1, 0, 0]

状态后验更新： x_est = x_pred + K·(y_meas - H·x_pred)

协方差后验： P_est = (I - K·H)·P_pred

整套流程下来，只有4维状态量和2维测量量，矩阵运算规模很小，STM32F407级别的MCU跑起来完全无压力，后面我会给出实测的执行时间。

2.3 Q和R矩阵怎么定，决定观测器性命的接地气经验

EKF调参的重头戏基本都在Q和R。这两个矩阵决定滤波器的"信任感"分配：Q大，说明你觉得模型不可靠，更相信测量，滤波器动态响应快但噪声也大；R大，说明你觉得测量噪声厉害，更相信模型预测，波形平滑但响应滞后。

在PMSM的EKF里我习惯先给这样的初始范围：

注意：这几个值物理量纲不一样，不用追求数值在同一数量级，关键是相对量级。有的同行刚上手时看到Q(1,1)只有1e-3，Q(3,3)却是1，怀疑是不是差太多了——其实是因为电流用安培、转速用rad/s、角度用rad，单位不同而已。

我的调试顺序是先固定R，再调Q。启动阶段如果角度估计收敛慢，优先加大Q(3,3)和Q(4,4)；稳态带载时如果角度波形毛糙，优先加大R。还有一条很有用的经验：实机上逆变器死区会对反电动势产生畸变，这个畸变在模型里没有体现，等效于过程噪声变大。所以从仿真到实机，Q矩阵通常还要再放大1~2倍才合适。

2.4 离散化和一拍延时补偿

模型里用到的uα和uβ，理想情况下是逆变器输出的实际相电压，但工程上很难实时重构死区效应之后的电压值，所以一般直接用FOC电流环输出的参考电压指令。这里有个坑：电压指令是当前控制周期产生的，要等下一个PWM周期才真正施加到电机端，而电流采样是当前周期已经完成的，两者在时间上差了一拍。如果没有补偿，EKF的输入序列相位是错位的，角度估算误差会随着转速升高而放大。

我做的补偿很简单：在模型输入处给uα、uβ加一个一拍的延迟，让观测器的输入和电机实际承受的电压在时间轴上对齐。实现就是在Simulink里用一个Unit Delay块，代码生成后就是一个状态变量，代价极小，但对高速段的精度提升很明显。

3. Simulink仿真先把Q、R矩阵差不多调明白

3.1 仿真模型的层级划分

Simulink里的调试环境搞成三层：

• 最外层是完整的FOC控制环路，包含转速PI环、电流PI环、SVPWM生成、坐标变换模块；
• 中间层是电机与逆变器模型，我用Simscape Electrical搭的PMSM模型和三相全桥，这样仿真结果和台架更接近；
• 最内层才是EKF观测器模块，输入uα/uβ和iα/iβ，输出估计的转速和角度。

EKF观测器本身我放在MATLAB Function块里实现，原因是可以直接把矩阵运算写成向量化的代码，调试时还能用MATLAB的变量检查功能看中间值。为了兼容代码生成，所有变量类型统一用single，矩阵运算保持固定维度，不动态分配内存。

结构大概是：FOC控制最外层给电机模型发电压，真实角度从电机模型里引出，和EKF估计角度对比，直接在示波器上就能看到误差。

3.2 仿真波形的关键指标看什么

跑仿真的目的不是看"波形能不能转"，而是要把几个指标摸清楚：

• 稳态角度误差。额定转速下，EKF估计角度和模型真实角度之间的误差绝对值，应该稳定在1°~2°电角度以内。超过这个范围，就说明模型参数或者某些矩阵给得有问题。
• 突加突卸负载时的收敛速度和波动幅度。这个直接反映Q矩阵是否匹配实际工况。我一般在25%额定转速和100%额定转速两个工况各测一次突加50%负载，观察转速估计在1秒内能不能回到设定值误差的5%以内。
• 低速极限。慢慢把速度指令往下压，找到角度误差开始发散的临界转速，这个值决定了I/F切换到EKF闭环的合理时机。
• 抗噪能力。在仿真里给电流反馈加白噪声，看角度和转速估计是否还能保持平滑。这能验证R矩阵是否合理，也能提前暴露滤波器结构里的维度问题。

3.3 仿真给实际项目带来的前置收益

有人说仿真和实机差得远，不如直接上台架调。这话对一半。我的感受是，仿真阶段最大的价值是把"模型逻辑正确性"和"参数初始值合理性"先锁死。EKF实现里最大的风险不是参数，而是维度错误、雅可比矩阵符号搞反、坐标变换逆矩阵写错，这些问题到了台架上排查成本极高，在仿真里一眼就能看出来。

我实际碰到过最典型的例子：有一次F矩阵里F13的符号反了，仿真波形在低速段看着还行，转速一拉高角度突然跳180°，这个在台架上根本想不到是符号问题，可能要折腾两天。仿真里直接用模型真实角度一对比，五分钟定位。参数初值也是，仿真把Q、R调到一个能稳定工作的范围，台架实测在此基础上微调，可以节约大量时间。

4. 从Simulink到Keil MDK：自动代码生成的工程细节

4.1 Embedded Coder配置需要注意的开关

Simulink模型搭好、仿真通过之后，就到了代码生成阶段。我用Embedded Coder做目标配置，几个关键项值得单独说：

• 求解器一定要设成固定步长、离散求解器，优先od4或discrete，不能选连续变步长，否则生成代码里会出现动态分配和复杂求解逻辑，嵌入式端完全不适配。
• 采样时间要和实际控制环周期一致。我这边固定成10kHz，也就是Ts=1e-4s，对应STM32定时器中断频率。
• 在Code Generation里把系统目标文件选为ert.tlc，这是Embedded Coder的实时目标文件，生成的代码质量比grt好很多，没有多余文件系统接口。
• 硬件实现这一栏，设备类型选ARM兼容，字节顺序小端。这会影响生成代码里结构体对齐和位操作的实现方式，选错会出很难查的隐性bug。
• 代码优化不要上来就选速度最优。第一次生成代码时把优化级别关掉或者选"平衡"，保留变量命名清晰度，方便在Keil里打断点查中间量。等整体功能确认了，再回到Embedded Coder里把优化拉上去。

如果想让生成代码挂进Keil工程时更省心，还可以在Code Generation界面里设置"Generate code only"之后导出代码报告。报告里会有每个变量的内存分配和函数调用关系，后面手写外部接口时会非常有用。

4.2 生成代码导入Keil MDK工程的步骤

Embedded Coder生成的文件大致是几个C源文件和头文件，加上rtwtypes.h等基础定义。我一般在项目目录下建一个app_model文件夹，专门放这些生成文件，不跟HAL库混在一起。

导入Keil MDK工程的流程：

1. 把生成的所有.c和.h文件复制到Keil工程的App/Model目录下；
2. 在Keil工程里Add Existing Files加入这些C文件；
3. 模型顶层信号的输入输出在生成代码里会对应到model_initialize和model_step这两个函数：
   • model_initialize()在主函数初始化阶段调用一次，负责状态初始化和协方差矩阵初值设定；
   • model_step()放在PWM下溢中断或定时器中断里，每个控制周期调用一次，内部完成了从信号读取、EKF预测更新到PWM占空比输出的全部流程。
4. ADC采样值、编码器值（如果有）、母线电压等通过模型输入端口映射到某个全局变量，要么在外部C文件里用extern声明调用，要么配置成接口函数回调。

关键细节是Keil MDK工程的优化等级要和生成代码匹配。如果Keil那边选了高优化而Simulink生成时代码风格是面向可读性的，偶尔会出现变量被optimizer优化掉导致调试时观察不到想要的中间量。我一般在Debug阶段把Keil优化设成-O0或者-O1，等最终发布再拉到-O2。

4.3 中断优先级、采样时刻和执行顺序

代码进入STM32中断的时序对整个系统稳定性影响极大。我的做法是：

1. PWM定时器中心对齐模式，计数到特定值（通常是下溢）时启动ADC注入组采样，采样完成中断里启动FOC计算和EKF更新；
2. PWM更新事件把最新计算出来的占空比加载到寄存器；
3. 整个控制链路的顺序是：ADC采样 → Clark变换 → 电流PI → 反Park变换 → SVPWM → EKF输入更新 → PWM占空比装载。

EKF的输入要特别注意：uα/uβ必须用上一拍电流环计算输出的指令电压，不能直接读当前的参考值，这跟前面说的一拍延时补偿是同一个问题。在中断里实现时，用一个静态变量暂存上一周期的uα/uβ，然后传给model_step的输入端口。

中断优先级设置上，ADC采样完成中断给最高优先级，PWM更新中断次之，UART调试在最低优先级。如果优先级反了，采样抖动会让电流波形产生周期性扰动，EKF的输入噪声会异常增大，角度估计开始飘，这是台架调试中很隐性的一个坑。

5. 台架实测排坑：启动、精度、运行时间的真实情况

5.1 Startup阶段观测器失效的根因与I/F切换策略

EKF对静止状态几乎不可观测：转速为零时，状态方程里根本没有角度信息的激励，反电动势也为零，EKF无法从电流测量中提取转子位置。这个本质上是系统能观性问题，靠调参数解决不了。

所以启动阶段不能直接进EKF闭环。我采用的方案是：

1. 预定位：给定一个固定方向的电压矢量，持续时间大约200ms，让转子转到已知位置；
2. I/F开环拖动：以电流幅值和角度积分的方式把转子加速，角度由程序给定，不依赖观测器；
3. 转速上升到EKF有足够反电动势激励时，切换到EKF角度闭环。

切换时机一般选在额定转速的5%到10%之间，具体根据EKF仿真中角度误差发散的临界转速来定。切换时要做角度平滑衔接，如果I/F给定角度和EKF估计角度差得太多，直接切会导致电流突变。我在切换点加了两个周期的斜坡过渡，效果比硬切好很多。

5.2 运算时间和浮点精度之间的权衡

EKF的4状态矩阵运算复杂度很低，实测下来单次运行时间：STM32F407主频168MHz，代码优化等级-O2，EKF单次执行时间约12到15µs。完整FOC电流环大概8到10µs，ADC采样和坐标变换约3µs，整个控制中断总耗时在25µs左右，相对10kHz（100µs周期）的控制频率还有大约75%的裕量。

系统默认生成的EKF矩阵运算如果全用double类型，浮点运算器处理时间会翻倍到30µs以上，虽然也能跑但中断占用明显偏高。我在Simulink里把所有数据都强制设成single后，执行时间直接降下来，角度估计精度在16位ADC电流采样条件下并没有肉眼可见的下降。如果用单精度时发现角度噪声变大，建议先把电流采样延迟和时序处理干净，而不是急着换回double。

5.3 针对实机测试中的几个典型坑

我在实测中遇到的比较值得记录的坑：

协方差矩阵跑飞这个问题最隐蔽。仿真中因为步数少，很少出现，但实机跑几十分钟后P矩阵的对称性可能因为舍入误差慢慢被破坏，表现出来就是估计值偶尔跳变然后发散。我的做法是在每次更新之后补一行： P = (P + P^T) / 2 再把P的对角线元素clip到一个下限值，比如1e-8。代码量极小，但能彻底规避这一类数值问题。

还有一条经验：R矩阵在实机上需要调得比仿真大。因为电流采样的实际噪声包含采样保持电容误差、开关管动作的共模干扰，这些在仿真模型里不容易完全复现。我在仿真里R设0.01，实机调到0.05才达到同等平滑程度。光这一条就能解释很多人"仿真好好的，上机就飘"的现象。

5.4 一套可复用的调参流程

总结一套我自己常用的实机调参顺序，供参考：

1. 先在10%额定转速空载运行，把R矩阵固定，Q(3,3)和Q(4,4)从最小值开始往上调，直到转速估计无静差、角度波形平滑；
2. 加到100%额定转速，观察角度误差，若是误差呈现随转速增长的趋势，优先检查一拍延迟补偿是否正确；
3. 做一次突加负载测试，如果转速恢复时间过长，适度加大Q(1,1)和Q(2,2)，让滤波器更快跟随电流变化；
4. 做低速极限测试，找到角度误差的可接受转速下限，这个转速作为I/F切换点的参考；
5. 连续运行2小时，监控角度估计和协方差矩阵对角线值是否有缓慢漂移，验证数值稳定性。

这套流程不需要每台样机都从头调一遍，同一系列电机换型号以后，主要重新匹配Q(3,3)和R值，其他参数基本沿用。如果你刚开始接触EKF，建议不要一上来就追求全速域无感，先把中高速段做稳，把I/F启动到EKF的切换做顺，再往下扩展低速和零速工况，成功的概率会高很多。

我在这套方案上最深的体会是：EKF本质上是把模型误差、测量噪声和参数不确定性都塞进两个矩阵里，调参看起来玄学，但每一步背后都有明确的物理含义。仿真和台架各验证一半，相互印对着来，这套观测器才能真正落到量产级别的稳定性上。后续如果再有空，我计划在同一个框架上加上在线定子电阻辨识，把低速域的观测性能再往前推一截。