第4章最小二乘法基础

第4章最小二乘法基础：从原理到电机参数辨识

说实话，最小二乘法这东西，我在学校时就学过。但真正理解它，是在我第一次做电机参数辨识的时候。那时候我拿着课本上的公式，对着电机一顿操作，结果出来的参数完全不对。后来才明白，理论到实践，中间还隔着好几道坎。

这一章，我就带你把这些坎一个个跨过去。

最小二乘法的核心思想，其实特别简单。你有一堆数据点，想找一条线（或者一个函数）来拟合它们。什么样的线最好？就是让所有点到这条线的距离的平方和最小。

为什么要平方？不是绝对值？嗯，这里有个小故事。我记得刚入行时，有个老工程师跟我说：「平方有两个好处，一是放大误差，让大的误差更明显；二是数学上好处理，求导方便。」后来我发现，确实如此。

数学上，我们通常这样描述：

给定观测数据 (x_i, y_i)，i = 1,2,...,n
假设模型为 y = θ₁x + θ₂
定义误差 e_i = y_i - (θ₁x_i + θ₂)
目标：最小化 J = Σe_i²

这个J就是代价函数。我们想找到一组θ，让J最小。怎么找？求偏导，令其为零。这就是最小二乘法的标准解法。

核心要点：最小二乘法不是魔法，它只是给了我们一个「最优」的标准——误差平方和最小。这个标准在大多数工程问题中都很合理。

标准最小二乘法有个问题：它需要所有历史数据。你想想看，电机在运行，数据源源不断进来，难道每次都要重新算一遍？那计算量太大了。

递推最小二乘（RLS）就是来解决这个问题的。它的思路很巧妙：用上一时刻的估计值，加上当前时刻的新信息，来更新参数。

RLS的核心公式长这样：

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

看着有点复杂？我拆开给你讲：

这个递推过程，说白了就是：

我的经验：刚开始用RLS时，我总忘记初始化P矩阵。P(0)一般取一个较大的对角矩阵，比如1000*I。这样初始阶段参数更新会比较快，随着数据积累，P会逐渐收敛。

为什么要引入遗忘因子？你想想看，电机运行过程中，参数是会变化的。温度升高，电阻会变；磁钢老化，磁链会变。如果算法把所有历史数据都一视同仁，那它反应就太慢了。

遗忘因子λ的作用，就是给旧数据「打折」。λ的取值范围是(0,1]，通常取0.95~0.99。

我曾经在一个项目中，电机负载频繁变化，参数也跟着变。一开始我用了λ=0.99，结果参数更新太慢，辨识结果总是滞后。后来改成0.97，效果就好多了。所以这个值，真的得根据实际情况调。

注意：λ太小也不行。我见过有人用λ=0.9，结果算法变得太「敏感」，一点点噪声就导致参数剧烈波动。一般来说，0.95~0.99是个安全区间。

好了，理论讲完了，咱们来看看怎么把RLS用到电机参数辨识上。

永磁同步电机的数学模型，在d-q坐标系下可以写成：

u_d = R_s i_d + L_d di_d/dt - ω_e L_q i_q
u_q = R_s i_q + L_q di_q/dt + ω_e L_d i_d + ω_e ψ_f

这个模型里，我们需要辨识的参数有：R_s（定子电阻）、L_d（d轴电感）、L_q（q轴电感）、ψ_f（永磁磁链）。

要把RLS用起来，得先把模型改写成标准形式：

y = φᵀθ

以q轴方程为例：

y = u_q - ω_e L_d i_d   （这里L_d需要先知道，或者联合辨识）
φ = [i_q, di_q/dt, ω_e]
θ = [R_s, L_q, ψ_f]ᵀ

实际应用中，我建议分两步走：

这样做的好处是，减少了同时辨识的参数数量，提高了算法的稳定性和收敛速度。

应用框架总结：

最后说一句，RLS不是万能的。我在项目中遇到过一个问题：当电机转速很低时，反电动势很小，信噪比差，辨识结果就不太靠谱。这时候，我会在算法里加一个使能条件——转速低于某个阈值时，暂停参数更新。

这些小技巧，都是在实践中一点点积累起来的。下一章，我会带你手把手实现一个完整的RLS参数辨识程序，到时候咱们再细聊。