4. 基于残差的误差识别

在模型结构误差识别中，残差是最直接、最容易获取的“诊断信号”。它不需要额外激励、不需要重新设计实验，只要模型已经跑出预测值、观测数据也已经拿到，就能立刻构造出来。但残差本身并不等于结构误差——它同时混入了噪声、测量误差、输入扰动和模型结构偏差。本节的任务，是把残差从“一个数字”变成“可读的图形语言”，并建立残差模式与结构误差类型之间的对应关系。

一、残差定义与计算：先统一符号约定

残差定义为观测值与模型预测值之差，本文全文统一采用如下约定：

e(k) = y(k) − ŷ(k)

其中 y(k) 为第 k 个采样时刻的实测输出，ŷ(k) 为同一时刻、同一输入下模型的预测输出。这一约定意味着：残差为正，说明模型“低估”了输出；残差为负，说明模型“高估”了输出。后文所有图形、正负判断和模式解读都基于这一方向，不再另行说明。

实际计算时需要注意三个细节。第一，预测必须是“一步预测”还是“仿真预测”要明确：一步预测用上一时刻的实测值作为初值，残差主要反映局部拟合；仿真预测用模型自身递推，残差会累积结构误差，更适合暴露结构问题。第二，时间对齐必须严格，输入延迟、采样周期不一致都会让残差出现虚假的周期性。第三，残差应做归一化，例如除以输出量程或噪声标准差，否则不同工况下的残差幅值不可比。

以一个一阶惯性对象为例，假设真实系统为 y(k)=0.8y(k−1)+0.2u(k−1)，而候选模型误写为 y(k)=0.9y(k−1)+0.1u(k−1)。在阶跃输入下，模型预测的上升会明显偏慢，残差在阶跃后若干拍内持续为正，随后随稳态收敛而衰减。这个例子说明：残差的时间形状，比残差的瞬时大小携带更多结构信息。

二、残差分析图：四种最常用的观察视角

残差分析图不是一张图，而是一组互补的视图。工程上最常用的是以下四类：

• 残差时序图：横轴为时间或采样序号，纵轴为 e(k)。用于观察残差是否围绕零线、是否存在趋势、阶跃、周期性或突发尖峰。
• 残差—预测值散点图：横轴为 ŷ(k)，纵轴为 e(k)。用于判断残差幅值是否随输出水平变化，即是否存在异方差或非线性弯曲。
• 残差自相关图（ACF）：用于判断残差是否白噪声。若相邻残差高度相关，说明模型没有解释掉全部动态。
• 残差—输入互相关图：用于判断残差中是否仍残留输入信息，这是结构误差最敏感的指示之一。

下面这张图把上述四种视角与“残差模式—结构误差类型”的对应关系组织在一起，作为本节的核心速查图。

三、残差与结构误差的关联：为什么残差能“指认”结构问题

结构误差的本质，是模型函数形式与真实系统不一致，例如阶次偏低、遗漏非线性环节、延迟写错、增益随工况变化。这类误差不会像噪声那样随机抵消，而会在残差中留下有规律的结构。原因在于：模型对输入的响应形状与真实系统不同，二者之差就会随输入变化呈现出可预测的形态。

因此，判断残差是否“指向结构误差”，关键不是看残差大不大，而是看残差是否可被解释。如果残差能被时间、输出水平或输入历史显著解释，说明模型还有未被吸收的结构信息；如果残差在统计上接近白噪声，则剩余误差更可能来自噪声与测量，继续增加模型复杂度收益有限。这也是残差分析在“欠拟合”和“过拟合”之间做判断的价值所在。

需要提醒的是，残差与结构误差不是一一对应关系。同一个“残差持续为正”的现象，既可能来自时间常数偏大，也可能来自增益偏小，还可能来自输入延迟。因此残差模式只能给出候选方向，最终确认仍需结合参数辨识、分段拟合或输入扰动实验。

四、常见残差模式解读：从图形到判断

结合上图，可以把常见模式归纳为五类判读逻辑。第一类，残差围绕零线且自相关很弱，通常说明结构基本匹配，此时应把注意力转向噪声水平而非模型阶次。第二类，残差在阶跃后持续同号并缓慢衰减，典型指向时间常数或增益偏差，可通过对比残差衰减速度与系统响应速度来区分。第三类，残差呈周期性振荡，往往意味着遗漏了振荡环节、延迟错位或阶次不足，此时应检查模型是否缺少二阶或延迟项。第四类，残差—预测值散点呈喇叭口或明显弯曲，提示乘性误差或非线性，线性模型在该工况下不再成立。第五类，残差与输入存在明显互相关，说明输入通道结构缺失，例如漏掉前馈项或把延迟写错。

把上述判断落到一个可复用的检查表上，可以让残差分析从“看图说话”变成可复核的流程：记录预测方式与采样周期；计算归一化残差；依次输出时序图、散点图、ACF 与互相关图；对每种异常模式标注候选结构原因；最后用一次针对性实验（如改变输入幅值或加入延迟）验证候选原因。这样，残差就不只是一个误差数字，而是结构误差识别的起点。