简介：这份系统辨识教案面向自动化专业学生与相关课程学习者，围绕从输入输出数据中建立系统模型这一核心问题，梳理辨识理论、实验设计与编程计算的学习路径。压缩包共1个文件，为doc格式文档，大小约1.42MB，内容涵盖课程参考书目、学习要求与考核办法，并系统讲解实体与模型的概念、模型分类及数学模型的获取方法。文档还结合长网造纸过程的质量控制实例，完整展开明确辨识目的、收集先验知识、设计辨识试验、数据采集与预处理、选择模型类、结构辨识与参数估计、模型检验及转换应用等一般步骤，并引用Zadeh对系统辨识的经典定义，说明数据、模型类和准则三要素。已有150人学习，适合希望减少课堂依赖、通过自学掌握辨识技术并独立完成数据分析报告的读者参考。
1. 系统辨识：为什么“给一段输入输出数据就能反推出模型”不是玄学
拿到一份数据文件，里面只有输入序列和输出序列，要求你反推出一个能描述系统动态特性的数学模型——这件事听起来像玄学，但它恰恰是自动化专业一门 40 学时课程的核心训练。系统辨识要解决的问题很具体：真实系统（造纸机、热交换器、电机）的内部机理往往复杂到无法用机理分析法写出精确方程，但我们可以通过设计激励实验、采集输入输出数据、再用准则去拟合，从一组候选模型类中挑出一个与观测系统“等价”的模型。Zadeh 在 1962 年给出的定义把这件事拆成了三要素：数据、模型类、准则。三者不唯一，且互相牵制，这正是辨识既是技术又是判断力的原因。搞懂这套机制，你才能明白为什么同一组数据换一个准则会得到完全不同的模型，也才能在设计实验时不至于把系统激励到“翻车”。
2. 辨识三要素：数据、模型类、准则为什么必须一起谈
2.1 数据不是采了就能用：平稳性与各态遍历的前提
辨识用的数据来自对实体的观测，但观测本身有前提。教材里先区分随机过程、平稳随机过程和各态遍历平稳随机过程，这不是数学洁癖，而是因为后续所有相关函数、谱密度的计算都建立在“时间平均等于集合平均”这个假设上。只有各态遍历的平稳过程，你才能用一条足够长的采样序列去估计均值和自相关函数，而不需要重复做无数次实验。
数字特征那张表里，均值、均方值、方差、自相关函数、协方差函数在平稳和各态遍历条件下的简化关系，是后面推导最小二乘和相关性辨识的底座。离散计算时时延 τ = k·T₀，T₀ 是采样间隔，这个换算关系在写代码算互相关时天天要用。相关函数的性质里有几条特别值得记住：周期信号的自相关函数仍是同周期信号；均值为零且不含周期成分的信号，τ 很大时自相关趋于零；线性系统 y(k)=G(z)u(k) 下输入输出的互相关与脉冲响应直接挂钩。这些性质不是用来背的，而是用来判断“我采到的这段数据到底能不能支撑辨识”的。
2.2 白噪声与 M 序列：为什么扰动信号要“宽”且“可控”
维纳—肯塔金关系式告诉我们，随机过程的谱密度和自相关函数是一对傅立叶变换。对线性系统，输出谱密度等于输入谱密度乘以系统频率响应的模平方。这条关系直接推出一个设计原则：要充分激励系统，输入信号的频谱必须“宽”于系统频谱。白噪声谱密度为常数、频带无限、不同时刻互不相关，理论上是最理想的激励信号，还能用来判断残差是否白色、模型是否合适。
但白噪声在物理上不存在，工业现场常见的是有色噪声。有色噪声表示定理说，任何平稳有色噪声都可以看作白噪声经过一个渐近稳定的线性环节（成形滤波器）的输出。这就把“噪声建模”转化成了“找一个滤波器”，是后续增广最小二乘一类方法的理论入口。
工程上真正能用的是 M 序列——二位式最大长度伪随机序列。n 阶 M 序列周期 N=2ⁿ−1，一个周期里 1 比 0 多一个，以 −1 代替 0 后自相关函数在 τ=0 处为 1、其余为 −1/N，N 充分大时近似 δ 函数。这意味着以 M 序列为输入的线性系统，其输入输出互相关序列近似等于脉冲响应序列。更实用的是多输入场景：同一 M 序列的不同移位序列之间近似正交，只要输出对各输入的过渡过程小于移位间隔 J，就可以把多个输入同时激励而不互相污染。逆重复 M 序列把 M 序列与方波相乘，周期变为 2N，一个周期内 1 和 −1 个数相等，去掉了直流分量，自相关在奇数半周期处为 −1、其余为 0，幅值仍然可控——这就是“具有白噪声优点、幅值又可设计”的折中。
2.3 准则的三种误差：为什么 J 的形式决定了算法能走多远
准则规定了模型与实体等价的评判标准，教材把误差分成参数误差、方程误差和输出误差。参数误差 J=∑(参数偏差)²/n 适合算法研究；方程误差 e(k)=y(k)+a·y(k−1)−b·u(k−1)−c·u(k−2)，J 是参数的线性函数，只能做一步预测，对应模型 AY=B₁U₁+B₂U₂；输出误差 e(k)=y(k)−ŷ(k)，ŷ 由模型自身递推得到，J 是参数的非线性函数，输入已知时可做多步预测。
这个区分是整门课的分水岭。方程误差线性、好解，但模型结构受限；输出误差更贴近真实预测，却把参数估计变成了非线性优化。教材还点出两个容易被忽略的效应：模型阶次越高 J 越小，会导致过估计；采样间隔增大一倍，模型阶次大致减半，所以比较不同采样步长下的模型时，误差公式要改成 J=∑eᵀWe·T₀²/N，把采样步长的影响归一化掉。不做这一步归一化，你会在“哪个模型更好”上得出完全错误的结论。
3. 从实验设计到模型检验：一条不能跳步的流水线
3.1 造纸例子拆解：先验知识如何决定实验边界
教材用长网造纸的定量与水份控制做贯穿例子。目标是建立 G=f(D,F,V,P)、W=g(D,F,V,P) 的模型用于计算机控制。收集先验知识阶段发现：车速调整存在同步困难、不同步会断纸，所以车速设为恒定；流量到定量有约 60 秒延迟、响应约 2 秒；浓度到定量延迟约 120 秒、响应约 80 秒；蒸汽压力到水份延迟约 45 秒、响应约 60 秒。这些数字直接决定了后面怎么分块、怎么选采样频率、扰动加在哪些通道上。
设计试验时，取流量和蒸汽压力对定量、水份的影响作为一个分块，保持车速和浓度不变，对流量和蒸汽压力分别施加伪随机序列扰动，幅度以不引起断纸为限，采样频率设为 2，试验时间 1000 秒，采集定量、水份、纸浆流量和蒸汽压力四路信号。这里每一步都有依据：分块是为了解耦，幅值受限是安全工况约束，采样频率要满足香农定理且与扰动信号步宽匹配。
3.2 M 序列参数怎么定：n 和 Ts 的两套算法
扰动信号设计要点是频带宽于过程工作频带、持续 3–5 个扰动周期、幅值由安全工况确定。M 序列设计要定级数 n 和步宽 Ts。设系统过渡过程时间为 T、最高工作频率 fmax（通常 fmax=(3~15)/T），第一套算法：由 1/Ts>3·fmax 得 Ts=T/(3k)（设 fmax=k/T），再由 1.5T<(2ⁿ−1)Ts 推出 4.5k≈2ⁿ−1 求 n。第二套算法更直接：先定 n，再由 n·Ts=(0.1~0.8)T 算 Ts。多输入单输出系统还要求 (2ⁿ−1−1)·Ts>1.5·∑(输出对各输入的过渡过程时间)，保证各移位序列在过渡过程内正交。
数据采集设计里，采样间隔 T₀ 满足 1/T₀>2·fmax，有扰动信号时 T₀<Ts 且 Ts 应是 T₀ 的整数倍。实验数据长度取 3–5 个扰动周期，预实验 1–2 个周期。下面这段伪代码把上述约束落成了可执行的检查逻辑：
def design_m_sequence(T, k=5, n=None, Ts=None): # T: 系统过渡过程时间; fmax = k/T fmax = k / T if Ts is None: Ts = T / (3 * k) # 由 1/Ts > 3*fmax 反推 if n is None: # 由 1.5*T < (2^n - 1)*Ts 求最小 n n = 1 while (2**n - 1) * Ts <= 1.5 * T: n += 1 N = 2**n - 1 # 一个周期的状态数 assert N * Ts >= 1.5 * T, "周期长度不足以覆盖过渡过程" assert 1 / Ts > 3 * fmax, "步宽过大，频带不够宽" return n, Ts, N # 采样间隔必须小于步宽，且步宽是采样间隔整数倍 def check_sampling(Ts, T0, fmax): assert 1 / T0 > 2 * fmax, "违反香农定理" assert T0 < Ts and abs(Ts / T0 - round(Ts / T0)) < 1e-9, "Ts 非 T0 整数倍"参数含义：T 是实测过渡过程时间，k 取 3–15 之间，n 是移位寄存器阶数，Ts 是一步持续时间，N 是一个周期长度。两个 assert 就是教材里那两条不等式的代码化，跑不过就说明扰动信号设计不成立，别急着往下采数据。
3.3 数据预处理：标准化为什么能防病态方程
采到的原始数据要先做传感器非线性校正、滤波、重抽样、标准化。滤波时对输入输出加相同滤波器，输入输出关系不变，这是能这么做的原因。重抽样针对过渡过程较长的子系统，重新选采样间隔以降低模型阶次。标准化做零均值、单位方差，目的是降低舍入误差、防止病态方程、提高计算精度。
教材给出的推导很能说明问题：原方程 y(k)+a·y(k−1)=b·u(k−1)+c·u(k−2)+d，先减去均值消掉常数项 d，得到 Y(k)+a·Y(k−1)=b·U(k−1)+c·U(k−2)；再除以标准差 σy、σu 得 Yσ(k)+a·Yσ(k−1)=B·Uσ(k−1)+C·Uσ(k−2)，其中 B=b·σu/σy、C=c·σu/σy；估出 B、C 后要反演回 b=B·σy/σu、c=C·σy/σu。忘记反演，你得到的参数就是错的，这是新手最常见的翻车点之一。
3.4 模型检验与转换：不通过时该回到哪一步
结构辨识与参数估计得到参考模型的阶次和参数后，要按准则做模型检验。不通过就分析问题、返回前期相应步骤：可能是激励不够、可能是模型类选错、可能是预处理没做好。通过后做模型转换，把便于辨识的参考模型转成便于应用的应用模型，再做应用评价，不成功同样要回溯。这条流程的关键在于“返回点”的判断——教材流程图里每个“不通过”都指向不同的上游步骤，而不是笼统地重来。
4. 避坑与排查：辨识现场最容易踩的五个坑
4.1 扰动幅值超限导致生产异常
现象：试验中途出现断纸或设备报警。原因：M 序列幅值只按“能激励系统”选，没按安全工况限幅。解决：幅值由安全工况确定，扰动信号发生器加限幅器，预发信号阶段先验证实际输出幅值。
4.2 采样间隔与步宽不匹配
现象：辨识出的模型阶次虚高或参数漂移。原因：T₀ 不是 Ts 的整数倍，或 1/T₀ 不满足大于 2·fmax。解决：按 3.2 节的 check_sampling 先做约束检查，重抽样时保持 Ts/T₀ 为整数。
4.3 忘记标准化反演
现象：参数估计值量级明显不对。原因：用标准化后的数据估出 B、C 后直接当 b、c 用。解决：按 b=B·σy/σu、c=C·σy/σu 反演，并在报告里写清标准化前后的对应关系。
4.4 多输入移位间隔不足
现象：多输入单输出辨识时各通道互相污染。原因：移位间隔 J 小于输出对各输入的过渡过程时间。解决：满足 (2ⁿ−1−1)·Ts>1.5·∑过渡过程时间，或增大 J 后重新设计序列。
4.5 用高阶模型硬拟合
现象：J 很小但模型无法用于控制。原因：阶次越高 J 越小，导致过估计。解决：结合辨识目的选模型类，比较不同采样步长时用 J=∑eᵀWe·T₀²/N 归一化，别只盯 J 的绝对值。
5. 模型类选择的取舍：为什么“够用”比“精确”更难判断
辨识目的直接决定模型类怎么选。验证理论模型要求零极点、结构、参数都准，模型类要同理论模型；设计常规控制器要求动态响应、零极点、时延准确，模型类要便于分析；设计数字控制器和预报预测要求便于计算机运算；监视过程参数做故障诊断只要求参数准确、能直观体现被监视量；定量定性分析只要求静态关系准确、模型简单到人脑能判断。同一组数据，为不同目的服务时该选的模型类完全不同，这就是三要素里“模型类不唯一”的真正含义。
教材列出的模型谱系从阶跃响应、差分/微分方程、连续/离散传递函数到状态方程，再到惯性、微分、积分、惯性加微分这些典型环节。集中参数还是分布参数、序列还是方程、线性还是非线性、时变还是时不变、确定还是随机、单变量还是多变量、离散还是连续、有时延还是无时延——每一对选择背后都是“精度”和“可用性”的交换。时变模型里锅炉热交换器因灰尘附着改变效率的例子说明，模型有效性会随时间漂移，动态建模需要定期更新参数，这不是模型没建好，而是对象本身在变。
我一般会这么理解这套取舍：辨识不是追求 J 最小，而是在给定数据、给定模型类、给定准则下找到一个“应用评价能通过”的模型。考核方式给一个数据文件让你编程辨识并写报告，考的正是这条完整链路——你能不能从数据里看出该选什么模型类、该用什么准则、检验不通过时该回到哪一步。从那以后我每次拿到一组辨识数据，都强制先走一遍“目的—先验知识—试验设计—预处理—模型类—检验”的检查表，再动手写拟合代码，因为跳过任何一步，后面都会用更大的代价补回来。希望帮到你。
本文还有配套的精品资源，点击获取
