📚 课程目录第4章参数辨识基础

4. 参数辨识基础

永磁同步电机（PMSM）驱动系统的高性能控制，无论是矢量控制中的转子磁链定向，还是无位置传感器控制中的反电动势观测，抑或是自适应控制中的在线参数调整，其核心前提都是对电机本体参数的准确获取。电阻、电感、磁链等参数不仅随温度、电流幅值、频率变化而漂移，而且在实际工况中难以直接测量。参数辨识正是解决这一“模型与实物偏差”问题的系统性方法论。本章作为后续章节的理论基石，将系统阐述参数辨识的基本概念、分类体系以及三大主流方法——最小二乘法、模型参考自适应法和卡尔曼滤波法——的核心思想与适用边界。

上图给出了参数辨识方法体系的整体框架。从辨识目标出发，按时间维度分为离线与在线，按模型关系分为线性与非线性；三大主流方法各有侧重，适用于不同的PMSM控制场景。下面逐一展开。

4.1 参数辨识的核心概念与数学本质

参数辨识（Parameter Identification）的本质，是在已知模型结构的前提下，利用系统的输入输出数据，按照某一最优准则估计模型中的未知参数。对于PMSM，其d-q轴电压方程是辨识的物理基础：

ud = Rs·id + Ld·(did/dt) - ωe·Lq·iq
uq = Rs·iq + Lq·(diq/dt) + ωe·(Ld·id + ψf)

式中，Rs为定子电阻，Ld、Lq为d-q轴电感，ψf为永磁磁链，ωe为电角速度。待辨识参数向量可记为θ = [Rs, Ld, Lq, ψf]ᵀ。辨识过程可抽象为：给定输入序列{u(k)}和输出序列{y(k)}，通过优化算法使模型输出ŷ(k)与实际输出y(k)之间的误差准则函数J(θ)最小化。常用的准则函数为误差平方和：

J(θ) = Σ[y(k) - ŷ(k,θ)]²

从系统论角度看，参数辨识包含三个要素：模型结构选择（决定参数个数与方程形式）、实验设计（决定输入信号的激励丰富度）、估计算法（决定收敛速度与精度）。三者相互制约：模型结构过于复杂会导致过拟合，激励不足会导致参数不可辨识，算法选择不当则可能陷入局部最优。

核心要点：参数辨识不是简单的曲线拟合，而是“结构已知、参数未知”的系统逆问题。对于PMSM，由于d-q轴方程存在交叉耦合项（ωe·Lq·iq和ωe·Ld·id），必须保证实验数据中包含足够的转速和电流变化信息，否则某些参数（如Ld与ψf）可能无法唯一辨识。

4.2 参数辨识的分类体系

参数辨识的分类维度多样，从工程应用角度，最核心的分类是离线辨识与在线辨识，以及线性辨识与非线性辨识。

分类维度	类型	特点	PMSM应用场景	典型算法
时间维度	离线辨识	数据采集后集中处理，精度高，计算资源不受限，但无法跟踪参数时变	出厂标定、定期维护、温度补偿表建立	批量最小二乘、FFT阻抗分析
时间维度	在线辨识	实时递推更新，能跟踪温度、饱和引起的参数变化，但受噪声和计算量限制	自适应控制、无传感器运行、故障诊断	递推最小二乘、EKF、MRAS
模型关系	线性辨识	参数以线性形式出现在方程中，可解析求解，全局收敛	电阻辨识（忽略饱和）、低速电感辨识	最小二乘、梯度下降
模型关系	非线性辨识	参数或状态以非线性形式出现，需迭代求解，存在局部最优风险	磁链辨识、高速弱磁区参数辨识	EKF、粒子滤波、神经网络

值得注意的是，PMSM的电压方程在“静止坐标系”下是线性的（若忽略饱和），但在“旋转坐标系”下因包含ωe·L·i项而呈现双线性（bilinear）结构。因此，工程中常将问题分解：在特定工况下（如id=0控制），将方程简化为线性形式，从而应用线性辨识方法；而在全工况范围内，则需采用非线性方法。

4.3 最小二乘法（Least Squares, LS）及其递推形式

最小二乘法是参数辨识最经典的算法，其核心思想是使模型输出与实际输出的误差平方和最小。对于线性回归模型：

y(k) = φᵀ(k)·θ + e(k)

其中φ(k)为回归向量（由输入输出历史数据构成），θ为待估参数，e(k)为噪声。批量最小二乘的解为：

θ̂ = (ΦᵀΦ)⁻¹ΦᵀY

式中Φ为回归矩阵，Y为输出向量。该解是解析的，计算简单，但需要一次性处理全部数据，且矩阵求逆可能病态。

为适应在线辨识，引入递推最小二乘（RLS）：

θ̂(k) = θ̂(k-1) + K(k)·[y(k) - φᵀ(k)·θ̂(k-1)]
K(k) = P(k-1)·φ(k) / [λ + φᵀ(k)·P(k-1)·φ(k)]
P(k) = [I - K(k)·φᵀ(k)]·P(k-1) / λ

其中λ为遗忘因子（0.95~1），用于调节历史数据的权重。λ越小，算法跟踪能力越强，但对噪声越敏感。

工程经验：在PMSM电阻辨识中，常注入直流偏置或低频正弦信号，采集稳态电压电流数据后，用最小二乘拟合。但需注意：逆变器死区效应和管压降会引入等效误差，建议在辨识前进行死区补偿，或采用两电平PWM的“平均电压”模型来减小误差。

4.4 模型参考自适应方法（MRAS）

MRAS的核心思想是构造两个模型：参考模型（不含待辨识参数，代表真实系统）和可调模型（含待辨识参数）。通过自适应律调节可调模型参数，使两个模型的输出误差趋近于零。其结构如图4-1所示（见上文SVG中MRAS模块）。

对于PMSM转速辨识，常以电流模型为参考模型，以磁链模型为可调模型。自适应律的设计需满足Popov超稳定性理论，保证误差收敛。以转子磁链辨识为例：

参考模型（电流模型）：
dψr/dt = (Lr/Lm)·[us - Rs·is - σ·Ls·(dis/dt)]

可调模型（电压模型）：
dψ̂r/dt = (Lr/Lm)·[us - R̂s·is - σ·Ls·(dis/dt)] + ω̂r·J·ψ̂r

自适应律通常采用PI结构：

ω̂r = (Kp + Ki/s)·ε

其中ε为两个模型输出的叉积误差。MRAS的优点是物理意义清晰，实现简单；缺点是参考模型对参数误差敏感（如定子电阻变化），且稳定性证明较复杂。

风险提示：MRAS在低速区（<5%额定转速）容易失效，因为反电动势幅值太小，信噪比急剧下降。工程中常采用“混合MRAS”——低速用电流模型，高速用电压模型，通过加权切换实现全速域覆盖。切换点需设置滞环，避免频繁切换引起振荡。

4.5 卡尔曼滤波法（Kalman Filter, KF）与扩展卡尔曼滤波（EKF）

卡尔曼滤波是一种最优状态估计方法，它基于状态空间模型，利用噪声统计特性，在最小方差意义下给出状态的最优估计。对于线性系统：

x(k+1) = A·x(k) + B·u(k) + w(k)
y(k) = C·x(k) + v(k)

其中w(k)和v(k)分别为过程噪声和测量噪声，假设为零均值高斯白噪声。卡尔曼滤波通过“预测-校正”两步递推，得到状态估计。

对于PMSM，若将参数扩展为状态变量（如x = [id, iq, ωe, Rs, ψf]ᵀ），则系统变为非线性，需使用扩展卡尔曼滤波（EKF）。EKF通过对非线性函数进行一阶泰勒展开线性化，然后套用标准卡尔曼滤波框架。其核心递推公式为：

预测：x̂(k|k-1) = f(x̂(k-1|k-1), u(k-1))
      P(k|k-1) = F·P(k-1|k-1)·Fᵀ + Q
校正：K(k) = P(k|k-1)·Hᵀ·[H·P(k|k-1)·Hᵀ + R]⁻¹
      x̂(k|k) = x̂(k|k-1) + K(k)·[y(k) - h(x̂(k|k-1))]
      P(k|k) = [I - K(k)·H]·P(k|k-1)

其中F和H分别为状态转移函数和观测函数的雅可比矩阵，Q和R为噪声协方差矩阵。EKF的优点是能同时估计状态和参数，抗噪能力强；缺点是计算量大（需矩阵求逆），且Q、R矩阵的整定依赖经验。

参数整定经验：Q矩阵反映模型不确定性，R矩阵反映传感器噪声水平。若Q设置过大，估计值波动剧烈；若R设置过大，估计值响应迟缓。工程上常采用“试凑+仿真验证”的方法：先在仿真中调整Q/R使估计误差最小，再移植到硬件平台微调。对于PMSM，过程噪声协方差Q通常取对角阵，对角线元素在10⁻⁴~10⁻²量级，测量噪声协方差R取10⁻³~10⁻¹量级。

4.6 三种方法的对比与选型策略

对比维度	最小二乘（RLS）	MRAS	EKF
计算复杂度	低（O(n²)）	中（需积分运算）	高（O(n³)）
抗噪能力	弱（对有色噪声敏感）	中（依赖参考模型精度）	强（噪声统计建模）
收敛速度	快（指数收敛）	中（受PI参数影响）	中（受Q/R影响）
参数时变跟踪	可（通过遗忘因子）	可（自适应律）	可（状态扩维）
实现难度	低	中	高
典型应用	离线标定、电阻辨识	转速/磁链在线辨识	全状态+参数联合估计

选型策略可归纳为：精度优先选LS，实时性优先选MRAS，鲁棒性优先选EKF。实际工程中，常将离线LS用于出厂标定，在线RLS用于温度补偿，MRAS用于无传感器控制，EKF用于高性能伺服驱动。

4.7 案例拆解：基于RLS的PMSM定子电阻在线辨识

背景与约束：某工业伺服驱动器（额定功率2.2kW，额定电流5A）在连续运行中，定子绕组温度从25℃升至120℃，电阻变化约40%。若不进行在线补偿，会导致电流环增益漂移，影响定位精度。控制器采用TI TMS320F28379D，采样频率10kHz，PWM频率10kHz。

初始现象：在温度上升过程中，电流环PI参数不变，但电流谐波增大，速度波动从±1rpm恶化至±5rpm。

关键输入数据：利用现有电流传感器和直流母线电压传感器，在id=0控制模式下，采集q轴电压指令uq、q轴电流iq和电角速度ωe。由于id=0，d轴方程简化为：

ud = -ωe·Lq·iq（用于观测，不参与辨识）
uq = Rs·iq + Lq·(diq/dt) + ωe·ψf

在稳态（diq/dt≈0）时，uq ≈ Rs·iq + ωe·ψf。若已知ψf（由离线标定获得），则可通过最小二乘估计Rs。

分析判断过程：直接利用上述方程进行单次计算会因噪声导致误差大。采用RLS算法，回归向量φ(k) = [iq(k), ωe(k)]ᵀ，待估参数θ = [Rs, ψf]ᵀ。但ψf已知，可将其作为已知项移项：

y(k) = uq(k) - ωe(k)·ψf = Rs·iq(k) + e(k)

此时回归向量退化为标量φ(k) = iq(k)，待估参数仅Rs。遗忘因子λ取0.98，初始协方差P(0)=100。

实际操作步骤：

在电机稳定运行于1500rpm、负载转矩5N·m时，连续采集1000个采样点的uq、iq、ωe数据；
对采集数据进行低通滤波（截止频率1kHz），去除PWM开关噪声；
执行RLS递推，每采样周期更新一次Rs估计值；
将估计的Rs实时代入电流环PI参数计算（Kp = Lq·αc，Ki = Rs·αc，αc为电流环带宽）；
记录温度传感器实测值，与辨识值对比验证。

结果对比：运行30分钟后，RLS辨识的Rs从0.82Ω升至1.15Ω，与温度传感器推算值（1.18Ω）误差约2.5%。电流谐波从8%降至3%，速度波动恢复至±1.5rpm。

风险与代价：RLS在iq接近零时（轻载）会出现激励不足，导致估计值漂移。解决方案是设置“激励检测”——当|iq| < 0.1A时冻结参数更新。此外，ψf的离线标定误差会直接映射到Rs估计中，需定期重新标定。

复盘经验：在线辨识的成败不仅取决于算法本身，更取决于“激励条件”和“数据质量”。在工业应用中，应充分利用电机正常运行时的自然激励（如加减速、负载变化），避免为辨识而注入额外信号，以免影响生产效率。

4.8 常见误区与总结复盘

误区一：忽视参数可辨识性条件。并非所有参数都能在任何工况下辨识。例如，在id=0控制时，d轴方程中Ld与ψf的耦合项消失，Ld不可辨识。必须注入id≠0的激励（如id脉冲信号）才能辨识Ld。

误区二：噪声模型假设不当。最小二乘假设噪声为白噪声，但实际逆变器引入的噪声是周期性的（与PWM同步），有色噪声会导致有偏估计。解决方法是采用辅助变量法或增广最小二乘。

误区三：遗忘因子设置不当。λ过小（如0.9）会导致参数估计波动剧烈，λ过大（如0.999）则跟踪缓慢。应根据参数时变速度动态调整λ，或采用变遗忘因子策略。

误区四：EKF的Q/R矩阵随意设置。Q/R是EKF性能的关键，但许多工程师凭感觉设置，导致滤波发散或响应迟钝。建议通过仿真优化或使用自适应EKF（在线调整Q/R）。

总结：参数辨识是PMSM高性能控制的基础工程。本章从概念、分类到三大方法，构建了完整的知识框架。最小二乘适合离线标定和简单在线场景，MRAS适合转速/磁链观测，EKF适合多参数联合估计。实际应用中，应根据计算资源、噪声水平、实时性要求综合选型，并始终关注激励条件与数据质量。后续章节将深入探讨各方法在PMSM具体参数辨识中的实现细节与改进策略。