3. 参数辨识的基本概念与流程
在机电系统的建模工作中，我们常常会遇到这样一类问题：系统的物理结构已经清楚，运动学或动力学方程的形式也能写出来，但方程中某些系数——例如转动惯量、阻尼系数、摩擦系数、电机转矩常数、传动刚度——无法直接查手册得到，或者手册值与实际装配状态相差较大。参数辨识要解决的正是这类问题：利用系统在实验或运行中产生的输入输出数据，按照某种准则，从一组候选模型中确定最能解释这些数据的参数值。
这里需要把三个容易混淆的概念区分清楚。参数辨识是“从数据反求参数”的数学过程，它的输出是参数估计值及其不确定度；模型校准是在辨识结果基础上，对模型参数做调整，使模型输出与参考数据在关注的工况范围内一致，它更强调“让模型好用”，可能包含人工权衡与多目标折中；验证与确认则回答两个不同的问题——验证（Verification）问“方程解对了吗”，即数值实现是否准确求解了所建立的模型；确认（Validation）问“模型建对了吗”，即模型是否在预期使用范围内足够准确地反映真实系统。三者的联系是：辨识提供参数，校准提升适用性，验证保证计算可信，确认保证用途可信，缺一环则模型的可信度链条断裂。
任何参数辨识问题都离不开三大要素：数据、模型集、准则。数据是辨识的原料，其激励充分性、信噪比和采样质量直接决定参数能否被唯一确定；模型集是候选模型的集合，它规定了待辨识参数的维度和物理含义，模型集选择过窄会导致系统误差，过宽则引起参数不可辨识；准则是衡量“模型输出与数据吻合程度”的标尺，常见形式是最小二乘准则、极大似然准则或预测误差准则。三者构成一个闭环：数据在模型集上按准则寻优，得到参数估计，再回到数据检验残差。
下面把工作流中的关键环节展开。实验设计阶段要回答“用什么信号去激励系统”。对于机电系统，常用伪随机二进制序列（PRBS）、扫频信号或多正弦信号。以某伺服转台转动惯量与阻尼辨识为例，若采用扫频激励，频率范围应覆盖系统带宽的0.1倍到2倍，例如系统带宽约20 Hz，则扫频范围可取2～40 Hz，幅值取额定转矩的10%～20%，避免进入饱和或摩擦主导的非线性区。实验设计不当，即使后续算法再好，参数也无法辨识。
数据采集阶段关注传感器选型、采样率和同步。依据香农定理，采样率至少为关注最高频率的2倍，工程上常取5～10倍。若关注40 Hz，采样率取500 Hz较为稳妥。转矩信号与角度信号必须同步采集，否则会引入相位误差，直接影响阻尼辨识。预处理包括去趋势、去均值、滤波和异常点剔除。例如对编码器角度做差分得到角速度时，量化噪声会被放大，通常先对角度做低通滤波再差分，或直接使用跟踪微分器。
辨识阶段的核心是构造准则函数并寻优。以最小二乘为例，将模型写成线性回归形式 y = Φθ，其中 θ 为待辨识参数向量，Φ 为回归矩阵，则估计值为 θ̂ = (ΦTΦ)−1ΦTy。若参数以非线性形式出现，则需采用高斯-牛顿法或Levenberg-Marquardt法迭代求解。判断辨识是否成功，不能只看准则函数值小，还要看参数的可辨识性——回归矩阵的条件数过大，说明参数之间存在强相关，估计结果对噪声敏感。
验证阶段用未参与辨识的数据检验模型。常用指标包括均方根误差（RMSE）、拟合优度（如 R2）以及残差白噪声检验。若在另一组工况下RMSE仍小于输出量程的5%，且残差无显著自相关，可认为模型在该范围内有效。若残差呈现规律性偏差，说明模型结构或参数集需要修正，应回到预处理或模型集调整环节。
最后需要强调，参数辨识不是一次性的数学运算，而是一个“设计—采集—预处理—辨识—验证”的迭代过程。工程实践中，往往需要两到三轮迭代才能得到既满足精度要求又具有物理合理性的参数。物理合理性检查包括：参数是否为正、是否落在手册或经验范围内、不同工况下辨识结果是否一致。若某参数在不同工况下差异很大，通常意味着模型集遗漏了某些非线性因素，或实验激励不充分。