摘要：本方案通過人工智能技術(shù)解決了人形機器人關(guān)節(jié)電動機的參數(shù)辨識難題，具備多模態(tài)融合感知、認知、決策和 行為生成能力，從而實現(xiàn)了更高的人形機器人關(guān)節(jié)電動機的智能辨識功能，能夠以接近人類智慧的能力開展計 算，大幅度提升電動機穩(wěn)定性在20%以上。

1 引言

人形機器人是集機械、電子電氣、材料、計算機、傳感 器、控制技術(shù)等多門學(xué)科于一體的新質(zhì)生產(chǎn)力產(chǎn)品，也是一 個國家高科技實力和發(fā)展水平的重要標志，因此，世界發(fā)達 國家都不惜投入巨資進行開發(fā)研究。我國人形機器人也已經(jīng) 作為標志性成果納入了新的發(fā)展規(guī)劃，浙江區(qū)域已經(jīng)有相當多 的企業(yè)在爭奪人形機器人關(guān)鍵零部件的市場，但是在配套人形 機器人應(yīng)用過程中，關(guān)節(jié)電動機容易出現(xiàn)以下的一些問題：
（1）電動機過載。電動機承載的負荷超過其額定負荷 時，會引起電動機過載，導(dǎo)致電動機工作時轉(zhuǎn)速下降、發(fā)熱 嚴重、無力等現(xiàn)象。
（2）電動機老化。長時間使用的電動機可能由于長期 受熱、振動等原因，導(dǎo)致電動機繞組受損，從而發(fā)生發(fā)燙沒 力氣等問題。
（3）電動機轉(zhuǎn)子不平衡。電動機轉(zhuǎn)子不平衡是電動機運 轉(zhuǎn)中產(chǎn)生振動的重要原因之一。轉(zhuǎn)子不平衡可以導(dǎo)致電動機振 動、噪聲大、發(fā)熱嚴重等問題，進而導(dǎo)致電動機性能下降。
（4）電源電壓過低。電源電壓過低也會導(dǎo)致電動機轉(zhuǎn) 速降低、發(fā)熱嚴重、無力等現(xiàn)象。
（5）電動機軸承問題。電動機軸承過度磨損或質(zhì)量不 好，電動機轉(zhuǎn)動時存在噪音或不能正常工作，同時也會造成 電動機發(fā)熱。
究其上述原因，在于關(guān)節(jié)電動機在控制輸出速度和轉(zhuǎn)矩 過程中沒有充分考慮電動機參數(shù)的變化，尤其是溫升引起的 電阻、電感等參數(shù)。
在現(xiàn)代電動機控制領(lǐng)域，準確掌握電動機的各項電氣和機械參數(shù)對于實現(xiàn)高效、精準的控制至關(guān)重要。目前離線 辨識作為電動機參數(shù)測量的一種重要手段，主要在電動機未 接入實際運行系統(tǒng)時進行，通過特定的測試信號和算法，辨 識出電動機的關(guān)鍵參數(shù)，包括定子電阻、定子電感、初始位 置、反電動勢（EMF）、轉(zhuǎn)動慣量及逆變器非線性辨識。

2 國內(nèi)外研究現(xiàn)狀

永磁同步電機（PMSM）的高性能控制是機器人、電動汽 車和高端制造等領(lǐng)域的關(guān)鍵技術(shù)，其核心在于對電機物理參 數(shù)的精確掌握。然而，電機參數(shù)在實際運行中會因溫度、磁飽 和等因素發(fā)生變化，對控制精度和系統(tǒng)穩(wěn)定性構(gòu)成挑戰(zhàn)。
研究的一個重要方向是為先進控制策略提供更精準的 電機模型。例如，魯棒模型預(yù)測控制等高性能算法的實現(xiàn)， 其前提就是精確的參數(shù)輸入，以應(yīng)對復(fù)雜的工況變化。為滿 足這一需求，研究者致力于開發(fā)更強大的智能優(yōu)化算法。其 中，改進的智能群體算法（如獵人-獵物算法）被用于高精 度地辨識多個電機參數(shù)，并通過引入死區(qū)補償?shù)炔呗?，有?解決了硬件非線性帶來的辨識誤差，顯著提升了辨識的準確 性和魯棒性。這些技術(shù)在實際應(yīng)用中至關(guān)重要，例如在腿足 式機器人等復(fù)雜系統(tǒng)中，參數(shù)辨識與校準模塊已成為驅(qū)動 器設(shè)計的標準組成部分，是實現(xiàn)高動態(tài)運動控制的基礎(chǔ)。立 足于精確的模型，研究人員得以開發(fā)面向特定應(yīng)用場景的 創(chuàng)新控制方法，如針對機器人關(guān)節(jié)伺服系統(tǒng)的最速起動策 略，該策略在不增加額外硬件的條件下，顯著優(yōu)化了電機 的啟動性能。
與此同時，一個更具顛覆性的研究范式正在興起，即利用強化學(xué)習(xí)（RL）繞過傳統(tǒng)的“辨識-控制”兩步法。這 種端到端的方法不再追求辨識一組精確的物理參數(shù)，而是 訓(xùn)練一個智能體直接學(xué)習(xí)從系統(tǒng)狀態(tài)到最優(yōu)控制指令的映 射。Schenke等人（2023）的研究成功將安全強化學(xué)習(xí)應(yīng)用 于電機的直接轉(zhuǎn)矩控制，驗證了該方法在無需精確模型的情 況下，依然能實現(xiàn)高效、安全的電機驅(qū)動。在此基礎(chǔ)上， Jakobeit等人（2025）進一步探索了元強化學(xué)習(xí)（Meta-RL） 的應(yīng)用，旨在訓(xùn)練能夠快速適應(yīng)不同電機模型的“通用控制 器”。這種方法使得智能體在面對新電機時，無需從零開始 訓(xùn)練，展現(xiàn)了卓越的泛化能力和適應(yīng)性，代表了電機智能控 制的未來發(fā)展方向。

3 人形機器人電動機參數(shù)辨識的方案

人形機器人全身具有40個執(zhí)行器、50個自由度，基本都 采用了減速機+電動機的傳動模式，減速機扭矩范圍20Nm- 180Nm。人形機器人常用的電機類型包括永磁同步電機、永 磁直流電機、無刷直流電機、空心杯電機、步進電機和無框 力矩電機。如果電動機出現(xiàn)問題，則對人形機器人帶來很大 的問題。因此突破關(guān)節(jié)電動機的參數(shù)智能辨識，能大幅度提 高人形機器人的性能。
通過在人形電動機關(guān)節(jié)電動機安裝定子繞組溫度傳感 器，智能邏輯可以被用來實現(xiàn)定子電阻的近似估計。讓矢量 控制的電動機運行在額定速度（即頻率），當轉(zhuǎn)矩（即定 子電流）階躍變化時，記錄電動機穩(wěn)態(tài)時定子溫度上升量     ( △TSS = TS -TA，其中TA為環(huán)境溫度）。隨著頻率（轉(zhuǎn)速）的 增加，鐵損增加，致使溫度上升更快，但風(fēng)冷或強制冷卻裝 置都會使溫度下降。低于最小定子電流的曲線，即對應(yīng)于額 定磁鏈的勵磁電流，被看作是位于垂直軸。當定子電流很小 時，即使頻率變化，溫度變化也很小。
圖1給出了完整的電動機定子電阻估計框圖，它包括一 個熱時間常數(shù)曲線和熱敏電阻網(wǎng)絡(luò)。熱敏電阻網(wǎng)絡(luò)用于形成 TS  的校正和電動機熱時間常數(shù)τ 的估計。電動機的動態(tài)模型 可以由一階低通濾波器  大致描述出來，其中τ 為近似的 熱時間常數(shù)，它為轉(zhuǎn)速（或頻率）的非線性函數(shù)。
根據(jù)定子電阻的模糊估計框圖，選擇模糊MF如圖2所 示，相應(yīng)規(guī)則矩陣為表1所示。其中定子電流 IS  (pu) 共有9 級，從低到高依次為VS、SS、SM、SB、M 、MM 、BS、BM、 VB（其中S為英文Small“小”、M為英文Middle“中”、B為英文Big“大”，V為英文Very修飾“很”）；頻率 ωε  (pu)  為8 級，從低到高依次為VS 、SS 、SB 、M 、BS 、BM 、BB 、VB； 穩(wěn)態(tài)溫升 △TSS  (pu) 則為12級，從低到高依次為VVS 、VS 、 SS 、SM 、SB 、M 、MM 、BS 、BM 、BB 、VB 、VVB。模糊估 計器的基本思想是將信號 △TSS  (pu) 作為定子電流和頻率的函 數(shù)。大量的MF聚集在低頻處，以滿足越來越靠近零轉(zhuǎn)速， △TSS (pu) 需要越精確估計的要求。

在定子電阻的模糊估計框圖中（表1），穩(wěn)態(tài) △TSS  可以 通過模糊算法根據(jù)定子電流 IS 和頻率 ωε 的測量值或估計值來 估算。 △TSS 采用模糊控制規(guī)則，其中一條典型的規(guī)則可以描 述如下：
如果定子電流 IS (pu) 為小中（SM）并且頻率 ωε  (pu) 為 中（M），那么溫度上升 △TSS (pu) 為微?。⊿S）。
一旦穩(wěn)態(tài) △TSS  由模糊估計器被估計出來，它通過低通濾 波器轉(zhuǎn)換成動態(tài)溫度上升量，并被疊加到環(huán)境溫度TA上以獲 得實際的定子溫度，則實際電阻可通過線性表達式RS = RSO + αRSO ( TS - 25 ) 來獲取。
通過熱敏電阻網(wǎng)絡(luò)測得的用于校正估計的，并不斷重復(fù) 該算法。最后，熱敏電阻網(wǎng)絡(luò)被去掉，所得估計算法適用于 相同類型的所有電動機。
4 實驗方法

4.1 實驗設(shè)備與測試平臺
本實驗采用人形機器人關(guān)節(jié)電動機測試平臺，主要設(shè)備 包括：
永磁同步電機（額定功率500W，額定轉(zhuǎn)速3000rpm）、 矢量控制變頻器（支持轉(zhuǎn)速/轉(zhuǎn)矩控制模式）、高精度溫度 傳感器（PT100，精度±0.1°C）、電流傳感器（霍爾式，精度 ±0.5%）、數(shù)據(jù)采集系統(tǒng)（采樣頻率1kHz）、環(huán)境溫控設(shè)備。
4.2 實驗參數(shù)設(shè)置
測試工況參數(shù)如表2所示，模糊控制器參數(shù)如表3所示

4.3 實驗步驟與數(shù)據(jù)采集 穩(wěn)態(tài)特性測試步驟如下：
步驟1：電機預(yù)熱至熱平衡狀態(tài)
初始條件：IS = 1A ， f = 10Hz，運行時間 = 20min
步驟2： 定子電流動態(tài)階躍響應(yīng)測試（對應(yīng)圖3a）
測試序列：IS=[5→8→10→12→15→18→20→15→25→22]A
固定頻率： f = 50Hz
階躍時間間隔：10ms
總測試時間： 100ms
溫度采樣頻率：100Hz。
步驟3： 電阻動態(tài)估計驗證（對應(yīng)圖3b）
基于步驟2的溫度數(shù)據(jù)進行電阻估計；
實時比較估計值與實測值；
記錄動態(tài)跟蹤誤差；
分析估計器響應(yīng)特性。
動態(tài)響應(yīng)測試如下：
電機熱時間常數(shù)的辨識采用一階慣性環(huán)節(jié)模型：

4.5 實驗結(jié)果驗證
電動機參數(shù)辨識的實際情況，圖3所示為實驗曲線。

圖3a表示不同定子電流但轉(zhuǎn)速固定情況下，典型的TS估 計準確度；圖3b則表示對應(yīng)的定子電阻RS估計跟蹤準確度， 精度評估指標如下：
均方根誤差（RMSE）：

根據(jù)圖3實驗數(shù)據(jù)計算得到：
溫度估計精度： 最大誤差 0.4°C，平均誤差 0.23°C。
電阻估計精度： 最大相對誤差 0.17%，平均相對誤差 0.12%。
動態(tài)跟蹤性能： 溫度和電阻估計值能夠很好地跟隨實測 值變化趨勢。
穩(wěn)態(tài)精度： 在穩(wěn)態(tài)工況下，估計誤差接近于0。
根據(jù)圖3的實驗結(jié)果驗證了所提出的模糊估計算法的 性能。

圖3a 定子溫度估計器性能分析如下：
（1）跟蹤精度：估計溫度曲線與實測溫度曲線高度吻合；
（2）動態(tài)響應(yīng)： 溫度估計器能夠準確跟蹤電流階躍變 化引起的溫度變化；
（3）穩(wěn)態(tài)誤差： 在各個穩(wěn)態(tài)工況點，溫度估計誤差小 于0.5°C。
圖3b 電阻估計器性能分析如下：
（1）估計精度： 電阻估計值與實測值的相對誤差始終 小于0.2%；
（2）動態(tài)特性： 電阻估計器能夠?qū)崟r響應(yīng)溫度變化， 準確估計電阻值；
（3）跟蹤能力： 在電流從5A變化到25A的過程中，電 阻估計保持高精度。
關(guān)鍵性能指標如下：
· 溫度估計最大誤差： 0.4°C（在t=80ms處）；
· 電阻估計最大相對誤差： 0.17%；
· 平均估計精度： 溫度誤差±0.23°C，電阻誤差±0.12%；
· 動態(tài)響應(yīng)時間： <10ms。
實驗結(jié)果表明，基于模糊邏輯的定子電阻估計方法具有 良好的動態(tài)跟蹤性能和高精度特性，滿足人形機器人關(guān)節(jié)電 機實時參數(shù)監(jiān)測的要求。

5 結(jié)語

以人形機器人關(guān)節(jié)電動機為例，對現(xiàn)有產(chǎn)線進行改造， 實現(xiàn)對原有產(chǎn)品的替代升級，這樣的變革使得之前的產(chǎn)品品 質(zhì)大幅度升級，從而直接帶來了經(jīng)濟效益，電動機穩(wěn)定運行 時間提升20%以上。
全球正在經(jīng)歷由人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)、生命科學(xué) 為代表的創(chuàng)新技術(shù)融合而成的第四次工業(yè)革命，人形機器人 關(guān)鍵零部件也將成為寧波區(qū)域支柱產(chǎn)業(yè)之一，提升該類產(chǎn)品 的技術(shù)水平能徹底改變產(chǎn)業(yè)形態(tài)，并大幅度降低人形機器人 成本。
通過人工智能技術(shù)應(yīng)用在電動機參數(shù)辨識，具備多模態(tài) 融合感知、認知、決策和行為生成能力，從而實現(xiàn)人形機器 人關(guān)節(jié)電動機的智能辨識功能，能夠以接近人類智慧的能力 開展計算。