4. 基于最小二乘的参数校准

数字孪生模型在投入运行前，通常需要根据实测数据把模型中的未知参数“调”到与物理对象一致。最小二乘（Least Squares, LS）是参数校准中最基础、最常用的一类方法：它把“模型输出与实测输出的偏差平方和最小”作为优化目标，从而反推出参数估计值。本节围绕线性回归、加权最小二乘和递推最小二乘三种形式，说明它们各自适用的校准场景、实现方式与结果判读。

一、线性回归：最基础的参数校准形式

当数字孪生模型的输出可以写成参数的线性组合时，参数校准就退化为线性回归问题。设物理对象在 k 时刻的实测输出为 y(k)，模型结构已知，待校准参数为 θ，回归向量为 φ(k)，则模型可写为：

y(k) = φ(k)ᵀ · θ + e(k)

其中：
  y(k)  —— 第 k 次实测输出（标量）
  φ(k)  —— 第 k 次回归向量（由已知输入/状态构成）
  θ     —— 待校准参数向量
  e(k)  —— 残差（模型误差 + 测量噪声）

把 N 次观测堆叠成矩阵形式 Y = Φθ + E，最小二乘解为 θ̂ = (ΦᵀΦ)⁻¹ΦᵀY。这就是普通最小二乘（OLS）。在数字孪生校准中，它适合“噪声水平相近、各样本可信度相当”的场景，例如用均匀采样的温度—电压数据校准一个线性传感器模型。

以一个简化的电机温升孪生模型为例：模型假设稳态温升 ΔT 与负载电流 I 满足 ΔT = a·I² + b。令 φ = [I², 1]，θ = [a, b]，采集 6 组数据（示例数据，用于说明计算过程）：

按 OLS 计算可得 a ≈ 4.28、b ≈ 1.9（示例结果）。把该参数写回孪生模型后，可用未参与校准的验证点（如 I = 2.8 A）比较模型输出与实测值，若偏差在允许带内，则认为校准通过。

二、加权最小二乘：处理不同可信度的数据

实际校准中，不同样本的可信度往往不同：高负载区测量噪声更大、不同传感器精度不同、某些工况数据更接近设计关注点。此时应使用加权最小二乘（WLS），目标函数变为 J(θ) = Σ w(k)·[y(k) − φ(k)ᵀθ]²，解为 θ̂ = (ΦᵀWΦ)⁻¹ΦᵀWY，其中 W 为对角权重矩阵。

权重的选取有明确依据：若已知各样本噪声方差 σ²(k)，理论上取 w(k) = 1/σ²(k) 可得到最小方差无偏估计。工程上常用简化规则，例如按传感器精度等级取 1、0.5、0.2，或对高负载区降权。需要注意：权重是相对值，整体放大缩小不影响估计结果，但会改变参数协方差，从而影响置信区间判断。

三、递推最小二乘：在线校准与参数漂移跟踪

当数字孪生需要在线运行、参数随工况缓慢漂移（如磨损、温漂、老化）时，批量最小二乘需要保存全部历史数据并反复求逆，不适合嵌入式或实时场景。递推最小二乘（RLS）每来一组新数据就更新一次参数，计算量小、可跟踪时变参数。

RLS 递推公式（含遗忘因子 λ）：

  K(k)   = P(k-1)·φ(k) / [λ + φ(k)ᵀ·P(k-1)·φ(k)]
  θ̂(k)   = θ̂(k-1) + K(k)·[y(k) − φ(k)ᵀ·θ̂(k-1)]
  P(k)   = [P(k-1) − K(k)·φ(k)ᵀ·P(k-1)] / λ

初始化：θ̂(0) 取先验值，P(0) = α·I（α 取 10³~10⁶）
λ = 1 时退化为标准 RLS；λ < 1（常取 0.95~0.99）增强对时变参数的跟踪能力

RLS 的关键观察量是 P(k) 和残差 y(k) − φ(k)ᵀθ̂(k−1)：P 逐渐收敛说明参数估计趋于稳定；残差若持续偏大，说明模型结构或权重设置可能有问题，而不是继续调 λ 就能解决。

四、三种方法的选用与实战要点

选择哪种方法，取决于校准任务的性质，而不是方法本身的“先进程度”。离线、噪声均匀、样本量适中时，OLS 足够且最易解释；样本可信度差异明显时，WLS 能显著改善高关注区的拟合质量；需要在线更新或参数随时间漂移时，RLS 是自然选择。三者并非互斥：可以先离线用 WLS 得到初值，再交给 RLS 在线跟踪。

实战中还有几个容易忽略的要点。第一，回归向量 φ(k) 的构造必须与模型结构严格一致，量纲和符号约定要统一，否则最小二乘会给出“数学上最优、物理上错误”的参数。第二，矩阵 ΦᵀΦ 的条件数反映数据激励是否充分：若输入长期集中在某一小范围，参数估计会病态，此时应补充激励或改用正则化最小二乘。第三，校准完成后必须用独立验证集评估，而不是只看训练残差；训练残差小但验证偏差大，通常意味着过拟合或数据覆盖不足。

下面给出一份可直接参考的校准记录表，用于记录每次校准的输入、方法与结果，便于复盘和版本管理。

把上述流程固化为脚本或工具函数后，每次新增数据只需替换输入矩阵并重新求解，即可快速完成一轮参数校准。对于在线场景，则把 RLS 更新封装为定时任务，并监控 P(k) 与残差趋势，当参数漂移超出阈值时触发告警或重新离线校准。这样，最小二乘就不只是一次性的数学计算，而成为数字孪生持续保持与物理对象一致性的常规手段。