1. 课程导入与机电系统建模全景

在机电系统开发中，控制算法的性能上限往往并不取决于算法本身，而取决于模型是否真实反映了被控对象的动态特性。伺服电机的转矩常数、机械臂的关节摩擦、无人机的推力系数、车辆悬架的阻尼非线性——这些参数很少能从数据手册中直接获得，或者即使有标称值，也会因批次差异、装配公差、温升与磨损而偏离。参数辨识与模型校准，正是解决"模型与实物不一致"这一核心矛盾的方法论：前者从输入输出数据中估计未知参数，后者在已有模型结构下调整参数使仿真与实测对齐。

要理解这两项工作的定位，需要先看清机电系统建模的整体流程。它通常从物理机理出发，建立包含未知参数的微分方程或状态空间模型；随后设计激励实验，采集电压、电流、位置、速度、力、加速度等信号；再通过辨识算法估计参数；最后用独立数据集验证模型，必要时回到结构或参数层面迭代。数据驱动模型（如神经网络、高斯过程）并非替代机理模型，而是常与机理模型混合使用，用于补偿摩擦、迟滞、气动干扰等难以解析建模的环节。

上图把建模流程与四类典型对象放在同一视图中。可以看到，无论对象是电机、机械臂、无人机还是悬架，工作路径都遵循"机理结构 → 激励实验 → 参数估计 → 校准验证"的主线，区别在于模型阶次、非线性程度和可测信号不同。伺服电机通常可测得电流与编码器位置，参数辨识相对直接；机械臂的惯性参数以线性组合形式出现在力矩方程中，需要设计激励轨迹保证回归矩阵满秩；无人机的推力系数受桨叶转速与来流影响，常在悬停或风洞条件下分段辨识；悬架的阻尼力往往是非线性的，需要以速度-力曲线形式建模。

以伺服电机为例，一个可执行的教学示例是：在空载条件下施加幅值 2 V、频率从 0.5 Hz 到 50 Hz 的对数扫频电压，采样率 5 kHz，记录电流 i(t) 与角速度 ω(t)。先由稳态关系 Kt·i ≈ B·ω + Tf 估计 Kt 与 B 的初值，再用最小二乘拟合电气方程得到 R 与 L。假设某次示例数据得到 R̂ = 1.82 Ω、L̂ = 2.4 mH、K̂t = 0.052 N·m/A、Ĵ = 3.1×10⁻⁵ kg·m²，随后用另一组阶跃响应验证：若仿真转速峰值比实测高约 8%，说明摩擦项被低估，应引入库仑摩擦分量重新校准。这里的数据属于教学假设，实际值需以实验为准。

建模的挑战还来自实验条件与工程约束。激励信号必须充分激发待辨识模态，但又不能超出设备安全行程或电流限值；采样率要满足奈奎斯特条件，同时避免量化噪声被微分放大；温度变化会改变电阻与磁链，长时间实验需要分段处理。数据驱动方法可以补偿未建模动态，但若训练数据未覆盖工作区间，外推时反而会引入更大误差。因此，工程上更稳妥的做法是：以机理模型为骨架，用辨识获得物理参数，再用数据驱动残差模型补偿剩余非线性，最后在独立工况下验证。

本课程后续将围绕这条主线展开：从最小二乘与极大似然的基础推导，到递推辨识与子空间方法；从电机、机械臂、无人机、悬架的具体案例，到实验设计、数据预处理、模型验证与校准迭代。学习时建议始终带着三个问题：模型结构是否覆盖了主要动态？激励数据是否足以辨识目标参数？验证结果是否在可接受误差内且无系统性偏差？把这三个问题贯穿始终，参数辨识与模型校准就不再是零散技巧，而是一套可复用的工程方法。