2. 参数辨识概述：定义、分类与评价指标

各位同学，欢迎来到参数辨识的概述章节。在正式开始动手写代码、调算法之前，咱们得先把几个核心概念理清楚。说白了，参数辨识就是给电机“做体检”——通过测量它的输入输出数据，反推出它内部那些看不见的物理参数。

我刚开始接触这个领域时，总觉得“辨识”两个字很玄乎。后来做项目多了才明白，它其实就是系统建模的一种实用手段。你想想看，电机里那些电阻、电感、磁链，你没法拿万用表直接量出来（尤其是运行的时候），但你又必须知道它们才能做高性能控制。怎么办？靠辨识。

参数辨识，学术定义是：根据系统的输入输出数据，在某一类模型结构中，确定一组参数，使得模型输出与实际系统输出之间的误差最小。

翻译成人话就是：
你给电机一个电压信号（输入），记录它怎么转、电流怎么变（输出）。然后你建一个数学公式，调整公式里的参数（比如电阻R、电感L），让公式算出来的结果跟实际测到的结果尽量一致。

这个过程的意义在哪？我个人总结了三点：

模型驱动控制的基础：无传感器控制、MTPA、弱磁控制，哪个都离不开准确的电机模型。参数不准，控制性能直接打折。
故障诊断的依据：电机运行久了，参数会漂移。比如电阻变大说明绕组可能过热，磁链下降可能意味着退磁。通过在线辨识，你能提前发现隐患。
自适应控制的使能器：参数实时更新，控制器就能跟着调整。我在做电动汽车项目时，电机温度从25℃升到90℃，电阻能变30%以上。没有辨识，PI参数就得按最保守的来，性能根本发挥不出来。

核心观点：参数辨识不是学术游戏，它是工程落地的刚需。你做的每一个辨识算法，最终都要能跑在MCU上，能抗住噪声，能收敛到工程可接受的精度。

这个问题，我面试新人时几乎必问。很多同学能背出定义，但问到他实际项目中该选哪个，就懵了。

咱们直接看对比：

我个人的工程习惯是：先离线，后在线。离线辨识拿到一组可靠的初值，在线辨识在此基础上做微调和跟踪。你想想看，如果初值都差30%，在线算法再厉害，收敛也要花很长时间，甚至可能发散。

避坑指南：我曾经在一个伺服驱动器项目里，直接跳过离线辨识，想靠在线算法一步到位。结果电机一启动，电流震荡得厉害，差点触发过流保护。后来老老实实先做离线标定，把R和L的初值定准了，在线算法才稳定下来。所以，别偷懒。

算法好不好，不能光看论文里的仿真曲线。工程上，我主要看三个指标：收敛速度、精度、鲁棒性。这三个指标往往互相制约，你需要根据项目需求做权衡。

收敛速度，指的是算法从初始参数值到达真实值（或稳定值）所需的迭代次数或时间。

举个例子，递推最小二乘法（RLS）的收敛速度，很大程度上取决于遗忘因子λ。λ越接近1，算法越“健忘”，收敛慢但稳定；λ越小（比如0.95），收敛快但容易受噪声干扰。我一般取0.98~0.995之间，具体看系统噪声水平。

精度，就是辨识出来的参数值与真实值之间的接近程度。

注意：精度不是越高越好。工程上，你只需要把参数误差控制在“不影响控制性能”的范围内。比如电阻辨识误差3%以内，对电流环影响就很小了。盲目追求0.1%的精度，往往要付出巨大的计算代价，得不偿失。

鲁棒性，是我个人最看重的指标。它指的是算法在噪声、干扰、模型失配等非理想条件下，依然能稳定工作、不发散的能力。

我记得有一次做压缩机项目，电机启动瞬间电流冲击特别大，在线辨识算法直接飞了，参数估计值跳到正常值的10倍。后来我在算法里加了参数限幅和残差检测，一旦发现异常就冻结更新，等工况稳定了再恢复。这就是鲁棒性设计。

为了让大家对本章内容有个整体印象，我画了一张框架图。你可以把它当作后续学习的导航图。

这张图把本章的三个核心模块串起来了。左边是“为什么做”，中间是“怎么做（两种方式）”，右边是“怎么评价”。后面的章节，我们会逐一深入每个模块的具体算法和实现细节。

这一章我们聊了三个事：