做电机控制这行，我对“观测器”这三个字的感情变化挺有戏剧性。刚毕业时我总觉得观测器是高级玩家才碰的玩意儿——不是卡尔曼滤波，好歹也得是个滑模观测器吧，代码至少上百行，调参全靠玄学。直到前两年在某伺服项目现场遇到编码器线被机械臂磨破，信号时断时续，速度环直接开始抖动，而当时手边没有备件，交付节点又卡得死。我被逼没办法，翻出平时写的一个基于运动方程的负载转矩观测器，前前后后不到十行代码，改两行把估计转速引到速度环反馈上，系统硬是稳住了，第二天才从容换线。就是从那次开始，我对简单观测器的态度彻底变成了“真香”。
这篇文章就聊聊这种十行代码就能落地的观测器：它解决什么问题、数学原理是什么、怎么写成工程代码、参数怎么整定、工程落地有哪些坑，以及它和高级无感控制算法之间到底是什么关系。想给系统增加故障兜底能力、改善负载突变响应，或者刚接触无感控制想找低门槛方案的工程师，应该都能从里面捞到点有用的经验。
1. 观测器到底在帮我们干什么：用模型替代测不出的物理量
先搞清楚一个最容易被误解的问题：观测器不是传感器，也不是灵异算法。它本质上是在干一件事——根据你已经能测到的物理量，再加上对系统物理规律的认识，把你想测但测不到、或者测出来很烂的那些量，实时推算出来。
电机控制里典型的“想测但测不好”的量有两类。一类是硬件上根本没有传感器的量，比如无感FOC（Field-Oriented Control，磁场定向控制）需要的转子位置和电角度，装个编码器当然能测，但成本、线束、可靠性都得掂量。另一类是硬件上装了传感器但信号质量不行，或者压根不是直接可测的量，比如负载转矩——没有哪个工业电机里会专门装个转矩传感器来测负载，性价比太低，通常都是通过电流环间接推出来的。
观测器的思路很简单：你把电机的数学模型写出来，比如机械运动方程、电压方程、磁链方程，这些方程里已经包含了转速、电流、电压、转矩之间的因果关系。然后你往这个模型里灌入可测的输入量，比如电流、电压，再用模型去推那些不可测的状态。模型推出来的结果难免有误差，因为你不知道负载转矩、模型参数也可能不准。这时候再拿一个可测的真实信号，比如编码器测到的实际转速，和模型推出来的转速作差，用这个误差去不断修正模型里的未知量。修着修着，模型反推出来的各个状态就慢慢逼近真实值了。
打个比方帮助理解。你家水管的水压表坏了，但你不想拆管子换表。你家里有个水泵，你知道水泵的转速和功率，知道水管直径，知道阀门开度，通过这些信息你其实可以大致推算管道里的压力。而水龙头流出的水量就是一个可以观测的实际输出，如果你发现按模型推算该出多少水，实际却少很多，说明管压估计偏了，于是反过来修正你的估计。观测器就是这么个“内建模型+反馈校核”的循环。
在电机控制里，这个思想落地到工程中，最常见的就包括龙伯格观测器、扩展状态观测器（ESO）、滑模观测器（SMO）、模型参考自适应（MRAS）、扩展卡尔曼滤波（EKF）等等。不同算法数学复杂度从浅到深，但内核都是同一个：找一个可测信号，更新一个动态模型，让模型状态追赶真实状态。
所以当你听到“十行代码的观测器”，千万别以为是什么黑科技。它只不过是把最朴素的状态观测思想压缩成最少的代码量。关键在于，这个简单版本在大量工业场景下就是够用，而且好用。
2. 十行代码的观测器长什么样：从运动方程到代码实现
我现在习惯在伺服项目里当成“标配”加的这段代码，是基于电机机械运动方程设计的一个二阶龙伯格观测器。它的作用有两个：一是估计出带滤波的转速，用来在编码器信号质量差的时候顶上速度反馈；二是同时估计出实时负载转矩，用来做前馈补偿。两件事，十行代码，不用矩阵运算，不用矩阵求逆，对于MCU（微控制器）上跑简直没有压力。
2.1 运动方程：整个观测器的地基
写电机的机械动力学，理想化一点，忽略摩擦和弹性的情况下是：
$$J \frac{d\omega}{dt} = T_e - T_L$$ 这里J是转动惯量，ω是机械角速度，T_e是电磁转矩，T_L是负载转矩。把这个方程当成状态方程，我们想估计的状态就是转速ω和负载转矩T_L。需要注意，负载转矩T_L本身不是一个有明确动态方程的量，它取决于外部负载，比如是风机，还是切削力，还是传送带阻力。为了能把它塞进状态空间里，我们做一个很常用的理想化假设：认为负载转矩变化很慢，相对电机的机电磁时间常数来说，基本等于常数，也就是dT_L/dt ≈ 0。这样一来就把T_L当成一个“慢变量”状态，通过观测器的误差反馈去在线修正它。这种处理在很多工程里都够用，因为观测器的收敛速度可以设计得比负载变化快得多。
于是状态方程可以写成：
$$\frac{d}{dt}\begin{bmatrix}\omega \ T_L\end{bmatrix} = \begin{bmatrix} 0 & -\frac{1}{J} \ 0 & 0 \end{bmatrix}\begin{bmatrix}\omega \ T_L\end{bmatrix} + \begin{bmatrix}\frac{1}{J} \ 0\end{bmatrix}T_e$$
输出方程如果取转速为可测量，即y=ω，就是标准的二阶系统。
2.2 龙伯格观测器公式：用转速误差修正两个状态
龙伯格观测器的设计套路是，给状态方程加一项“状态误差乘以增益”，这里的状态误差就是实测转速和估计转速之差：
$$\frac{d\hat{\omega}}{dt} = \frac{T_e - \hat{T}L - B\hat{\omega}}{J} + l_1(\omega{meas} - \hat{\omega})$$
$$\frac{d\hat{T}L}{dt} = l_2(\omega{meas} - \hat{\omega})$$
我在这个版本里额外加了B\hat{\omega}这项，B是黏性阻尼系数。对于很多连B都不太关心的工程师来说，可以先把B设成0，后面调参再处理。l1和l2是两个增益。整个观测器的秘密全在这两个增益上。如果你把观测器看作一个闭环系统，那么它自带一个特征方程，l1和l2决定了系统极点位置。为了方便，工程上习惯把极点配置成和二阶系统一样：两个都是某个带宽ω_n所对应的极点。
按典型的二阶置极点方法，可以取：
$$l_1 = 2\zeta\omega_n,\quad l_2 = J\omega_n^2$$
其中ζ是阻尼比，通常取0.7~1，ω_n是观测器带宽。带宽决定观测器跟踪速度：带宽越大，估计值收敛越快，但噪声也越容易被放大；带宽太小，估计值反应迟钝，前馈补偿就没意义。前文提到的摩擦项B不打算精确处理时，可以先忽略，则l2仍然是J乘以带宽平方。
2.3 十行代码：往工程里落地的写法
上面公式用前向欧拉离散化，就是十行代码。以C语言为例，Ts是控制周期，w_meas来自编码器或差分出来的实测转速，Te_est来自电流环的q轴电流换算，J是电机+负载的总惯量。下面是完整的一段示例：
// 负载转矩观测器，每Ts调用一次 // 输入：w_meas（实测转速），Te_est（电磁转矩） // 输出：w_hat（估计转速），TL_hat（估计负载转矩） float e; e = w_meas - w_hat; // 转速估计误差 // 速度估计更新 w_hat_next = w_hat + Ts * ((Te_est - TL_hat) / J - B * w_hat / J + l1 * e); // 负载转矩估计积分更新 TL_hat_next = TL_hat + Ts * l2 * e; // 更新状态 w_hat = w_hat_next; TL_hat = TL_hat_next;如果去掉空白行和注释，核心逻辑就是每周期四五个赋值语句。在MCU上跑，你只需要定义好w_hat、TL_hat这两个全局状态变量，然后在周期中断里调用即可。要注意的是所有变量用浮点或定点都行，但定点需要格外留出足够的整型和移位余量，否则很容易发散。
真正的“十行”背后要求的运算量很小：两次加减乘除、两次积分累加。相比卡尔曼滤波里那几个矩阵乘法，这个代码对嵌入式工程师的算力压力基本等于零。这也是为什么它在工程里能赢得口碑——不是在数学上碾压别人，而是给出一个效率极高的轻量方案。
2.4 为什么说这个观测器很“接地气”
第一，它不需要精确的磁链信息。对于永磁同步电机（PMSM），只要知道电流和磁链常数就能算电磁转矩；对于异步电机，电磁转矩需要磁链观测配合，但那也可以基于电压模型加一个简化的转子磁链回路，或者直接用变频器内部的磁链估算输出。这里最吸引人的点在于，负载转矩观测器的核心，不涉及转子磁场定向的核心模型，只涉及机械方程，所以它的适用范围很宽。
第二，它把“说不清道不明的负载变化”变成了一个可以前馈的量。传统速度环靠PI控制器慢慢把负载变化带来的速度误差调回零，本质上是一个“被动挨打再修复”的过程。观测器相当于一个“主动侦察兵”，在速度跌下去之前先感知到负载转矩变大了，然后提前增加电磁转矩把速度顶住。这个价值在切削机、冲压机、压缩机这些负载突变的场合特别明显。
我实际用下来的体验是，这个观测器上手简单，但一旦调好，会让人觉得“再也不想回到只有PI架构的日子”，因为它从原理上改变了控制系统的信息结构——从单一的反馈变成了“反馈+前馈”。
3. 它到底香在哪：三个让我改观的实际场景
很多工程师第一次听说十行代码的观测器，第一反应是：这东西真的能用吗？能有多香？我用三个实际场景来说明，同样一段代码，往往扮演完全不同的角色。
3.1 场景一：编码器信号异常时，观测器当“速度备份”
这是最直接、最立竿见影的价值。伺服系统里速度反馈通常来自编码器差分或者高分辨率位置微分。编码器在工业现场就像个娇贵的大小姐，怕油污、怕震动、怕信号干扰。一旦编码器线接触不良，转速反馈上就会出现毛刺，速度环PI控制器看到跳变的反馈后，会产生一堆错误的输出力矩指令，最后表现为电机噪声变大、抖动甚至过流报警。
传统的处理方式是给速度反馈加低通滤波，但速度环带宽又要保证，滤波和带宽本身就是矛盾的。观测器在这里的优势在于，它输出的w_hat并不等于实测转速的简单滤波，而是模型估计值和实测值折中的结果。也就是说，即使实测转速出现短暂尖峰，观测器因为有机械模型的惯性，w_hat的瞬时跳变幅度会被明显压低。当时现场编码器信号抖动时，我直接把速度环反馈从w_meas切换成w_hat，系统虽然没有原来那么快，但至少不再抖成筛子，撑了大半天直到停机检修。
这个场景给我的感受是，观测器不是一个只为了追求高性能的锦上添花，而是一个高可靠容错机制里的关键组件。它让你从“传感器坏了就停摆”变成“传感器坏了还能颠簸着跑一段路”，这个冗余价值没法用理论指标衡量，但在生产现场值千金。
3.2 场景二：负载转矩突加时，观测器给速度环“打辅助”
第二个让我觉得真香的场景是负载前馈。我带过的一个物流输送线项目，电机轴端直接带一个皮带滚筒，货物一包接一包地落下来，负载转矩周期性突变。之前纯粹用速度PI控制时，一包货上来，转速立刻掉下来一块，然后PI控制器慢慢把它拉回去，整个过程就像汽车上坡时迟半拍的油门反应。转速波动大，还会引起机械共振异响。
后来我加上TL_hat观测器，把估计出来的负载转矩换算成q轴电流前馈直接注入电流环。注意这一步非常直接，因为负载转矩估计量本身就是转矩维度，和电流环的指令是同一个量纲的“物理亲戚”。前馈通道相当于告诉电机“现在外面压了个东西，你要反过来使劲”。
实测下来，同一台机器上突加0.3倍额定负载时，转速跌落幅度从原来的120rpm降到40rpm左右，恢复时间从300ms缩短到不足60ms。虽然数据来自我自己的模拟项目，具体参数和现场设备肯定不同，但变化比例还是很说明问题的。这可能就是为什么很多资深工程师在一提到观测器时，第一个想到的用途不是无感控制，而是负载转矩前馈。
速度环+负载前馈之后，PI控制器的工作变得轻松多了——它只需要处理那些观测器还没完全跟上或模型误差带来的残余误差，而不是整天忙着对抗外部负载扰动。这说到底是把控制系统的带宽从“等到速度掉下来再反应”提升到了“看到转矩变就马上动作”，两者之间差着一个“预测”的维度。
3.3 场景三：成本敏感型电机驱动，少装一颗编码器
第三种情况是纯粹的降本需求。有些场合比如风机、水泵、物流滚筒、离心机，它们对转速精度的要求没那么变态，但一台普通电机加编码器，成本可能就是电机本身的20%~30%，还必须多拉几根信号线，增加一个故障点。这种时候如果允许中高速段做无速度传感器控制，就可以直接省掉编码器。
这里面的逻辑是：我们把观测器当作速度估计器，在无编码器的情况下，用什么来替代w_meas作为反馈？答案是可以用电压、电流和反电动势估算转速。更常见的无感矢量控制里，起主要作用的是反电动势观测器，用来估计转子位置，而负载转矩观测器站在外面，负责估计速度和转矩补偿。二者可以串联。十行代码的观测器单独使用，没法直接给出电角度，因为它只处理机械方程；但它可以给出“平滑的速度估计”，配合一个简单的电压模型或者锁相环，就能把无感方案跑起来。
不过要说清楚，十行代码的观测器不是一个能包打天下的无感算法。在极低速、零速重载这种状态，电机反电动势几乎为零，没有任何一个只依赖模型的龙伯格观测器能无中生有地把转子位置精确看出来。真要做高性能无感伺服，还是得用高频注入、滑模、无迹卡尔曼这些更复杂的路数。但这个简单版本确实给了很多项目一个“低成本起步”的选项。
3.4 小结：真香的本质是“性价比”
把三个场景放在一起，你会发现观测器“真香”的原因不是它性能多顶尖，而是它性价比高得惊人。同样实现“观测”这件事，用卡尔曼滤波确实更精确，但代码量、整定难度、固定点实现成本都高一大截。而十行代码的龙伯格观测器，只要有J和带宽两个主要参数，就能在大量现场发挥实用价值。工程不是学术论文评审，稳定、可控、好维护的代码，往往比理论上更炫酷的方案更受欢迎。
4. 参数整定这件事：从带宽开始一步步调
这个观测器只有两个增益l1和l2，但背后藏着很多调参细节。我发现很多初学者照着公式抄代码，上去就跑飞，或者滤波效果差，问题基本都出在“增益取值与系统物理不匹配”上。这里把我调参的完整思路拆开讲。
4.1 增益设计：从观测器带宽到具体数值
用我前文给出的l1和l2公式，核心就是要选两个数：阻尼比ζ和带宽ω_n。阻尼比一般按0.707起步，如果想要更快且接受一点震荡，可以放到1附近；如果采样周期较大，建议阻尼比取0.707~1，因为它决定了对噪声的衰减程度。
关键是ω_n的取值。这个值不能随便拍脑袋，要和控制周期Ts以及速度环带宽匹配。我常用的经验法则是：
- 观测器带宽至少要高于速度环带宽的3~5倍，最好10倍以内。速度环带宽比如30~50Hz，观测器带宽放到150~300Hz比较合适。
- 观测器带宽不能超过采样频率的1/10到1/5。因为离散化之后的系统，高频极点如果离奈奎斯特频率太近，就会出现极限环甚至震荡。假设控制周期Ts=250us，采样频率4kHz，那观测器带宽顶天放到400~800Hz，实际我一般只取200~300Hz。
- 选的带宽越高，噪声放大越明显。给带宽取值之前先想清楚，你更需要“快”还是“稳”。
代入具体例子：某伺服电机J=0.001 kg·m²，Ts=125us，速度环带宽设计为50Hz，选观测器带宽ω_n=300Hz=1885 rad/s，阻尼比0.9，那么：
l1 = 2 × 0.9 × 1885 ≈ 3393 l2 = J × 1885² ≈ 3553
注意l2已经带上J的单位，所以代码里J只出现在l2上，而运动方程里的(Te - TL_hat)/J还用着J。这是容易搞混的一个点。很多照着公式写代码，结果l2忘乘J，或者J在代码里出现在两个地方导致增益和方程不一致的，就会莫名其妙发散。
4.2 现场调参顺序：别一上来就上高速带宽
我现在的习惯是先做仿真，用阶跃负载验证，再上实验板。如果只能在实验板上调，也有个顺序：
第一步，把B设成0，阻尼比设成1，带宽从很小的值比如50rad/s开始。把w_meas和w_hat同时通过一个简单示波器或上位机记录下来，看w_hat是不是在一个大概率的跟随状态下，只是抖动小一点。这个阶段的主要目的是确认模型方向对——电磁转矩符号、J的正负、速度方向是否反了。如果连方向都反了，观测器必炸。
第二步，逐步增加ω_n到目标值。每次增加后看w_hat对w_meas的跟随速度是否变快、噪声是否变大。如果噪声出现，先把阻尼比抬到1，再不行降低ω_n，或者给w_meas加一阶低通滤波，但滤波只对测量通道处理，千万别给误差通道过度滤波。
第三步，加上负载转矩的验证。给电机在运行中突然加载，观察TL_hat是否能快速稳定到某个接近真实负载的值。如果TL_hat的稳态值比别人标定的负载还差很远，说明J或者B参数不准，回来调这两项。
第四步，速度环接入观测器或前馈通道。先只做前馈，也就是电流环指令上额外叠加一点和TL_hat成正比的小量，看转速降幅变化，确认方向没接错。然后再考虑速度环切换反馈源。
4.3 我在实测中踩过的四个坑
这里一次性讲清楚我调这个观测器过程中踩过最深的几个坑，按频率排序。
第一个坑：J给错了，转矩估计一起错。转动惯量J的官方值（比如电机转子惯量+负载惯量）只是名义值，实际现场负载的惯量可能变化巨大。J偏大时，观测器模型认为“改转速需要更大的转矩”，导致它对负载加速度响应误差大，甚至前馈过冲；J偏小时，观测器对同样的转矩变化会产生过快的转速变化，估计噪声放大。最有效的办法是让系统先做加减速伺服，通过实验中记录的实测转矩和转速变化，反推等效惯量。没有条件的话，至少把J当做一个可调参数，给现场留个旋钮。
第二个坑：l1调太大，速度反馈全是高频毛刺。观测器带宽拉高后，估计转速对实测转速的跟踪越来越快，但同时也把实测通道的噪声带进来了。我见过有人把带宽一路调到上千rad/s，结果估计转速本身就开始跳舞，速度环跟着震荡。正确做法是退到带宽，用噪声的上升点来反向约束带宽上限，别一味追求快。
第三个坑：启动瞬间TL_hat初值没给对。TL_hat如果初始化成0，但实际电机带着负载启动，那观测器刚上电的瞬间会把负载转矩估计成0，然后需要一段时间收敛，这段时间内前馈补偿完全缺失，某些重力负载的场合就会造成启动瞬间被倒拖。解决很简单：每次使能之前先运行观测器但不输出前馈，让TL_hat先在线收敛几秒钟，或者干脆在使能时通过外部逻辑把TL_hat置成上次断电前保存的值。
第四个坑：零速或极低速时，实测转速信号本身质量差。编码器在零速附近只有分频脉冲，差分出来的速度噪声巨大，观测器误差项被噪声污染，可能让估计值跟着抖跳甚至发散。我采取的做法有三种：要么在低速段停止更新观测器，只用最后有效值保持；要么给w_meas加一个低速专用的平滑滤波器；要么在速度环里将w_hat和w_meas按一定比例混合切换，而不是突然全切。这些虽然只是工程土办法，但现场确实管用。
这四个坑加起来，其实说明一个道理：观测器的好坏，一半在算法，一半在你知道它的边界。参数整定的天花板通常不是数学算不出来，而是你对系统的物理理解还不够细致。
5. 从“十行代码”到完整无感控制：这个观测器到底能担多大任
聊到这里，一定有人会问：既然这观测器这么香，我是不是可以直接拿它做无感FOC了？答案没那么简单。这个十行代码的观测器本身解决的是一维机械方程上的问题，它给你的是转速估计和负载转矩估计，但没给你转子位置。而无感FOC最核心的需求恰恰是电角度。
5.1 怎么从转速估计变成电角度估计
如果你只需要做无感异步电机的简单V/f控制，那机械转速估计已经够用。但如果你要做高性能的FOC，你还得知道转子的电角度。一个常见的做法是在这个观测器外面再挂一个“反电动势观测器+锁相环”：先根据电压方程实时估算反电动势分量，再从反电动势的相位里面提取出转子位置。转速观测器则负责给电流环提供平滑的转速参考，同时把负载转矩前馈进去，两者是互补关系。
所以这个十行代码的观测器在无感系统里扮演的角色，更像是“速度外环的定海神针”和“负载扰动抑制器”，而不是唯一的明星算法。它降低了无感方案的系统性风险，但真正解决低速零速困局的还是得靠更专业的算法。
5.2 什么场合适合单独用这个简单观测器
如果项目的性能需求属于以下区间，单独用这个观测器完全合理：
- 对转速精度要求不极端，但要求系统可靠性和成本都友好。
- 运行转速范围基本在中高速，低速带载需求不高。
- 现场负载会突变，需要转矩补偿和速度反馈抗噪。
- 现有硬件算力有限，跑不了复杂滤波或矩阵运算。 这些场合包括很多风机水泵、物流输送、搅拌机、压缩机、自动门驱动等，在这些领域里，少编码器、少布线、少维护才是真实需求，高性能永远排在可靠性后面。
5.3 升级路径：从十行代码到“足够好用”的渐进路线
我的建议是，工程师不必一上来就挑战滑模或卡尔曼。先把十行代码的负载转矩观测器玩明白，然后再逐步扩展：第一，给它加一个简单的反电动势电压模型，就能得到电角度，变成无感异步电机的基础方案。第二，把增益设计从常系数改成随转速变化的变增益，可以改善低速表现，代码量会增加一些，但整体逻辑没变。第三，如果后续必须面对强非线性和重载，再往滑模观测器或扩展卡尔曼滤波方向迁移，此时你已有的模型和参数经验都是现成的，迁移成本会低很多。
说白了，观测器不是越复杂越好，而是越合适越好。用十行代码能解决的问题，没必要一开始就上几十倍的代码量和调参复杂度。
最后再分享一个我最近的习惯：每次调试新电机驱动，我都先把这段观测器代码加进去，即使暂时不用，也会在后台记录w_hat和TL_hat。一旦现场出现编码器异常、负载突变、速度波动解释不清的问题，这份后台数据就是最好的排查线索。观测器本身也许不能解决所有问题，但它让你比别人多了一双“看得见系统内部”的眼睛，这东西用久了，你会越来越觉得值。
