- 頭條完全采用實際數據進行電機參數辨識的新思路2020-05-26 作者：漆星、張倩 | 來源：《電工技術學報》 | 點擊率：導語安徽大學電氣工程學院的研究人員漆星、張倩，在2019年第9期《電工技術學報》上撰文指出（論文標題為“Actor-Critic框架下的數據驅動異步電機離線參數辨識方法”），電動汽車用電機的參數辨識可以使電機在任意轉速下盡可能輸出更高的轉矩及效率，是優化電機輸出性能的重要手段。傳統的基于模型驅動的參數辨識方法的缺點為易受模型誤差的影響、抗干擾能力差以及無法實現全轉速范圍內的轉矩最優。 鑒于上述缺點，該文研究了一種完全基于實際數據的電動汽車用異步電機離線參數辨識方法，對電機的轉子電阻和勵磁電感在任意轉速下進行了優化，從而使電機能夠在特定轉速和特定電流下輸出最優轉矩。 為達到電機在特定轉速和電流下輸出轉矩最優的目的，研究了一種基于Actor-Critic框架的電動汽車用異步電機離線參數辨識方法，確定了框架中的觀測、獎勵和動作的設計。實驗證明相對于傳統參數辨識方法，該文方法具有更高的精確性和魯棒性，同時確保了電動汽車用異步電機在任意轉速下的輸出轉矩最優。
異步電機的矢量控制因其穩定可靠、響應速度快等優點，在工業場合中得到了大量應用。近年來，異步電機的間接矢量控制（Indirect Field Orient Control, IFOC）在電動汽車領域的使用越來越廣泛。由于IFOC是采用基于轉差角頻率的轉矩控制，本質上是一種前饋控制方法。電機的參數，特別是轉子時間常數的變化，會導致異步電機轉子磁鏈定向不準，從而嚴重影響電機的輸出轉矩和輸出效率。因此，有必要對電機參數，特別是轉子時間常數進行辨識。
與傳統工業應用不同，在電動汽車用電機控制中，希望電機在任意轉速下盡可能輸出最高的轉矩。為達到這一目的，有必要對任意轉速下的電機進行基于轉矩最優的參數辨識，稱之為電機參數標定。國內外文獻采取了一些控制方法對電機參數進行辨識，例如模型參考自適應方法、擴展卡爾曼濾波器方法、滑模觀測法、最小二乘法等。
上述方法的共同點是算法極大地依賴于電機的數學模型，被稱為模型驅動法。模型驅動法主要存在以下四種缺陷：
①模型驅動法的辨識精度受模型誤差影響大。例如，文獻[5]提出了一種基于擴展卡爾曼濾波器的電機參數辨識方法，但該方法在高噪聲的狀態下無法適用，因為噪聲會疊加至系統模型成為模型誤差，從而降低了算法的精確性。
②模型驅動法存在穩定性問題，在某些狀態下導致系統發散。例如，文獻[6]提出了一種基于模型參考自適應的參數辨識方法，但在低頻狀態下，定子電阻的擾動會造成系統的不穩定。
③模型驅動法只能在某些特定的狀態適用，無法擴展到全狀態場合。例如，文獻[7]采用最小二乘法進行參數辨識，但只能適用于恒轉矩狀態，無法擴展到弱磁狀態，因此無法適用于電動汽車用電機的參數辨識。
④模型驅動法的目標是跟蹤正確的物理參數，而電動汽車用電機參數辨識的目標是搜索到在任意給定轉速和給定電流的條件下能使轉矩輸出最大化的參數值，兩者的辨識目標仍存在著差異性。
近年來人工智能理論的發展使得基于數據驅動的電機參數辨識方法成為可能。數據驅動的電機參數辨識方法的主要特征為：基于大量的實驗數據，采用人工智能的方法對電機的參數模型進行訓練。較為成功的方法包括基于人工神經網絡的參數辨識方法、基于支持向量機的參數辨識方法、基于遺傳算法的參數辨識方法以及基于粒子群算法的參數辨識方法等。
相比于模型驅動方法，數據驅動方法具有更高的辨識精度和算法魯棒性，同時，可以在給定轉速及電流下給出基于轉矩最優的參數解，從而適用于電動汽車用電機參數辨識的要求。然而，數據驅動方法最大的缺陷在于：成功的數據驅動方法往往需要大量的帶有標簽的訓練數據，但在實際的工業應用中，這種數據往往難以獲取。
文獻[12]采用神經網絡對異步電機轉子時間常數進行辨識，但使用電壓模型作為標簽訓練神經網絡，本質上仍屬于模型驅動方法。文獻[13]使用支持向量機進行電機參數的訓練，但沒有闡述訓練數據的獲取方法。文獻[14]采用多目標粒子群算法對電機參數進行辨識，但使用的是電機銘牌數據作為標簽數據，其可靠性有待商榷。
鑒于上述問題，本文研究了一種Actor-Critic框架下的數據驅動電動汽車用異步電機離線參數辨識方法，其特點為：①訓練數據可以自動生成，無需從外界獲取；②數據的獲取和訓練同時進行，從而縮短了訓練時間；③辨識結果為概率解而非確定解，從而提高了算法的抗干擾性；④可以實現任意給定轉速及給定電流下基于轉矩最優的無偏估計，從而適用于電動汽車用異步電機的參數辨識要求。
圖5 基于Actor-Critic框架的電機參數辨識的數據流圖
圖6 實驗平臺示意圖
結論
傳統的基于模型驅動的電機參數辨識方法的缺點為易受模型誤差的影響、抗干擾能力差、無法實現全轉速范圍轉矩最優等。基于上述缺點，本文研究了一種數據驅動的新思路，即完全采用實際數據進行電機參數辨識的方法。
針對傳統數據驅動方法中需要大量標簽數據的問題，研究了一種基于Actor-Critic框架的電動汽車用異步電機參數辨識方法，使得電機可以在數據訓練的同時，自動產生訓練數據的標簽值，從而解決了數據驅動電機參數辨識方法中標簽數據難以獲取的問題。實驗結果表明了與傳統的模型驅動法相比，本文方法的優勢為：
1）基于模型驅動的電機參數辨識方法受到模型誤差和模型穩定性的影響，在某些工況下辨識精度較低；而本文方法完全基于實際數據，辨識的參數不會受到模型誤差和穩定性的影響，同時，使用概率解而非精確解保證了該方法具有很強的抗噪聲性。
2）基于模型驅動的電機參數辨識方法只能辨識出電機實際參數，不能保證全轉速范圍的轉矩和效率最優；本文方法辨識的是使電機輸出轉矩最優的參數，而并非實際物理參數，可以使電機的轉矩和效率更高。
必須注意的是，本文提出的方法仍然受到某些方面的限制，后續的研究工作有：
1）由于本文采用轉矩作為獎勵值，因此，需要在帶有轉矩儀的對拖臺架上才能實現，限制了本文方法的應用場合。因此，如何改進獎勵值是今后需要研究的內容。
2）基于Actor-Critic框架的參數辨識方法本質是“試錯”方法，具有一定“破壞”性，因此無法適用于電機參數的在線辨識，只能適用于電機參數的離線辨識。事實上，可以將基于Actor-Critic框架的參數辨識方法作為電機的“數據產生器”，同時使用另一種數據建模方法對其數據進行訓練，再將最終數據模型送入電機控制器，從而實現電機參數的在線辨識。具體內容會在后續的工作詳細闡述。
