3. 参数优化问题的数学描述与求解框架

在电机控制系统中，参数优化并不是“把一组参数反复试到效果满意”这么简单。要让优化过程可复现、可比较、可解释，必须先把工程问题翻译成数学问题：明确哪些量可以调、哪些量不能动、希望改善什么、必须满足什么限制、多个目标之间如何取舍。这一节围绕目标函数设计、约束处理、多目标优化形式化以及算法选型原则展开，给出一个可以直接套用到电流环、速度环、弱磁控制或效率优化等场景的求解框架。

一、从工程需求到优化问题的三要素

一个标准的参数优化问题由三部分构成：决策变量、目标函数和约束条件。以表贴式永磁同步电机速度环PI参数优化为例，决策变量可以取 x = [Kp, Ki]；目标函数可以取阶跃响应超调量与调节时间的加权和；约束条件则包括电流限幅、带宽上限、稳态误差要求等。写成一般形式：

min  f(x) = [f1(x), f2(x), ..., fm(x)]
s.t. gi(x) ≤ 0,  i = 1,2,...,p
     hj(x) = 0,  j = 1,2,...,q
     xL ≤ x ≤ xU

其中 x 是 n 维决策变量，f 是目标向量，g 和 h 分别是不等式与等式约束，xL、xU 是变量的物理上下界。这个形式看起来抽象，但它决定了后续所有工作的边界：变量选错，优化结果无法落地；目标写错，算法会“优化”出工程上无意义的参数；约束遗漏，可能得到数学最优但会触发过流保护的解。

二、目标函数设计：把“控制得好”变成可计算的量

目标函数是优化问题的“指挥棒”。在电机控制中，常见的目标来源包括时域性能、频域性能、能耗与温升、电流谐波、转矩脉动等。设计目标函数时，建议遵循三条原则：可测量或可仿真计算、对参数变化敏感、量纲统一或经过归一化。

以速度环阶跃响应为例，若只写“超调小、响应快”，算法无法执行。可以将其形式化为：

f1(x) = max(y(t)) - y_ref          // 超调量
f2(x) = t_settle                    // 调节时间
f3(x) = ∫|e(t)|dt                   // 绝对误差积分
f(x)  = w1·f1/f1_ref + w2·f2/f2_ref + w3·f3/f3_ref

其中 f1_ref、f2_ref、f3_ref 是基准值，用于把不同量纲的量归一化到相近数量级；w1、w2、w3 是权重，反映设计偏好。若更关注跟随性而不希望超调，可提高 w1；若更关注快速性，可提高 w2。需要强调的是，权重不是“拍脑袋”的，应结合具体工况：例如数控机床进给轴通常对超调更敏感，而风机泵类负载对调节时间容忍度更高。

对于效率优化场景，目标函数可以写成铜耗与铁耗的加权和：

f(x) = P_cu(id, iq) + k_fe · P_fe(ω, id, iq) + k_sw · P_sw(fsw)

此时决策变量可能是 id、iq 的分配比例或开关频率 fsw。目标函数必须与控制器实际可调量对应，否则优化结果无法写入控制器。

三、约束处理：把“不能碰的红线”写进问题

电机控制中的约束通常分为三类：物理约束、性能约束和安全约束。物理约束如电压极限圆、电流极限圆；性能约束如带宽不低于某值、稳态误差小于某阈值；安全约束如母线电流不超过额定值、温升不超过绝缘等级。处理约束的常用方法有三种：

• 罚函数法：把约束违反量乘以罚因子加入目标函数，适合约束边界不严格或需要快速实现的场景。
• 可行域投影法：在迭代中把越界变量投影回边界，适合变量上下界明确的参数优化。
• 约束支配法：在多目标优化中，可行解优先于不可行解，适合NSGA-II等算法。

以电流极限圆为例，约束可写为 id² + iq² ≤ Imax²。若采用罚函数，则目标函数变为 F(x) = f(x) + M·max(0, id²+iq²-Imax²)，其中 M 是罚因子。M过小会导致解越界，M过大会导致数值病态，通常取目标函数典型值的10~100倍作为初值，再根据迭代结果调整。

四、多目标优化形式化：Pareto前沿与偏好表达

当目标函数超过一个且彼此冲突时，不存在让所有目标同时最优的单一解，只能得到一组Pareto最优解。以速度环PI优化为例，超调量和调节时间往往此消彼长：增大 Kp 可缩短调节时间，但可能增大超调。此时优化结果是一条Pareto前沿，而不是一个点。

多目标优化的标准形式为：

min F(x) = [f1(x), f2(x), ..., fm(x)]
s.t. x ∈ Ω

其中 Ω 是可行域。解 x* 称为Pareto最优，当且仅当不存在另一个可行解 x 使所有目标都不劣于 x*，且至少一个目标严格更优。工程上，我们通常先求出一组Pareto解，再根据偏好选择最终参数。偏好表达方式包括：权重法、ε-约束法、参考点法。权重法简单但难以覆盖非凸前沿；ε-约束法把部分目标转为约束，适合目标数量较少的情况；参考点法适合设计者能给出“理想目标值”的场景。

五、优化算法选型的基本原则

算法选型不是“哪个先进用哪个”，而是看问题特征。可以从四个维度判断：目标函数是否可导、变量维度、约束复杂度、单次评估代价。

选型时还要注意：如果单次仿真需要数分钟甚至更久，应优先考虑贝叶斯优化或代理模型，而不是直接上大规模进化算法；如果目标函数存在大量局部极值，梯度法容易陷入局部最优，可先用遗传算法做全局搜索，再用梯度法局部精修。对于电机控制这类安全相关系统，任何优化结果都必须经过仿真和台架双重验证，不能直接把算法输出写入量产控制器。

六、一个可复用的求解流程

综合以上内容，参数优化问题的求解可以按以下流程推进：

1. 明确决策变量：列出控制器中真正可调且对性能有影响的参数，确定上下界。
2. 建立目标函数：选择可计算指标，归一化后加权组合；多目标时保留向量形式。
3. 整理约束：区分硬约束与软约束，选择罚函数、投影或约束支配策略。
4. 选择算法：根据可导性、维度、评估代价选择梯度、无梯度、进化或代理模型方法。
5. 求解与筛选：得到Pareto前沿或最优解集，按偏好选出候选参数。
6. 验证与固化：在仿真和台架上验证候选参数，确认满足约束后写入控制器。