Управление скоростью BLDC — искусство точного вращения

Управление скоростью BLDC — это задача поддержания динамического равновесия между электромагнитным моментом двигателя и механической нагрузкой. В отличие от простого поддержания напряжения, здесь система должна постоянно измерять фактическую скорость и корректировать усилие, компенсируя возмущения — будь то изменение трения, уклона для колёсного робота или сопротивления воздуха для пропеллера. В 2026 году это не просто ПИД-регулятор, а комплексная система с адаптацией, предсказанием и глубокой интеграцией с механикой.

«Измеряем ошибку скорости — прикладываем корректирующее усилие.»

• Принцип: Классический замкнутый контур. Датчик (энкодер, тахогенератор) измеряет фактическую скорость \( \omega_{actual} \), регулятор вычисляет ошибку \( e = \omega_{setpoint} - \omega_{actual} \) и изменяет управляющее воздействие.
• Алгоритм: ПИД-регулятор по скорости.
• Недостаток: Реагирует после того, как возмущение уже повлияло на скорость.

«Зная будущее возмущение, компенсируем его заранее.»

• Принцип: Используется динамическая модель двигателя и нагрузки. Вместо того чтобы ждать, пока возмущение создаст ошибку скорости, мы заранее рассчитываем и прикладываем момент, который идеально сбалансировал бы систему при заданной скорости и ускорении.
• Цель: Резко уменьшить ошибку слежения и перерегулирование, позволив feedback-регулятору (ПИД) работать с меньшим усилением, занимаясь лишь компенсацией непредвиденных возмущений и ошибок модели.

Математическая модель Feedforward:

Идеальное управляющее воздействие (момент) для поддержания желаемой траектории скорости ω_cmd(t) выводится из механического уравнения:

\[ J \frac{d\omega}{dt} = \tau_{motor} - \tau_{load} - B\omega \]

Если мы хотим, чтобы фактическая скорость ω в точности следовала команде ω_cmd, и если бы наша модель была идеальной, то нам потребовался бы момент:

Где:

Как это работает на практике: Комбинированное управление (Feedforward + Feedback)

Полное задание момента:  τ_total = τ_ff + τ_fb
                                       |
                                       v
            [Feedforward часть]    [Feedback часть (ПИД)]
            (Предсказание)         (Коррекция ошибки)
            τ_ff = J·ω̇_cmd + B·ω_cmd   τ_fb = PID(ω_cmd - ω_actual)

Наглядный пример для колёсного робота:

1. Установившееся движение: Робот едет по ровной поверхности с постоянной скоростью 1 м/с.

   • ω_cmd = const, следовательно, ω̇_cmd = 0.
   • Feedforward момент: τ_ff = B * ω_cmd + τ̂_roll (компенсирует трение качения и воздуха).
   • ПИД-регулятор вносит лишь минимальные коррекции.

2. Разгон: Роботу нужно ускориться до 2 м/с с заданным ускорением.

   • Рассчитывается требуемое угловое ускорение колеса ω̇_cmd.
   • Feedforward мгновенно добавляет большой момент J * ω̇_cmd для преодоления инерции.
   • Без feedforward: ПИД-регулятору пришлось бы долго «наращивать» интегральную составляющую, наблюдая растущую ошибку, что привело бы к медленному и, возможно, колебательному разгону.

Преимущество: Такое разделение делает систему быстрее, точнее и энергоэффективнее, так как основные, предсказуемые усилия рассчитываются моделью, а ПИД выступает в роли точного «доводчика».

Примечание: В реальных системах параметры J, B и τ̂_load редко известны абсолютно точно. Поэтому feedforward-управление обычно дополняется либо адаптацией параметров модели, либо, как минимум, возможностью их настройки (калибровки) для конкретной механической сборки.

«Параметры системы меняются — меняются и настройки регулятора.»

• Принцип: Система в реальном времени оценивает изменяющиеся параметры объекта (момент инерции \( J \), коэффициент трения \( B \) ) и подстраивает под них коэффициенты ПИД-регулятора или модель feedforward.
• Пример: Манипулятор робота поднимает груз — момент инерции на валу двигателя резко возрастает. Адаптивный контроллер увеличивает интегральную составляющую для борьбы с новым статическим трением и инерционностью.
• Сложность: Требует алгоритмов идентификации параметров в реальном времени.

Основное уравнение вращательного движения: \[ J \frac{d\omega}{dt} = \tau_{motor} - \tau_{load} - B\omega \] где:

• \( J \) — суммарный момент инерции ротора двигателя и приведённой нагрузки.
• \( \omega \) — угловая скорость.
• \( \tau_{motor} = k_t \cdot I_q \) — электромагнитный момент (для FOC).
• \( \tau_{load} \) — момент сопротивления нагрузки (может включать сухое трение, вязкое трение, гравитационную составляющую и полезную нагрузку).
• \( B \) — коэффициент вязкого трения.

Ключевой вывод: Для поддержания постоянной скорости (\( d\omega/dt = 0 \)) необходимо, чтобы \( \tau_{motor} = \tau_{load} + B\omega \). Задача регулятора — найти такой \( I_q \), при котором это равенство выполняется.

[ЗАДАНИЕ СКОРОСТИ] ω_sp
         |
         v
+----------------------+
| ВНЕШНИЙ КОНТУР:      |
| ПИД-регулятор скорости|
| Вход: ω_sp, ω_fb     |
| Выход: τ_cmd (или I_q_sp) |
+----------------------+
         |
         v (Задание момента/тока)
+----------------------+
| ВНУТРЕННИЙ КОНТУР:   |
| ПИД-регулятор тока   |
| (часть FOC)          |
| Вход: I_q_sp, I_q_fb |
| Выход: Напряжения V_d, V_q |
+----------------------+
         |
         v
    [FOC & Инвертор]
         |
         v
      [ДВИГАТЕЛЬ]
         |
         v (Фактическая скорость ω)
    [ДАЧТИК СКОРОСТИ] --> Обратная связь

Важность каскада: Внутренний контур тока настраивается в 5-10 раз быстрее внешнего контура скорости. Это обеспечивает стабильность: к тому времени, когда регулятору скорости потребуется изменить момент, контур тока уже гарантированно его обеспечит.

Точное управление скоростью начинается с её точного измерения.

• Дифференцирование позиции (энкодер): \( \omega = \frac{\Delta \theta}{\Delta t} \)
  • Шум: Прямое дифференцирование сильно усиливает шум квантования энкодера.
  • Решение: Использование наблюдателя (observer), например, фильтра Калмана, который совмещает модель двигателя и зашумлённые измерения для получения сглаженной оценки скорости и ускорения.
• Тахогенератор (аналоговый датчик скорости): Выдаёт напряжение, пропорциональное скорости. Аналоговый, не требует обработки, но добавляет отдельный датчик и имеет нелинейность на низких скоростях.
• Sensorless-оценка (по противо-ЭДС): \( \omega \approx \frac{E}{k_e} \), где \( E \) — амплитуда противо-ЭДС. Работает только на средних и высоких скоростях, на низких — неприменимо.

Идея: Оценить внешний возмущающий момент \( \tau_{load} \) и скомпенсировать его напрямую, не дожидаясь, пока он создаст ошибку скорости.

Алгоритм:

1. На основе измеренного тока \( I_q \) и известной модели двигателя оценивается создаваемый момент \( \hat{\tau}_{motor} = k_t I_q \).
2. Используя модель \( J \frac{d\omega}{dt} = \tau_{motor} - \tau_{load} \), вычисляется оценка возмущения: \[ \hat{\tau}{load} = \hat{\tau}{motor} - J \frac{d\hat{\omega}}{dt} \] где \( \frac{d\hat{\omega}}{dt} \) — оценка ускорения (например, от наблюдателя).
3. Эта оценка \( \hat{\tau}{load} \) прибавляется к выходу ПИД-регулятора скорости: \[ \tau{cmd} = \tau_{PID} + \hat{\tau}_{load} \]

Эффект: Система становится практически нечувствительной к медленно меняющимся нагрузкам.

Параметры ПИД-регулятора не постоянны. Они должны меняться в зависимости от рабочей точки. \[ K_p(\omega), K_i(\omega), K_d(\omega) \]

Практическая реализация:

• На низких скоростях: Уменьшают \( K_p \) и \( K_d \), чтобы избежать резких реакций на шум и cogging torque. Увеличивают \( K_i \) для борьбы со статическим трением.
• На высоких скоростях: Увеличивают \( K_p \) и \( K_d \) для быстрого подавления возмущений (например, порыв ветра для дрона). \( K_i \) можно уменьшить.
• Способ: Таблица или функция, связывающая текущую скорость с набором коэффициентов.

Часто цель — не просто поддерживать скорость, а плавно пройти через серию точек. Здесь используется пропорциональный регулятор по положению, выход которого ограничивается по скорости.

Задание позиции θ_sp -> [P-регулятор] -> Ограничитель скорости -> ω_sp -> [Контур скорости]

Это гарантирует, что двигатель будет плавно разгоняться, двигаться с заданной максимальной скоростью и плавно замедляться при подходе к цели, не вызывая перерегулирования.

class CascadedSpeedController {
private:
    // Контуры
    PIDController speed_pid_;
    PIDController current_pid_; // Внутренний контур FOC
    
    // Наблюдатель возмущений
    DisturbanceObserver dob_;
    
    // Планировщик коэффициентов
    struct Gains {
        float Kp, Ki, Kd;
    };
    std::map<float, Gains> gain_map_; // Таблица: скорость -> коэффициенты
    
    // Состояние
    float speed_setpoint_ = 0.0f;
    float current_speed_ = 0.0f;
    float inertia_ = 0.001f; // Момент инерции [кг·м²]
    
public:
    void update(float dt, float speed_measured, float iq_measured) {
        // 1. ОБНОВЛЕНИЕ КОНТУРА СКОРОСТИ (внешний, медленный, e.g., 1 кГц)
        
        // Gain Scheduling: выбор коэффициентов ПИД по текущей скорости
        Gains g = getGainsForSpeed(current_speed_);
        speed_pid_.setTunings(g.Kp, g.Ki, g.Kd);
        
        // Расчёт ошибки скорости
        float speed_error = speed_setpoint_ - speed_measured;
        
        // Основной выход ПИД
        float tau_pid = speed_pid_.update(speed_error, dt);
        
        // 2. ОЦЕНКА И КОМПЕНСАЦИЯ ВОЗМУЩЕНИЯ (DOB)
        // Оценка момента двигателя (упрощённо)
        float tau_motor_est = MOTOR_KT * iq_measured;
        // Оценка ускорения (через фильтрованную производную скорости)
        float acceleration_est = dob_.estimateAcceleration(speed_measured, dt);
        // Оценка момента нагрузки
        float tau_load_est = tau_motor_est - inertia_ * acceleration_est;
        
        // Суммарное задание момента с компенсацией
        float tau_total = tau_pid + tau_load_est;
        
        // 3. ПЕРЕДАЧА ЗАДАНИЯ ВНУТРЕННЕМУ КОНТУРУ (FOC)
        // Преобразование момента в задание тока (Iq)
        float iq_setpoint = tau_total / MOTOR_KT;
        // Ограничение тока для защиты
        iq_setpoint = constrain(iq_setpoint, -IQ_MAX, IQ_MAX);
        
        // 4. ВНУТРЕННИЙ КОНТУР ТОКА (выполняется на более высокой частоте, e.g., 20 кГц)
        // Эта часть обычно в прерывании по ШИМ
        // current_pid_.update(iq_setpoint, iq_measured, dt_fast);
        
        // 5. СОХРАНЕНИЕ СОСТОЯНИЯ
        current_speed_ = speed_measured;
    }
    
    void setSpeed(float speed) {
        speed_setpoint_ = speed;
        // Опционально: активация feedforward по ускорению для быстрого старта
        if (abs(speed - current_speed_) > THRESHOLD) {
            float accel_ff = inertia_ * (speed - current_speed_) / RAMP_TIME;
            // Добавить accel_ff к tau_pid на первые несколько циклов
        }
    }
    
    Gains getGainsForSpeed(float speed) {
        // Простейшая линейная интерполяция между точками в таблице
        auto it_low = gain_map_.lower_bound(abs(speed));
        if (it_low == gain_map_.begin()) return it_low->second;
        if (it_low == gain_map_.end()) return std::prev(it_low)->second;
        
        auto it_high = it_low;
        it_low = std::prev(it_low);
        
        float t = (abs(speed) - it_low->first) / (it_high->first - it_low->first);
        return interpolateGains(it_low->second, it_high->second, t);
    }
};

// Класс наблюдателя возмущений
class DisturbanceObserver {
private:
    float prev_speed_ = 0.0f;
    float filtered_accel_ = 0.0f;
    LowPassFilter accel_filter_; // ФНЧ для производной
    
public:
    float estimateAcceleration(float speed, float dt) {
        // Грубая производная
        float raw_accel = (speed - prev_speed_) / dt;
        // Фильтрация для уменьшения шума
        filtered_accel_ = accel_filter_.update(raw_accel, dt);
        prev_speed_ = speed;
        return filtered_accel_;
    }
};

На очень низких скоростях (менее 1% от номинальной) влияние cogging torque (момента магнитного залипания) и статического трения становится сравнимым с управляющим моментом. Двигатель может двигаться рывками или вообще останавливаться.

Решение 2026: Модуляция тока с высокой частотой (dithering) и компенсация cogging.

• Dithering: В сигнал задания тока \( I_q \) вносится высокочастотная (200-1000 Гц) синусоидальная или случайная добавка малой амплитуды. Это «расшатывает» систему, не давая ей застрять в минимумах cogging или статического трения.
• Табличная компенсация cogging: Двигатель прокручивается на стенде, и измеряется зависимость момента cogging от угла положения. Создаётся таблица компенсации, которая добавляет в \( I_q \) корректирующую составляющую, зависящую от текущего угла энкодера.

Редуктор, ремни или длинные валы создают упругие связи. На определённых частотах возникает механический резонанс, который контур скорости может возбуждать, вызывая вибрации и нестабильность.

Решение 2026: Встроенные notch-фильтры и двухмассовая модель.

• Автоматическая идентификация резонанса: ESC подаёт тестовый синусоидальный сигнал и по отклику скорости определяет частоту резонанса \( f_{res} \).
• Notch-фильтр в контуре скорости: Настраивается на \( f_{res} \) и ослабляет сигнал на этой частоте, предотвращая самовозбуждение. \[ H_{notch}(s) = \frac{s^2 + 2\zeta_{res}\omega_{res}s + \omega_{res}^2}{s^2 + 2\zeta_{comp}\omega_{res}s + \omega_{res}^2} \]

Для удержания скорости на подъёме или против потока воздуха требуется постоянный высокий момент, что ведёт к перегреву обмоток и силовых ключей.

Решение 2026: Predictive Thermal Derating (Адаптивное ограничение по температуре). ESC постоянно отслеживает температуру ключей и обмоток (прямо или через модель). Вместо резкого отключения при достижении лимита, он плавно снижает максимально допустимый ток (и, следовательно, максимальную поддерживаемую скорость) по мере роста температуры, сохраняя работоспособность системы, но в щадящем режиме.

Небольшая нейросеть (например, на базе tinyML) заменяет классический ПИД. Она обучается на данных конкретного мотора и нагрузки, учитывая нелинейности (трение, насыщение) лучше, чем аналитическая модель. Способна предсказывать возмущения по косвенным признакам (микровибрации, гармоники тока).

В мультироторных системах ESC перестают быть независимыми. Они обмениваются данными о нагрузке и температуре, и если один мотор перегревается, его скорость слегка снижается, а соседние компенсируют потерю тяги, перераспределяя нагрузку. Это требует высокой скорости связи между ESC (например, по специализированной шине).

Для измерения скорости на вращающихся частях (например, на колесе) вместо проводного энкодера используются беспроводные датчики с автономным питанием от вибрации или термоэлектрического эффекта (разницы температур между осью и корпусом). Данные передаются по Bluetooth LE или по тому же проводу, что и силовая мощность, через индуктивную связь.

Управление скоростью BLDC — это классическая задача теории управления, которая в 2026 году обогащается методами машинного обучения, продвинутой идентификацией и сетевым взаимодействием.

1. ПИД-регуляторы и теория управления — фундаментальная база.
2. Бесколлекторные двигатели (BLDC) и FOC — понимание объекта управления.
3. Датчики (энкодеры) и фильтрация сигналов — для получения точной обратной связи.
4. Тепловое моделирование и менеджмент — для обеспечения долговременной надёжности.

Итог: Современное управление скоростью BLDC — это симбиоз точной механики, быстрой электроники и умных алгоритмов. Оно вышло далеко за рамки простого ПИД-регулятора, включив в себя адаптацию, предсказание и глубокую интеграцию с физической системой. Результат — двигатели, которые не просто вращаются с заданной скоростью, а делают это плавно, стабильно и надёжно в самых изменчивых условиях, будь то гоночный дрон в турбулентности или манипулятор, несущий хрупкий груз.