第3章辨识理论基础

3. 辨识理论基础：最小二乘法、递推最小二乘法、模型参考自适应

各位工程师朋友，大家好。今天我们来聊聊电机参数辨识的数学基础。说实话，这部分内容看起来有点枯燥，但它是整个离线辨识方案的灵魂。我当年刚入行时，觉得这些公式离实际工程很远，直到有一次在调试伺服驱动器时，因为参数不准导致电机高频啸叫，才真正体会到——没有扎实的理论，你连问题出在哪都找不到。

好，我们直接进入正题。辨识理论的核心，说白了就是用数据反推模型参数。电机转起来了，电压、电流、转速都能测到，但电阻、电感、磁链这些藏在里面，怎么算出来？这就是辨识要干的事。

核心思想： 建立一个数学模型，让模型输出与实际测量值的误差最小。谁让误差最小，谁就是我们要的参数。

最小二乘法，我习惯叫它“老大哥”。它是最早、最直观的辨识方法。你想想看，如果我们有一组测量数据 (x₁, y₁), (x₂, y₂), ..., (xₙ, yₙ)，想拟合一条直线 y = ax + b，怎么找 a 和 b？

答案就是：让所有点的残差平方和最小。残差就是实际值减去模型预测值。

J = Σ (yᵢ - (a·xᵢ + b))²  →  min

对 a 和 b 求偏导，令其为零，解方程组就得到了。这就是最小二乘法的本质。

在电机辨识中，我们通常把问题写成矩阵形式：

Y = Φ · θ + ε

其中 Y 是测量输出向量，Φ 是数据矩阵（包含电压、电流等），θ 是待辨识参数向量（电阻、电感等），ε 是噪声。最小二乘解为：

θ̂ = (ΦᵀΦ)⁻¹ · Φᵀ · Y

这个公式很漂亮，但有个问题——它需要一次性处理所有数据。我在项目中遇到过，采集了10万组数据，矩阵 ΦᵀΦ 的维度是 4×4，求逆倒是不难，但内存占用和计算量随着数据量线性增长。更麻烦的是，如果电机工况变化了，你想更新参数，就得重新算一遍。

我的经验： 最小二乘法适合离线批量处理，比如在实验室里采集完数据，用 MATLAB 或 Python 一次性算完。但在嵌入式系统里，内存有限，实时性要求高，它就不太合适了。

那怎么办？我们换个思路：来一组数据，更新一次参数。这就是递推最小二乘法（RLS）。

RLS 的核心思想是：用上一时刻的参数估计值，加上当前新数据的修正量，得到新的估计值。公式如下：

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

这里 λ 是遗忘因子，取值范围通常在 0.95 ~ 1 之间。λ 越小，对旧数据遗忘越快，参数更新越灵敏，但也更容易受噪声干扰。

我给大家画个流程图，看看 RLS 是怎么工作的：

你看，RLS 就像一个自适应滤波器，每来一个新数据，就微调一下参数。我曾在某款伺服驱动器上实现过 RLS，采样率 10kHz，参数更新一次只需要几十微秒，完全满足实时性要求。

注意： RLS 对初始值敏感。如果 θ̂(0) 和 P(0) 设置不合理，收敛会很慢甚至发散。我建议 P(0) 取一个较大的对角矩阵（比如 1000·I），表示初始时对参数估计很不确定。

接下来这个，我个人觉得最有意思——模型参考自适应（MRAS）。它的思路是：建立一个参考模型，让实际系统跟着参考模型走。

具体来说，我们有一个参考模型（比如理想电机的数学模型），它的输出是 y_m。实际电机的输出是 y。两者的误差 e = y_m - y。然后我们设计一个自适应律，根据误差 e 来调整实际模型中的参数，直到误差为零。

在电机参数辨识中，MRAS 常用于辨识转子电阻和转速。以转子电阻辨识为例：

参考模型：基于电压方程的磁链观测器
可调模型：基于电流方程的磁链观测器
自适应律：ε = ψ_dq_ref × ψ_dq_adj  （叉积）
          R̂_r = K_p · ε + K_i · ∫ε dt

这里 ε 是两个模型输出的误差信号，通过 PI 调节器得到转子电阻的估计值。

我曾经在异步电机矢量控制系统中用过 MRAS 来在线辨识转子电阻。电机运行一段时间后温度升高，电阻会变化，如果不及时更新，磁场定向就会偏，转矩输出就不准了。MRAS 能很好地解决这个问题。

我的建议： MRAS 适合在线辨识，但要注意稳定性。波波夫超稳定性理论是 MRAS 设计的理论基础，设计自适应律时要保证系统渐进稳定。说白了，就是不能让参数越调越乱。

好，三种方法都讲完了。我们来做个对比，方便你根据实际场景选择：

嗯，这里要特别提醒一点：没有万能的方法。我在实际项目中，经常是离线用最小二乘法先算个大概，然后在线用 RLS 或 MRAS 微调。两种方法配合使用，效果最好。

总结一下： 最小二乘法是基础，RLS 是它的实时版本，MRAS 是另一种思路——让模型自己“学习”参数。三种方法各有千秋，关键是根据你的硬件资源、实时性要求和精度需求来选。

好了，这一章的内容就到这里。理论是枯燥的，但它是工程实践的基石。下一章我们会把这些理论应用到具体的电机模型上，看看怎么一步步实现参数辨识。到时候我会拿出我实际调试过的代码和波形，咱们一起分析。