1. 永磁同步电机铁耗在线辨识技术背景
在永磁同步电机(PMSM)无位置传感器控制领域，铁耗问题一直是工程师们的痛点。传统离线标定方法就像拿着去年的地图导航——当电机运行工况发生变化时，预先测量的铁损参数立刻变得不准确。这会导致两个典型问题：一是电流控制出现偏差，二是效率优化失效。
我曾在某工业伺服系统项目中遇到过这样的案例：电机在空载运行时电流波形完美，但一旦负载突增，q轴电流就会出现10%-15%的波动。经过排查，正是铁耗模型未及时更新导致的控制误差。这也促使我开始研究基于扩展卡尔曼滤波(EKF)的在线辨识方法。
2. 状态方程构建与关键假设
2.1 d-q坐标系下的状态变量选择
在构建状态方程时，我们采用了包含铁耗电流分量和铁损电阻的扩展状态向量：
python复制x = [i_d, i_q, R_Fe] # 状态变量：d轴电流、q轴电流、铁损电阻
这种选择基于三个重要考量：
- 直接测量铁损电阻R_Fe在实际系统中不可行
- 铁耗效应会直接影响d-q轴电流的观测值
- R_Fe的变化相对缓慢，适合作为状态变量估计
2.2 状态方程的具体实现
状态方程的Python实现展示了核心物理关系：
python复制def state_eq(x, u, w_r):
i_d, i_q, R_Fe = x
V_d, V_q = u
L_d, L_q = 0.005, 0.008 # 电机参数
return np.array([
(V_d - R_s*i_d + w_r*L_q*i_q - R_Fe*i_d)/L_d,
(V_q - R_s*i_q - w_r*L_d*i_d - R_Fe*i_q)/L_q,
0 # 假设铁损电阻变化缓慢
])
这里有几个关键点需要注意：
- 铁损电阻R_Fe同时影响d轴和q轴方程
- 我们假设dR_Fe/dt=0，这是基于铁损参数变化缓慢的工程经验
- L_d和L_q需要根据具体电机参数进行调整
实际应用中发现，当电机转速超过额定转速150%时，这个假设可能需要修正。此时可以考虑添加一个小的变化率项来改善跟踪性能。
3. 观测模型设计与实现
3.1 观测矩阵的选择
观测矩阵H的设计体现了"测量什么"的基本思想：
python复制H = np.array([[1, 0, 0],
[0, 1, 0]]) # 只观测d-q轴电流
这种设计背后的考量是：
- 电流可以直接通过传感器测量，信噪比高
- 铁损电阻无法直接测量，需要通过电流间接估计
- 保持观测方程线性简化计算
3.2 观测数据的预处理
在实际系统中，观测数据需要经过以下处理：
- ADC采样值转换为实际电流值
- 低通滤波去除开关噪声
- 坐标变换(abc→dq)后的数据校验
我曾遇到过一个典型问题：当观测数据未经过充分滤波时，EKF估计结果会出现高频振荡。后来通过调整滤波器截止频率(设置为开关频率的1/10左右)，估计稳定性得到了显著改善。
4. EKF实现中的关键细节
4.1 雅可比矩阵计算
雅可比矩阵F是EKF实现的核心，它反映了状态方程对各状态变量的敏感度：
python复制def jacobian_F(x, u, w_r):
i_d, i_q, R_Fe = x
L_d, L_q = 0.005, 0.008
return np.array([
[-(R_s + R_Fe)/L_d, w_r*L_q/L_d, -i_d/L_d],
[-w_r*L_d/L_q, -(R_s + R_Fe)/L_q, -i_q/L_q],
[0, 0, 0]
])
这个矩阵中有几个关键项值得注意：
- 对角线元素代表各状态变量的自影响
- 交叉项(w_r相关)体现了d-q轴耦合
- 第三列的非零项提供了参数估计的关键通路
4.2 协方差矩阵调参经验
EKF的性能很大程度上取决于以下协方差矩阵的设置：
- 过程噪声协方差矩阵Q
- 观测噪声协方差矩阵R
经过多次实验，我总结出以下调参经验：
- Q矩阵中R_Fe对应的值通常设为1e-6量级
- R矩阵根据电流传感器精度确定，通常为测量误差的方差
- 初始状态协方差P0不宜设置过大，否则会导致收敛慢
5. 铁耗最小化控制策略
5.1 最优电流计算
获得铁损电阻估计值后，可以计算最小损耗电流：
python复制def optimal_current(R_Fe):
# 最小铁耗电流计算
return (Kt/(2*(R_s + R_Fe))) ** 0.5
这个简单公式背后的物理意义是：在满足转矩需求的前提下，通过优化电流分配来最小化铜损和铁损之和。
5.2 实际应用效果
在某1.5kW PMSM平台上测试表明：
- 稳态效率提升3-5%
- 动态响应速度提高约20%
- 铁耗降低最明显的工况是中高速轻载
测试中也发现一个有趣现象：当电机温度升高时，由于R_s会发生变化，如果不同时在线辨识定子电阻，控制性能会下降。这促使我们在后续版本中增加了多参数联合估计功能。
6. 实现中的常见问题与解决方案
6.1 初始值选择问题
不恰当的初始值会导致两个典型问题：
- 收敛速度慢
- 甚至发散
推荐初始值设置：
- R_Fe_init: 取电机冷态测试值的80-120%
- 初始协方差P0: 对角线元素设为[0.1, 0.1, 1e-4]
6.2 数值稳定性问题
EKF实现中常见的数值问题包括：
- 协方差矩阵失去正定性
- 矩阵求逆不稳定
解决方案：
- 使用平方根滤波算法
- 添加小的正则化项
- 采用UD分解等技术
7. 实际部署注意事项
在将这套算法部署到实际控制系统时，需要注意：
- 计算时序约束：
- EKF迭代周期应大于最坏情况执行时间
- 通常控制在100-500μs间隔
- 存储器使用：
- 预先分配所有矩阵内存
- 避免动态内存分配
- 异常处理：
- 添加估计值合理性检查
- 准备故障恢复策略
在某个量产项目中，我们曾因为忽略了计算时序约束，导致在低端MCU上运行时出现周期抖动。后来通过优化矩阵运算和固定点化解决了这个问题。
这套基于EKF的铁耗在线辨识方法，经过多个项目的验证，确实如作者所说，像是给电机装上了"自适应眼镜"。它不仅解决了铁耗参数时变的问题，还为能效优化提供了可靠的基础。对于从事高性能电机控制的工程师来说，掌握这套方法无疑会大大提升系统开发效率和控制性能。