1. 引言在制造业生产加工过程中，速度控制是保证产品质量和生产效率的核心环节。无论是数控机床的主轴转速、传送带的运行速度，还是机器人关节的运动速度，都需要精确而稳定的速度控制算法来支撑。随着工业自动化程度的不断提高，对速度控制的精度、响应速度和抗干扰能力提出了越来越高的要求。速度控制的应用场景十分广泛。在数控加工领域，主轴转速的稳定性直接影响工件的表面加工质量和刀具寿命，转速波动过大会导致加工表面出现振纹，甚至引发刀具崩刃；在物流输送系统中，传送带的运行速度需要与上下游工序节拍精确匹配，速度偏差会造成物料堆积或断料，影响整条生产线的效率；在工业机器人领域，关节电机的速度控制精度决定了机器人末端执行器的定位精度和轨迹跟踪能力，是完成精密装配、焊接、喷涂等任务的基础；在纺织、印刷、造纸等连续生产行业中，各辊筒之间的速度同步控制更是保证产品质量的关键，速度失配会导致布料褶皱、印刷套色不准或纸张断裂等严重问题。此外，在新能源、电动汽车、风力发电等新兴领域，电机速度控制同样扮演着重要角色。电动汽车的驱动电机需要根据油门踏板信号快速、平滑地调节转速，既要保证驾驶的平顺性，又要兼顾能量利用效率；风力发电机的变桨和偏航系统需要精确控制转速以捕获最大风能，同时避免超速带来的安全隐患。这些场景都对速度控制算法的性能提出了严苛的考验。本文围绕速度环控制中的关键环节展开，介绍从误差计算、分数阶滤波到 PID 控制、PWM 转换的完整实现流程，并给出可运行的 Python 示例代码。通过理论与实践相结合的方式，帮助读者理解速度控制系统的核心原理，掌握工程实现中的关键要点。2. 速度控制的基本原理下图展示了速度环控制系统的完整闭环流程，从给定输入到 PWM 转换，并标注了各环节的关键变量名：flowchart TD A["给定输入 setpoint"] -- B["误差计算 error = setpoint - measured_speed"] B -- C["分数阶滤波 filtered_error"] C -- D["PID 控制 control_value"] D -- E["PWM 转换 pwm_duty_cycle"] E -- F["执行机构 电机"] F -- G["反馈测量 measured_speed"] G -- B本节从系统组成、闭环反馈机制和核心控制算法三个层面，梳理速度控制的基本原理。理解这些基础概念，是后续掌握分数阶滤波与 PID 参数整定的前提。速度控制系统的核心目标是让被控对象的实际运行速度尽可能接近给定速度值。一个典型的速度环控制系统由以下几个环节组成：给定输入：由上位机或工艺要求设定的目标速度值setpoint。反馈测量：通过编码器、霍尔传感器或测速发电机等器件实时测得实际速度measured_speed。误差计算：将给定值与实测值相减，得到速度误差error。控制算法：对误差进行滤波、比例积分微分等运算，生成控制信号。执行机构：将控制信号转换为 PWM 占空比或模拟量，驱动电机运转。其中，控制算法的设计直接决定了系统的响应速度、稳态精度和抗干扰能力，是整个速度环的核心。从控制论的角度看，速度控制本质上是一个典型的闭环负反馈系统。系统不断将实测速度与给定速度进行比较，利用两者之间的偏差来驱动执行机构，从而形成一个“测量—比较—调节—执行”的持续循环。只要实际速度偏离目标值，控制器就会自动修正输出，使偏差逐步收敛。这种闭环结构使得系统对外部扰动和参数变化具有一定的自适应能力，是速度控制能够保持稳定的根本原因。在误差计算环节，速度误差error是后续所有控制运算的输入。误差的符号反映了速度偏差的方向：当实测速度低于给定值时误差为正，控制器需要增大输出；反之误差为负，控制器需要减小输出。误差的幅值则反映了偏差的严重程度，幅值越大，通常需要的修正力度也越强。在控制算法环节，最常用的是 PID 控制。其中比例项（P）根据当前误差的大小成比例地输出修正量，是响应的主力；积分项（I）对历史误差进行累加，用于消除稳态误差；微分项（D）根据误差的变化趋势进行预测性修正，有助于抑制超调和振荡。三者相互配合，共同决定了系统的动态响应和稳态精度。最后，执行机构将控制算法输出的数值信号转换为实际可驱动的物理量。对于直流电机或步进电机，通常将控制量映射为 PWM 占空比；对于伺服系统，则可能转换为模拟电压或数字指令。这一转换的精度和线性度，同样会影响最终的速度控制效果。速度控制的物理基础从物理层面理解，速度控制本质上是对电机电磁转矩的调节。以直流电机为例，其动力学方程可表示为：J * (dω/dt) = T_e - T_L - B * ω其中，J 为转动惯量，ω 为角速度，T_e 为电磁转矩，T_L 为负载转矩，B 为粘性阻尼系数。由该方程可知，要使电机转速稳定在目标值，控制器必须使电磁转矩与负载转矩、阻尼转矩之和相平衡。当负载突变导致转速下降时，控制器需要增大电磁转矩来补偿；反之，当转速超过目标值时，则需要减小电磁转矩。这一物理关系是速度环控制算法设计的根本依据。对于交流电机（如永磁同步电机、异步电机），速度控制通常采用矢量控制（FOC）或直接转矩控制（DTC）策略。矢量控制通过坐标变换将三相电流解耦为励磁分量和转矩分量，从而实现对电磁转矩的独立控制；直接转矩控制则直接以定子磁链和电磁转矩为控制对象，通过开关表选择电压矢量。无论采用哪种策略，其最终目的都是精确调节电磁转矩，进而控制电机转速。速度环与电流环、位置环的关系在工业伺服系统中，速度环通常不是孤立存在的，而是处于三环控制结构的中间层。最内层是电流环，响应速度最快，负责控制电机电流（即电磁转矩）；中间层是速度环，以电流环为内环，负责控制电机转速；最外层是位置环，以速度环为内环，负责控制电机位置。三环结构由内到外响应速度依次降低，但控制精度和稳定性逐层提升。速度环作为中间环节，既要快速响应位置环给出的速度指令，又要为内层电流环提供稳定的电流给定，其性能直接影响整个系统的动态品质。速度反馈的测量方式速度反馈的精度直接影响速度环的控制效果。常用的速度测量方式包括：增量式编码器：通过计数脉冲频率或测量脉冲间隔来推算转速，分辨率高、成本适中，是工业中最常用的方案。其中 M 法（测频法）适合高速测量，T 法（测周期法）适合低速测量，M/T 法结合两者优势，在全速范围内均有较高精度。绝对式编码器：直接输出绝对位置信息，通过位置差分计算速度，抗干扰能力强，但成本较高，多用于高精度伺服系统。霍尔传感器：利用霍尔效应检测转子磁极位置，通过换相频率推算转速，结构简单、成本低，但分辨率有限，常用于无刷直流电机的速度反馈。测速发电机：输出电压与转速成正比，模拟量输出、响应快，但存在线性度误差和温漂，精度不如数字式编码器。在实际工程中，编码器测速通常采用 M/T 法以兼顾高低速测量精度。此外，速度反馈信号往往夹杂着量化噪声和电磁干扰，这也是后续引入分数阶滤波等噪声抑制手段的重要原因。速度控制的性能指标评价速度环控制性能的常用指标包括：稳态精度：系统稳定后实际速度与目标值的偏差大小，通常用稳态误差或稳态均方根误差衡量。动态响应：系统对速度指令变化的跟踪能力，常用上升时间、超调量和调节时间描述。上升时间越短、超调量越小、调节时间越短，动态性能越好。抗干扰能力：系统在负载突变、电源波动等扰动下保持速度稳定的能力，通常用扰动作用下的速度跌落幅度和恢复时间衡量。鲁棒性：系统在参数变化（如转动惯量变化、负载变化）时仍能保持稳定和良好性能的能力。这些指标之间往往相互制约。例如，提高比例增益可以加快响应速度，但过大会引起振荡；增强滤波可以抑制噪声，但会引入相位滞后、拖慢响应。速度环设计的核心任务，就是在这些相互矛盾的指标之间找到合理的平衡点。速度控制的常见实现方式根据控制算法的不同，速度控制可分为以下几类：PID 控制：结构简单、参数物理意义明确、工程实现成熟，是工业速度环最主流的方法。通过比例、积分、微分三项的配合，可在大多数工况下获得满意的控制性能。分数阶 PID 控制：将 PID 的积分阶次和微分阶次扩展为分数，增加两个可调自由度，能够更精细地调节系统频域特性，在噪声抑制与动态响应之间取得更优平衡。滑模控制：对参数变化和外部扰动具有强鲁棒性，但容易产生抖振，需要配合边界层或观测器进行抑制。自抗扰控制（ADRC）：通过扩张状态观测器实时估计并补偿系统总扰动，不依赖精确模型，抗扰能力强，近年来在电机控制领域应用日益广泛。模型预测控制（MPC）：基于系统模型预测未来输出，通过滚动优化求解最优控制量，适合多变量、带约束的复杂系统，但计算量较大。本文后续将重点围绕 PID 控制与分数阶滤波的结合展开，这也是工程实践中兼顾性能与实现成本的主流方案。3. 分数阶滤波在速度环中的作用在实际生产环境中，速度反馈信号往往夹杂着机械振动、电磁干扰等噪声。如果直接对含噪误差进行 PID 运算，容易导致控制量抖动，甚至引发系统振荡。分数阶滤波器相比传统整数阶滤波器，具有更灵活的频率响应调节能力，能够在抑制噪声和保持信号响应速度之间取得更好的平衡。分数阶滤波在速度环中的作用主要体现在以下几个方面：更平滑的噪声抑制：传统整数阶滤波器（如一阶低通滤波）在截止频率附近存在明显的幅频转折，容易在抑制噪声的同时引入相位滞后。分数阶滤波器通过非整数阶次，可以在幅频特性上实现更平缓的过渡，在有效衰减高频噪声的同时，减少对有用速度信号的相位延迟，从而降低对系统稳定性的影响。增强抗干扰能力：速度环中常见的干扰包括机械共振、负载突变和电磁噪声。分数阶滤波器凭借可调的阶次参数，能够针对不同频段的干扰特性进行精细适配，在保持系统快速响应的前提下，显著提升对特定频段扰动的抑制能力，使速度输出更加平稳。改善动态响应与稳态精度的平衡：在速度环中，滤波强度与响应速度往往相互制约。滤波过强会拖慢动态响应，滤波过弱则难以抑制噪声。分数阶滤波器通过阶次这一连续可调的自由度，可以在两者之间找到更优的折中，既保证系统对给定速度变化的快速跟踪，又维持稳态时的速度精度。降低控制量抖动：含噪误差直接进入 PID 运算时，微分项（D）会被噪声放大，导致控制量频繁抖动，进而加剧执行机构的磨损。分数阶滤波在误差进入控制器之前先进行平滑处理，能够有效抑制微分项的噪声放大效应，使 PWM 输出更加稳定，延长电机和驱动器的使用寿命。分数阶滤波器的设计需要根据系统的动态特性进行优化，确保其能够有效抑制噪声并提高控制性能。其核心思想是对误差信号进行分数阶微积分运算，通过调节阶次参数来适配不同频段的噪声特性。需要注意的是，分数阶滤波器的工程实现通常需要借助 Oustaloup 近似等算法，将分数阶算子离散化为可计算的传递函数，以便在数字控制器中实时运行。为了更直观地理解两类滤波器的差异，下表从五个维度对整数阶低通滤波与分数阶滤波进行对比：对比维度整数阶低通滤波分数阶滤波截止频率特性幅频特性在截止频率附近存在明显的转折，过渡带较陡，频率选择性固定。通过非整数阶次可调节幅频特性的过渡带斜率，实现更平缓、更灵活的频率响应过渡。相位滞后在截止频率附近引入较大的相位滞后，对系统稳定性影响较明显。在相同噪声抑制效果下相位滞后更小，对有用速度信号的相位延迟更低，更利于系统稳定。噪声抑制能力对高频噪声的衰减能力固定，难以针对特定频段进行精细调节。阶次连续可调，可针对不同频段的噪声特性进行精细适配，抑制能力更灵活。参数调节自由度通常只有截止频率一个可调参数，调节手段有限。阶次、频率范围等多个参数可调，自由度更高，便于在滤波强度与响应速度之间取得平衡。实现复杂度结构简单，易于在数字控制器中实现，计算开销小。需要借助 Oustaloup 近似等算法进行离散化，实现复杂度较高，计算开销相对更大。除了分数阶滤波，卡尔曼滤波也是速度环噪声抑制中常用的方法。两者在适用场景上存在明显差异。分数阶滤波属于频域设计方法，通过调节阶次在幅频特性上实现平滑过渡，适合处理频谱特征相对固定、以高频噪声为主的场景，其参数（阶次、频段范围）物理意义直观，便于结合系统带宽进行整定。卡尔曼滤波则属于时域状态估计方法，它基于系统状态方程和噪声统计特性，在每一采样周期内对速度进行最优估计，能够同时处理过程噪声和测量噪声，尤其适合噪声统计特性已知、系统模型较为准确的场景，例如编码器量化噪声明显或需要融合多传感器信息的场合。从计算复杂度来看，分数阶滤波借助 Oustaloup 近似离散化后，通常表现为高阶 IIR 滤波器，每个采样周期需要执行若干次乘加运算，计算量随近似阶数 N 线性增长，在低性能控制器上可能带来一定负担。卡尔曼滤波每个周期需要完成状态预测、协方差更新和增益计算等矩阵运算，对于单变量速度估计而言计算量适中，但当状态维度增加（如同时估计速度和加速度）时，矩阵运算开销会明显上升。总体而言，两者在单变量速度环中的计算量都处于可接受范围，卡尔曼滤波在状态维度较高时开销更大。在参数调节难度上，分数阶滤波需要整定的参数主要是阶次和频段范围，参数较少且物理意义清晰，工程人员可以结合噪声频谱分析快速确定初值，再通过现场调试微调。卡尔曼滤波则需要设定过程噪声协方差 Q 和测量噪声协方差 R，这两个参数直接影响滤波的收敛速度和估计精度，但缺乏直观的物理对应关系，往往需要反复试凑或借助离线数据辨识，调节难度相对更高。若噪声统计特性随时间变化，还需引入自适应机制，进一步增加调参复杂度。在工程实现成本方面，分数阶滤波的实现依赖 Oustaloup 近似和双线性变换等算法，需要一定的数学基础，但一旦完成离散化，即可作为固定系数的 IIR 滤波器固化在控制器中，运行阶段无需额外维护。卡尔曼滤波的实现需要建立系统状态方程并维护协方差矩阵，代码结构相对复杂，对浮点运算精度和实时性要求更高，在资源受限的嵌入式平台上需要谨慎评估。此外，卡尔曼滤波对模型失配较为敏感，若系统模型与实际偏差较大，估计效果会明显下降。综合来看，选择建议如下：若速度环噪声以高频干扰为主、系统模型难以精确建立，且希望参数整定简单直观，优先选用分数阶滤波；若系统模型较为准确、噪声统计特性已知，或需要融合多传感器信息、追求最优估计精度，则卡尔曼滤波更具优势。在工程实践中，两者也可结合使用，例如先用分数阶滤波对原始误差做初步平滑，再以卡尔曼滤波对速度状态进行精细估计，从而兼顾实现简单与估计精度。下面给出一个卡尔曼滤波的 Python 实现，用于对速度进行实时估计。该实现包含状态预测、协方差更新和增益计算三个核心步骤，并附有关于 Q 和 R 参数对滤波效果影响的详细注释。import numpy as np class KalmanFilter: """ 一维卡尔曼滤波器，用于速度估计。 系统模型（匀速假设）： x_k = x_{k-1} + w_{k-1} （状态方程，w 为过程噪声） z_k = x_k + v_k （观测方程，v 为测量噪声） 其中： x : 真实速度状态 z : 带噪声的速度测量值 w ~ N(0, Q) ：过程噪声，反映系统模型的不确定性 v ~ N(0, R) ：测量噪声，反映传感器的噪声水平 """ def init(self, Q=0.01, R=1.0): """ 初始化滤波器。 参数说明： Q : 过程噪声协方差。Q 越大，表示对系统模型的信任度越低， 滤波器会更依赖测量值，响应更快但估计波动更大； Q 越小，表示模型越准确，滤波更平滑但响应变慢。 R : 测量噪声协方差。R 越大，表示传感器噪声越大， 滤波器会更信任模型预测，曲线更平滑但滞后明显； R 越小，表示测量越可靠，估计值更贴近原始测量， 但噪声抑制能力下降。 """ self.Q = Q # 过程噪声协方差 self.R = R # 测量噪声协方差 self.x = 0.0 # 状态估计值（速度） self.P = 1.0 # 误差协方差（初始值可设较大，表示初始不确定） def predict(self): """第一步：状态预测（先验估计）""" # 匀速模型下，状态转移矩阵 A = 1，预测状态不变 # x_pred = A * x = x # 协方差预测：P_pred = A * P * A^T + Q = P + Q self.P = self.P + self.Q return self.x def update(self, z): """第二步：测量更新（后验估计），包含增益计算与协方差更新""" # 1. 计算卡尔曼增益 K # K = P_pred / (P_pred + R) # 增益越大，说明测量值越可信，估计越偏向测量值 K = self.P / (self.P + self.R) # 2. 用测量值修正预测状态（后验估计） # x_new = x_pred + K * (z - x_pred) self.x = self.x + K * (z - self.x) 3. 更新误差协方差（后验协方差） P_new = (1 - K) * P_pred self.P = (1 - K) * self.P return self.x def filter(self, measurements): """ 对一组测量序列进行滤波，返回估计速度序列。 参数： measurements : 带噪声的速度测量值列表 返回： 滤波后的速度估计值列表 """ estimates = [] for z in measurements: self.predict() # 状态预测 x_est = self.update(z) # 测量更新（含增益计算与协方差更新） estimates.append(x_est) return estimates ========== 使用示例 ========== if name == "main": 生成模拟测量数据：真实速度 100，叠加高斯噪声 np.random.seed(42) true_speed = 100.0 n_samples = 100 测量噪声标准差为 2.0，对应 R = 4.0 measurements = true_speed + np.random.normal(0, 2.0, n_samples) 场景一：Q 较小（0.01），R 较大（4.0） 说明：模型信任度高、测量信任度低，滤波结果平滑但响应偏慢 kf_smooth = KalmanFilter(Q=0.01, R=4.0) est_smooth = kf_smooth.filter(measurements) 场景二：Q 较大（1.0），R 较小（0.1） 说明：模型信任度低、测量信任度高，滤波结果更贴近测量值， 响应快但噪声抑制能力下降，估计波动较大 kf_fast = KalmanFilter(Q=1.0, R=0.1) est_fast = kf_fast.filter(measurements) 输出前 5 个估计值对比 print("真实速度: {:.2f}".format(true_speed)) print("原始测量(前5个):", np.round(measurements[:5], 2)) print("Q小R大滤波(前5个):", np.round(est_smooth[:5], 2)) print("Q大R小滤波(前5个):", np.round(est_fast[:5], 2)) 计算稳态误差对比 mse_smooth = np.mean((np.array(est_smooth) - true_speed) ** 2) mse_fast = np.mean((np.array(est_fast) - true_speed) ** 2) print("\nQ小R大 稳态均方误差: {:.4f}".format(mse_smooth)) print("Q大R小 稳态均方误差: {:.4f}".format(mse_fast)) print("\n结论：Q 和 R 的比值决定了滤波器的响应速度与平滑程度。") print("增大 Q/R 比值 → 响应更快、噪声抑制减弱；") print("减小 Q/R 比值 → 更平滑、响应更慢。实际应用中需根据") print("系统动态特性和传感器噪声水平权衡选择。")/code/pre为了更直观地对比整数阶低通滤波与分数阶滤波（Oustaloup 近似）在实际速度信号处理中的差异，下面给出一个完整的 Python 示例。该示例对同一含噪速度信号分别进行一阶低通滤波和分数阶滤波，并绘制滤波前后的波形对比图，帮助理解两者在相位滞后和噪声抑制上的区别。import numpy as np import matplotlib.pyplot as plt from scipy.signal import bilinear, lfilter ========== 分数阶滤波器（Oustaloup 近似） ========== def oustaloup_approx(order, wb, wh, N): """ 基于 Oustaloup 连续近似法，将分数阶算子 s^order 近似为 2N+1 阶有理传递函数，适用于 wb = w = wh 的频率范围。 参数： order : 分数阶次（如 0.5 表示半阶） wb : 近似频段下限（rad/s） wh : 近似频段上限（rad/s） N : 近似阶数（正整数，越大精度越高，计算量也越大） 返回： num, den : 有理传递函数的分子、分母系数数组 """ wu = np.sqrt(wb * wh) # 几何中心频率 K = wu ** order # 增益补偿系数 num = [1.0] den = [1.0] for k in range(-N, N + 1): # 零极点频率按几何级数分布 wk = wb * (wh / wb) ** ((k + N + 0.5) / (2 * N + 1)) wp = wb * (wh / wb) ** ((k + N - 0.5) / (2 * N + 1)) # 累乘零极点因子 (s + wk) / (s + wp) num = np.convolve(num, [1.0, wk]) den = np.convolve(den, [1.0, wp]) # 乘以增益 K，使近似在中心频率处与 s^order 幅值一致 num = K * num return num, den def fractional_filter(signal, order=0.5, wb=0.1, wh=100.0, N=4, dt=0.01): """ 分数阶低通滤波：对整段信号进行滤波。 采用 Oustaloup 近似 + 双线性变换离散化，得到可运行的 IIR 滤波器。 参数： signal : 输入信号序列（含噪速度） order : 分数阶次，0 order 1，越小滤波越强 wb, wh : Oustaloup 近似的频段范围（rad/s） N : 近似阶数，越大精度越高 dt : 采样周期（秒） 返回： 滤波后的信号序列 """ # 1. Oustaloup 连续近似：得到连续传递函数 H(s) = num / den num_c, den_c = oustaloup_approx(order, wb, wh, N) # 2. 双线性变换离散化：s = (2/dt) * (z-1)/(z+1) num_d, den_d = bilinear(num_c, den_c, fs=1.0 / dt) # 3. 转换为直接 II 型滤波器系数（用于 lfilter） # lfilter 使用 a[0]=1 的归一化形式 a = den_d / den_d[0] b = num_d / den_d[0] # 4. 对整段信号滤波（零初始状态） filtered = lfilter(b, a, signal) return filtered ========== 一阶整数阶低通滤波器 ========== def first_order_lowpass(signal, fc, dt=0.01): """ 一阶整数阶低通滤波（RC 低通滤波的离散化）。 参数： signal : 输入信号序列（含噪速度） fc : 截止频率（Hz） dt : 采样周期（秒） 返回： 滤波后的信号序列 """ # 一阶低通滤波的离散系数（基于双线性变换） # 连续传递函数：H(s) = wc / (s + wc)，其中 wc = 2pifc wc = 2.0 * np.pi * fc # 双线性变换离散化 num_d, den_d = bilinear([wc], [1.0, wc], fs=1.0 / dt) a = den_d / den_d[0] b = num_d / den_d[0] filtered = lfilter(b, a, signal) return filtered ========== 生成模拟含噪速度信号 ========== np.random.seed(42) dt = 0.01 #