学习型残差实验观测器:基于机器学习和主动实验的电机参数观测器

写在前面(博客按语,投稿时删除) 这篇东西的想法,来自我突然想到的一个类比:电机控制里的高频注入(High-Frequency Injection),本质上是一次主动式侧信道提取——往系统里打一个已知的高频信号,电流响应本来是「本职」驱动信号的副产物,但转子的位置就藏在这个副产物里。既然信息藏在残差里,那「预测—残差—校正」的观测器闭环就是解码器。 问题从「怎么从高频响应里抠位置」变成了一个更根本的问题:**什么时候才需要打这个高频?**传统做法是看转速表——低速开、高速关。我认为真正合理的做法是看信息是否充分:系统自己判断当前是不是看不清了(后验不确定性变大、某些方向长期没被观测照亮),才主动制造一场高频注入;看清楚了就闭眼省电。 最贴切的画面是一种危险驾驶行为:困了在高速上开车,闭目养神,时不时睁眼看一下路况。什么时候睁眼?不看时刻表,看困不困。当然,工程上还得回答「睁眼值不值」(注入有损耗和转矩脉动的代价)和「是不是眼睛坏了」(模型失配时注入救不了,得报警),这两点正是本文代价门控和三分支决策的来历。 这个观测器起名学习型残差实验观测器(英文名 Learning Residual-Experiment Observer,缩写 LREO):残差是学习的素材,注入是设计的实验,「学习型」点明它与机器学习同源;「实验」二字指在线的实验设计动作,不是离线物理实验。 名词速查(博客读者用,投稿时删除):残差/新息 = 预测值与实测值之差;先验/后验 = 用观测修正之前/之后对状态的信念;协方差矩阵 P = 信念的「不确定度」,P 大 = 看不清;Fisher 信息矩阵 = 历史观测对每个方向的「照明强度」;凸极 = 直轴电感 Ld 与交轴电感 Lq 不相等;占空比 = 注入时间占比。 阅读指南:懂电机与估计理论的读者直接从第 I 节读起;只想看思想脉络的,读这段按语加附录 C;所有推导细节在正文和附录 A、B。 学习型残差实验观测器:基于机器学习和主动实验的电机参数观测器 **作者:DR 单位: (略) 摘要 传统高频注入无传感器控制通常按转速阈值开关注入,属于开环策略:它既不区分当前不确定性来自「转子位置不可观测」还是「参数耦合导致残差不可解释」,也不权衡注入带来的损耗与转矩脉动。本文提出一种学习型残差实验观测器(Learning Residual-Experiment Observer, LREO)。本文所称「实验」,指观测器在后验不确定性超过门限时主动触发的一次受控高频注入探测——它不是离线物理实验,而是在线实验设计动作。方法面向凸极式(内置式)永磁同步电机:凸极差既是高频位置信号的来源,也决定了位置观测的灵敏度与信噪比上限。学习型残差实验观测器在一个联合状态—参数贝叶斯后验中同时维护转子位置、转速、定子电阻、永磁磁链与电感的不确定性;利用带遗忘因子的累积 Fisher 信息矩阵监测各状态方向的可辨识性,仅当后验协方差与信息矩阵最小特征值构成的双判据同时满足时,触发一次对准缺失可辨识方向的受控高频注入;新息一致性检验进一步将「信息不足」与「模型失配」区分开,前者触发实验,后者触发告警。注入产生的响应不作为独立高频观测器的输出,而是作为额外观测行块进入同一次贝叶斯更新,从而在联合协方差中显式记录状态—参数耦合。本文给出注入前后信息增益的解析预测式与代价门控判据,论证连续注入收益二次衰减的机制、并据此预期注入行为稀疏;同时给出覆盖温漂、退磁、负载突变等工况的仿真验证方案。须如实说明:本文的定量证据暂缺,验证停留在方案设计阶段,全部定量性能主张有待仿真与实机数据检验。该框架将无传感器估计表述为流式观测下的在线学习问题。最后讨论触发阈值整定、磁极极性管理与模型失配下的方法边界。 ...

October 31, 2026