闭环控制由于需要电机的精确参数，而电机参数又随着温度、磁饱和、工作条件会发生变化，从而造成磁链和转矩观测不准、解耦不完全等，使系统的性能得到降低。因此，自从矢量控制等高性能变频调速技术诞生以来，电机的参数辨识技术就一直是各国学者研究的热点。矢量控制技术的关键问题在于磁场定向，而影响磁场定向的一个重要因素就是电机参数的准确程度。异步电动机的参数包括定子电阻、转子电阻、定子电感、转子电感和电机互感。通常来说，通用变频器并不是为某一台电动机设计的，变频器由某个厂家设计生产，电动机则来自另一个厂家，因此不可能预先设置好变频器中的电动机参数而必须现场设置，而这些参数往往是未知的。因此，必须预先获得电动机的参数。

获得电动机参数的传统方法是空载实验和堵转实验，但通过空载实验和堵转实验获得的参数是粗略的，并不能很好满足变频器参数设定的需要，况且由于受到现场条件的限制，往往不便于进行传统的空载实验和堵转实验。所以变频器在运行之前有必要对电动机参数进行自动辨识。具体做法是，在电动机运行之前，变频器执行一套用于检测电动机参数的自动程序，对电动机施加特定波形的激励，一般保持电动机处于静止状态，检测电动机的响应以辨识电动机的参数，并将变频器中电动机的参数设置好，称为参数自设定。这种为了变频器设定、以获得电动机初始参数为目的而进行的参数辨识即为通常所说的离线参数辨识。

异步电动机离线参数辨识虽然能够为矢量控制、直接转矩控制等高性能变频调速系统提供足够精度的电动机参数初始值，然而，在电动机整个工作范围内，电动机的实际参数值并不是保持不变的，而是随着电动机工况的不断变化在一定的范围内变化，如由于电动机温度变化、由于频率不同引起的趋肤效应，会影响电动机的定转子电阻值；由于磁场饱和程度的不同而影响电感参数，等等。而且这种由于工况变化引起的参数改变的规律是不能事先预知的，要保持和提高交流变频调速系统的性能就必须解决异步电动机的参数自适应的问题。由于这种由工况变化引起的电动机参数改变是缓慢的，因此对电动机的参数进行实时在线辨识然后及时校准控制器中的电动机参数是广泛使用的参数自适应方案，称为参数自校准。

常用的异步电动机参数辨识方法有最小二乘法、卡尔曼滤波器法、模型参考自适应法及人工智能技术等。

1）最小二乘参数辨识法。最小二乘法是参数辨识中应用最广泛的一种方法，有不少文献对异步电动机参数的离线式和在线式最小二乘辨识法进行了大量的研究^[81-83]。最开始是采用一般的最小二乘法进行辨识，为了将模型线性化，假设辨识过程中电动机转速的变化率为零^[81]。为了解决辨识的参数难于收敛以及残差难于控制到最小的问题，参考文献[82]提出了基于非线性最小二乘的电动机参数辨识法，这种方法不需要做过多的简化假设，只要求系统工作在充分励磁条件就可以实现对电机参数的实时更新。最小二乘法具有算法简单、计算量较小等优点，但采用最小二乘法时通常假设是在白噪声的情况下，而实际应用中由于存在模型误差、观测误差和干扰的存在，难以达到理想条件，从而影响了结果的无偏性。(www.daowen.com)

2）基于模型参考自适应的参数辨识法。近年来，基于模型参考自适应的异步电动机参数在线辨识方法得到了广泛的研究，这种方法计算量小，物理概念清晰，实现相对容易，是一种比较实用的方法。根据选择不同的模型进行分类，主要有磁链模型^[84，85]、电压模型^[86]、反电动势模型^[87]、转矩模型^[88]、无功功率模型^[89-91]和有功功率模型^[92]等。参考文献[84]将电流模型磁链观测器作为可调模型，根据转子磁场定向控制中转子磁链经过旋转坐标变换后q轴分量为零的原理，将q轴转子磁链的观测误差经过自适应机构来调节转子电阻，这种方法的优点是计算量小。参考文献[91]采用基于电机激磁电流无功功率的MRAS对转子电阻进行辨识，并应用于直接转子磁场定向控制系统，这种基于无功功率模型的MRAS辨识法不依赖于定子电阻信息，可以避免定子电阻受温度变化对辨识效果产生影响。参考文献[92]提出了基于有功功率模型的MRAS对定子电阻进行在线辨识，并采用Popov超稳定性理论对观测器的稳定性进行了证明，最后将辨识到的定子电阻用于转子电阻辨识机构中，减少了定子电阻变化对转子在线辨识准确度的影响。模型参考自适应在电动机参数辨识中取得了不少成果，但仍存在一些问题需要解决。例如，为了利用Popov超稳定性定律或者Lyapunov稳定性定律来推导参数的自适应律，需要附加较强的假设条件，而这些条件在实践中通常难以满足，在全局稳定性理论上还需要进一步完善。

3）基于闭环观测器的参数辨识法。在闭环观测器系统中，电机参数在线辨识通常伴随着磁链观测或速度估计而发生^[93-96]。参考文献[94]研究了一种基于模型参考自适应的定子磁链观测器，这种观测器不必预先知道电动机的任何参数值，并且运行时电动机参数发生改变而引起的观测误差也是收敛的。Pavel Vaclavek对一种基于Lyapunov方程对观测器设计方法和算法的稳定性进行了研究^[95]。尽管参考模型自适应系统在定子电阻在线辨识中已取得了很多成果，但仍存在一些尚未解决的问题，特别是全局稳定性理论还需要进一步的完善工作。类似的方法也可以用在扩展卡尔曼滤波（EKF）中，但EKF的计算量更大。早在1987年，L.C.Zai和T.A.Lipo等已经对将扩展卡尔曼滤波器应用于电机参数的在线辨识进行了研究^[97]。参考文献[98]采用EKF对电机磁链进行观测，同时也对转子电阻进行在线辨识。参考文献[99]介绍了一种基于降价扩展卡尔曼滤波器的转子电阻在线辨识算法，并将其应用于基于模型参考自适应的无速度传感器直接磁场定向矢量控制系统，降阶EKF在一定程度上减少了观测过程的计算量。卡尔曼滤波器必须要有被辨识系统的有关噪声统计信息，否则会造成滤波发散，而电压源PWM调制变频器含有丰富的谐波分量，其统计规律可以得到。因此，利用扩展卡尔曼滤波器辨识参数时，不需要参数估计的附加随机测试信号。

4）基于人工智能的参数辨识法。上述几种方法是异步电动机控制系统中较为经典的参数辨识方法，各具特色，但也存在一些缺点，如辨识精度受噪声的影响，以及收敛速度和鲁棒性有待改善。随着DSP等快速处理器的发展，出现了许多基于智能控制理论的电动机参数辨识方法，主要有神经网络辨识方法、小波网络以及遗传算法等。M.G.Simoes和B.K.Bose利用多层神经网络与被辨识电机对象并联，比较某个共同物理量的误差来训练网络，通过校正电机参数来调整神经网络的权使误差最小，从而实现对电动机参数辨识^[100]。鉴于电动机线圈温度检测困难，参考文献[101]提出了一种改进的人工神经元模型，并将小波变换和改进的线性人工神经元结合起来，对采集到的电动机三相突然短路电流进行分析处理。利用小波变换对短路电流进行预处理，并辨识得到各个时间常数，通过简单代数运算便得到电动机的瞬态参数。参考文献[102]采用Hopfield神经网络，在考虑输入传感器有延迟的情况下，对异步电动机参数进行辨识，并给出了仿真结果。参考文献[103]采用了两个神经网络来对定子电阻和转子电阻进行辨识，取得了良好的效果。借助于温度信息，模糊控制也被用于电动机定子电阻的辨识中^[104]。总的来说，基于智能控制的方法鲁棒性强、精度高，但计算量大，方法复杂，对于处理器要求非常高，目前离实用化还有一定的距离^[105]。