1. 课程导入与全景认知

在控制系统、车辆动力学、飞行器、机器人以及热力系统等工程领域，我们常常面对一个共同的困境：理论模型的结构可以推导，但模型中的关键参数却难以直接测量。例如，伺服电机的转动惯量与摩擦系数、轮胎的侧偏刚度、飞行器的气动导数、机械臂的连杆质心位置、换热器的等效热阻与热容——这些参数往往随工况、温度、磨损和使用环境而变化。模型参数辨识与试验校准，正是解决"模型结构已知、参数未知或不准"这一核心问题的工程方法体系。

一、两个概念：辨识与校准的分工

模型参数辨识（Parameter Identification）是指利用系统的输入输出试验数据，通过数学优化方法估计模型中的未知参数。它的典型流程是：设计激励信号 → 采集输入输出数据 → 构造误差准则函数 → 优化求解参数 → 验证模型精度。辨识强调的是"从数据中反推参数"，其数学本质是一个优化问题，常见方法包括最小二乘法、极大似然估计、预报误差法和子空间辨识等。

试验校准（Test Calibration）则更偏向工程实践：在已有模型（可能来自辨识，也可能来自经验或供应商数据）的基础上，通过对比仿真结果与试验结果，调整参数或修正模型结构，使模型在关注的工况范围内达到可接受的精度。校准不仅调参数，还可能修正模型结构、补偿未建模动态、调整工作点。

两者的联系在于：辨识为校准提供参数初值和可信的模型骨架，校准则检验辨识结果在真实工况下的适用性，并反馈修正辨识的试验设计。在实际工程中，二者往往迭代进行，形成"辨识—校准—再辨识"的闭环。

二、典型工程对象中的辨识与校准问题

伺服系统：电机+减速器+负载的传递函数中，转动惯量、粘滞摩擦系数、库仑摩擦、传动间隙是核心参数。辨识时通常施加扫频或伪随机二进制序列（PRBS）激励，采集转速与转矩数据，用最小二乘拟合频率响应。校准则关注低速爬行、换向死区等非线性现象。

车辆动力学：整车模型中的轮胎侧偏刚度、横摆转动惯量、悬架刚度阻尼直接影响操纵稳定性。辨识常用双移线、正弦扫频转向试验；校准则通过对比横摆角速度、侧向加速度的仿真与实车曲线，调整轮胎模型参数（如Pacejka系数）。

飞行器：气动导数（如升力系数斜率、俯仰阻尼导数）随马赫数和攻角变化。辨识依赖风洞试验或飞行试验数据，采用输出误差法或方程误差法；校准需在多个飞行包线点验证，必要时引入气动迟滞修正。

机器人：连杆质量、质心位置、惯性张量、关节摩擦是动力学参数。辨识通过激励轨迹（有限傅里叶级数）采集关节力矩与运动数据，用加权最小二乘求解；校准关注末端轨迹精度和接触力控制。

热力系统：换热器、热泵、电池热管理中的等效热阻、热容、时间常数。辨识用阶跃或脉冲温度激励，拟合集总参数模型；校准需考虑环境温度、流量变化对参数的影响。

三、课程目标与学习路径

本课程的目标是让学习者建立"从问题到模型、从数据到参数、从仿真到试验"的完整能力链。具体包括：理解辨识与校准的数学原理；掌握试验设计、数据预处理、参数估计、模型验证的全流程；能够针对伺服、车辆、飞行器、机器人、热力系统等对象，独立完成参数辨识与校准任务；熟练使用MATLAB/Simulink、Python（SciPy、CasADi）、dSPACE、NI VeriStand等工具链。

学习路径建议按"基础理论 → 方法工具 → 对象实践 → 综合项目"四阶段推进。基础理论阶段重点掌握最小二乘、极大似然、预报误差法；方法工具阶段熟悉系统辨识工具箱、优化求解器、实时仿真平台；对象实践阶段针对具体工程对象完成端到端案例；综合项目阶段则整合多源数据、多工况校准与不确定性分析。

四、工具链概览

需要强调的是，工具只是手段，核心在于对"模型—数据—参数"三者关系的理解。一个参数辨识结果是否可信，取决于激励是否充分、模型结构是否匹配、噪声是否被合理处理、验证工况是否覆盖实际使用范围。试验校准也不是简单的"调参凑曲线"，而是要在物理合理性与工程精度之间找到平衡。

接下来的章节将逐一展开这些内容。我们将从最小二乘法的几何意义讲起，逐步深入到非线性辨识、递推辨识、多工况校准、不确定性量化等进阶主题，并结合伺服、车辆、飞行器、机器人、热力系统的真实案例，帮助你把方法转化为可落地的工程能力。