4. 时域数据分析与特征提取
在HIL测试中,模型修正的起点往往不是频域曲线,而是时域波形。时域数据保留了最直观的动态过程信息:稳态在哪里、波动有多大、响应有多快、是否出现超调或振荡。把这些信息压缩成一组可比较、可复现的数值指标,就是特征提取。特征提取的目标不是“算几个统计量”,而是让这些数值能够回答一个具体问题:模型与实测之间的差异,究竟出现在稳态、瞬态,还是动态增益与相位上。
一、时域指标的定义与计算口径
设采样序列为 x[k],k=0,1,…,N-1,采样周期为 Ts。均值反映稳态水平,常用算术平均:
mean = (1/N) * Σ x[k]
若信号包含明显的起始瞬态,应先截取稳态区间再计算均值,否则均值会被瞬态拉偏。方差与标准差反映围绕均值的波动强度:
var = (1/(N-1)) * Σ (x[k] - mean)^2
std = sqrt(var)
峰值分两种口径:绝对峰值 max|x[k]| 用于判断是否触发限幅或保护;带符号峰值 max x[k] 与 min x[k] 用于判断超调方向。工程上建议同时记录峰值时刻 t_peak,因为峰值出现的时间点本身就是动态特性的重要线索。
上升时间 tr 通常定义为响应从稳态终值的10%上升到90%所需时间。对阶跃工况,先确定起始值 y0 与终值 yss,再在 y0+0.1(yss−y0) 与 y0+0.9(yss−y0) 两个阈值处做线性插值,得到 t10 与 t90,则 tr = t90 − t10。超调量 Mp 定义为:
Mp = (y_peak - yss) / (yss - y0) * 100%
若 yss 与 y0 接近,分母过小会导致 Mp 失真,此时应改用绝对超调量 y_peak − yss 并注明工况。调节时间 ts 常取进入并保持在终值±2%或±5%带内的时间,需明确容差带,否则不同人算出的 ts 不可比。
二、三类工况的特征提取策略
阶跃工况关注瞬态与稳态。典型流程是:先剔除激励前的静默段,再定位阶跃时刻 t_step;用阶跃后足够长的窗口估计 yss;然后计算 tr、Mp、ts 以及稳态段的 mean 与 std。阶跃特征最适合修正模型的阻尼、时间常数和稳态增益。若实测 tr 明显小于模型,说明模型响应偏慢;若 Mp 明显大于模型,说明模型阻尼偏大或实际系统存在未建模的谐振。
斜坡工况关注跟踪能力与滞后。对斜坡输入,稳态误差、速度滞后和饱和前的线性度是核心。可提取:斜坡段内输出与输入的斜率比(动态增益)、输出相对输入的稳态时间滞后 Δt、以及斜率突变处的峰值偏差。斜坡特征适合修正模型的积分环节、限幅阈值和前馈补偿参数。若模型在斜坡段出现明显滞后而实测没有,通常意味着模型缺少前馈或摩擦补偿。
正弦工况关注幅频与相频特性。对单一频率正弦,可提取幅值比 A_out/A_in、相位差 φ、以及波形畸变指标(如总谐波失真 THD)。幅值比和相位差随频率变化,就构成频响的时域估计。正弦特征适合修正模型的谐振频率、阻尼比和相位滞后。若某频率处实测幅值比明显低于模型,说明该频段模型增益偏高或存在未建模的滤波。
三、从特征到修正:判断逻辑与实操要点
特征提取完成后,需要把数值差异映射到模型参数。一个实用的判断顺序是:先看稳态,再看瞬态,最后看频段。稳态均值偏差大,优先检查增益和偏置;上升时间偏差大,优先检查时间常数和积分增益;超调量和调节时间偏差大,优先检查阻尼比;峰值异常或斜坡滞后明显,优先检查限幅、摩擦和饱和;正弦幅值比与相位差偏差大,优先检查谐振频率和滤波器参数。
实操中容易踩的坑有三个。第一,时间基准不统一:HIL采集、模型输出和激励信号若不在同一时间轴上,上升时间和相位差都会算错。建议在数据预处理阶段统一重采样到同一 Ts,并用激励起始沿做对齐。第二,稳态窗口选取不当:窗口太短,均值受瞬态污染;窗口太长,可能包含工况切换。一般取阶跃后3~5倍预期调节时间作为稳态窗口,并检查窗口内 std 是否足够小。第三,阈值口径不一致:上升时间的10%/90%、调节时间的±2%/±5%必须在报告中写明,否则不同批次数据无法横向比较。
四、一个可复用的特征提取清单
| 工况 | 核心特征 | 计算要点 | 主要修正对象 |
|---|---|---|---|
| 阶跃 | yss、tr、Mp、ts、稳态std | 10%/90%插值;±2%容差带 | 增益、时间常数、阻尼比 |
| 斜坡 | 斜率比、滞后Δt、峰值偏差 | 取线性段拟合斜率 | 积分增益、前馈、限幅 |
| 正弦 | 幅值比、相位差、THD | 整周期截断后FFT或相关分析 | 谐振频率、阻尼、滤波器 |
需要强调的是,特征值本身不是目的,特征值之间的相对关系才是修正依据。例如,上升时间偏小但超调量偏大,说明系统响应快但阻尼不足;上升时间偏大且超调量偏小,说明系统偏保守、响应迟缓。把多个特征联合起来看,才能避免“单指标调参”导致的顾此失彼。在HIL测试中,建议每轮修正后重新提取同一组特征,用特征向量的变化趋势判断修正是否收敛,而不是只看某一条曲线是否“看起来像”。