4. 系统辨识基本概念

在无人机飞行数据系统辨识工程中，我们面对的不是一张静态照片，而是一段持续演化的飞行过程。要把它转化为可计算、可验证的数学模型，必须先建立一组基本概念：什么是动态系统，输入输出模型如何描述它，线性与非线性、时变与时不变分别意味着什么，以及辨识问题在数学上究竟如何表述。这些概念决定了后续建模方法的选择边界。

一、动态系统：状态随时间演化的对象

动态系统是指输出不仅取决于当前输入，还取决于系统内部历史状态的对象。无人机的俯仰角速度不会因为升降舵偏转瞬间就达到稳态，而是经历气动力建立、角加速度累积、阻尼抑制等过程。因此，动态系统的核心特征是记忆性与惯性：当前响应是过去输入与内部状态共同作用的结果。

在连续时间域，动态系统常用状态空间形式描述：

ẋ(t) = f(x(t), u(t), t)
y(t) = g(x(t), u(t), t)

其中 x 为状态向量，u 为输入向量，y 为输出向量。对无人机而言，状态可包含姿态角、角速度、速度、位置；输入可包含舵面偏转、油门指令；输出则是传感器测得的加速度、角速率、气压高度等。系统辨识的任务，就是利用可测的 u 与 y 数据，反推 f 与 g 的结构和参数。

二、输入输出模型：从外部行为刻画系统

当内部状态不可完全观测时，我们更常使用输入输出模型。它不显式列出状态，而是直接建立 u 到 y 的映射关系。常见形式包括：

• 传递函数：适用于线性时不变系统，如 G(s)=Y(s)/U(s)，描述频域输入输出比。
• 差分方程：适用于离散采样数据，如 y(k)+a₁y(k-1)=b₀u(k)+b₁u(k-1)。
• 脉冲响应/阶跃响应：以实验响应曲线直接表征系统动态。
• 非线性回归模型：如 y(k)=f(φ(k),θ)，φ 为回归向量，θ 为待辨识参数。

输入输出模型是飞行数据辨识中最常用的形式，因为飞控日志天然提供离散时间序列，便于直接构造回归向量并估计参数。

三、线性与非线性系统：叠加原理是否成立

线性系统满足叠加原理：若输入 u₁ 产生输出 y₁，输入 u₂ 产生输出 y₂，则输入 αu₁+βu₂ 产生输出 αy₁+βy₂。线性模型参数估计简单、可解析、频域工具成熟，因此在无人机小扰动、小迎角、定高定速飞行段常被采用。

但无人机在大机动、大迎角、失速边界、旋翼涡流干扰等场景下，气动力与舵面偏转呈明显非线性，叠加原理不再成立。此时若强行用线性模型拟合，会出现参数漂移、残差结构化、预测失效。非线性系统辨识需要引入多项式项、神经网络、支持向量回归或分段线性化等方法。

四、时变系统：参数是否随时间变化

时不变系统假设参数在辨识窗口内恒定。但无人机在飞行中会经历质量变化（燃油消耗、挂载投放）、气动加热、电池电压下降、舵机间隙变化，导致系统参数随时间缓慢漂移，形成时变系统。时变系统的数学描述可写为：

y(k) = f(φ(k), θ(k)) + e(k)
θ(k+1) = θ(k) + w(k)

其中 θ(k) 为时变参数，w(k) 为参数漂移噪声。处理时变系统常用递推最小二乘、遗忘因子法、卡尔曼滤波参数估计等，使辨识器具备跟踪参数变化的能力。

五、辨识问题的数学描述

综合以上概念，系统辨识可统一表述为一个优化问题：给定输入输出数据集 Z^N={u(k),y(k)}，在模型集 M 中寻找参数 θ̂，使模型输出与实测输出的误差准则最小。

θ̂ = arg min Σ_{k=1}^{N} || y(k) - ŷ(k|θ) ||²
ŷ(k|θ) = f(φ(k), θ)

该描述包含四个要素：数据集、模型集、误差准则、优化算法。不同辨识方法本质上是这四个要素的不同组合。下表给出无人机常见场景与模型选择的对应关系：

六、案例与误区复盘

某型四旋翼在悬停段采集 60 秒数据辨识俯仰通道模型。若直接使用全段数据做最小二乘，发现拟合残差在 20 秒后明显增大。复盘发现：电池电压从 25.2V 降至 23.8V，电机推力增益下降，系统呈现时变特性。改用遗忘因子递推最小二乘后，参数跟踪效果显著改善。

本节的概念构成了后续所有辨识方法的共同语言：动态系统定义对象，输入输出模型定义表达形式，线性/非线性定义复杂度，时变/时不变定义参数假设，数学描述定义求解框架。只有先明确这些边界，才能在飞行数据中选出真正可用的模型。