1. PMSM参数辨识概述

大家好，我是老张。做电机控制这些年，我最大的感触就是：你永远无法控制一台你不了解的电机。PMSM参数辨识，说白了就是搞清楚这台电机到底什么脾气——它的电阻多大、电感多少、磁链有多强。这些参数，直接决定了你的电流环能不能跑得稳、跑得快。

今天这一章，我们先搭个框架。把PMSM的数学模型、参数辨识的意义、以及基于电流环的辨识方法分类，一次性讲清楚。

1.1 永磁同步电机的数学模型

先看最核心的东西——PMSM在dq旋转坐标系下的电压方程。我个人习惯用这个形式：

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

这里面：

• ud、uq：d轴和q轴电压
• id、iq：d轴和q轴电流
• Rs：定子电阻
• Ld、Lq：d轴和q轴电感
• ψf：永磁体磁链
• ωe：电角速度

嗯，这里要注意：Ld和Lq不一定相等。对于表贴式PMSM（SPMSM），Ld ≈ Lq；但对于内置式PMSM（IPMSM），Lq通常比Ld大不少。我在项目中遇到过有人拿SPMSM的模型去算IPMSM，结果电流环抖得像筛糠一样。

再看转矩方程：

Te = 1.5 * pn * [ψf * iq + (Ld - Lq) * id * iq]

这个公式里，第一项是永磁转矩，第二项是磁阻转矩。你想想看，如果Ld = Lq，磁阻转矩就没了。这也是为什么IPMSM能做MTPA（最大转矩电流比）控制——说白了就是利用磁阻转矩来省电。

1.2 参数辨识的意义与挑战

为什么要做参数辨识？我直接说三个最实际的原因：

1. 电流环参数整定：PI调节器的带宽、增益，都依赖电机参数。参数不准，电流环性能就拉胯。
2. 无传感器控制：很多位置估计算法（比如滑模观测器、MRAS）需要精确的Rs和Lq。我吃过这个亏——有一次Rs偏差了20%，结果低速时位置估计直接漂移。
3. 故障诊断：参数突变往往意味着电机出了问题。比如Rs突然变大，可能是绕组过热或局部短路。

但参数辨识的挑战也不小。我总结了几点：

挑战	说明
参数耦合	比如Rs和ψf在低速时很难分开辨识，因为它们的电压贡献是叠加的
非线性	电感会随电流变化，磁链会随温度变化。你辨识出来的参数，可能只是某个工作点的值
噪声干扰	电流采样噪声、PWM开关噪声，都会影响辨识精度
可观测性	某些工况下，部分参数根本不可观测。比如id=0时，你很难辨识Ld

1.3 基于电流环的辨识方法分类

基于电流环的参数辨识，说白了就是利用电流环的响应来反推电机参数。我把它分成三大类：

1.3.1 离线辨识方法

电机静止或低速运行时，注入特定的电压或电流信号，然后测量响应。常见的有：

• 直流注入法：注入直流电压，测稳态电流，算Rs
• 高频注入法：注入高频电压，测高频电流响应，算Ld和Lq
• 脉冲电压法：给一个电压脉冲，测电流上升斜率，算电感

离线辨识的好处是简单、可靠。我刚开始做电机控制时，就是用直流注入法测Rs，用脉冲法测Ld和Lq。但缺点也很明显——只能反映静止状态下的参数，电机转起来后参数会变。

1.3.2 在线辨识方法

电机正常运行时，利用已有的电流、电压、转速信号，实时估计参数。常见的有：

• 最小二乘法（RLS）：把电压方程写成线性回归形式，递推估计参数
• 模型参考自适应（MRAS）：用一个参考模型和可调模型，通过误差调整参数
• 扩展卡尔曼滤波（EKF）：把参数作为状态变量，用卡尔曼滤波估计

在线辨识的优点是实时性好，能跟踪参数变化。但计算量大，而且对噪声敏感。我记得有一次用RLS辨识Rs，采样噪声稍微大一点，结果Rs的估计值直接跳变了好几倍。

1.3.3 混合辨识方法

把离线辨识和在线辨识结合起来。比如：

• 先离线辨识Rs和Ld、Lq的初始值
• 再在线辨识ψf和温度变化引起的参数漂移

这种方法的思路是扬长避短。离线辨识提供可靠的初值，在线辨识负责跟踪变化。我在实际项目中，大部分时候都采用这种混合策略。

这张图把三类方法的关系和子方法都列出来了。你可以把它当作一个技术路线图——做项目时，先想清楚自己要用哪一类，再选具体的方法。

好了，这一章就到这里。参数辨识的框架搭好了，后面我们会一步步深入每个方法的具体实现。记住一句话：参数辨识不是目的，让电机跑得更好才是。