1. 模型辨识概述

1.1 什么是系统辨识？

系统辨识，说白了就是给一个未知系统“拍X光片”。

你有一个黑箱子，往里面灌信号（输入），看它吐出什么（输出）。然后你根据这些数据，猜出黑箱子里面长什么样——也就是它的数学模型。

我刚开始做控制那会儿，总觉得这玩意儿玄乎。后来在调试一个老旧的液压伺服系统时，厂家给的图纸早就丢了，电路板也改得面目全非。怎么办？硬着头皮上呗。我接上信号发生器，录了几组输入输出数据，跑了个辨识算法，嘿，模型出来了。用这个模型设计的控制器，一次上电就稳了。

所以，系统辨识就是：用实验数据，反推系统模型。

它和机理建模的区别在于：机理建模是从物理定律出发（牛顿定律、基尔霍夫定律），一步步推导。而辨识是从数据出发，让数据“说话”。

1.2 辨识的三大要素

搞了这么多年辨识，我总结下来，就三个东西绕不开：数据、模型类、准则。缺一个，这事儿就干不成。

1.2.1 数据——辨识的“食材”

数据质量决定模型上限。你想想看，用烂数据能辨识出好模型吗？不可能。

数据要求：

• 充分激励：输入信号要“够劲儿”，能把系统的各个模态都激发出来。我习惯用PRBS（伪随机二进制序列）或扫频信号。
• 信噪比高：噪声太大，辨识出来的模型可能全是噪声的“形状”。
• 采样率合适：太快了数据冗余，太慢了丢失动态信息。

1.2.2 模型类——辨识的“菜谱”

你得先决定用哪种模型来描述系统。是线性还是非线性？是连续还是离散？是参数模型还是非参数模型？

常见的模型类：

模型类型	典型代表	适用场景
参数模型	ARX、ARMAX、状态空间	需要物理可解释性、模型用于控制设计
非参数模型	脉冲响应、频率响应	初步分析、系统特性摸底
非线性模型	Hammerstein、Wiener、神经网络	强非线性系统、大范围工况

我个人习惯：先试线性模型，如果残差分析通不过，再上非线性。别一上来就搞复杂模型，容易过拟合。

1.2.3 准则——辨识的“尺子”

有了数据和模型类，怎么判断模型好不好？得有个量化指标。

最常用的准则是：预测误差最小化。也就是让模型输出和实际输出的误差平方和最小。

数学上就是：

J(θ) = Σ [y(k) - ŷ(k|θ)]²

其中θ是模型参数，y是实际输出，ŷ是模型预测输出。

我曾经在一个温度控制项目中，用了不同的准则函数对比。用最小二乘准则，模型在低频段拟合得很好，但高频段一塌糊涂。后来改用加权准则，把高频段的权重提高，模型才全面可用。

1.3 辨识的工程意义与应用场景

你可能会问：我直接机理建模不行吗？为什么非要搞辨识？

嗯，这里要注意。机理建模有两个硬伤：

• 太复杂：很多工业系统，机理模型写出来几十个微分方程，参数根本测不准。
• 太理想：摩擦、间隙、迟滞、老化……这些机理模型很难精确描述。

辨识正好补上这个短板。它直接从数据出发，模型是“长”出来的，不是“推导”出来的。

应用场景太多了，我随便列几个：

1. 控制器设计：MPC、自适应控制，都需要一个准确的模型。我做过一个化工精馏塔的MPC，模型就是靠辨识得到的，投运后节能15%。
2. 故障诊断：模型残差可以反映系统是否异常。比如电机轴承磨损，辨识出来的模型参数会漂移。
3. 数字孪生：用辨识模型构建虚拟副本，做预测性维护。
4. 系统分析：辨识出来的传递函数，可以直接分析稳定性、带宽、阻尼比。

1.4 本章知识体系图

下面这张图，把本章的核心逻辑串起来了。你看一眼，心里就有谱了。

这张图你看懂了吗？从上到下，就是系统辨识的完整流程：先有数据，再选模型类，然后用准则去优化。最后，模型落到工程应用上。

好了，第一章就到这里。记住这三个要素，后面每一章都会围绕它们展开。