4. 参数辨识问题建模
好，咱们进入第四讲。说实话，参数辨识这个事儿，很多人一上来就急着跑数据、调参数。我见过不少项目，数据采集了一大堆，结果辨识出来的模型根本没法用。为什么？因为问题本身就没建模清楚。
这一讲，我们就来聊聊怎么把辨识问题“说清楚”。说白了，就是回答四个问题：
- 我们要解一个什么样的数学问题？
- 这个问题的解存在且唯一吗？
- 怎么设计实验才能让数据“喂饱”模型？
- 模型长什么样，参数藏在哪儿？
嗯，一个一个来。
4.1 辨识问题的数学描述
参数辨识，本质上是一个优化问题。我习惯把它写成这样：
给定系统输入 u(t) 和输出 y(t)，
寻找参数向量 θ，使得模型输出 ŷ(t|θ) 与实测输出 y(t) 的误差最小。数学上，我们通常用预测误差法（Prediction Error Method, PEM）来建模。目标函数是：
θ̂ = argmin J(θ) = (1/N) * Σ || y(k) - ŷ(k|θ) ||²这里有几个关键点：
- N 是采样点数。N 太小，统计意义不够；N 太大，计算量吃不消。我个人习惯取 N = 500~2000，具体看系统动态。
- ŷ(k|θ) 是模型在参数 θ 下的预测输出。注意，这个预测可以是一步预测，也可以是多步预测。我在项目中遇到过，用一步预测辨识出来的模型，做多步仿真时发散得一塌糊涂。所以，我建议根据最终用途来选择预测步长。
- 范数通常取 2-范数，也就是最小二乘。但如果数据中有野点（outlier），我会改用 Huber 损失函数，鲁棒性更好。
我的小技巧： 如果系统噪声是高斯白噪声，最小二乘就是最优的。但如果噪声有偏或者有色，记得用广义最小二乘或辅助变量法。别问我怎么知道的——有一次我偷懒用了普通最小二乘，结果辨识出来的阻尼比偏了 30%，飞控调参调了一整晚。
4.2 可辨识性分析
你可能会问：是不是只要数据够多，参数就一定能辨识出来？不一定。
可辨识性，说白了就是：给定输入输出数据，参数 θ 能否被唯一确定？
我把它分成两类：
- 结构可辨识性：模型结构本身是否允许参数唯一确定？比如，两个参数以乘积形式出现（θ₁·θ₂），你只能辨识出它们的乘积，无法分开。
- 实践可辨识性：即使结构上可辨识，但受限于数据质量、信噪比、激励条件，实际中还是辨识不出来。
怎么分析？我常用的方法是灵敏度分析：
S_ij(t) = ∂ŷ_i(t|θ) / ∂θ_j如果某个参数的灵敏度在所有时刻都接近零，那这个参数基本就是“死”的——数据对它不敏感，辨识不出来。
避坑指南： 我曾经在一个六自由度飞行器模型里，把气动导数 a 和 b 设成了 a·b 的形式。结果辨识算法怎么都不收敛。后来一查灵敏度矩阵，发现 a 和 b 的灵敏度曲线几乎完全线性相关。嗯，这就是典型的“结构不可辨识”。解决办法：重新参数化，把 a·b 合并成一个参数 c。
还有一个实用方法：Fisher 信息矩阵。如果信息矩阵奇异，说明参数之间存在冗余。我一般会计算信息矩阵的条件数，条件数超过 1000 的，基本就不可辨识了。
4.3 激励轨迹设计原则
数据是辨识的“粮食”。粮食不好，再好的算法也白搭。激励轨迹设计，就是解决“怎么喂数据”的问题。
我总结了三条原则：
- 充分激励：输入信号必须能激发系统的所有模态。对于六自由度飞行器，这意味着俯仰、滚转、偏航通道都要有足够的能量。
- 频率覆盖：信号的频谱要覆盖系统的带宽。我习惯用扫频信号（chirp signal），从 0.1 Hz 扫到 10 Hz，覆盖飞行器的短周期和长周期模态。
- 幅值适中：幅值太小，信噪比低；幅值太大，可能进入非线性区或损坏设备。我一般取最大允许幅值的 70%~80%。
常用的激励信号有：
| 信号类型 | 优点 | 缺点 | 我的用法 |
|---|---|---|---|
| PRBS（伪随机二进制序列） | 频谱宽，实现简单 | 高频能量衰减快 | 地面测试，初步辨识 |
| 扫频信号 | 频率可控，能量集中 | 需要较长时间 | 飞行试验，精细辨识 |
| 多正弦叠加 | 可定制频谱 | 设计复杂 | 学术研究，高精度需求 |
我个人最推荐： 对于六自由度飞行器，先用 PRBS 做一次粗辨识，得到系统的大致带宽和模态频率。然后根据这个信息，设计一个扫频信号，把能量集中在关键频段。这样既高效又准确。
4.4 参数化模型形式
模型形式选对了，辨识就成功了一半。我见过太多人把模型搞得太复杂，结果参数多到没法辨识。
常用的参数化模型有：
- 传递函数模型：适合 SISO 系统，参数少，物理意义明确。比如：
G(s) = K / (s² + 2ζω_n s + ω_n²)这里要辨识的参数就是 K, ζ, ω_n。三个参数，干净利落。
- 状态空间模型：适合 MIMO 系统，能描述内部状态。但参数多，容易过参数化。我一般会先用子空间辨识法（如 N4SID）得到一个初始模型，再降阶。
ẋ = A(θ)x + B(θ)u
y = C(θ)x + D(θ)u- 非线性模型：比如神经网络、模糊模型。说实话，我在工程中很少用纯黑箱的非线性模型，因为可解释性差。我更喜欢灰箱模型——物理结构已知，只有少数参数需要辨识。
举个例子，对于四旋翼飞行器的俯仰通道，我常用的参数化形式是：
J_yy * θ̈ = τ_θ - b_θ * θ̇这里要辨识的参数是转动惯量 J_yy 和阻尼系数 b_θ。两个参数，物理意义清晰，辨识结果可以直接用于控制器设计。
选型建议： 如果你做的是控制器设计，我建议用传递函数或状态空间模型。如果你做的是故障诊断或健康管理，可以考虑非线性模型。但无论如何，奥卡姆剃刀原则在这里同样适用——如无必要，勿增参数。
好了，这一讲的内容就是这些。参数辨识问题建模，说白了就是：把问题说清楚，把参数找出来，把数据喂好，把模型选对。做到这四点，辨识工作就成功了一大半。