【花雕学编程】Arduino FOC 之带有扰动估计的滑模控制

驴友花雕

于 2024-10-03 13:15:37 发布

阅读量175

点赞数 7

分类专栏： Arduino FOC 文章标签：嵌入式硬件单片机 c++ 带有扰动估计的滑模控制 Arduino FOC

本文链接：https://blog.csdn.net/weixin_41659040/article/details/142691101

版权

Arduino FOC 专栏收录该内容

543 篇文章 10 订阅

订阅专栏

在这里插入图片描述

Arduino是一个开放源码的电子原型平台，它可以让你用简单的硬件和软件来创建各种互动的项目。Arduino的核心是一个微控制器板，它可以通过一系列的引脚来连接各种传感器、执行器、显示器等外部设备。Arduino的编程是基于C/C++语言的，你可以使用Arduino IDE（集成开发环境）来编写、编译和上传代码到Arduino板上。Arduino还有一个丰富的库和社区，你可以利用它们来扩展Arduino的功能和学习Arduino的知识。

Arduino的特点是：
1、开放源码：Arduino的硬件和软件都是开放源码的，你可以自由地修改、复制和分享它们。
2、易用：Arduino的硬件和软件都是为初学者和非专业人士设计的，你可以轻松地上手和使用它们。
3、便宜：Arduino的硬件和软件都是非常经济的，你可以用很低的成本来实现你的想法。
4、多样：Arduino有多种型号和版本，你可以根据你的需要和喜好来选择合适的Arduino板。
5、创新：Arduino可以让你用电子的方式来表达你的创意和想象，你可以用Arduino来制作各种有趣和有用的项目，如机器人、智能家居、艺术装置等。

在这里插入图片描述
Arduino FOC（Field Oriented Control，场向量控制）是一种先进的电机控制技术，它允许精确控制电机的转矩和速度。这种控制技术特别适用于无刷直流电机（BLDC）和步进电机。在Arduino平台上实现FOC可以提供平滑的运行和高度的扭矩、速度和位置控制，它通过精确控制电机的电流和电压来实现高效率、高精度和低噪声的操作。

主要特点:
1、高性能电机控制：FOC是一种高级的电机控制算法，可以精准控制PMSM(永磁同步电机)和BLDC(无刷直流)电机，实现平滑的转速和扭矩输出。
2、闭环控制架构：FOC采用闭环反馈控制，通过检测电机的位置和速度数据，实时调整输出电压和电流，确保电机动作符合预期。
3、模块化设计：Arduino FOC库采用模块化设计，包含电机建模、速度/位置/电流控制环、PWM生成等子模块，用户可根据需求灵活组合使用。
4、可移植性强：Arduino FOC可移植到多种硬件平台，如Arduino、ESP32、STM32与树莓派等，适用于功率从几十瓦到几千瓦的电机系统。
5、参数自动识别：FOC库具有自动识别电机参数的功能，可以大幅简化电机控制系统的调试过程。

应用场景:
1、工业自动化：在工厂的机器人、传送带、CNC加工设备等领域，Arduino FOC可提供高性能的电机控制解决方案。
2、电动车辆：电动自行车、电动汽车、电动叉车等车载电机驱动系统，可以采用Arduino FOC进行精准控制。
3、家用电器：在电风扇、洗衣机、空调等家用电器中，Arduino FOC可实现细腻的电机速度和扭矩控制。
4、航模和无人机：航模飞机、无人机等对电机控制性能要求很高的领域，Arduino FOC能够提供高精度的电机驱动。
5、机器人：工业机器人、服务机器人、仿生机器人等对电机控制性能有严格要求的领域，Arduino FOC是一个不错的选择。

需要注意的事项:
1、硬件要求：Arduino FOC对控制器的性能(如CPU频率、RAM/ROM容量等)有一定要求，需要选择合适的硬件平台。
2、调试复杂性：FOC算法涉及电机建模、坐标变换、PI调节器等诸多环节，调试和调优过程相对复杂，需要一定的专业知识。
3、噪声抑制：电机驱动电路容易产生噪声干扰，需要采取合理的屏蔽和滤波措施，确保信号质量。
4、安全防护：电机驱动系统可能会产生过电流、过压等故障,需要配备可靠的保护电路，确保人身和设备安全。
5、系统集成：将Arduino FOC集成到完整的电机驱动系统中时，需要考虑机械、电力、控制等各个方面的协调配合。

总的来说，Arduino FOC是一种功能强大、性能优秀的电机控制解决方案,适用于工业自动化、电动车辆、家用电器等众多领域。但在硬件选型、算法调试、噪声抑制和安全防护等方面都需要谨慎考虑，以确保系统稳定可靠地运行。

附录：系列目录
1、Arduino FOC的特点、场景和使用事项
http://t.csdnimg.cn/WZhYL
2、Arduino FOC 之简单FOC库 - 跨平台的无刷直流和步进电机FOC实现
http://t.csdnimg.cn/p9ADE
3、Arduino FOC 之无刷直流电机速度控制
http://t.csdnimg.cn/gZ7CY
4、Arduino FOC 之步进电机位置控制
http://t.csdnimg.cn/VYbIb
5、Arduino FOC 之无刷直流电机电流控制
http://t.csdnimg.cn/wWGVu
6、Arduino FOC 之 SimpleFOC 库的主要函数
http://t.csdnimg.cn/S26MC
7、Arduino FOC 之 ArduinoFOC库的核心函数
http://t.csdnimg.cn/3VLzF
8、Arduino FOC 之传感器校准
http://t.csdnimg.cn/NS3TR
9、Arduino FOC 之SimpleFOCShield v2.0.4无刷电机驱动板
http://t.csdnimg.cn/g9mP7
10、Arduino FOC 之 AS5600角度读取
http://t.csdnimg.cn/dmI6F
11、Arduino FOC 之 FOC算法
http://t.csdnimg.cn/ENxc0
12、Arduino FOC 之 SimpleFOC库的适配电机方案
http://t.csdnimg.cn/QdH6k

在这里插入图片描述
Arduino FOC 之带有扰动估计的滑模控制
一、主要特点
鲁棒性：
滑模控制具有良好的鲁棒性，能够有效应对系统参数变化和外部扰动，保持系统性能稳定。这种控制方法尤其适合于具有不确定性和干扰的复杂系统。
扰动估计能力：
通过对系统扰动的估计，滑模控制能够实时调整控制策略，增强系统对外部干扰的适应性。利用扰动观测器，可以更精确地识别并补偿外部扰动。
快速响应：
滑模控制能够实现快速的动态响应，适合于对时间响应要求较高的应用场合。控制器能够迅速调整输出，以实现设定目标。
简单实现：
基于 Arduino 平台的滑模控制实现相对简单，控制算法易于编程和调试，适合快速原型开发。
可扩展性：
滑模控制可以与其他控制策略结合，如 PID 控制、模糊控制等，增强系统的功能和灵活性。

二、应用场景
电动机控制：
在电动机驱动系统中，带有扰动估计的滑模控制可以有效应对负载变化和非线性特性，确保电动机的稳定运行和精确控制。
机器人控制：
在机器人关节控制中，滑模控制能够处理关节摩擦和外部干扰，实现高精度的位置和姿态控制。
自动化设备：
在自动化生产线中，滑模控制可用于运动控制和位置控制，提高设备的工作效率和可靠性。
航天与无人机控制：
在航天器和无人机的姿态控制中，滑模控制能够快速响应外部环境变化，确保飞行的稳定性和安全性。
智能家居与物联网：
在智能家居设备中，滑模控制可以用于温控、灯光控制等场合，提升设备的智能化水平和用户体验。

三、注意事项
控制参数调节：
滑模控制的设计涉及多个参数的选择（如滑模面、增益等），需要根据具体系统进行调节，以确保系统的稳定性和响应速度。
抖振现象：
滑模控制可能会引起抖振现象（Chattering），需设计合适的滤波器或边界层策略来减小这种现象对系统的影响。
系统建模：
确保系统模型的准确性，任何误差都会影响控制效果。精确的模型有助于提高扰动估计的准确性。
实时性要求：
滑模控制的计算需要具备良好的实时性，确保能够快速响应输入信号和扰动信息，以保持系统的稳定运行。
外部干扰处理：
在设计时需考虑外部环境对控制系统的干扰，设计有效的干扰抑制策略，以提高控制系统的鲁棒性。

总结
带有扰动估计的滑模控制在电动机控制、机器人技术和自动化设备等领域具有广泛应用。通过高效的扰动估计和鲁棒性控制，可以实现高精度和高稳定性的系统控制。在实施过程中，需关注控制参数的调节、抖振现象及系统建模等因素，以确保系统的高效性和可靠性。合理的设计与优化将推动该技术在智能化和自动化领域的发展。

在这里插入图片描述
1、基本滑模控制

#include <Arduino.h>

float K = 2.0; // 滑模增益
float lambda = 1.0; // 滑模面斜率
float desiredPosition = 100.0; // 目标位置
float currentPosition = 0.0; // 当前位置信息
float disturbance = 0.0; // 扰动

void setup() {
  Serial.begin(9600);
}

void loop() {
  // 模拟扰动
  disturbance = sin(millis() / 1000.0) * 10.0; // 随时间变化的扰动
  
  // 计算控制输入
  float controlInput = slidingModeControl(desiredPosition, currentPosition, disturbance);
  
  // 更新当前状态
  currentPosition += controlInput * 0.1; // 简单的动态模型
  currentPosition += disturbance * 0.1; // 加入扰动影响
  
  // 输出当前位置信息
  Serial.print("Current Position: "); Serial.print(currentPosition);
  Serial.print(", Control Input: "); Serial.println(controlInput);
  
  delay(100); // 更新频率
}

float slidingModeControl(float desired, float actual, float disturbance) {
  float error = desired - actual;
  float slidingSurface = error + lambda * disturbance; // 滑模面
  float control = K * sign(slidingSurface); // 控制输入
  return control;
}

int sign(float value) {
  return (value > 0) - (value < 0); // 返回-1, 0, 1
}

2、带有扰动估计的控制

#include <Arduino.h>

float K = 2.0; // 滑模增益
float lambda = 1.0; // 滑模面斜率
float desiredPosition = 100.0; // 目标位置
float currentPosition = 0.0; // 当前位置信息
float estimatedDisturbance = 0.0; // 估计的扰动

void setup() {
  Serial.begin(9600);
}

void loop() {
  // 模拟扰动
  float actualDisturbance = sin(millis() / 1000.0) * 10.0; // 实际扰动
  estimatedDisturbance = estimateDisturbance(currentPosition, actualDisturbance); // 扰动估计
  
  // 计算控制输入
  float controlInput = slidingModeControl(desiredPosition, currentPosition, estimatedDisturbance);
  
  // 更新当前状态
  currentPosition += controlInput * 0.1; // 简单的动态模型
  
  // 输出当前位置信息
  Serial.print("Current Position: "); Serial.print(currentPosition);
  Serial.print(", Control Input: "); Serial.println(controlInput);
  
  delay(100); // 更新频率
}

float slidingModeControl(float desired, float actual, float disturbance) {
  float error = desired - actual;
  float slidingSurface = error + lambda * disturbance; // 滑模面
  float control = K * sign(slidingSurface); // 控制输入
  return control;
}

float estimateDisturbance(float currentPosition, float actualDisturbance) {
  // 简单的扰动估计
  return actualDisturbance - (currentPosition / 10.0); // 估计模型
}

int sign(float value) {
  return (value > 0) - (value < 0); // 返回-1, 0, 1
}

3、滑模控制与PID结合

#include <Arduino.h>

float K = 2.0; // 滑模增益
float lambda = 1.0; // 滑模面斜率
float desiredPosition = 100.0; // 目标位置
float currentPosition = 0.0; // 当前位置信息
float estimatedDisturbance = 0.0; // 估计的扰动

// PID参数
float Kp = 1.0;
float Ki = 0.1;
float Kd = 0.01;
float previousError = 0.0;
float integral = 0.0;

void setup() {
  Serial.begin(9600);
}

void loop() {
  // 模拟扰动
  float actualDisturbance = sin(millis() / 1000.0) * 10.0; // 实际扰动
  estimatedDisturbance = estimateDisturbance(currentPosition, actualDisturbance); // 扰动估计

  // 计算控制输入
  float slidingControl = slidingModeControl(desiredPosition, currentPosition, estimatedDisturbance);
  float pidControl = PIDControl(desiredPosition, currentPosition);
  
  // 合并控制输入
  float controlInput = slidingControl + pidControl;
  
  // 更新当前状态
  currentPosition += controlInput * 0.1; // 简单的动态模型
  
  // 输出当前位置信息
  Serial.print("Current Position: "); Serial.print(currentPosition);
  Serial.print(", Control Input: "); Serial.println(controlInput);
  
  delay(100); // 更新频率
}

float slidingModeControl(float desired, float actual, float disturbance) {
  float error = desired - actual;
  float slidingSurface = error + lambda * disturbance; // 滑模面
  float control = K * sign(slidingSurface); // 控制输入
  return control;
}

float estimateDisturbance(float currentPosition, float actualDisturbance) {
  // 简单的扰动估计
  return actualDisturbance - (currentPosition / 10.0); // 估计模型
}

float PIDControl(float desired, float actual) {
  float error = desired - actual;
  integral += error * 0.1; // 积分
  float derivative = (error - previousError) / 0.1; // 微分
  previousError = error;

  return Kp * error + Ki * integral + Kd * derivative; // PID输出
}

int sign(float value) {
  return (value > 0) - (value < 0); // 返回-1, 0, 1
}

要点解读
滑模控制的基本原理：
所有代码示例实现了滑模控制的基本概念，通过定义滑模面和控制输入，系统能够快速响应误差并将其驱动到零。滑模控制的优势在于对系统不确定性和扰动的鲁棒性。
扰动估计的应用：
第二个代码示例展示了如何通过简单的模型估计扰动，增强了控制系统对外部扰动的适应能力。通过实时估计扰动，控制器可以更精准地调整其输出。
PID控制的结合：
第三个代码示例将滑模控制与PID控制结合，利用两者的优势。PID控制保持系统的稳定性和精确性，而滑模控制则提高了系统对扰动的鲁棒性和响应速度。
动态模型的简化：
在示例中，使用了简单的动态模型来更新当前状态。虽然这种模型相对简单，但在实际应用中，可以根据具体系统的特性进行更复杂的建模，以提高控制性能。
可扩展性与实际应用：
这些代码示例为应用于实际控制系统提供了基础，用户可以根据需要扩展功能，例如增加传感器输入、实现更复杂的扰动估计或优化控制参数。这些技术在机器人控制、电机驱动和其他自动化系统中具有广泛应用。

在这里插入图片描述
4、带有扰动估计的滑模控制电机速度控制

#include <SimpleFOC.h>

// 定义电机和传感器
BLDCMotor motor = BLDCMotor(7);
BLDCDriver3PWM driver = BLDCDriver3PWM(9, 10, 11);
MagneticSensorI2C sensor = MagneticSensorI2C(AS5600_I2C);

// 定义滑模控制参数
float sliding_gain = 0.1;
float disturbance_estimate = 0.0;

void setup() {
  Serial.begin(115200);

  // 初始化电机和传感器
  sensor.init();
  motor.linkSensor(&sensor);
  driver.voltage_power_supply = 12;
  driver.init();
  motor.linkDriver(&driver);
  motor.controller = MotionControlType::velocity;

  // 初始化滑模控制参数
  motor.PID_velocity.P = 0.2;
  motor.PID_velocity.I = 0.1;
  motor.PID_velocity.D = 0.0;
  motor.PID_velocity.output_ramp = 1000;
  motor.LPF_velocity.Tf = 0.01;

  motor.useMonitoring(Serial);
  motor.init();
  motor.initFOC();
}

void loop() {
  // 目标速度
  float target_velocity = 10.0;

  // 计算扰动估计
  disturbance_estimate = sliding_gain * (target_velocity - motor.shaft_velocity);

  // 应用滑模控制
  motor.move(target_velocity + disturbance_estimate);

  // 打印电机速度和扰动估计
  Serial.print("速度: ");
  Serial.print(motor.shaft_velocity);
  Serial.print(" 扰动估计: ");
  Serial.println(disturbance_estimate);

  motor.monitor();
  delay(100);
}

5、带有扰动估计的滑模控制电机位置控制

#include <SimpleFOC.h>

// 定义电机和传感器
BLDCMotor motor = BLDCMotor(7);
BLDCDriver3PWM driver = BLDCDriver3PWM(9, 10, 11);
MagneticSensorI2C sensor = MagneticSensorI2C(AS5600_I2C);

// 定义滑模控制参数
float sliding_gain = 0.1;
float disturbance_estimate = 0.0;

void setup() {
  Serial.begin(115200);

  // 初始化电机和传感器
  sensor.init();
  motor.linkSensor(&sensor);
  driver.voltage_power_supply = 12;
  driver.init();
  motor.linkDriver(&driver);
  motor.controller = MotionControlType::angle;

  // 初始化滑模控制参数
  motor.PID_angle.P = 0.2;
  motor.PID_angle.I = 0.1;
  motor.PID_angle.D = 0.0;
  motor.P_angle.output_ramp = 1000;
  motor.LPF_angle.Tf = 0.01;

  motor.useMonitoring(Serial);
  motor.init();
  motor.initFOC();
}

void loop() {
  // 目标位置
  float target_position = 1.0;

  // 计算扰动估计
  disturbance_estimate = sliding_gain * (target_position - motor.shaft_angle);

  // 应用滑模控制
  motor.move(target_position + disturbance_estimate);

  // 打印电机位置和扰动估计
  Serial.print("位置: ");
  Serial.print(motor.shaft_angle);
  Serial.print(" 扰动估计: ");
  Serial.println(disturbance_estimate);

  motor.monitor();
  delay(100);
}

6、带有扰动估计的滑模控制电机电流控制

#include <SimpleFOC.h>

// 定义电机和传感器
BLDCMotor motor = BLDCMotor(7);
BLDCDriver3PWM driver = BLDCDriver3PWM(9, 10, 11);
MagneticSensorI2C sensor = MagneticSensorI2C(AS5600_I2C);

// 定义滑模控制参数
float sliding_gain = 0.1;
float disturbance_estimate = 0.0;

void setup() {
  Serial.begin(115200);

  // 初始化电机和传感器
  sensor.init();
  motor.linkSensor(&sensor);
  driver.voltage_power_supply = 12;
  driver.init();
  motor.linkDriver(&driver);
  motor.controller = MotionControlType::torque;

  // 初始化滑模控制参数
  motor.PID_current_q.P = 0.2;
  motor.PID_current_q.I = 0.1;
  motor.PID_current_q.D = 0.0;
  motor.LPF_current_q.Tf = 0.01;

  motor.useMonitoring(Serial);
  motor.init();
  motor.initFOC();
}

void loop() {
  // 目标电流
  float target_current = 2.0;

  // 计算扰动估计
  disturbance_estimate = sliding_gain * (target_current - motor.current_q);

  // 应用滑模控制
  motor.move(target_current + disturbance_estimate);

  // 打印电机电流和扰动估计
  Serial.print("电流: ");
  Serial.print(motor.current_q);
  Serial.print(" 扰动估计: ");
  Serial.println(disturbance_estimate);

  motor.monitor();
  delay(100);
}

要点解读
扰动估计：
通过滑模控制中的扰动估计，可以实时补偿系统中的外部扰动和不确定性，提升控制系统的鲁棒性和稳定性。
滑模控制：
滑模控制策略通过快速切换控制输入，实现对系统状态的快速调整，减少超调和稳态误差，适用于非线性系统的控制。
实时监控：
使用motor.useMonitoring(Serial);和motor.monitor();函数，可以实时监控电机的运行状态，便于调试和优化控制参数。
多种控制模式：
代码示例展示了速度控制、位置控制和电流控制三种不同的控制模式，分别适用于不同的应用场景，灵活性强。
参数调优：
通过调整PID控制器的参数（P、I、D）和低通滤波器的时间常数（Tf），可以优化控制系统的性能，确保系统在不同工况下的稳定运行。

注意，以上案例只是为了拓展思路，仅供参考。它们可能有错误、不适用或者无法编译。您的硬件平台、使用场景和Arduino版本可能影响使用方法的选择。实际编程时，您要根据自己的硬件配置、使用场景和具体需求进行调整，并多次实际测试。您还要正确连接硬件，了解所用传感器和设备的规范和特性。涉及硬件操作的代码，您要在使用前确认引脚和电平等参数的正确性和安全性。

在这里插入图片描述