1. 参数辨识到底在辨识什么：从物理模型到可测量量的映射

电机驱动项目做到一定阶段，几乎所有人都会撞上同一堵墙：你手里有一颗三相感应异步电机的铭牌，上面只有额定功率、额定电压、额定转速、额定电流、绝缘等级这些“厂商标配”，可你真正需要的是那组能够支撑矢量控制（FOC）或直接转矩控制（DTC）的内部参数——定子电阻 Rs、转子电阻 Rr、定子漏感 Lls、转子漏感 Llr、互感 Lm、转子惯量 J。这些参数不会写在铭牌上，也不会出现在出厂资料里，唯一的办法就是自己动手辨识。

我最初接触这个课题时犯过一个典型的错误：以为是算法不够先进，才会辨识不准。后来被现实教育过才发现，参数辨识工作量的八成在前置环节——实验设计、数据采集质量、模型选择和数值处理，真正的“算法”反而只占两成。尤其当你需要把辨识算法写成C代码、烧进MCU里离线跑或在线跑时，你会发现每个步骤都充满工程取舍。

先梳理清楚到底要辨识什么。三相感应电机最常用的模型是T型等效电路（也叫Γ型/π型，各教材叫法不同），它把定子和转子的漏感、电阻、互感集中成几个阻抗元件。以我在项目里常用的模型为例，电机稳态等效电路里包含：

这里要特别提醒：Rr 和 Tr（转子时间常数 Lr/Rr）是矢量控制里最敏感的参数。转差频率矢量控制中，转差频率直接由 Tr 决定，Tr 只要偏差 30%，转矩响应和磁链定向就会明显失准。而 J 并不在等效电路里，需要通过机械加减速实验获得。很多初学者把 J 和其他电气参数混在一起辨识，这是模型选择层面的根本性错误。

所以参数辨识要划分成两个层次：电气参数辨识（Rs、Rr、Lls、Llr、Lm）和机械参数辨识（J、阻尼系数B）。前者靠电压电流激励，后者靠转速响应。本文重点讲电气参数辨识的C代码实现和仿真模型搭建，机械参数部分会提关键思路但不展开所有推导。

2. 辨识实验设计：直流试验、堵转试验与空载试验的组合逻辑

2.1 直流试验：定子电阻的静态度量

电气参数辨识的第一步永远是直流试验。因为这是唯一一个可以直接用欧姆定律闭合、不需要任何模型假设的测量手段。

操作方法不复杂：向电机任意两相绕组注入直流电压，稳定后读取相电流，然后 Rs = U_dc / (2 * I_dc)。之所以是 2 倍，因为直流条件下绕组呈纯阻性，串联路径是两相绕组加第三相绕组并联的纯电阻网络，线电阻等于 2Rs。

但工程细节都在测量时间上。绕组通直流电会产生温升，而铜绕组的电阻温度系数约为 0.004/K，也就是说温度每上升 10°C，铜电阻变化大约 4%。这直接影响辨识精度。我自己的经验是：

• 电流大小控制在额定电流的 20% 以内，避免显著温升。
• 通流持续 1~2 秒，等电流完全稳定后再采样。
• 测量结束后立刻停止，避免绕组发热漂移。
• 如果条件允许，用恒流源代替恒压源，读数更稳定。

采样侧同样有要注意的地方：逆变器桥臂导通压降、母线电压纹波、ADC 采样偏置，这些都会叠加在毫欧级别的电压信号上。最稳妥的办法是做两次测量，正方向测一次、反方向测一次，取偏移量抵消后的平均值。我在项目里就是这样处理，最终 Rs 误差能控制在 2% 以内。

直流试验得到的 Rs 数值还有一个附加价值：它是其他所有辨识算法的关键初值。后面用最小二乘法或扩展卡尔曼滤波时，Rs 作为已知量代入，能让辨识矩阵的条件数大幅下降。

2.2 堵转试验：漏感参数的提取逻辑

堵转试验有两层用途：低频堵转测 Lls 与 Llr，高频堵转测转子电阻 Rr。原理是基于 T 型等效电路的简化。

电机转子堵住后，转差率 s = 1，转子支路的等效阻抗变成 Rr + jωLlr，此时从定子端口看进去的阻抗为：

Z_w = Rs + jωLls + (jωLm) // (Rr/s + jωLlr)

当 s=1 且励磁阻抗远大于转子支路阻抗时，可以近似认为励磁支路分流极小，于是：

Z_w ≈ Rs + jωLls + Rr + jωLlr = (Rs + Rr) + jω(Lls + Llr)

实测方法：堵住转子，在定子端施加低于额定电压的交流电（通常 10%~20% 额定电压，防止电流过热），测量电压和电流的幅值及相位差，得到阻抗实部和虚部。实部 ≈ Rs + Rr，虚部 ≈ ω(Lls + Llr)。在低频段（比如 10~50 Hz），电流主要集中在漏磁路径上，虚部读数的信噪比更好。

这里要交代一个重要的分离手段：堵转只能得到漏感之和 Lls + Llr，如何把 Lls 和 Llr 分开？工程界有两种常用假设：

我在实际项目中取 Lls = Llr = L_total / 2，理由是这个假设对大多数鼠笼式感应电机偏差不大，且在矢量控制算法中真正起作用的是总漏感之和和转子时间常数，而 Tr 由转子自感 Lr = Lm + Llr 决定，所以分离误差的影响远小于总漏感误差的影响。

堵转试验还要注意转子锁死的方式。绝对不能用木块塞、用铁条卡——转子发热和震动会把卡具震飞。我见过某位同行直接用机械夹具锁轴，结果堵转电流瞬间把夹具局部烧红。正确做法是使用可调扭矩的机械刹车装置，至少保证堵转期间转子角位移小于几个机械度。

2.3 空载试验：励磁电感 Lm 和铁损的估算

空载试验是为辨识 Lm 服务的。电机空载运行，转差率几乎为 0，转子电流趋近于 0，此时从定子端看进去的等效电路简化为励磁支路并联铁损电阻，再串联定子漏感：

Z_no_load = Rs + jωLls + RFe // jωLm

实际操作是在额定电压附近取几个点，记录定子电压、电流和输入功率。电压可以从额定值的 30% 往上取，直到额定电压附近。对每个点计算无功功率 Q，从 Q 中减去定子漏抗部分，即可求得 Lm。

工程上我推荐另一种做法：空载试验求出的是“励磁电感随电压变化的曲线”，而不是一个固定值。因为磁路饱和使得 Lm 在低压区几乎恒定，在高压区急剧下降。你在矢量控制里用到的 Lm 应该和实际励磁电流所处的磁链工作点相对应，而不是随便取一个平均值。这一点经常被忽略，导致弱磁区的磁链估算在高速段偏差很大。

空载试验的采样细节同样值得展开。测量空载电流时要等机械暂态完全结束——转子转速稳定，电流稳定，通常需要 10~30 秒。我见过有人开机后 3 秒就采样，结果电流里还带着启动过程的衰减直流分量，Lm 辨识值偏差超过 10%。正确做法是等电流幅值波动收敛到 1% 以内再开始记录数据。

3. C语言实现：从采样数据到参数的完整链路

3.1 数据结构与测量值预处理

把上面的实验流程落到代码上，首先要解决的是“数据从哪来、存到什么结构里”。我的做法是定义两个结构体：

typedef struct { float ia; /* A相电流采样值 */ float ib; /* B相电流采样值 */ float ic; /* C相电流采样值，冗余通道可校准 */ float ua; /* A相电压采样值 */ float ub; /* B相电压采样值 */ float uc; /* C相电压采样值 */ float u_dc; /* 母线电压，离线辨识可不用 */ float theta_mech; /* 机械角度，用于同步/堵转判定 */ } PmSamples; typedef struct { float Rs; /* 定子电阻, ohm */ float Rr; /* 转子电阻折算值, ohm */ float Lls; /* 定子漏感, H */ float Llr; /* 转子漏感折算值, H */ float Lm; /* 互感, H */ float Ls; /* 定子自感 = Lm + Lls */ float Lr; /* 转子自感 = Lm + Llr */ float Tr; /* 转子时间常数 = Lr / Rr, s */ float Lsigma;/* 总漏感 = Lls + Llr, H */ } MotorParams;

数据采样的关键点有两个。

第一个关键点是采样时序。离线辨识时可以采集完所有数据再做处理，但在线辨识（比如每次上电初始化时自动执行）就必须控制采样窗口。我的建议是采样频率 5kHz~10kHz，采样窗口长度至少覆盖 10 个基波周期（50Hz系统就是 0.2 秒），这样能抑制非周期分量和低频扰动。

第二个关键点是数据预处理三步走：

/* 1. 去直流偏置：平均值法 */ float mean_ia = 0; for (int i = 0; i < N; i++) mean_ia += pm[i].ia; mean_ia /= N; for (int i = 0; i < N; i++) pm[i].ia -= mean_ia; /* 2. 低通滤波：一阶IIR，截止频率约500Hz */ for (int i = 1; i < N; i++) { pm[i].ia = 0.9f * pm[i-1].ia + 0.1f * pm[i].ia; } /* 3. 异常值剔除：三道标准差法则 */ float sum = 0, sumsq = 0; for (int i = 0; i < N; i++) { sum += pm[i].ia; sumsq += pm[i].ia * pm[i].ia; } float mean = sum / N; float var = sumsq / N - mean * mean; float std = sqrtf(var); int valid_count = 0; for (int i = 0; i < N; i++) { if (fabsf(pm[i].ia - mean) <= 3.0f * std) { valid_buf[valid_count++] = pm[i].ia; } }

这三步看起来基础但非常重要——数据质量直接决定辨识结果的可靠性。我遇到过很多次因为直流偏置没去掉，最小二乘拟合出的参数差得离谱，而且这种误差模式还不是线性的，很难事后补救。

3.2 最小二乘拟合的核心代码片段

基本参数辨识问题可以规约为线性或非线性最小二乘问题。对稳态正弦激励工况，用复数向量形式最方便：把电压电流的基波相量提取出来，然后求解一个线性方程组。

以堵转试验为例，已知 U（相电压相量）、I（相电流相量）和频率 f，目标是求漏阻抗 Z_w。虽然可以直接用复数除法 Z = U / I 得到单个点，但为了抑制噪声，我会采集多个频率点，用最小二乘拟合出阻抗随频率变化的趋势：

/* 用最小二乘拟合 Z(jw) = R + jX，其中 R 为常数，X 与 w 线性相关 */ /* 数据来自不同频率下的堵转点 */ void solve_least_squares(float *freq, float *R_meas, float *X_meas, int n_points, float *R_fit, float *X_fit_slope) { float sum_w = 0.0f; float sum_w2 = 0.0f; float sum_R = 0.0f; float sum_Xw = 0.0f; float sum_X = 0.0f; float sum_wX = 0.0f; for (int i = 0; i < n_points; i++) { float w = 2.0f * PI * freq[i]; sum_w += w; sum_w2 += w * w; sum_R += R_meas[i]; sum_Xw += X_meas[i] * w; sum_X += X_meas[i]; sum_wX += w * X_meas[i]; } float denominator = (float)n_points * sum_w2 - sum_w * sum_w; if (fabsf(denominator) < 1e-8f) return; *X_fit_slope = ((float)n_points * sum_Xw - sum_w * sum_X) / denominator; *R_fit = (sum_R) / (float)n_points; }

当然这是简化版本。现实中若同时考虑铁损电阻和励磁支路分流，阻抗表达式就不是简单的 R + jX 线性模型，往往需要在复数平面做曲线拟合，或者使用 Levenberg-Marquardt 非线性优化。那种场合我一般直接用现成优化库，而不是手写——手写 LM 算法很容易在矩阵求逆上翻车，尤其是当参数之间存在强相关性时。

3.3 从辨识结果到电机参数的换算逻辑

回归到工程落地，从阻抗测量结果换算电机参数时，需要写一段专门的换算代码。这段代码的输入是堵转试验得到的漏阻抗、空载试验得到的励磁阻抗，输出就是上一节定义的 MotorParams。

核心换算逻辑如下：

static void calc_motor_params(float Rs_dc, float R_lock, float L_sigma_total, float V_no_load, float I_no_load, float P_no_load, MotorParams *out) { float w = 2.0f * PI * 50.0f; out->Rs = Rs_dc; out->Rr = R_lock - Rs_dc; /* 堵转试验的实部减去定子电阻 */ out->Lsigma = L_sigma_total; out->Lls = L_sigma_total * 0.5f; /* 新国标对称假设 */ out->Llr = L_sigma_total * 0.5f; /* 空载试验计算励磁支路 */ float Z_nl_mag = V_no_load / I_no_load; /* 空载阻抗模值 */ float cosphi = P_no_load / (V_no_load * I_no_load); /* 功率因数 */ float R_nl = Z_nl_mag * cosphi; /* 空载电阻分量 */ float X_nl = sqrtf(Z_nl_mag * Z_nl_mag - R_nl * R_nl); /* 空载电抗分量 */ /* 减去定子漏抗 */ float X_m = X_nl - w * out->Lls; out->Lm = X_m / w; /* 检验合理性 */ out->Ls = out->Lm + out->Lls; out->Lr = out->Lm + out->Llr; out->Tr = out->Lr / out->Rr; }

这段代码看起来逻辑清晰，但有几个隐藏的地雷：

第一，R_lock 是在什么电压和频率下测的？如果堵转试验施加电压 20% 额定电压，漏感因磁链偏低而略大（漏磁路径也有轻微饱和效应），那么 R_lock 中是否包含铁损分量？在低频 20Hz 下铁损较小，可以忽略，但如果用 50Hz 堵转，铁损不可忽视，需要把 RFe 从 R_lock 的实部中剔除。

第二，空载试验中 X_nl 包含了 Lls 的贡献，所以我减去了 ωLls，如果 Lls 本身辨识不准，Lm 就会连带出错。这就是为什么我总是建议按“先直流后堵转再空载”的顺序执行辨识流程，一步一步给下一步提供初值。

4. 仿真模型构建：在仿真环境中验证辨识结果

4.1 用等效电路模型搭建虚拟电机平台

代码写完之后，不能直接拿去烧录到样机上验证——至少我会先在仿真环境里跑一遍，用已知参数的“虚拟电机”生成电压电流数据，再把数据交给辨识代码，看辨识结果能不能还原最初的设定参数。这一步做起来非常快，但能揪出大量算法代码层面的低级错误。

我搭建仿真模型的方案如下：

仿真环境选用支持电路仿真的平台（例如 Simulink/Simscape 或 PLECS），搭一个三相感应电机的 T 型等效电路。具体构造方法是：

• 定子侧用三相交流电压源，串联 Rs 和 Lls；
• 励磁支路并联一个纯电感 Lm（暂不加入铁损电阻，简化验证目的）；
• 转子侧串联 Rr/s 和 Llr；
• 机械部分用一阶惯性环节描述转速变化，堵转工况直接设转速为零。

设置一组已知的基准参数，例如某模拟项目的目标电机参数：

在这个仿真模型里施加直流电压、堵转交流电压、空载电压，采集数据后送入我的 C 辨识代码，比对输出参数和设定值。第一次跑的时候我就发现了一个问题：仿真里施加直流电压时，电感电流建立有暂态过程，如果采样时刻太早，RS 辨识值偏小。原因很直观——电感的直流电阻很小，但暂态过程里电感里的电流还没爬升到稳态值，测量到的电压就偏高于纯电阻压降。

4.2 仿真与实测对标的误差分析方法

仿真对标时，不能只看参数值“差不多的样子”，必须使用量化指标。我采用的评估方法是：

误差百分比 = (辨识值 - 设定值) / 设定值 × 100%

然后为每个参数设置接受阈值。以我自己的标准为例：

超过阈值的参数必须回查。最常见的回查路径是：

• 用示波器检查电压电流波形是否有畸变；
• 检查采样窗口是否包含足够的完整周期；
• 检查等效电路是否叠加了死区效应或 PWM 谐波；
• 若是仿真问题，则检查电源模块内阻是否意外串入主回路。

数值上的一个关键考核点是“闭环自检”：把辨识出的参数重新放回仿真模型里，让模型驱动同样的工况波形，观察电压电流预测误差。如果辨识准确，模型的重构波形和原始采样波形应当高度重合。这个方法比单纯看参数数值更可靠，因为它检验的是整体动态匹配度而非静态数值。

4.3 初值选择与优化迭代的坑

在仿真环节，我顺带验证了一件事：如果只靠一次堵转和一次空载试验，再来一个非线性优化，是否能把所有参数一次辨识出来？理论上可行，但工程上不建议。原因有两个：

第一，非线性优化问题的目标函数对参数耦合非常敏感。例如 Rr 和 Lr 在堵转工况下的可辨识性较弱，如果初值偏离实际值太远，优化器会陷入局部极小点。我实测有一次故意把 Rr 初值设成 2 倍真实值，结果优化迭代后收敛到一个完全错误但残差也很小的点上。

第二，C 代码里实现完整的 LM 优化算法非常繁琐，且需要可靠的矩阵求逆。相比而言，分段试验法有几个明显优势：每个环节的物理含义清晰，每一步只辨识少数参数，数值稳定性高得多，出错之后也更好定位。

所以我对初值的建议是：即便使用分段法，也要谨慎给第二步、第三步提供初值。例如空载试验在计算 Lm 时，初值选择可以先用经验公式 Lm ≈ Vn / (sqrt(3) * I_nl * 2πf)，这个值虽然粗但已接近真实值，可以作为后续滤波或拟合的起点。

5. 我踩过的坑：噪声、温升与数值病态问题

5.1 采样噪声对辨识结果的隐蔽影响

第一个大坑来自采样噪声。实验室环境看似干净，但逆变器的 PWM 斩波会产生高频电流纹波，信号线上的共模干扰也会混入 ADC 采样值。当初我用二阶巴特沃斯低通滤波把采样信号滤波后再做辨识，本以为万事大吉，结果发现拟合出来的转子电阻比真实值低了约 10%。

排查了很久才发现问题出在滤波器引入的相位滞后。交流电压和电流滤完波之后，幅值变化不大，但相位差被各阶滤波器的相频特性改变了。堵转试验计算阻抗相位角时，哪怕相位差 0.5°，实部分量都会产生显著偏移。解决办法是：对电压和电流使用完全相同的滤波器，保证同样的相位延迟；或者干脆改用数字锁相环直接提取基波相量的幅值和相位。

这条经验后来被我总结成一条操作规范：辨识过程中，电压通道和电流通道的信号调理链必须完全对称，任何不对称的滤波都会转化为辨识误差。很多入行不到一年的工程师在硬件端随意加 RC 滤波，导致电压电流截止频率不一致，死都不知道怎么死的。

5.2 温升漂移：参数不是永恒值

第二个大坑，也是所有人最终都会碰到的坑，就是温升。电机通电后绕组温度持续上升，铜绕组的电阻按约 0.4%/K 变化。一台满载运行半小时后的电机，定子电阻可能比冷态时上升 15%~20%。

这意味着两件事：

第一，辨识操作必须规范记录绕组温度。辨识结果要附上“折算到 20°C 环境温度”的修正值：

R_20 = R_meas / [1 + α_Cu * (T_wind - 20)]

其中 α_Cu 取 0.00393 /°C，T_wind 可以用电机内置温度传感器读取，或者用红外测温枪打在机壳表面加一个校正项。没有温度记录的辨识数据，在项目文档评审时是不具备参考价值的。

第二，运行中的在线辨识必须考虑热状态。比如我用递推最小二乘做在线转子电阻辨识时，必须设置遗忘因子来跟踪 Rr 的缓慢漂移。遗忘因子选多少有一个权衡：0.99 对温升漂移太迟钝，0.95 又对噪声太敏感。我最终根据采样率 1kHz 和实际温升速度折中，取 0.98 左右。

5.3 条件数与病态矩阵的数值处理

第三个坑是数值病态。T 型等效电路的参数之间存在强相关性，尤其在低频激励下，Lm 和 Lls 对阻抗的贡献高度耦合。如果直接把一次堵转试验的数据送进 5 参数非线性优化器，信息矩阵的条件数能达到 10^7 以上，这个量级意味着计算结果的可靠位数非常有限。

缓解手段有三层：

第一层，降低待辨识参数个数。用分段试验法，每个环节只辨识 1~3 个参数，条件数大幅下降。

第二层，在仿真模型里预先做可辨识性分析。方法是给每个参数一个微小的扰动，观察输出响应。如果某个参数改变几乎不影响观测输出，那它在当前实验条件下就是不可辨识的。这时候要在算法层面修正，增加激励信息（比如改变测试频率或注入特殊信号）。

第三层，使用最大后验估计加入先验约束。例如知道 Lls 应该在某个范围内，把范围作为软约束写入目标函数。这样做能有效缓解病态问题，代价是引入少量偏差，但工程上可接受。

数值病态方面还有一个细节容易被忽视：矩阵求逆前的缩放。从不同来源得到的数据，量纲可能相差几个数量级（电压 380V、电流 6A、电感 0.1H、电阻 1Ω），如果不做归一化，信息矩阵的元素跨度极大，不管用什么分解算法都容易损失精度。我在实现代码里固定做一步归一化：把电压电流换算到标幺值，电机参数的基准值就用额定相电压和额定相电流计算。这样处理之后，矩阵元素基本都在 0.01~100 范围内，求逆稳定多了。

6. 收尾：一组可复现的实测数据与最终体会

最后分享一组我保留的比较满意的实测辨识结果。被测对象是某模拟项目用的 4 极三相感应电机，额定功率 2.2kW，额定电压 380V/50Hz，额定电流 4.8A。整个辨识流程按照本文的顺序执行：直流试验、堵转试验（取 10Hz、20Hz、30Hz 三组数据做最小二乘）、空载试验（取 30%、50%、70%、100% 额定电压四个点）。

环境温度 18°C，辨识得到的冷态参数如下：

验证阶段我用这组参数做了两件事：一是开环 V/F 控制试运行，确认空载和 50% 负载电流在合理范围；二是直接切入转差频率矢量控制，观察额定负载下的稳态 d 轴电流和 q 轴电流，确认磁链定向稳定。整体效果达到预期，低速 2Hz 下带额定负载也没有震荡。

最后说几条从这些试验里沉淀下来的体会。第一，参数辨识代码的工程量不大，真正花时间的永远是实验装置和数据分析的细节。采样同步、通道一致性、温度记录这三样做扎实了，辨识结果就差不到哪去。第二，不要迷信某个算法能一次性解决所有问题，分段辨识配合合理的模型假设，在工程现场远比高深算法可靠。第三，无论仿真结果多完美，最终都要用电机旋转起来之后的控制表现说话——参数是否正确，电机自己会告诉你。