4. 参数辨识概述

在同步磁阻电机（SynRM）的高性能控制中，磁链与电感参数直接决定转矩输出的准确性与效率优化的可信度。然而，受磁饱和、交叉耦合、温度漂移与逆变器非线性影响，电机的 Ld、Lq 以及磁链 ψd、ψq 并非固定常数，而是随电流工作点变化的非线性曲面。参数辨识的任务，就是借助可测量的电压、电流、转速等信息，通过算法反推出这些不可直接测量的内部参数，为电流环解耦、MTPA 寻优与无位置控制提供实时可用的模型基础。

一、辨识的定义与本质

参数辨识属于“系统辨识”的一个分支。系统辨识研究的是如何从输入输出数据中建立系统数学模型；而参数辨识则假定模型结构已知，仅对模型中的未知参数进行估计。对 SynRM 而言，模型结构通常来自 dq 轴电压方程：

ud = Rs·id + dψd/dt − ωe·ψq
uq = Rs·iq + dψq/dt + ωe·ψd
ψd = Ld(id, iq)·id + ψf
ψq = Lq(id, iq)·iq

其中 Rs 为定子电阻，ωe 为电角速度。辨识的目标就是求解 Rs、Ld、Lq 或直接求解 ψd、ψq 的映射关系。本质上，辨识是一个“以可测量逼近不可测量”的逆问题，其解的存在性、唯一性与稳定性取决于激励的充分性和模型的适定性。

二、辨识的分类

SynRM 参数辨识可从多个维度分类，不同分类决定了算法选择、实验条件与适用场景。

• 按是否离线：离线辨识在实验台完成，激励充分、精度高，但无法跟踪温升与老化；在线辨识嵌入控制器运行，可实时更新，但受噪声与算力约束。
• 按是否注入信号：主动辨识向电机注入特定电压或电流激励，信噪比高；被动辨识利用正常运行数据，不影响生产，但激励不足时易病态。
• 按模型形式：参数化辨识输出 Ld、Lq 等物理参数；非参数化辨识直接输出磁链查表或神经网络映射，回避了解析建模误差。
• 按时间尺度：静态辨识针对稳态工作点；动态辨识利用瞬态响应，可同时捕捉交叉耦合与涡流效应。

三、评价指标

评价一套辨识方案，不能只看“像不像”，而要从精度、鲁棒性、实时性与工程代价四个维度综合衡量。下表给出常用指标及其在 SynRM 场景中的含义。

四、典型技术路线

SynRM 参数辨识的主流路线可归纳为四类，它们并非互斥，常组合使用。

1. 直流/低频注入法：在 d 轴或 q 轴注入直流或低频电流，利用稳态电压方程分离 Rs 与电感。实现简单，但无法覆盖全电流范围，且受逆变器死区影响。
2. 高频信号注入法：注入高频电压，利用高频阻抗与电感的关系提取 Ld、Lq。对凸极率敏感，适合无位置控制，但高频损耗与噪声需权衡。
3. 递推最小二乘与扩展卡尔曼：将电压方程离散化为回归模型，在线递推估计参数。可跟踪温升，但需处理数据饱和与激励不足导致的协方差矩阵病态。
4. 磁链查表与拟合建模：通过多工作点扫描获得 ψd(id,iq)、ψq(id,iq) 数据，再用双线性插值或多项式曲面拟合。精度高，存储与标定工作量大，是当前工程主流。

下图给出这四类路线在“激励方式—输出形式—适用场景”上的关系，帮助建立整体技术地图。

五、案例与常见误区

某 5.5 kW SynRM 驱动平台在离线标定时，仅对 id 轴注入电流并记录磁链，得到一组 Ld(id) 曲线。上线后发现 MTPA 点始终偏离预期，转矩脉动偏大。复盘发现：标定过程中 iq 始终为零，忽略了交叉饱和对 Lq 的影响，导致 Lq 被高估约 18%。修正方案是在 id、iq 二维网格上重新扫描，建立完整的 ψd(id,iq)、ψq(id,iq) 查表，MTPA 误差随即降至 3% 以内。