1. 课程导入

当一架多旋翼无人机在阵风中悬停，或一架固定翼无人机执行长航时巡检任务时，飞控内部每时每刻都在产生大量飞行数据：姿态角、角速率、加速度、空速、位置、电机转速、舵面偏度、电池电压等。这些数据不仅记录飞行过程，更隐藏着飞行器真实的动力学特性。系统辨识工程的任务，就是从可测量的输入输出数据中，建立能够描述无人机动态行为的数学模型，为控制器设计、状态估计、故障诊断和飞行性能评估提供可信基础。

本课程围绕“数据—模型—验证—应用”的主线展开，强调工程可落地性。学习目标包括：理解系统辨识在无人机研发链路中的位置；掌握激励信号设计、数据预处理、模型结构选择、参数估计与模型验证的基本方法；能够针对典型飞行场景完成从试飞数据到模型交付的完整流程；并具备识别常见误区与排障的能力。

核心概念：从飞行数据到动态模型

系统辨识不是简单的曲线拟合，而是以控制理论、信号处理和统计学为基础，建立输入与输出之间的因果动态关系。对于无人机，常用模型包括线性状态空间模型、传递函数模型、气动系数模型以及非线性六自由度模型。辨识过程通常包含四个关键对象：输入信号（如舵面指令、油门变化）、输出信号（如角速率、加速度）、模型结构（如ARX、OE、状态空间）和评价指标（如拟合度、残差白度、交叉验证误差）。

需要特别区分“辨识”与“滤波”“拟合”：滤波解决状态估计问题，拟合解决静态映射问题，而辨识解决动态系统建模问题。无人机飞行数据往往带有噪声、延迟、采样抖动和耦合，因此数据预处理与模型验证同等重要。

x(k+1) = A x(k) + B u(k) + w(k)
y(k)   = C x(k) + D u(k) + v(k)

整体框架：数据驱动的闭环工程链路

无人机飞行数据系统辨识工程可划分为五个阶段：试验设计、数据采集、数据预处理、模型辨识和模型验证与应用。试验设计决定激励信号是否充分激发目标频段；数据采集关注传感器同步、采样率和量程；数据预处理包括去野值、滤波、重采样、时间对齐和去趋势；模型辨识根据任务选择参数化或非参数化方法；模型验证则通过交叉验证、残差分析和飞行复现来确认模型可信度。

方法流程：从试飞到模型交付

工程实践中，建议按以下步骤推进：

1. 明确辨识目标：确定要辨识的通道（如俯仰角速率对升降舵）、频段和精度要求。
2. 设计激励信号：根据目标频段选择扫频、脉冲或PRBS，保证信噪比和幅值安全。
3. 采集飞行数据：记录输入指令与传感器输出，确保时间同步和采样率一致。
4. 预处理数据：去除野值、补偿延迟、滤波、重采样和去趋势。
5. 选择模型结构：根据物理机理和数据特征选择ARX、OE、状态空间或非线性模型。
6. 参数估计：使用最小二乘、极大似然或子空间方法估计参数。
7. 模型验证：通过拟合度、残差白度和交叉验证判断模型是否可信。
8. 交付与应用：将模型用于控制器设计、仿真或故障诊断。

案例与场景：俯仰通道辨识

以某小型固定翼无人机俯仰通道为例，试飞时注入3-2-1-1脉冲激励，采集升降舵偏度和俯仰角速率。预处理后使用ARX模型辨识，得到二阶传递函数。验证阶段，模型在独立试飞数据上的拟合度达到85%以上，残差自相关落在置信区间内。该模型随后用于俯仰阻尼器增益整定，试飞表明短周期响应明显改善。类似流程也适用于多旋翼悬停通道、横航向通道和高度通道。

常见误区与复盘