摘要
机械式速度传感器会增加成本，且在恶劣环境下可能降低永磁同步电机驱动系统的可靠性。本文提出了一种基于物理原理的概率神经网络估算器，该估算器仅使用可在线获取的信号——之前的估算速度、测量的d/q轴电流以及指令给出的d/q轴电压——即可实现无传感器式永磁同步电机速度估算。该多输出概率网络能够预测速度分布及辅助的残差补偿变量。在训练过程中会施加机械一致性、电气一致性约束以及正则化损失，同时通过一种带有验证保护的机制，为每个随机种子选择在对比基准模型与经过物理原理训练的候选模型中具有更低验证RMSE值的模型作为最终结果。实验采用了固定多种子方案，包括锁定测试集评估、独立比较以及干扰测试。在数据集8至11中，这种固定预测分布产生的高斯NLL值在3.190到3.239之间，名义95%预测区间实现了100%的实证覆盖，区间平均宽度约为35.9弧度/秒，这表明其不确定性偏保守，而非经过精确校准。在数据集7中，采用物理安全策略后，平均RMSE值从3.415降至3.277，不同种子间的标准差也从0.290降至0.052。数据集8至11的实验结果表明，该方法并非在所有情况下都能实现最低误差，但其优势在于不同种子间的差异更小，训练结果更具重复性。对数据集4进行的敏感性分析表明，物理原理训练的结果会受到种子选择及损失权重的影响，这进一步强调了需要采取验证保护措施，但并不意味着存在全局最优的损失权重。在使用ONNX Runtime的指定桌面CPU上，整个递归估算步骤所需时间为40.154微秒，低于设定的100微秒采样间隔，说明该估算器在计算层面是可行的。
