3. 误差识别的基本框架

在上一节中，我们已经明确：模型结构误差不是数值噪声，也不是参数标定不准造成的偏差，而是模型方程本身对真实系统机理的简化、遗漏或错误假设所导致的系统性偏差。本节要解决的问题是：面对一条与实测数据不符的模型输出曲线，我们如何有章法地反推“结构上到底错在哪里”。这需要一个基本框架，把“看输出”转化为“定位结构缺陷”的过程拆解为可操作的几个环节。

一、从输出残差到结构误差：反推的基本逻辑

误差识别的起点永远是残差，即模型输出与实测输出之差。设模型输出为 y_m(t, θ)，实测输出为 y_e(t)，参数向量为 θ，则残差定义为：

r(t) = y_e(t) − y_m(t, θ)

这里约定：残差取“实测减模型”，因此 r(t) > 0 表示模型在该时刻低估了真实输出，r(t) < 0 表示高估。全文与图示均采用这一符号约定。

关键认识是：残差本身不是结构误差，残差的“形状”才是线索。如果残差是零均值白噪声，通常说明结构基本合理、只是参数或测量噪声问题；如果残差呈现系统性趋势——单调漂移、周期性振荡、在特定工况段突变、随输入幅值成比例放大——则说明模型缺少了某种机理项。例如，一个一阶惯性模型去拟合存在明显纯滞后的对象，残差会在阶跃响应初期呈现“先正后负再正”的 S 形结构，这正是缺失延迟环节的典型指纹。

因此反推的第一步不是急着改模型，而是对残差做结构化观察：看趋势、看周期、看分段、看与输入的相关性。这一步决定了后续往哪个方向怀疑。

二、敏感性分析：判断“改哪里最有效”

敏感性分析回答的是：模型输出对某个参数或某个结构项的微小变化有多敏感。对参数 θ_i，常用归一化敏感度：

S_i = (∂y_m / ∂θ_i) · (θ_i / y_m)

它表示参数变化 1% 时输出变化的百分比，消除了量纲影响，便于横向比较。工程上更实用的是轨迹敏感度：把 ∂y_m/∂θ_i 随时间画出来，观察在哪些时间段、哪些工况下该参数对输出影响最大。

敏感性分析在误差识别中有两个直接用途。其一，排除干扰：如果某参数敏感度极低，那么残差不可能由它引起，不必在它身上浪费时间。其二，锁定嫌疑结构：若残差的系统性偏差时段恰好与某结构项高敏感时段重合，该结构项就是首要怀疑对象。例如残差集中在响应上升段，而阻尼项在该段敏感度最高，则应优先怀疑阻尼建模过于简化。

三、参数可识别性与结构可识别性

这两个概念常被混淆，但它们在误差识别中扮演不同角色。

参数可识别性指的是：在给定模型结构和实验数据下，能否唯一地确定参数值。若两个不同参数组合产生几乎相同的输出轨迹，则这些参数不可识别。典型表现是敏感度矩阵列向量近似线性相关，或参数估计的置信区间极宽。参数不可识别时，残差可能很小，但参数值毫无物理意义——这时不能把误差归咎于“参数没调好”，因为根本调不出来。

结构可识别性则更根本：给定输入输出数据，能否在候选模型结构集合中唯一地区分出“正确”的那个结构。它关心的是模型形式本身是否被数据所支持。若两个结构不同的模型对同一组数据拟合得同样好，则结构不可识别，此时任何“选模型”的结论都缺乏依据。结构可识别性不足往往意味着实验激励不充分——输入信号没有激发系统的某些模态，导致缺失项在数据中“隐身”。

二者的关系可以这样理解：参数可识别性是“在假定结构正确的前提下，参数能否定下来”；结构可识别性是“结构本身能否被数据判别出来”。前者是后者的必要条件而非充分条件。实践中，先做结构可识别性判断（是否需要补充激励、是否需要增加候选结构），再做参数可识别性分析（当前数据下哪些参数可信），顺序不能颠倒。

四、一个可操作的识别示例

设某温度对象用一阶模型 τ·dy/dt + y = K·u(t) 拟合，输入为幅值 10 的阶跃，实测响应在约 8 秒后才开始明显上升，而模型立即响应。残差在 0～8 秒为正（模型高估），8～20 秒为负（模型低估），之后趋零。这是典型的纯滞后缺失指纹。

做敏感度分析：对 K 的敏感度在整个稳态段都高，对 τ 的敏感度集中在过渡段。残差的主要偏差集中在过渡段前部，说明问题不在增益 K，而在时间响应形状。进一步检查参数可识别性：用当前阶跃数据估计 K 与 τ，若两者置信区间都较窄，说明参数本身可定，问题确实在结构——模型缺少延迟项 e^(−Ls)。补充一个候选结构 τ·dy/dt + y = K·u(t−L) 后重新拟合，若残差转为零均值白噪声且 L 估计稳定在 8 秒附近，则结构误差被定位并修正。

反过来，若在原始数据下 K 与 τ 的置信区间极宽、敏感度矩阵近似奇异，则应先怀疑参数可识别性不足，而不是急着加结构项——因为此时数据本身不足以支撑任何参数结论，加结构只会让不可识别问题更严重。

五、框架的边界与常见误区

需要强调，这个框架是反推而非正演：它不能保证找到唯一正确的结构，只能缩小嫌疑范围并给出可信度判断。常见误区有三：其一，把参数不可识别误判为结构误差，结果不断加项却越拟合越差；其二，只看整体拟合优度而不看残差形状，错过系统性偏差的指纹；其三，忽略结构可识别性，用一组激励不足的数据在多个候选结构间“选优”，结论不可复现。把这三条守住，误差识别才能从经验直觉变成可复核的工程流程。