4、系统辨识入门：最小二乘法、递推最小二乘法、阶跃响应法辨识系统模型
各位工程师朋友，大家好。今天我们来聊聊系统辨识。
说白了，系统辨识就是给一个未知的“黑箱子”建模。你给它输入信号，它给你输出响应。我们通过观察输入输出数据，反推出这个箱子里面到底是个什么数学模型。这在运动控制中太常见了——比如你拿到一台新电机，厂家只给了几个粗略参数，但你要做高精度控制，就得自己把它的传递函数摸清楚。
我个人习惯，先讲最经典、最实用的三种方法：最小二乘法、递推最小二乘法和阶跃响应法。这三种方法覆盖了离线辨识、在线辨识和工程快速辨识三大场景。
核心观点：没有完美的辨识方法，只有最适合当前工况的方法。离线数据充足用最小二乘，在线实时更新用递推最小二乘，现场快速调试用阶跃响应法。
4.1 最小二乘法：最朴素的离线辨识
最小二乘法的思想其实很简单。你想想看，我们有一堆测量数据点，想找一条曲线去拟合它们。什么叫“拟合得好”？就是让所有数据点到这条曲线的误差的平方和最小。这就是“最小二乘”名字的由来。
在运动系统里，我们通常把系统写成差分方程形式：
y(k) = -a1*y(k-1) - a2*y(k-2) + b1*u(k-1) + b2*u(k-2) + e(k)其中 y 是输出（比如位置、速度），u 是输入（比如电压指令），e 是噪声。我们要估计的参数就是 a1, a2, b1, b2。
写成矩阵形式更清爽：
Y = Φ * θ + E
其中：
Y = [y(3), y(4), ..., y(N)]^T
Φ = [φ(3), φ(4), ..., φ(N)]^T
φ(k) = [-y(k-1), -y(k-2), u(k-1), u(k-2)]
θ = [a1, a2, b1, b2]^T最小二乘解就是：
θ_hat = (Φ^T * Φ)^(-1) * Φ^T * Y我的经验：我在调试一个直流伺服系统时，用最小二乘法辨识电机参数。采集了5000个数据点，算出来参数和厂家标称值差了不到5%。但要注意——输入信号一定要足够“丰富”。如果一直给恒定电压，你永远辨识不出动态参数。我习惯用伪随机二进制序列（PRBS）作为激励信号。
避坑指南：我曾经遇到过一个问题——矩阵 Φ^T*Φ 接近奇异，求逆时数值不稳定。原因是我采集的数据中，连续多个采样点的值几乎一样。解决办法：增加数据长度，或者加入少量噪声让数据更“丰富”。
4.2 递推最小二乘法：在线实时更新
最小二乘法有个缺点——它需要全部历史数据。如果系统参数随时间变化（比如电机温度升高导致电阻变化），离线方法就不好使了。
递推最小二乘法（RLS）就是为了解决这个问题。它的核心思想是：每来一个新数据，就在旧参数基础上做一次修正，不需要重新计算全部历史数据。
递推公式如下：
K(k) = P(k-1) * φ(k) / (λ + φ(k)^T * P(k-1) * φ(k))
θ(k) = θ(k-1) + K(k) * [y(k) - φ(k)^T * θ(k-1)]
P(k) = [I - K(k) * φ(k)^T] * P(k-1) / λ其中 λ 是遗忘因子，取值范围通常在 0.95~0.99 之间。λ 越小，算法对最新数据越敏感，但估计方差也越大。
| 遗忘因子 λ | 特点 | 适用场景 |
|---|---|---|
| λ = 1 | 所有数据权重相同，退化为普通最小二乘 | 参数不随时间变化 |
| λ = 0.98~0.99 | 缓慢遗忘旧数据，估计稳定 | 参数缓慢变化（如温度漂移） |
| λ = 0.95~0.97 | 快速跟踪参数变化 | 参数快速变化（如负载突变） |
实际应用：我在做机器人关节的摩擦补偿时，用了RLS在线辨识摩擦参数。机器人运行过程中，摩擦会随温度、磨损而变化。RLS每10ms更新一次参数，补偿效果比固定参数模型好了30%以上。
嗯，这里要注意一个细节——初始值怎么设？我一般把 θ(0) 设为零向量，P(0) 设为一个较大的对角矩阵（比如 1000*I）。这样算法一开始会快速收敛，然后逐渐稳定。
4.3 阶跃响应法：工程师的“土办法”
说实话，有时候我们不需要那么复杂的数学。在现场调试时，阶跃响应法是最直观、最快速的辨识方法。
做法很简单：给系统一个阶跃输入，记录输出响应曲线。然后从曲线上读出几个关键特征量：
- 稳态增益 K：输出稳态值 / 输入阶跃幅值
- 时间常数 T：输出达到稳态值63.2%所需的时间
- 延迟时间 τ：从输入阶跃到输出开始变化的时间
- 上升时间 Tr：输出从10%上升到90%所需的时间
对于一阶惯性系统，传递函数可以写成：
G(s) = K / (T*s + 1) * e^(-τ*s)对于二阶系统，还需要根据超调量计算阻尼比和自然频率。
我的习惯：在现场调试伺服驱动器时，我会先给一个小的阶跃信号（比如5%额定电压），观察响应曲线。如果曲线平滑，说明系统线性度好；如果曲线有抖动或非线性，就要小心了——可能是摩擦、间隙或者饱和在作怪。
阶跃响应法虽然简单，但有几个坑要注意：
- 阶跃幅值不能太大，否则系统进入非线性区（比如饱和）
- 阶跃幅值也不能太小，否则信噪比太低，曲线被噪声淹没
- 系统必须是稳定的——不稳定的系统做阶跃响应会发散
我曾经踩过的坑：有一次给一个液压伺服系统做阶跃响应，我给了10%的阶跃指令，结果系统振荡了好几次才稳定。我以为是系统不稳定，后来发现是液压油里有气泡，导致响应有延迟和振荡。换了油之后，阶跃响应就正常了。所以，阶跃响应法也能帮你发现系统本身的“健康问题”。
4.4 三种方法怎么选？
最后，我给大家一个简单的选择指南：
- 实验室离线分析：用最小二乘法，精度最高，可以处理大量数据
- 在线自适应控制：用递推最小二乘法，实时更新模型参数
- 现场快速调试：用阶跃响应法，10分钟就能摸清系统大概特性
我个人建议，三种方法都掌握。实际项目中，我经常先用阶跃响应法快速估算参数，然后用最小二乘法做精细辨识，最后用RLS做在线微调。这样既快又准。
好了，系统辨识入门就讲到这里。记住一句话：模型是控制的基础，辨识是建模的手段。把辨识搞扎实了，后面的自适应控制才能有的放矢。