第3章参数辨识概述

第3章：参数辨识概述

各位同学，大家好。今天我们来聊聊参数辨识。说实话，我刚入行那会儿，觉得电机控制嘛，调好PI参数就完事了。直到有一次，我在做一个高速主轴项目，电机跑着跑着就开始抖，怎么调都调不好。后来才发现，是电机的电阻和电感随着温度变了，而我用的还是常温下的参数。嗯，从那以后，我就开始认真研究参数辨识了。

说白了，参数辨识就是通过测量电机的输入输出数据，反向推算出电机内部参数的过程。你想想看，我们做FOC控制，需要知道电机的电阻R、电感L、磁链ψf这些参数。但实际工作中，这些参数会随着温度、电流、频率变化。怎么办？那就得靠辨识。

我个人的理解是：参数辨识就像医生看病。你给电机施加一个激励（比如电压脉冲），然后观察它的响应（比如电流波形），最后根据这些数据推断出电机的“身体状况”——也就是它的参数值。

参数辨识主要分两类：离线辨识和在线辨识。这两者差别很大，我分别说说。

离线辨识，就是在电机运行之前，或者停机状态下，专门做一次参数测量。我在项目中遇到过很多次，比如新电机第一次上电，必须先做离线辨识，把初始参数测出来。

离线辨识的优点是精度高，因为你可以控制激励信号，排除干扰。但缺点也很明显——它不能反映电机运行时的真实参数变化。

离线辨识的典型场景：

在线辨识就厉害了。它是在电机正常运行的同时，实时更新参数。我做过一个电动汽车的项目，电机温度从25℃升到80℃，电阻变化了将近20%。如果没有在线辨识，控制性能会急剧下降。

在线辨识的难点在于：你不能随便给电机加激励信号，因为会影响正常运行。所以需要设计巧妙的算法，从正常的运行数据中提取参数信息。

我的建议：实际项目中，我通常采用“离线+在线”的组合策略。先离线辨识得到初始值，再用在线辨识做实时修正。这样既保证了启动时的准确性，又能应对参数变化。

这里有个非常重要的概念——持续激励。为什么重要？我曾经踩过这个坑。

有一次，我让电机恒速运行，然后做在线辨识。结果发现辨识出来的参数一直在跳，根本收敛不了。后来才明白，电机恒速运行时，电流基本不变，你拿到的数据信息量太少，不足以唯一确定参数。

持续激励，说白了就是你的输入信号要足够“丰富”，能激发出系统的各种动态特性。对于永磁同步电机来说，通常需要电流或电压信号包含足够的频率成分。

避坑指南：我曾经在项目里直接用方波做激励，结果高频分量太多，导致辨识结果受噪声影响很大。后来改用伪随机二进制序列（PRBS），效果就好多了。记住：激励信号的设计，直接决定了辨识的成败。

持续激励的数学定义比较抽象，我简单说一下：如果输入信号的频谱在足够宽的频带内都不为零，那么它就满足持续激励条件。实际应用中，我们通常用以下方法产生持续激励：

参数辨识做完了，怎么评价它好不好？我一般用以下几个指标：

你可能会问：真实值怎么得到？嗯，这是个好问题。实际项目中，我们通常用高精度离线测量值作为参考，或者用仿真数据来验证。

一个实用的评价方法：我个人的习惯是，先做一次离线辨识，把结果作为基准。然后对比在线辨识的结果，看偏差是否在可接受范围内。如果偏差太大，就要检查激励信号是否合适，或者算法是否有问题。

说到算法，常用的有最小二乘法、卡尔曼滤波、模型参考自适应等。我简单说说我的使用感受：

我个人比较喜欢用卡尔曼滤波做在线辨识。虽然计算量大一点，但现在的MCU性能都够用。记得有一次，我用STM32F4跑卡尔曼滤波，采样频率10kHz，CPU占用率才30%左右，完全没问题。

小技巧：如果你刚开始做参数辨识，我建议先从最小二乘法入手。它原理简单，容易实现。等把流程跑通了，再换成更高级的算法。这样不容易被复杂的数学公式吓到。

好了，这一章的内容就这些。参数辨识是电机控制中非常实用的一环，它能让你的控制系统更智能、更鲁棒。记住三个要点：

下一章，我们会具体讲最小二乘法的实现。到时候我会带大家手写代码，把理论变成实际可用的程序。咱们下章见。

公众号:蓝海资料掘金营，微信deep3321