PMSM速度环PI参数自动整定：基于粒子群优化的工程实践

做PMSM驱动这几年，速度环参数整定一直是我最不想碰、又不得不碰的事。电流环还能按公式推算，速度环基本就是靠手感：Kp拧大一点，电机开始啸叫；Ki加多一点，阶跃超调直接冒顶。更麻烦的是负载一变，之前调好的参数全部作废，又得重新试探。后来我尝试把粒子群优化（PSO）和速度环整定结合到一起，做了一套自动整定流程，总算把这件事从“玄学”变成了可以复现的工程流程。这篇就把整套实践的关键环节都摊开聊：为什么速度环难调、PSO怎么落到电机控制里、适应度函数怎么设计、从仿真到驱动板移植有哪些坑，希望对正在做PMSM驱动的工程师有用。

1. 先搞明白：速度环为什么是FOC里最“玄学”的一环

1.1 速度环在FOC架构里的真实地位

PMSM最常见的控制框架是FOC（磁场定向控制），典型结构是三层：最内层电流环，控制id和iq；中间层速度环，输出iq指令；最外层位置环（按需使用）。速度环的输出决定转矩指令，所以它才是真正决定“电机怎么跑”的环节。

电流环负责把iq打在目标值上，带宽高、响应快；速度环则是根据转速误差不断修正iq指令。换句话说，速度环的动态品质直接决定了转速跟随、负载扰动抑制、启停是否平顺。速度环调不好，电流环再快也没意义。

1.2 电流环能按公式调，速度环为什么不行

电流环的被控对象相对固定：dq轴电感、定子电阻、逆变器延迟、采样延迟，这些都写在手册里或者可以通过离线测试拿到。所以电流环参数可以用内模控制、极点配置这些方法算出来，误差不大。

速度环面对的是机械系统，被控对象里包含转动惯量J、负载转矩、摩擦系数、机械谐振频率。这些东西电机的铭牌参数上不会给，即便给了也是空载状态下的，带负载之后完全变样。我自己测过同一台电机，空载惯量和带大惯量负载盘时的J相差三倍以上，手调参数跟着得改一个量级。

1.3 人工整定时的典型现象和疲劳

手调速度环PI时，反复出现的情况有三类：

• Kp太大：速度环开始振荡，电流指令来回摆，电机发出高频噪音，严重时电流环跟着饱和。
• Ki太大：超调大、转速过冲，带负载时容易出现低频“喘息”式的振荡。
• Kp和Ki同时偏大：系统不稳定，轻则保护触发，重则驱动板过流报警。

更让人头疼的是，速度环的性能指标本身是互相矛盾的。要响应快就得加大增益，但有超调风险；要抗负载扰动就得加大积分，但积分太强又容易振荡。纯靠手调，只能“摸着石头过河”，而且每次改负载工况都要重新来一遍。这就让我开始考虑：能不能让优化算法自己去找参数。

2. 粒子群优化怎么和电机控制搭上线

2.1 PSO算法的核心逻辑

PSO（粒子群优化）是Kennedy和Eberhart在1995年提出的群体智能算法，思想来自鸟群觅食。每一只“鸟”就是一个粒子，对应一组候选解，在本项目里就是一组（Kp, Ki）。粒子在搜索空间里飞行，飞行方向由三个因素决定：

• 惯性项：延续上一时刻的运动趋势；
• 个体认知项：向自己历史最优位置靠拢；
• 社会认知项：向整个群体历史最优位置靠拢。

速度更新公式是：

code复制v = w * v + c1 * r1 * (pbest - x) + c2 * r2 * (gbest - x)
x = x + v

其中w是惯性权重，c1是自我学习因子，c2是社会学习因子，r1和r2是[0,1]之间的随机数。迭代若干次后，粒子群会逐渐聚集到适应度函数最低的位置。

2.2 PSO特别适合PID参数整定的三个理由

第一，PSO是黑盒优化。它只要求“给一组参数，返回一个适应度值”，不需要目标函数的梯度信息。速度环这种被控对象包含延迟、饱和、非线性摩擦的系统，梯度根本没法准确求，这一点就卡死了很多传统优化方法。

第二，PSO有全局搜索能力。参数整定问题往往是多峰的，人工网格搜索很容易陷在局部最优里。PSO靠群体去并行探索，只要种群规模和迭代次数合理，找到的往往是更优区域。

第三，实现成本低。PSO代码量很小，不需要像遗传算法那样做编码、解码、选择、交叉、变异，向量化之后在MATLAB、Python甚至嵌入式C里都能跑。

2.3 为什么不是别的算法

这里也对比过几个方案：

• 网格搜索：两个参数还好，一旦把速度环滤波系数、前馈系数加进来变成三维四维，网格数量指数爆炸，而且网格密度难定。
• 遗传算法：能用，但实现复杂，参数更多（交叉率、变异率、种群规模都要调），收敛速度也不如PSO直观。
• 梯度下降/最速下降：需要对象模型可微，速度环模型里能加进饱和、限幅、死区，梯度法处理这些很麻烦。
• 贝叶斯优化：适合评估成本极高的场景，但整定问题通常每次评估就是一次仿真，成本适中，PSO的性价比更高。

所以最终选择了PSO，实际用下来收敛稳定，也容易加约束。

3. 速度环被控对象建模：整定结果靠不靠谱，取决于这个地基

3.1 PMSM的数学模型与机械运动方程

速度环整定不能完全脱离对象模型。先简单列一下PMSM在dq坐标系下的数学模型：

code复制ud = Rs * id + Ld * did/dt - ωe * Lq * iq
uq = Rs * iq + Lq * diq/dt + ωe * (Ld * id + ψf)
Te = 1.5 * p * [ψf * iq + (Ld - Lq) * id * iq]

对于表贴式PMSM，Ld≈Lq，采用id=0控制时，转矩表达式简化为：

code复制Te = 1.5 * p * ψf * iq

这里的p是极对数，ψf是永磁体磁链，Te是电磁转矩。速度环关心的机械运动方程为：

code复制J * dωm/dt = Te - TL - B * ωm

J是转动惯量，B是粘滞摩擦系数，TL是负载转矩。这个方程就是速度环被控对象的核心。

3.2 电流环闭环后的等效模型

速度环设计时，电流环的动态不能忽略。工程上通常把电流环闭环传递函数近似成一阶惯性环节：

code复制Gi(s) ≈ 1 / (τi * s + 1)

τi可以按电流环带宽估算，比如电流环带宽是1kHz，τi差不多取1/(2π*1000)秒量级。

由此，从iq参考到转速的传递函数可以写成：

code复制G(s) = (1.5 * p * ψf) / [(J*s + B) * (τi*s + 1)]

这个模型的用途不是要精确到每个极点，而是用来估算Kp和Ki的搜索范围。模型越贴近实际，PSO的搜索范围给得越准，收敛越快，上机验证越顺利。

3.3 转动惯量J怎么获取

J是速度环整定里最重要的一个数字。拿不到准确的J，PSO整出来的参数基本只能当参考。获取J的常用方法：

1. 加减速试验：给定一个已知的转矩阶跃，测转速变化率，J ≈ Te / (dω/dt)。
2. 递推最小二乘在线辨识：利用速度响应数据实时辨识J和B。
3. 直接参考手册或同类电机经验值：最省事，但误差较大。

我实际用的多是加减速试验，简单直接，反复测几次取平均。注意测试时负载状态要和实际工况尽量一致，不然J的值没有参考意义。

4. 适应度函数设计：整定的“指挥棒”，定不好就白整

4.1 常用误差积分指标

适应度函数是PSO的指挥棒。它规定什么参数算“好”，所以比PSO本身的参数还重要。经典误差积分指标有三种：

code复制ISE = ∫ e(t)^2 dt          // 对大误差敏感
IAE = ∫ |e(t)| dt          // 对所有误差一视同仁
ITAE = ∫ t * |e(t)| dt     // 对长期小误差更敏感

单纯用ISE，整出来的参数可能超调小但响应慢；单纯用ITAE，稳态追得准但阶跃容易超调。所以工程实现里我一般不单用，而是做一个综合指标。

4.2 工程化综合适应度函数

我把适应度函数设计成这样：

code复制fit = w1 * 超调惩罚 + w2 * 调节时间 + w3 * ITAE + w4 * 控制量惩罚

具体做法是：每次给出一组（Kp, Ki），就跑一次固定时长的速度阶跃仿真，记录转速响应曲线，然后计算：

• 超调惩罚：超调超过允许值（比如2%）后，超出部分线性放大，超过越多罚得越狠；
• 调节时间：进入±2%误差带后不再离开的时间；
• ITAE：以转速误差为对象的误差积分；
• 控制量惩罚：iq参考的峰值或变化率，保护电流环不进入深度饱和。

这四个分量的权重w1~w4需要根据实际需求调。比如重载快启场景，调节时间权重大一些；高精度场合，超调惩罚权重大一些。

4.3 约束处理和惩罚策略

对不满足约束的参数组，比如仿真直接发散，或者iq输出超出限幅，直接给一个非常大的适应度值。这样可以避免PSO把粒子推向危险区域。

另外一个细节：仿真时长Tsim要固定，每次评估都用同一个速度环采样周期、同一个求解步长、同一个速度阶跃幅值。如果每次评估的工况都不一致，适应度值就没有可比性，PSO会失去方向。我推荐用定步长求解器，别用变步长，否则计算量和数值误差都会引入随机噪声。

4.4 抗扰性指标要不要加进去

速度环的核心指标不只是阶跃响应，还有抗负载扰动能力。我习惯在仿真里叠加一个负载转矩阶跃，比如在速度阶跃稳定后0.5秒突然加上50%额定负载，记录转速跌落幅值和恢复时间，也放进适应度函数里。

这样整出来的参数在实机上更耐造，因为实际应用里负载突变远比纯阶跃速度指令常见。

5. PSO整定流程与参数配置实操

5.1 粒子编码与搜索范围设定

粒子编码最简单的方式是二维向量：

code复制x = [Kp, Ki]

也可以扩展成三维，把速度环的滤波时间常数也纳入优化，但维度越高搜索空间越大，收敛越慢。我建议第一版只优化Kp和Ki，后续再加维度。

搜索范围不能瞎给。以我的某台小功率PMSM为例，转动惯量J约0.0002 kg·m²，额定转矩5 N·m，速度环采样周期1ms，手动试出稳定区在Kp≈0.5、Ki≈20附近。这时把搜索范围设为：

范围覆盖了稳定区但不过度扩大。范围太大会让大量粒子落在不稳定区域，仿真频繁发散，浪费迭代次数。

5.2 PSO自身参数怎么设置

我给出一组经过多轮调试相对稳妥的配置：

• 种群规模N：30到50，太少容易早熟，太多计算量扛不住；
• 最大迭代次数T：50到100；
• 惯性权重w：从0.9线性递减到0.4，前期侧重全局探索，后期侧重局部精调；
• c1和c2：都取1.5，让个体学习和群体学习均衡；
• 粒子速度上限vmax：取搜索范围的10%到20%，防止粒子一步飞出去。

5.3 完整流程伪代码

下面这段伪代码说明了我的整定主流程：

code复制初始化种群：
  随机生成N个粒子，每个粒子 x = [Kp, Ki]
  将一个粒子初始化为手动试凑出的稳定参数作为种子

for iter = 1 to T:
  for 每个粒子:
    将 x 写入速度环PI参数
    运行速度阶跃仿真（固定时长）
    计算综合适应度 fit
    更新 pbest 和 gbest
  
  线性递减惯性权重 w
  更新所有粒子的速度和位置
  处理边界约束

输出 gbest 对应的 [Kp, Ki]

这里的“种子粒子”是我强烈推荐的做法。把一组已知稳定的手动参数放进初始种群，相当于给PSO一个“本地最优起点”，可以明显加快收敛，也能降低第一次整定时的失控风险。

5.4 边界处理方式的对比

粒子越过边界时怎么处理，我试过三种：

• 吸收边界：越界后位置卡在边界上，速度清零。简单稳定，但容易让粒子堆在边界上。
• 反弹边界：越界后按镜面反射，保留部分探索能力，我最终用得最多。
• 随机重置：越界后重新随机初始化，全局探索强，但收敛慢。

推荐用反弹边界，配合越界粒子的适应度惩罚，既保持探索性又不会让无效粒子干扰gbest。

6. 从仿真到实机：在驱动板上把整定结果稳定复现

6.1 先离线仿真，再小步上机

如果直接把PSO丢到真机上跑，让几十个粒子轮番带着随机参数去驱动电机，那纯属跟自己的驱动板过不去。遇到参数发散，轻则转速飞车触发保护，重则过流炸管。

我的流程是：

1. 用Simulink或Python搭PMSM模型，离线跑完整PSO整定，得到候选最优参数；
2. 把这组参数手动写入驱动板，做一次真实速度阶跃实验，对比实测响应和仿真响应；
3. 如果偏差大，用实测数据反过来修正模型（主要是J、摩擦、电流环延迟），再重新整定；
4. 模型校准满意后，可以做小范围在线精调，范围限制在离线最优值附近的±20%。

6.2 实机在线整定的安全约束

在线整定时，保护机制必须做足：

• 电流限幅：软件限幅之外，驱动板硬件过流保护必须可靠动作；
• 速度限幅：转速指令和反馈都不能超过安全上限；
• 加速度限制：避免过大的加速度冲击机械结构；
• 每一项评估前确保电机回到同一起始速度和负载状态，否则适应度值没有可比性。

还有一个容易被忽略的点：整定时记录参数必须同时记录开关频率。PWM开关频率直接影响电流环带宽和速度环采样周期。10kHz开关频率下整出来的参数，换到5kHz下可能直接振荡。我在记录实验记录时都会注明“开关频率=10kHz，速度环采样周期=1ms”，避免后续复用参数时踩坑。

6.3 实测效果对比

以一台额定转速3000rpm的PMSM为例，实测对比过三种参数来源：

PSO整定的结果普遍比手动参数“更快、更稳”，一个典型特征是它会偏向更大的Ki，让系统在稳态和抗扰动方面表现更好，同时适当压低Kp来避免超调。但这是离线模型下的结论，模型校准之后实机效果更接近仿真预测。

6.4 无感控制场景下的差异

如果做的是PMSM无感（无位置传感器）方案，速度反馈来自观测器，比如滑模观测器、MRAS或龙伯格观测器。观测器在低速段有明显的相位滞后和幅值衰减，速度环看到的“被控对象”跟数学模型差得更多。

这种情况下PSO整定出来的参数和带编码器时有明显差异，尤其低速段容易振荡。我的建议是：先把观测器的速度反馈调稳定，再跑PSO整定；或者把速度环整定的工作点放到中高速段，低速段单独做增益调度。

7. 踩坑复盘：几个让我抓狂的问题

7.1 模型失配，整定结果“纸上谈兵”

第一次用PSO整定，仿真里效果漂亮得不行，上机一试直接啸叫。原因在于模型太理想：没考虑库伦摩擦、齿槽转矩、电流环采样延迟误差。这些在低速段影响尤其大。

后来我改成“模型校准优先”：先加转矩阶跃，采集实际速度响应，用实测数据反推J和B，再把反推结果填回模型。这之后PSO整定的结果和实机的偏差才缩小到能接受的范围。这个步骤不能省。

7.2 适应度函数被算法“钻空子”

PSO不会管你心里想要什么，它只按适应度函数给的方向走。有一版我只写了调节时间最短，结果PSO给出的参数超调大得离谱，因为超调反而让系统更快进入误差带。这就是目标函数设计不完备导致的“作弊”现象。

解决方法是把所有工程关心的指标都放进适应度函数：超调、调节时间、稳态误差、控制量峰值、负载扰动恢复时间。任何被忽略的指标，都可能成为算法优化掉的对象。

7.3 搜索范围过大导致的粒子失控

前期我把Kp搜索范围设到[0, 100]，Ki设到[0, 10000]，想着让算法自由探索。结果大部分粒子都落在不稳定区，仿真频繁发散，甚至出现过数据溢出、驱动板过流保护跳闸。实机上跑整定时，我直接把初始粒子全部限定在一个已知稳定的超矩形区域内，再用小范围PSO做局部精调。安全性和收敛速度都好了很多。

7.4 速度环采样周期与模型步长的匹配问题

PSO每次评估都要跑仿真，如果速度环采样周期是1ms，但仿真求解步长也取1ms，数值积分精度很差，整出的参数可能偏离真实系统。后来我把求解步长放到0.01ms到0.05ms，虽然每次仿真耗时增加，但每一次评估的一致性大幅提升。PSO整定不是一次性的“快跑”，而是要稳定、可复现。

7.5 同一组参数在不同温度下表现不一样

电机发热之后，定子电阻变大，磁链有所变化，电流环的实际带宽也会有点漂移。PSO整定出的参数在冷态下测得很好，跑热之后动态略微变差。这不是算法问题，而是被控对象本身时变。工程上可以留一点增益裕度，不要为了追求最优指标把参数顶到临界稳定区。

最后再分享一个实操小技巧：我在PSO整定流程里加入了一个“种子粒子”，初始种群中总会包含一组手动调好的稳定参数。这样做的好处不只是收敛快，更重要的是，即使PSO中途跑飞，全局最优也不会差过手动参数的下限。每一次整定结束，我都会顺手把gbest附近的前几名参数也保留下来，上机逐一验证。因为适应度函数再完善，也代表不了真实机械系统的所有细节，实机验证永远是最后一关。PSO解决的是参数搜索效率问题，不能替代工程师对系统的理解和判断。