粒子群优化永磁同步电机无位置传感器控制仿真：从拆解到实战

搞电机控制仿真的人，手里大概都攒过一批带“源文件”三个字的东西。这类标题里写着“粒子群算法优化”“永磁同步电机”“无位置传感器”的仿真文件，我前后接触过不少。很多人拿到之后直接双击打开，点一下运行，要么波形满天飞，要么跑半天也没看见优化过程，最后只能搁在硬盘里吃灰。实际上这类文件真正的价值并不在“能跑出几个波形”，而在于两件事：一是无位置传感器控制算法本身——比如滑模观测器、磁链观测器这一类怎么看转子位置的手段；二是粒子群优化（PSO）怎么跟整个仿真闭环配合起来做参数自整定。这篇我就围绕这类仿真源文件，说说我在拆解、复现和改造它们时积累下来的东西。不论你是刚接触电机控制仿真的学生，还是已经在做驱动器开发的工程师，如果你手头也有一份类似的源码但一直没跑明白，这篇应该能帮你省不少时间。

1. 这类源文件到底在优化什么：先搞清楚控制架构再动手

1.1 无位置传感器控制的第一性问题：转子角度从哪来

永磁同步电机要做磁场定向控制，电流要分解到d轴和q轴上，这一步的前提是实时知道转子电角度。传统做法是在轴端装编码器或者旋转变压器，无位置传感器方案就是把这些机械件去掉，只靠电流和电压信号把转子位置“估”出来。

估计的依据主要是反电动势。转子转动时，定子绕组切割永磁磁场，产生的反电动势里天然带着转子位置和转速信息。反电动势的大小跟转速成正比，所以中高速段比较好估，低速和零速时它趋近于零，这也是无位置传感器方案里最难啃的部分。常见的估算方法有几类：一类是状态观测器，比如滑模观测器（SMO），构造一个电流观测器，让观测电流和实际电流的误差去驱动滑模面，把反电动势逼出来；另一类是模型参考自适应（MRAS），把电机本身当成参考模型，用可调模型去逼近；还有一类是高频信号注入，专门解决零低速问题。多数网上的仿真源文件用的是SMO，因为它结构相对简单、鲁棒性也不错，适合中高速段配合启动策略做全速度范围控制。

滑模观测器的大致思路是这样的：电机在αβ坐标系下的电流方程里含反电动势项，而反电动势是未知的。观测器做一个电流估计回路，用估计电流和实测电流的差值构造滑模面，加上一个符号函数或者饱和函数作为切换项，不断修正电流估计。滑模面收敛之后，切换项的输出在平均意义上就等于反电动势的估计值。有了反电动势的αβ分量，再用反正切函数或者锁相环（PLL）就能解出转子角度和转速。

1.2 粒子群在源文件里的真实工作位置

很多人以为PSO优化的是“估角度的算法本身”，其实不对。绝大多数源文件里，PSO优化的是控制器参数和观测器可调参数，而不是去改变观测器的结构。典型的一组可优化参数大概是这样：

这些参数之间是互相耦合的。滑模增益取得太高，滤波后的反电动势仍然抖得厉害，角度估算噪声大；取得太低，高速时又跟不上真实反电动势的变化。速度环带宽和电流环带宽之间差太近还会引发振荡。人工整定这套参数，往往要来回试很多轮，每个人调出来的手感还都不一样。PSO干的事情就是把这组参数看成高维空间里的一个点，一群粒子从随机位置出发，靠适应度函数打分，一代一代朝“适应度更好”的区域收敛。

明白了这一层，再看源文件就不会被一堆模块吓住。它的整体架构其实是很标准的：坐标变换、电流环、速度环、SMO观测器、PLL位置提取，外层套一个粒子群脚本，每次仿真后读波形、算指标、更新参数。搞清楚这个闭环，后面的排查和修改才有方向。

2. 仿真源文件的结构拆解：读懂几个关键模块

2.1 电机模型与坐标变换：一切都是从dq方程出发

不管源文件用什么版本的仿真平台，电机本体模块基本都是基于d-q轴数学模型搭的。永磁同步电机在dq轴下的电压方程是：

• ud = Rs·id + Ld·did/dt - ωe·Lq·iq
• uq = Rs·iq + Lq·diq/dt + ωe·(Ld·id + ψf)

这里面Rs是定子电阻，Ld和Lq是直轴和交轴电感，ψf是永磁磁链，ωe是电角速度。电磁转矩Te = 1.5·p·[ψf·iq + (Ld - Lq)·id·iq]，p是极对数。看到这里你就能理解为什么无传感器控制喜欢用id=0控制：若Ld=Lq或者采用id=0策略，转矩就跟iq严格成正比，控制逻辑就变简单了。有的源文件里会刻意设Ld≈Lq，就是为了在仿真里省去凸极效应的麻烦，专注验证观测器和优化算法。

从三相abc变量到dq变量要经过Clark变换和Park变换。这个环节看着不起眼，但出错概率很高。我见过不少源文件在Park变换的角度里直接把θ̂（估算角度）当成真实角度去用，这在闭环稳定之后没问题，但在启动阶段估算角度还没收敛时，变换出来的电流波形会非常奇怪。这是这类文件里“看起来哪里都对但就是跑不稳”的常见来源之一。

2.2 观测器模块：滑模结构、滤波器与锁相环

SMO模块通常是整个文件里模块数最多、最难看的部分。它内部大致分三段。第一段是电流观测器，利用电压方程构造电流估计；第二段是滑模切换项，常见形式是k·sign(î-i)，有的文件为了减小抖振会用饱和函数sat(î-i)代替，区别在于边界层的厚度；第三段是信号处理，反电动势估计值先经过低通滤波器，再进PLL提取角度和转速。

低通滤波器这一段非常关键。因为滑模切换本质上是高频开关动作，反电动势估计值里全是高频抖振，不滤波没法用。但低通滤波器会给信号引入相位滞后，滞后角度差不多是arctan(ω/ωc)，ω是信号角频率，ωc是滤波器截止频率。很多源文件里会放一个按当前转速查表或直接按公式算的补偿角，加到最终估算角度上。如果打开的源文件里没有这个补偿环节，高速段的角度误差会随着转速上升越来越大，最终表现为电流畸变甚至速度收敛到错误值。

PLL部分的实现方式通常有两种：一种是根据atan2(Eβ, Eα)直接求角度，再对角度做微分得到转速；另一种是让角度进PLL闭环。后者更常见，因为角度微分会放大噪声，而PLL本身自带积分性质，可以同时输出平滑的角度和转速。PLL带宽也是可调的，源文件里一般以Kp_pll和Ki_pll两个参数体现。

2.3 电流环、速度环与估算角度的闭环衔接

再把视角拉回到整个控制回路。最外层是速度环，速度环的输出是q轴电流参考；内层是电流环，输出d-q轴电压参考；电压参考经过反Park变换得到αβ轴电压，再送进SVPWM和逆变器。难点在于，这里的Park变换和反Park变换用的角度，全部来自观测器输出的估算角度θ̂，而不是真实角度。也就是说，整个控制系统是在“自己猜的角度”上闭环的。

启动阶段是个特殊时期。电机在零速附近反电动势为零，观测器根本估不出角度，所以多数源文件会设计一个开环启动过程：先给一个固定频率的电压矢量，或者使用V/F方式拖起来，等转速超过某个阈值，再切换成无传感器闭环。切换那一刻最容易出问题，估算角度和真实角度如果差得太多，切换后的电流会瞬间冲击，轻则波形畸变，重则直接保护停机。好的源文件里会有一个切换逻辑模块，有的还做角度逐步过渡。拿到源码后，第一步应该把这个切换阈值和启动时长找出来，后面的PSO优化才能在一个合理的工况范围内进行。

3. PSO优化的工程落地：参数编码、目标函数与迭代配置

3.1 参数向量设计：6维粒子到底代表什么

PSO的第一个实操问题是把哪些参数放进粒子。放少了，优化空间有限；放多了，维度灾难会让收敛速度慢到怀疑人生。我处理过的这类源文件里，最常用的向量是6维，比如：

x = [Kp_speed, Ki_speed, Kp_current, Ki_current, k_smo, fc]

也就是速度环一组、电流环一组、滑模增益、滤波器截止频率。PLL带宽我一般建议单独手工调，或者放到第二轮再说。原因是PLL带宽跟转速范围强相关，如果第一轮优化里把PLL带宽也放开，很容易出现“这组参数在这个转速下很好，换个转速目标就崩”的情况。

边界条件的设计比粒子数更重要。太多人直接把边界设成估算值的±100%，结果一大半粒子落在完全不可能稳定的区域，仿真直接发散，适应度全是无穷大。我通常先手动跑一组已知稳定的参数，再把每个维度的边界设成它的0.5~2倍或0.3~3倍，这样粒子群搜索的区域本身就是一个“大概率有解”的超立方体。注意要检查边界是否物理合理，比如滤波器截止频率不可能低于几十赫兹，也不可能高于几万赫兹，设边界时心里要有数。

3.2 适应度函数：ITAE之外还要加什么

适应度函数是整个PSO优化里最体现功力的地方。基本项用的是ITAE，也就是时间乘以绝对误差的积分，形式是：

J = ∫ t·|ω_ref - ω̂| dt

这个指标对前期误差给的时间权重小，对后期稳态误差给的时间权重大，正好符合电机控制的直觉——起始阶段的大偏差可以容忍，但稳态阶段还拖着长尾巴的慢收敛要被重罚。

单用ITAE有个问题：它完全不关心超调量。经常会出现一种结果，转速上升很快但是冲过了头再来回震荡，ITAE指标却不差。所以实用做法是在ITAE后面加惩罚项，比如：

J = ITAE + λ1·max(overshoot, 0) + λ2·max(|u|_sat约束, 0)

λ1和λ2是权重，要根据实际仿真结果调整。如果发现优化结果老是往超调方向走，就加大λ1；如果发现电流饱和导致适应度没区分度，就要检查是不是负载工况设置得太苛刻。

在Matlab里实现时，每个粒子的适应度往往是这样算的：

function J = calcFitness(simOut) t = simOut.tout; speedData = simOut.logsout.get('Speed').Values.Data; refData = simOut.logsout.get('SpeedRef').Values.Data; err = refData - speedData; ITAE = sum(abs(err) .* t) * (t(end) - t(1)) / numel(t); overshoot = max(0, max(speedData) - refData(end)); J = ITAE + 10 * overshoot; end

这里的核心是，所有信号一定要用仿真记录下来的数据，不能再回头去模型里面点示波器看，否则PSO循环根本跑不起来。所以拿到源文件后，第一件事就是确认模型里有To Workspace或者日志记录模块，把转速、角度、电流等关键量都导出来了。

3.3 粒子群超参设置与两阶段寻优策略

粒子群核心更新公式基本是固定的，每个粒子的速度和位置按下面方式更新：

v_i(t+1) = w·v_i(t) + c1·r1·(pbest_i - x_i) + c2·r2·(gbest - x_i) x_i(t+1) = x_i(t) + v_i(t+1)

w是惯性权重，c1是自我认知系数，c2是社会认知系数，r1和r2是0到1的随机数。工程上的常见设置是w从0.9线性降到0.4，c1=c2=1.8左右。粒子数不用太多，这类仿真里每个粒子意味着一次完整的模型仿真，20个粒子、15代就是300次仿真，已经不少了。

这里介绍一个很实用的两阶段策略。第一阶段用宽边界、粗参数跑10代左右，目的是找到一块不错的区域；第二阶段把边界缩小到第一阶段最优解的附近，再精细跑10代。两阶段的粒子群在同样仿真次数下，往往比一次性跑到底的结果稳定得多。原因是粒子群早期靠随机探索，宽边界能避免陷入局部最优，后期靠边界收缩提高局部搜索精度。这个思路在参数耦合严重的电机控制问题上非常管用。

下面是一个主循环的示意结构：

% main_pso.m 示意代码 nParticle = 20; maxIter = 15; w = 0.72; c1 = 1.8; c2 = 1.8; lb = [0.01, 0.1, 0.01, 0.1, 10, 100]; ub = [1.0, 10, 1.0, 10, 200, 2000]; x = lb + (ub - lb) .* rand(nParticle, 6); v = 0.05 * (ub - lb) .* rand(nParticle, 6); pbest_x = x; pbest_f = inf(nParticle, 1); gbest_x = x(1, :); gbest_f = inf; for iter = 1:maxIter for i = 1:nParticle assignParams(x(i, :)); % 把第i个粒子写入模型工作区 simOut = sim('pmsm_sensorless.slx', 'StopTime', '1.5'); fitness(i) = calcFitness(simOut); end % 更新个体最优和全局最优 % 更新速度和位置 % 动态降低w end

这段代码里assignParams是核心，它负责把粒子的6个值赋给模型中的参数变量。我见过不少源文件在传递参数时用assignin('base', ...)，这种做法在单独运行脚本时能用，但如果你用了函数封装或并行工具箱，就要小心工作区作用域的问题。最稳妥的方式是把参数定义在模型工作区里，或者用仿真输入对象（SimulationInput）的变量映射机制。

4. 复现这类源码最容易踩的坑：实际排查经验

4.1 求解器与步长：跑崩的第一原因

我拿到一个这类源文件，通常第一件事就是看求解器设置。很多从网上下载的文件默认使用变步长求解器，仿真速度快，但结果可能不可复现。对SMO这种带高频开关动作的系统，变步长在滑模切换点附近会疯狂加密步长，有时候步长小到仿真时间根本跑不动，有时候又因为切换太剧烈导致步长突然增大，结果反电动势估计值直接爆掉。

建议改成固定步长，典型值是1e-5到1e-6秒。固定步长1e-5对于大多数功率等级的PMSM仿真都够用，如果SMO的切换频率特别高、抖振严重，就降到5e-6或1e-6。代价是同样的仿真时长，计算量会大不少。跑一次1.5秒仿真，在普通笔记本电脑上可能要几十秒到几分钟，这也是为什么PSO的粒子数和代数不能设得太大。

另外，仿真停止时间也要和适应度函数匹配。有的源文件设的是0.5秒，转速还没完全稳住，粒子群就开始打分，结果分数完全没有区分度。我一般设为1.5到2秒，留出启动、加速、达到稳态的时间和一段稳定的评估窗口。

4.2 观测器增益初始化与相位延迟补偿

第二个常见坑是滑模增益给了一个看似合理但实际不合理的初值。滑模观测器对增益的要求很微妙：太小，滑模面建立不起来，反电动势估计值始终有偏差；太大，抖振剧烈，经过滤波后的角度噪声大得没法用。很多源文件里给的初值是在某一组电机参数下调试出来的，你换个电机模型，直接沿用肯定出问题。

排查方法是先把PSO关掉，手动固定一组参数，单独跑一次仿真，看几个关键信号：电流观测误差是否在几十毫秒内收敛到滑模面附近、反电动势估计值是否呈两相互差90度的正弦波、估算角度和真实角度的误差是否在一个较小范围内。如果反电动势波形有明显的方波状高频锯齿，说明滑模增益偏高或滤波器截止频率偏低；如果反电动势幅值明显不足或相位滞后大，说明增益偏低或补偿角没加对。

相位延迟这块再强调一次。低通滤波器对反电动势的滞后，在1500转/分以上会很明显。矢量控制的角度误差直接意味着d轴和q轴没有对正，交轴电流分量会有一部分跑到直轴上，造成“要的转矩出不来、励磁分量变大”的恶性循环。如果你发现优化出来的参数在其他转速都好、唯独高速段有问题，首先怀疑的应该是补偿角计算，而不是PSO没收敛。

4.3 PSO和Simulink联合优化的性能瓶颈

PSO和仿真的联合优化在工程上最大的痛点不是算法本身，而是单次仿真的开销。20个粒子算一代，如果每个粒子跑一次1.5秒的仿真需要一分半钟，那么一代就要半小时，15代就是大半天。这不现实，所以在第一次优化前需要做三件事。

第一，把模型里的示波器全部拆掉或者设为断开，仿真时不绘制波形。示波器绘制是纯浪费，尤其开了“自动缩放”选项的时候，几百次仿真跑下来光画波形就能占掉一半时间。第二，只记录必要信号，不要给所有信号都加To Workspace，记录的数据量越大，写入内存的开销越高。第三，如果条件允许，把仿真时间缩短到能充分评估性能的最短值。比如优化目标是启动到1000转/分的响应，那就设1秒好了，没必要跑3秒加负载的完整工况。

在这些基础上，还可以考虑用并行计算加速粒子群。每个粒子的仿真实际上是相互独立的，正好满足并行条件。用parfor替换内层循环能明显提速。但要注意：并行时每个worker都要能访问模型文件路径和参数映射函数，否则会出现“某个worker跑出来适应度是空的”这种问题。我建议先在串行模式下跑通一轮，确认参数传递和日志记录没问题之后，再切到并行模式。

4.4 怎么判断优化是否真的收敛

很多人看到PSO的全局最优曲线下降了，就以为优化成功了，其实不一定。判断收敛至少要看三个标志。第一是全局最优适应度随迭代次数单调下降，并且最后几代下降幅度小于某个阈值，这表明粒子群在某个局部区域稳定下来了。第二是粒子群的群体多样性降低，也就是所有粒子逐渐聚集到全局最优附近，说明搜索过程没有发散。第三是最好一组的参数跑出来的响应曲线在物理上是合理的——转速不过冲太多、电流不长时间饱和、估算角度误差在一个合理范围内。

如果出现适应度一直在降、但降到最后波形依然很差的情况，大概率是适应度函数定义有问题。比如评价窗选的太短，启动冲击主导了指标；或者参考转速设置得过低，粒子群根本没有被逼着去优化高速段的性能。遇到这种情况，先检查适应度计算代码，再检查工况设置，最后才考虑是不是PSO超参没调好。优化算法很少是“主要矛盾”，定义不清的优化目标才是。

5. 验证优化结果：波形、指标与多工况测试

5.1 测试工况怎么设计

优化完成后，还要回答一个更重要的问题：这组参数是真的好用，还是只在优化用的那一个工况下好使？要回答这个问题，必须设计多工况测试。最基础的一组测试包括：

• 启动测试：从静止启动到额定转速，观察上升时间、超调量和启动电流冲击；
• 负载突变测试：稳态运行中突然加额定负载，观察转速跌落幅度和恢复时间；
• 正反转测试：从正向额定转速切换到反向额定转速，观察过零速度时的角度跟踪能力；
• 转速阶跃测试：从低速跳到高速，再从高速跳回低速，观察不同速度段的适应性。

在执行多工况测试时要注意，PSO优化使用的那组工况是“训练集”，新工况是“测试集”，如果测试集表现跟训练集差距很大，说明参数过拟合了。这也是为什么前面建议不要把PLL带宽放进优化向量里，它太容易在某一特定转速段上过拟合了。

5.2 量化对比：用数据说话

验证优化结果不能靠肉眼看波形。应该把关键指标统计成表，这样有没有提升一目了然。

把这些数字整理出来之后，你会发现问题往往不在总量上，而在某个特定速度段。比如整体响应快了，但正反转过零的时候角度估计误差会突然变大，这是SMO类方案在零低速区的本性，不是PSO能解决的。这时候应该记录这个限制，而不是继续调参数硬扛。

5.3 多轮运行与统计：不要被单次波形骗了

最后提醒一点：仿真结果也有随机性。PWM初始化相位、求解器数值误差、PSO本身的随机初始位置，都会让两次仿真产生微小差异。所以验证时同一个工况至少跑三到五次，取平均值比较，而不是拿一次偶然的好波形当圣旨。

我习惯的做法是：对最终选定的参数组，把仿真脚本固化下来，每次测试跑三遍，记录指标的平均值和最大最小值范围。如果某个指标在三次里波动幅度超过20%，说明系统可能存在间歇性的不稳定，要回头排查模型问题，而不是直接在报告里写“这组参数完美”。

6. 这类源文件接下来可以往哪个方向改

6.1 从滑模观测器扩展到高频注入

如果你手里的源文件用的是SMO，那么它最大的短板是零低速。反电动势为零的地方，观测器没有输入信号。解决办法是引入高频信号注入：在估计的d轴注入一个高频电压信号，利用电机的磁凸极效应或者饱和凸极效应，从高频电流响应中提取转子位置。

这个方向改起来工作量不小，因为你不仅要加一个注入环节，还要在观测器里多一个高频电流解调器和对应的滤波器。但一旦改通，整个源文件的适用范围就从“中高速+启动策略”扩展到了“零速也能闭环”，这在很多应用场景里价值极大。PSO在这里依然有用，因为高频注入的可调参数更多——注入幅值、注入频率、解调滤波带宽、PI调节器参数，耦合关系比SMO还复杂。

6.2 把PSO换成其他群体算法的对比思路

另一种常见的改造方向是把粒子群换成别的群体智能算法，比如差分进化（DE）、灰狼算法（GWO）、鲸鱼算法（WOA）等。这种改动在算法层看起来花样很多，但对电机控制仿真来说，真正决定上限的还是适应度函数设计和边界设置。换了算法之后，同样跑15代，结果可能会在某个指标上更好，在另一个指标上更差，没有哪种算法在所有问题上都碾压其他算法。

如果要对比，建议固定同一套适应度函数、同样的粒子数与迭代次数、同样的边界，在同一个仿真模型上跑。否则两个算法之间的差异会被工况差异淹没，得不出有意义的结论。粒子群的优势是结构简单、超参少、容易和Simulink集成，这也是它成为这类源文件标配的原因。

6.3 仿真向嵌入式移植的差异

仿真跑通了，最后总绕不开“能不能上控制器”这件事。仿真里的SMO是用连续时间积分实现的，到了嵌入式环境要改成离散迭代。每一步的仿真步长在模型里是全局统一的，而实际代码里电流环、速度环、观测器往往运行在不同频率，需要重新分配。观测器的运行频率通常跟电流环一样，速度环可以低一些，但要注意速度环频率太低会让转速波动变大。

另外，仿真里电机参数是理想的、恒定的，实际电机里Rs随温度变化、Ld和Lq随电流饱和变化、磁链随温度漂移。SMO这类基于模型的方法对参数误差敏感，参数不对时估出来的角度会有偏差。做移植时，要么在观测器里加参数在线辨识，要么至少把参数标定环节纳入项目计划。这些都是仿真阶段碰不到、但真正落地时会卡住你的问题。如果手中的源文件触发你开始思考这些东西，那它就不仅仅是一个“能跑出波形的文件”了，这个探索已经值回票价。