3. 校准与辨识的数学基础

数字孪生模型校准与参数辨识，本质上不是“调一调参数让曲线好看”，而是把一个物理模型与观测数据之间的匹配问题，严格地写成一个数学优化问题，再判断它是否值得求解、能否稳定求解。本节围绕六个关键词展开：优化问题构建、目标函数设计、约束条件、可辨识性、适定性、正则化。它们共同决定了校准结果是“可信的物理参数”，还是“数学上凑出来的数字”。

一、把校准写成优化问题

设数字孪生模型为 y = f(x, θ)，其中 x 是输入（工况、激励、边界条件），θ ∈ R^n 是待辨识参数（如刚度、阻尼、换热系数、摩擦因数），y 是模型输出（位移、温度、功率、压力）。给定观测数据 {(x_i, y_i^obs)}_{i=1}^m，校准就是求解：

min_θ  J(θ) = Σ_i ρ( r_i(θ) )
s.t.   g_j(θ) ≤ 0,  h_k(θ) = 0
       θ_L ≤ θ ≤ θ_U
其中残差 r_i(θ) = y_i^obs − f(x_i, θ)

这里 ρ(·) 是残差度量，g、h 是不等式与等式约束，θ_L、θ_U 是物理上下界。注意残差定义方向：本文统一采用“观测减模型”，因此残差为正表示模型偏小。方向约定一旦确定，全文与图示保持一致，避免符号混乱。

二、目标函数设计：不只是最小二乘

最常用的是加权最小二乘：J(θ)=Σ w_i r_i²。权重 w_i 反映量测可信度，可取 1/σ_i²（σ_i 为该通道噪声标准差）。当数据含离群点时，平方项会放大异常点影响，此时改用 Huber 或 Tukey 鲁棒核：小残差保持二次、大残差转为线性或有界，从而抑制个别坏点主导结果。

多输出场景需要归一化，否则量纲大的通道（如温度几百开尔文）会淹没量纲小的通道（如位移几毫米）。常用做法是除以各通道量程或标准差，使各通道残差处于同一数量级。若关注的是动态过程而非稳态点，目标函数可写成时间序列残差的积分形式 J=∫ w(t)(y^obs(t)−y(t;θ))²dt，并可对峰值段加权，突出关键动态特征。

三、约束条件：把物理常识写进数学

约束分三类。第一类是边界约束，如质量、刚度、导热系数必须为正，直接给 θ_L、θ_U。第二类是等式约束，如参数间存在已知关系 θ_1+θ_2=1，或稳态能量平衡必须成立。第三类是不等式约束，如阻尼比 0<ζ<1（欠阻尼）、效率不超过 1、压降非负。约束既保证解有物理意义，也能缩小搜索空间、改善条件数。工程上优先用边界约束和简单不等式，等式约束尽量少，因为它会降低自由度并可能引入冲突。

四、可辨识性与适定性

可辨识性回答“这组参数能否被这组数据唯一确定”。结构可辨识性只看模型形式：若存在 θ₁≠θ₂ 使 f(x,θ₁)=f(x,θ₂) 对所有 x 成立，则参数结构不可辨识。实践可辨识性还取决于数据：激励不足、工况单一、噪声过大时，即使结构可辨识，实际也辨识不出来。

适定性包含三要素：解存在、解唯一、解连续依赖数据（稳定性）。校准问题常因参数耦合而“病态”——两个参数同时增大或减小都能拟合数据，导致解不唯一或对噪声极敏感。判断病态的直接工具是灵敏度矩阵 S_{ij}=∂f(x_i,θ)/∂θ_j，其条件数 κ(S) 越大越病态；也可看 Fisher 信息矩阵 F=SᵀWS 的特征值，小特征值对应弱辨识方向。

五、正则化：让病态问题变得可解

当问题病态或数据不足时，直接最小化 J(θ) 会得到数值巨大、物理上不合理的参数。正则化在目标函数中加入惩罚项：J_reg(θ)=J(θ)+λR(θ)。Tikhonov 正则 R=‖θ‖² 抑制参数幅值；向先验收缩 R=‖θ−θ_prior‖² 把解拉向已知经验值；L1 正则 R=‖θ‖₁ 促使部分参数为零，用于从大量候选参数中挑出关键少数。

正则化强度 λ 是关键超参数。λ 过大，解被先验主导、拟合变差（欠拟合）；λ 过小，正则失效、噪声被拟合（过拟合）。工程上常用 L 曲线法：以 log‖r‖ 为横轴、log‖θ‖ 为纵轴，曲线拐点对应较优 λ；也可用交叉验证，留出一段数据不参与校准，检验泛化残差。

六、一个可操作的校准流程示例

以某伺服机构二阶梯形波响应辨识为例，待辨识参数为等效刚度 k、阻尼 c、输入增益 g，共 3 个参数。数据为 2 组工况、每组 500 个采样点，采样周期 1 ms，位移噪声标准差约 0.02 mm。

1. 构建目标函数：对位移通道做归一化，权重取 w_i=1/σ²，采用 Huber 核，阈值取 2σ。
2. 设置约束：k∈[1,100] N/mm，c∈[0.01,5] N·s/mm，g∈[0.5,1.5]，并约束阻尼比 0<ζ<1。
3. 检查可辨识性：计算灵敏度矩阵，若 k 与 g 的灵敏度列高度相关（相关系数 >0.95），说明二者耦合，需增加不同幅值工况或固定其中一个。
4. 求解与正则化：先用无正则最小二乘试算，若参数超出边界或条件数 κ(S)>10³，加入 Tikhonov 项，λ 从 1e-4 到 1e-1 扫描，取 L 曲线拐点。
5. 结果判读：最终残差应无系统性趋势、自相关接近零；参数置信区间不跨越边界；用未参与校准的第 3 组工况验证，预测误差应接近噪声水平。

综上，校准与辨识的数学基础可以概括为一条主线：用目标函数定义“什么叫拟合好”，用约束定义“什么叫物理上合理”，用可辨识性与适定性判断“这个问题值不值得解”，用正则化把病态问题转化为稳定可解的问题。四者缺一不可，共同支撑数字孪生模型从数据走向可信。