① 什么是磁场定向控制(FOC),和矢量控制有什么区别
没有区别，FOC控制又称为矢量控制。
1.磁场定向控制系统（FOC）又称为矢量控制系统，他是选择电机某一旋转磁场轴作为特定的同步旋转坐标轴。
2.磁场定向轴的选择有三种：转子磁场定向、气隙磁场定向和定子磁场定向。气隙磁场定向和定子磁场定向在磁链关系中均存在耦合，使得矢量控制结构更加复杂。
3.转子磁场定向是仿照直流电动机的控制方式，利用坐标变换的手段，把交流电动机的定子电流分解成磁场分量电流和转矩分量电流并分别加以控制，即磁通电流分量和转矩电流分量二者完全解耦，从而获得类似于直流调速系统的动态性能。
4.FOC控制技术在工业领域应用的相对成熟，常见到的产品有伺服控制器、矢量变频器等，在民用领域普及相对滞后，比如近10年发展起来的变频空调、出口欧美的高端变频风扇等。
采用矢量控制方式的通用变频器不仅可在调速范围上与直流电动机相匹配，而且可以控制异步电动机产生的转矩。
由于矢量控制方式所依据的是准确的被控异步电动机的参数，有的通用变频器在使用时需要准确地输入异步电动机的参数，有的通用变频器需要使用速度传感器和编码器。
目前新型矢量控制通用变频器中已经具备异步电动机参数自动检测、自动辨识、自适应功能，带有这种功能的通用变频器在驱动异步电动机进行正常运转之前可以自动地对异步电动机的参数进行辨识，并根据辨识结果调整控制算法中的有关参数，从而对普通的异步电动机进行有效的矢量控制。
② 代码嵌入模型是什么
集成式MBD开发方式
把FOC算法模型嵌入代码
写在最后
姗姗来迟的第五期（天太冷了，搭模型、写文章也需要毅力）。
本期将是2021年的收官，也将是MBD实战之电机控制系列的最后一期。这一期将介绍如何将模型生成的代码集成到已有的代码中去——把算法模型嵌入你的代码之中去。
1 集成式的MBD开发方式
这个话题这前面的文章中提过了很多次，之所以频繁的提及这种集成的方法，是因为这是目前MBD（Model-Based Design，基于模型的设计）的主流开发方式。
具体而言，集成式MBD的开发方法是：软件代码手写一部分，模型生成一部分，然后再将两部分集成在一起，从而实现完整的软件开发。
手写代码和模型生成有着不同的分工：
手写代码：适用于底层驱动、外设初始化、内存管理、中断管理、OS、Bootloader、协议栈等，还包括片外扩展IC的初始化，以及其他数学特征不明显的功能；
模型生成：适用于数学算法、状态机、数据处理等。
Tips：为了便于区分，本文将手写的代码称为底层代码，而模型生成的代码称为模型代码。底层代码负责的模块并不一定全部都是必须的，例如OS（嵌入式中一般使用实时操作系统，比如FreeRTOS），很多控制可能不需要OS，只需要中断管理即可。
可以看出，底层代码负责的功能，并不适合使用模型来实现。上一期给出的完全由模型实现的电机控制框架，虽然实现了电机控制，但实际上忽略了很多实际项目中必须的模块，例如OS、Bootloader等，还有很多安全机制也没有考虑。
底层代码功能理论上也能通过模型来实现，但没必要、也不需要用模型的方式来实现。MathWorks官方也一直推荐仅使用Simulink/MATLAB搭建算法模型，像底层驱动、内存管理、OS、Bootloader、协议栈等等，还是通过手写代码的方式更为高效。
这一点我有直接咨询过MathWorks的工程师，他告诉我底层代码要通过模型来实现，其难点在于TLC语言的复杂性和硬件芯片的多样性（市面上的芯片太多，每一个都需要适配），这两点没有专业的团队，很难实现模型的高效性。
Tips：我有了解到，有的公司利用StateFlow实现了类似于OS的Task Manager，用于管理模型中的不同任务。其构成也是相当复杂，没有专门的团队是没办法开发和维护的。但也仅限于任务调度——我感觉像复杂的状态机，OS的很多功能是没办法用StateFlow实现的。
对于有复杂算法的软件，MBD代码生成就可以大显身手了，算法越复杂，优势就越显着。举一些例子，如：电机控制、电池管理系统（BMS）、路径规划、紧急制动（AEB）、自动泊车（APS）等算法，其算法实现都可以通过MBD的方式来开发。
用MBD来开发算法，简单总结有如下优势：
便于算法实现和调整：这里指的并不是找Bug，算法的数学表达可能是固定的，但在特定的应用场景下，算法的局部需要特定调整，例如添加状态机实现不同状态的切换。借助模型的图形化，以及MATLAB/Simulink上的各种工具箱，这种调整是很直观，并且很容易实现。
专注算法且算法独立：使用模型搭建算法，我们只需要专注算法实现的本身，不需要考虑底层驱动等因素；由于不考虑底层驱动，算法模型可以方便地实现移植。有人说算法的核心是数学，写代码往往并不太容易兼顾数学，但搭建模型可以。
便利的仿真测试：算法的测试对于优化算法是非常强有力的途径，通过MBD，可以方便的实现MIL、SIL、PIL和HIL，根据测试结果，反馈到模型中，再对模型进行调整，这其中的效率是手写代码无法比拟的。
我自己是有完全手写代码实现电机控制软件所有环节的经验的，对比搭建MBD电机控制框架的开发过程，上述优点是非常明显的，我深有体会。这些优点对新手入门也是非常友好，特别是对非电子、计算机专业的人来说。
在使用集成式MBD开发项目时，软件实现一般需要两个角色：
底层工程师：底层工程师需要对MCU和硬件电路设计很熟悉，他负责实现底层驱动、MCU初始化、OS、Bootloader、协议栈等。他使用手写代码的方式进行开发，在底层代码中给算法预留好接口，以供算法集成。
算法模型工程师：算法模型工程师则负责搭建模型、测试算法，测试通过后就可以生成代码，然后集成到底层代码中去。
Tips：软件实现还可以有一个统筹底层代码和模型代码的架构工程师，给底层和模型设计需求；非软件的部分，一般有一位硬件工程师。
集成好了之后可能还需要进行测试，因为仿真毕竟和实际情况有差异。这时候再调整模型，或者调整底层代码，就可以做到彼此独立、互不干扰了。这一点在传统的开发中往往是一大痛点，而MBD可以很好的解决这个问题。
2 把FOC算法模型嵌入代码
依然以PMSM无感电机控制软件开发为例来介绍如何实现模型代码的集成，硬件平台是NXP的电机开发套件MCSPTE1AK144。
电机开发套件MCSPTE1AK144 - From NXP
后文中提到的最新的模型和代码已经更新到了我的GitHub仓库中，下载模型可以访问下面这个链接：
GitHub仓库：autoMBD电机控制项目
https://github.com/TkungAI/autoMBD_Motor_Control
也可以在私信作者发送关键词“MBD电机控制”，作者还有其他资源，发送关键词“资源”可以收到下载链接。
回到正题，如何开展集成式MBD开发，有以下三个工作环节：
1. 实现算法模型
首先要明确算法模型的需求，可以简单地概括为：
算法的输入和输出是什么？
算法的内部变量有哪些？
算法要处理什么任务（状态机）？
这三个问题的解答也需要和底层工程师和硬件工程师一起协商、相互约束、相互补充，共同明确需求。下图是本次实现的电机控制算法模型（文件名FOC_Ctrl_CodeModel.slx）：
PMSM无感电机控制算法模型 - From autoMBD
PMSM无感电机控制算法模型
-
From autoMBD
这里给出我在本次的PMSM无感电机控制软件开发中，对上述三个问题的回答：
输入和输出
输入为5个ADC采样信号和2个电机控制信号，ADC采用数据用于FOC算法、目标转速的输入，电机控制信号用于控制电机的启停；输出为三相占空比Duty Cycle和LED信号，分别用来执行控制和显示控制状态（参见上图）。
中间变量
中间量不会输出，是在算法处理数据过程中产生的，可以体系算法的特征，比如处理后的电压信号、电流信号、无感算法估计的速度和位置、控制信号等。这部分通过Bus数据对象实现对数据结构体的定义。下图中的varFOC即包含了所有的中间量。
中间变量和StateFlow Chart - From autoMBD
状态机设计
这部分也就是明确电机控制软件具有的功能、任务。在不同的阶段，算法执行的内容是不一样的，例如关闭电机的状态下，不需要跑FOC算法。本次项目中，只实现了简单启动、关闭和故障清楚的功能，状态相对简单，如下图所示：
算法模型状态机 - From autoMBD
Tips：如果有看之前提出的电机控制框架模型，应该就能发现这里的状态机与之非常相似。实际上这里的状态机是对原版的更新和优化，把函数调用方式从Function Call换成了Simulink Function，在Chart内部即可调用函数，不需要把调用的函数模型建立在Chart外面了。具体状态机的讲解可以参考电机实战的03期和04期的内容。
要注意的是，在Run状态下，调用的FOC核心算法模型，其包含了独属于FOC算法的子状态机和中间变量FocInternalPara。这里将FOC算法部分和与非FOC算法部分进行了分别设计，增加算法的灵活性和移植性。
FOC核心数学算法 - From autoMBD
FOC核心算法模型子状态机 - From autoMBD
Tips：该状态机只负责FOC算法的状态控制，包括对齐、开环、追踪和无感闭环四个状态，具体内容可以参考电机实战的04期的内容。
算法模型的内容就介绍到这里，其他的细节还请下载模型后打开查看。模型创建好了就可以生成代码了：
算法模型生成代码 - From autoMBD
这里生成的代码即集成时需要用到的代码。生成代码文件很多，其实是可以优化减少的，后续再开新的文章来讲解如何优化生成的代码。
2. 实现底层代码
Tips：底层代码的实现本质上就是手写代码的开发方式，只不过不做算法部分而已，所以需要有一定的编程基础。网络上有很多嵌入式开发的文章和案例，autoMBD的目标也不是介绍手写代码的开发，所以这里不会很细致的讲如何实现底层代码，仅从方法论的角度简单介绍一下。
可以发现，上述的算法模型中已经没有任何的硬件支持包的模块了，即已经不包含任何的底层驱动、外设初始化等等的功能，这部分由底层代码来实现。
要开发底层代码，需要用到集成开发环境IDE。对于S32K1系列芯片，NXP公司提供了一套免费的、专用于NXP汽车芯片的IDE工具——面向Arm®的S32 Design Studio（简称S32DS）。
面向Arm®的S32 Design Studio - From NXP
打开S32DS后，窗口如下图所示：
S32DS窗口 - From NXP
要配置底层驱动，需要用到S32K1专用图形配置工具——Processor Expert（上图中红色方框中的部分）。该工具能够实现对S32K1系列芯片的灵活配置。而底层驱动则需要使用S32K1 SDK，该SDK具有丰富的API供开发者使用，功能完善且强大。
关于Processor Expert和S32K1 SDK的使用，更多请参考NXP的技术文档。
本次项目中我也实现了一个基本的PMSM无感电机控制的底层代码，包括外设配置、MCU初始化和中断管理的内容，该DS工程位于仓库的这个位置：
S32DS_Prjct -> FOC_Ctrl_MBD_Integration。
该底层代码实现的功能与上一期中的电机控制框架基本一致。
3. 模型代码的集成
到这里，模型代码和底层代码都已经实现，如何集成呢？实际上生成的代码中有一个ert_main.c的文件就给出了集成的实例，读者可以参考该文件。
模型代码集成的过程是比较简单的，主要分为以下几步：
模型初始化：FOC_Ctrl_CodeModel_initialize()
周期性运算Step函数：FOC_Ctrl_CodeModel_step()或rt_OneStep()
终止（如果需要）：FOC_Ctrl_CodeModel_terminate()
Tips：调用并运行模型算法的是Step函数，即计算模型的一个步长。两个Step函数功能是一样的，rt_OneStep()在”模型Step“的基础上封装了一层错误检查，但该错误检查基本上起不了什么作用。
特别要注意的是周期性调用Step函数的周期，需要和算法的运算周期保持一致，不然可能会出现错误结果。
本次项目中，模型初始化在MCU初始化完成后调用；Step函数的调用在Motor_ISR中；模型算法不会终止，所以不需要Terminate函数。
初始化的具体代码如下：
/* Low level driver initialization */ MCU_Init(); GD3000_Init(); FMSTR_Init(); /* Initialize model */ FOC_Ctrl_CodeModel_initialize(); MCU_Start(); /* Forever loop */ while(1) { FMSTR_Poll(); mainCnt++; }
Motor_ISR：
void Motor_ISR (void) { /* Read ADC*/ ADC_DRV_GetChanResult(INST_ADCONV1, 0, &adcResult[0][0]); /* V_REFSH */ ADC_DRV_GetChanResult(INST_ADCONV1, 1, &adcResult[0][1]); /* Pot */ ADC_DRV_GetChanResult(INST_ADCONV1, 2, &adcResult[0][2]); /* iA */ ADC_DRV_GetChanResult(INST_ADCONV1, 3, &adcResult[0][3]); /* Temp */ ADC_DRV_GetChanResult(INST_ADCONV2, 0, &adcResult[1][0]); /* V_REFSL */ ADC_DRV_GetChanResult(INST_ADCONV2, 1, &adcResult[1][1]); /* uDC */ ADC_DRV_GetChanResult(INST_ADCONV2, 2, &adcResult[1][2]); /* iB */ ADC_DRV_GetChanResult(INST_ADCONV2, 3, &adcResult[1][3]); /* iDC */ /* Set model inputs here */ FOC_Ctrl_CodeModel_U.ADCinput[0] = adcResult[0][2]; FOC_Ctrl_CodeModel_U.ADCinput[1] = adcResult[1][2]; FOC_Ctrl_CodeModel_U.ADCinput[2] = adcResult[1][3]; FOC_Ctrl_CodeModel_U.ADCinput[3] = adcResult[1][1]; FOC_Ctrl_CodeModel_U.ADCinput[4] = adcResult[0][1]; FOC_Ctrl_CodeModel_U.FaultSwitch = faultSwitch; FOC_Ctrl_CodeModel_U.MotorSwitch = motorSwitch; /* Calculate one-step for the modle */ rt_OneStep(); /* Get model output here */ pwmDuty[0] = (uint16_t)(FULL_DUTY * FOC_Ctrl_CodeModel_Y.DUTY[0]); pwmDuty[1] = (uint16_t)(FULL_DUTY * FOC_Ctrl_CodeModel_Y.DUTY[1]); pwmDuty[2] = (uint16_t)(FULL_DUTY * FOC_Ctrl_CodeModel_Y.DUTY[2]); /* Set PWM ty */ FTM_DRV_FastUpdatePwmChannels(INST_FLEXTIMER_PWM1, 3, pwmChannels, pwmDuty, true); /* Clear FTM flag */ FTM_DRV_ClearStatusFlags(3, FTM_TIME_OVER_FLOW_FLAG|FTM_RELOAD_FLAG); }
可以看到模型的传参和返回结果是通过全局变量的方式实现的：
输入全局变量：FOC_Ctrl_CodeModel_U
输出全局变量：FOC_Ctrl_CodeModel_Y
这里是可以通过对算法模型进行设置的，可以改成传参的方式，本次项目使用的是默认方式。
前文中的算法模型的中间变量也是一个全局变量：
模型中间变量：FOC_Ctrl_CodeModel_DW.varFOC
到这里模型代码的集成就算完成了，可以像手写代码的方式调试和下载代码了。
其实还有很多关于代码集成的细节和技巧没有提到，本次项目实现的模型代码完全是在默认设置下生成的。
Simulink是可以对生成的代码进行很细致的控制的，例如控制代码生成的位置、函数传参的方式、函数的复用等，还有代码如何优化，如何创建数据字典来管理模型数据。关于这些技巧和实践，我会在后续的文章中进行介绍，欢迎持续关注作者。
3 写在最后
先说一点题外话，我最近才了解到NXP新发布的S32K3系列芯片，其最新的硬件支持包MBDT有了一个较大的升级，它的底层模块已经实现了完全等同于S32K3专用底层配置工具的功能。这一升级使得底层驱动这一功能也可以在Simulink模型中实现。
现在的S32K1的MBDT底层模块由于功能很有限，很多情况下底层驱动的配置必须使用专用配置工具Processor Expert来配置才能满足需求。而S32K3的更新有望改变这一现状，有兴趣的可以了解一下S32K3芯片和它最新的硬件支持包MBDT。
S32K3X4EVB-Q172 - From NXP
到本篇文章为止，我认为关于MBD的基础部分，应该已经写得差不多了，如果看完我的全部文章，应该能有所收获。
下一期我将对所有发布的文章，和GitHub仓库进行一次清理和总结。
明年autoMBD将会进入到下一个阶段，会尝试更有挑战的内容，例如TLC语言、MBD实现通信、MBD与OS的结合等。所以请持续关注autoMBD，更多技术分享不容错过。
2021年还剩下最后一周，在这里提前祝大家2022年新年快乐，希望各位读者能在2022年收获更多！
③ 小牛电动车会出六代吗
会，并且已经出了。
4月7日，小牛电动在常州举行2021全球新品战略发布会，小牛全面推出了第七代睿电技术，五维动态感知算法，第六代FOC算法，以及具备高铁驱动技术的V级电机，最终实现续航，动力的全面提升，据悉能够带来32%的续航升级，以及最高160km/h的时速。
④ 与传统控制相比智能控制的优点
最本质的区别是解决问题的思路不一样。
经典控制与现代控制虽然看起来完全不同，但是本质上都一样，就是建立控制对象的数学模型，然后设计一个数学模型形式的控制器达到控制目的，区别只是前者建立的是微分方程或者叫做pid控制，后者建立的是状态方程，类似于数学当中的线性微分方程组。而最优控制，鲁棒控制等问题不论是基于经典控制理论还是基于现代控制理论，都脱离不了本质——必须建立被控对象的数学模型，也包括02年提出的foc控制。
智能控制则采取的是全新的思路。它采取了人的思维方式，建立逻辑模型，使用类似人脑的控制方法来进行控制。
我正好在做这个作业，就拿我的作业为例子进行说明吧。
控制一个热水器的水温，传统的控制方法当中，不论你要建立一个微分方程还是建立一个状态方程，总归要把加热功率和水温，加热功率的变化率和水温的变化率之间建立出来数学模型，不论是寻求最优控制方法还是提取变量敏感度进行鲁棒控制，总归要有数学模型才能做。
智能控制则采取截然不同的方法。例如使用模糊控制器，我们首先把所有的变量模糊化，通过一定的算法把水温，水温的变化率，加热功率，加热功率的变化率等变成语言变量，比如形容为非常大，比较大，稍微大，正好，稍微小，比较小，非常小。然后像人那样制定规则库，if水温...and水温的变化率.....then加热功率......。然后通过一些算法把规则库和模糊关系制定成表输入到运算芯片的flash即可工作。
再例如使用人工神经网络，我们仿照人脑建立计算机神经网络模型，每个人工神经元都含有很多带权重的轴突，一个带激发判定的细胞体和若干带输出函数的树突，然后很多人工神经元按照一定逻辑分成进行连接，然后把热水器采集到的大量信息拿过来，分别加到输入端和输出端，通过一定算法改变人工神经元之间的连接权重和激发因子，最终使得所有已知的训练量都能满足这个人工神经网络，在足够训练量的情况下，控制精确度能达到很高。
综合起来说，普通控制是完全基于数学的控制，而智能控制则是基于逻辑规则，使用人类思维的模型或者经验模型甚至是仿照人类神经网络来进行训练学习的模型。
优缺点的话就很明显了，经典控制和现代控制都有一个明显的好处——稳定点非常精确，即使是超调量，最快响应时间等各有缺陷，但是总归在平衡位置上是异常精确的。而智能控制不论是采用扎德还是麦克丹尼的理论，都不可避免的有不精确的成分，但是无疑的很多控制对象都不是那么容易建立方程的，而且很多控制对象即使能建立方程，也是现在的数学理论还不能探讨的。例如一个烧锅炉的师傅往往会根据火候和炉壁摸着烫不烫作为输入量来决定加多少煤，让他总结经验是很容易的，但是如果要求这个烧锅炉的师傅建立一个方程那显然是不可能的。
实际工程上用的时候往往是智能控制和普通控制综合使用。例如一个控制模型，先做一个判决算法判定是否到达平衡位置，如果未到达则采用智能控制器使其快速响应，在超调量等参数到达一定范围以后，切换才经典控制器或者现代控制器进行运算。
以上仅为工程和研究经验的总结，有可能作为材料成文，未经允许谢绝转载。
⑤ stm32 foc2.0不开源
stm32 foc2.0不开源可能是算法里面缺少了算式。
STM32 Foc开源算法,包括观测器和Foc method，STM32F0系列FOC源代码,有单电阻采样和三电阻采样两种代码。
扫描隧道显微镜(Scanning Tunneling Microscope, 缩写为STM)是一种扫描探针显微术工具，扫描隧道显微镜可以让科学家观察和定位单个原子，它具有比它的同类原子力显微镜更加高的分辨率。STM使人类第一次能够实时地观察单个原子在物质表面的排列状态和与表面电子行为有关的物化性质，在表面科学、材料科学、生命科学等领域的研究中有着重大的意义和广泛的应用前景，被国际科学界公认为20世纪97年代世界十大科技成就之一。隧道针尖的结构是扫描隧道显微技术要解决的主要问题之一。针尖的大小、形状和化学同一性不仅影响着扫描隧道显微镜图像的分辨率和图像的形状，而且也影响着测定的电子态。针尖的宏观结构应使得针尖具有高的弯曲共振频率，从而可以减少相位滞后，提高采集速度。如果针尖的尖端只有一个稳定的原子而不是有多重针尖，那么隧道电流就会很稳定，而且能够获得原子级分辨的图像。针尖的化学纯度高，就不会涉及系列势垒。例如，针尖表面若有氧化层，则其电阻可能会高于隧道间隙的阻值，从而导致针尖和样品间产生隧道电流之前，二者就发生碰撞。制备针尖的材料主要有金属钨丝、铂-铱合金丝等。钨针尖的制备常用电化学腐蚀法。而铂- 铱合金针尖则多用机械成型法，一般 直接用剪刀剪切 而成。不论哪一种针尖，其表面往往覆盖着一层氧化层，或吸附一定的杂质，这经常是造成隧道电流不稳、噪音大和扫描隧道显微镜图象的不可预期性的原因。因此，每次实验前，都要对针尖进行处理，一般用化学法清洗，去除表面的氧化层及杂质，保证针尖具有良好的导电性。
⑥ odrive和simplefoc哪个好
odrive和simplefoc二者差不多。
ODrive是一个基于STM32的高性能FOC伺服驱动器,其可以同时驱动两个无刷电机,早期被大量使用与3D打印机或自制CNC车床电气系统的设计中,知名极客JamesBruton使用其作为大部分自己制作机器人伺服驱动的核心单元。
simplefoc是一个开源的低成本无刷直流（BLDC）电机驱动板，主要用于低功耗的FOC应用，电流高达5A。该板与ArinoUNO和所有带有标准Arino头的板完全兼容。SimpleFOCShield结合SimpleFOClibrary提供了一种用户友好的方法来控制无刷直流电机的硬件和软件。
⑦ 为什么电机FOC控制里面反clarke变换 Valpha 和 Vbeta 的位置变了
超过90度的部分会反，比如120度。克拉克变换只是减去一个空间维度，其它的不管反正。是解耦控制的第一步。（其实我不懂，只能理解到这个程度了，也不知道有没有错）