基于混合强化学习与进化策略方法的LPDS线性感应电机参数识别

《Scientific Reports》：Parameter identification of LPDS linear induction motors using a hybrid reinforcement learning and evolutionary strategy approach

　　

摘要

对于长定子双边线性感应电机而言，精确识别其参数对于提升控制性能、推力估算以及整体运行效率具有至关重要的意义。本研究提出了一种基于强化学习与进化策略的混合框架，用于精准估算电机的关键参数，包括定子电阻、漏感以及端效应系数。该算法结合了强化学习的快速收敛能力与进化策略的全局搜索能力，从而提升估算精度并增强对干扰的抵御能力。仿真结果表明，所提出的方法优于单独使用强化学习或进化策略的方法。具体而言，该混合方法的均方根误差可降至约\(3.8\times {10}^{-4}\)，其精度是强化学习方法的4.5倍左右，也是进化策略方法的近3倍。此外，该算法在大约50次迭代后即可收敛，这表明其收敛速度显著快于传统基准方法。为进一步验证所识别参数的准确性，研究人员利用有限元方法建立了长定子双边线性感应电机的高精度电磁模型，并对其进行了详细的电磁分析，包括磁通分布、磁通密度以及推力特性等方面的研究。通过所提方法得到的参数与有限元仿真结果对比后，两者高度一致，从而证明了所识别参数的准确性与物理合理性。另外，在高达0.05的噪声条件下进行的稳定性分析也表明，该方法的可靠性强。