3. 参数辨识理论基础：最小二乘法(LS)原理、递推最小二乘法(RLS)、带遗忘因子的递推最小二乘法(FFRLS)

好，咱们进入正题。电机参数辨识，说白了就是给电机做“体检”。电阻、电感这些参数，你没法拿万用表直接量，因为电机在转，工况在变。那怎么办？就得靠算法从电压、电流这些能测到的信号里，把参数“算”出来。

今天要聊的最小二乘法，就是最经典、最基础的一套“体检工具”。我个人习惯把它比作“找一条最合适的线，穿过一堆散点”。你想想看，是不是这个理？

3.1 最小二乘法(LS)原理

先说说最原始的版本。假设我们测了一堆数据点，比如不同电流下的电压值。理论上，电压 = 电阻 × 电流。但实际测量总有噪声，点不会乖乖落在直线上。

最小二乘法的思路很简单：让所有点到这条直线的“垂直距离”的平方和最小。为什么是平方？因为正负误差不会抵消，而且数学上好处理。

用公式表达就是：

J = Σ (y_i - ŷ_i)²

其中 y_i 是实测值，ŷ_i 是模型预测值。我们要找一组参数，让 J 最小。

对于线性模型 y = θ₁x₁ + θ₂x₂ + ... + θₙxₙ，解起来其实有闭式解：

θ = (XᵀX)⁻¹ Xᵀ Y

嗯，这里要注意：XᵀX 必须可逆。我在项目中遇到过，数据量太少或者信号激励不够，矩阵就奇异了，算出来的参数直接飞掉。那次排查了好久，最后发现是电流采样频率太低，数据点都挤在一起。

3.2 递推最小二乘法(RLS)

这就引出了递推版本。RLS 的思路是：新数据来了，在旧参数基础上“微调”一下，不用从头算。

递推公式长这样：

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

看着有点吓人？其实拆开看就三件事：

• K(k) 是增益，决定新数据对参数修正的力度
• θ(k) 是更新后的参数
• P(k) 是协方差矩阵，代表当前参数估计的不确定性

我刚开始用 RLS 时犯过一个低级错误：忘记初始化 P 矩阵。P(0) 一般设成单位矩阵乘以一个大数，比如 1000。设太小了，算法收敛极慢；设太大了，初期参数会剧烈震荡。后来我总结了个经验：P(0) 取 100~1000 倍的单位阵，基本够用。

3.3 带遗忘因子的递推最小二乘法(FFRLS)

FFRLS 其实就是 RLS 的一个变种，核心改动就一个：引入遗忘因子 λ（0 < λ ≤ 1）。

你看上面的递推公式里，P(k) 更新时多了一个除以 λ。这个 λ 的作用是：

• λ = 1：所有历史数据一视同仁，就是标准 RLS
• λ < 1：旧数据权重逐渐变小，新数据占主导

为什么需要遗忘因子？因为电机参数会变啊！电机发热，电阻能变 20%~30%；磁路饱和，电感也会变。如果你用标准 RLS，旧数据一直“赖着不走”，参数更新就迟钝了。

我做过一个对比实验：电机从冷态跑到热态，电阻从 0.5Ω 升到 0.62Ω。用 λ=0.99 的 FFRLS，大概 2 秒就跟踪上了；用标准 RLS（λ=1），跑了 10 秒还没跟上，误差一直有 5% 以上。

3.4 三种方法的对比

我整理了个表格，方便你对比：

方法	适用场景	计算量	跟踪能力	内存需求
LS	离线分析、标定	高（一次计算）	无	高（存所有数据）
RLS	在线、参数缓慢变化	低（递推更新）	弱	低（只存协方差矩阵）
FFRLS	在线、参数快速变化	低（递推更新）	强（可调）	低

说白了，做电机在线辨识，FFRLS 是首选。但要注意：遗忘因子不是万能的。如果系统噪声很大，或者激励信号不够丰富，FFRLS 也会翻车。我建议你实际调试时，先跑一遍离线 LS 拿到基准值，再用 FFRLS 做在线跟踪，这样心里有底。

3.5 知识体系框架

下面这张图，是我自己画的一个结构图，帮你理清这三者的关系：

嗯，这张图把三者的关系讲得很清楚了。从 LS 到 RLS 再到 FFRLS，其实就是一条“从离线到在线、从静态到动态”的进化路线。你掌握了这个脉络，后面讲具体怎么用在电机上，就顺理成章了。

---