1. 课程导入与问题定义

在工程实践中，我们经常面对这样一类问题：系统的结构形式已知，但其中若干关键参数无法直接测量，或者测量代价极高。例如，一台伺服电机的转动惯量与阻尼系数、一段供热管网的等效热阻与热容、一个电池包的内阻与极化电容、一架四旋翼的推力系数与阻力系数。这些参数决定了系统的动态行为，却往往藏在“输入—输出”的响应曲线背后。参数反演（parameter inversion）要解决的，正是由可观测的输入输出数据，反向推断不可直接观测的系统参数这一问题。

需要先厘清三个容易混淆的概念。参数辨识通常指在已知模型结构下，用数据拟合出参数值；参数反演更强调“由果推因”的逆问题属性，往往伴随不适定性（解不唯一、对噪声敏感）；参数验证则是对反演结果的可信度作出判断——参数是否物理合理、是否在独立数据上复现了真实响应、是否对扰动稳健。三者构成一条完整链路：建模定结构 → 数据定参数 → 独立检验定可信度。本课程后续所有章节，都围绕这条链路展开。

核心挑战：为什么反演不是简单的“曲线拟合”

第一个挑战是不适定性。不同参数组合可能产生几乎相同的输出轨迹，这叫参数不可辨识。典型例子是一阶惯性系统 \(G(s)=K/(Ts+1)\)：当输入为阶跃时，增益 \(K\) 由稳态值决定，时间常数 \(T\) 由上升段决定，二者尚可分离；但若输入变化极慢，输出几乎只反映 \(K\)，\(T\) 的信息被“淹没”，此时反演出的 \(T\) 方差极大。这说明激励信号的设计本身就是反演问题的一部分。

第二个挑战是噪声与模型误差的放大。反演本质上是求逆运算，而求逆会放大高频噪声。对输出做差分估计速度、再由速度估计加速度，噪声会被逐级放大。因此实际工程中很少直接“硬求逆”，而是采用最小二乘、极大似然、贝叶斯推断、正则化等带约束或带先验的估计方式。

第三个挑战是可辨识性的先验判断。在采集数据之前，就应通过灵敏度分析判断哪些参数对输出影响显著、哪些参数彼此强相关。若两个参数在灵敏度意义上几乎共线，那么无论数据多长、噪声多小，都无法将它们分开，此时正确做法是固定其中一个或改用能激发差异的工况，而不是盲目增加数据量。

整体学习路径

下图给出本课程的知识主线：从问题定义出发，经建模与可辨识性分析、激励设计与数据采集、反演算法、验证与不确定性评估，最终落到典型工程场景的闭环应用。图中同时标出了各环节之间的反馈关系——验证不通过时，需要回到模型结构或激励设计，而不是只在算法层面调参。

一个可动手的最小示例

为了让抽象概念落地，考虑一个一阶热对象：加热功率 \(u(t)\) 为输入，温升 \(y(t)\) 为输出，模型为 \(T\dot y + y = K u\)。设真实参数为 \(K=2.5\ \mathrm{^\circ C/W}\)、\(T=40\ \mathrm{s}\)，采样周期 \(1\ \mathrm{s}\)，加入标准差 \(0.05\ \mathrm{^\circ C}\) 的测量噪声。若采用阶跃激励，可用稳态值估计 \(K\)，用达到 63.2% 稳态值的时刻估计 \(T\)。下面是一段可直接运行的 Python 示例（数据为仿真生成，用于演示方法，非实测）：

import numpy as np
rng = np.random.default_rng(7)
dt, N = 1.0, 300
K_true, T_true = 2.5, 40.0
u = np.ones(N)                      # 单位阶跃加热功率
y = np.zeros(N)
for k in range(1, N):               # 一阶系统离散化（前向欧拉）
    y[k] = y[k-1] + dt/T_true * (K_true*u[k-1] - y[k-1])
y_meas = y + rng.normal(0, 0.05, N)

K_hat = y_meas[-50:].mean() / u[-1]          # 稳态段均值估增益
idx = np.argmax(y_meas >= 0.632 * y_meas[-50:].mean())
T_hat = idx * dt                              # 63.2% 时刻估时间常数
print(f"K_hat={K_hat:.3f}, T_hat={T_hat:.1f}s")

典型输出约为 K_hat=2.48, T_hat=41.0s，与真值接近但不完全相等——这正是噪声与离散化带来的偏差。此时若换一组未参与估计的激励（例如方波或变功率序列）重新仿真，比较预测输出与测量输出的残差，若残差均值接近零、无显著趋势、且参数落在物理合理区间（如 \(T>0\)），才可认为反演结果通过验证。若残差呈现系统性偏差，则说明模型结构（例如忽略了散热非线性）需要修正，而非继续微调参数。

学习本课程后应具备的能力

• 能针对给定物理对象写出含待估参数的动态模型，并说明各参数的物理意义与量纲；
• 能在采数之前完成灵敏度与相关性分析，判断参数是否可辨识，并据此设计激励信号与采样方案；
• 能选用合适的最小二乘、极大似然或正则化方法完成参数估计，并给出置信区间或后验分布；
• 能用独立工况数据完成验证，区分“拟合得好”与“参数可信”两件事；
• 能在验证失败时定位问题出在模型结构、激励设计还是算法选择，并给出修正路径。