进阶 IV · 系统辨识与自适应
层次：研究生核心 + 业界实用 ｜ 🔗 与 AI 站的监督学习共享大量数学。 上一页说 MPC 项目的主要工作量在建模。系统辨识就是从输入输出数据中获得模型的学科；自适应控制则更进一步——在运行过程中持续修正模型或控制器。两者都在回答同一个问题：当我们不知道对象是什么时，怎么办？
一、辨识的基本流程
每一步都有可能毁掉整个结果，而最常被忽视的是第一步与最后一步。
实验设计（最容易被低估）：
- 激励信号必须"充分丰富"：若只用阶跃激励，只能激发有限频段，得到的模型在其他频段不可信。常用PRBS（伪随机二进制序列）或多正弦（chirp），覆盖关心的频段；
- 持续激励条件：辨识 \(n\) 个参数，输入至少需含 \(n/2\) 个不同频率成分。这是一个可以严格陈述的条件，不是经验之谈；
- 幅度权衡：太小则信噪比差，太大则激发非线性、扰动生产。工业现场往往只允许很小的激励，这是真实约束；
- 闭环辨识的陷阱：若在闭环下采集数据，输入与噪声通过反馈相关，直接用开环方法会得到有偏的模型——甚至可能辨识出控制器的逆而非对象本身。需专门的闭环辨识方法。这是实践中极常见的错误。
二、模型结构与参数估计
常用结构（差别在于噪声怎么进入模型）：
ARX 的优点是参数估计为线性最小二乘（有闭式解），缺点是噪声模型受限、会产生偏差。OE（输出误差）模型的噪声假设更贴近实际，但需非线性优化。
参数估计的核心是预测误差方法（PEM）：
这与机器学习的经验风险最小化是同一个东西（🔗 AI 站）。事实上：
- ARX 辨识 = 线性回归；
- 正则化（岭回归）在辨识中同样用于抑制过拟合；
- 模型阶次选择 = 模型复杂度选择，用 AIC/BIC 或交叉验证——与机器学习的模型选择完全同构。
子空间方法（N4SID 等）：直接从数据的 Hankel 矩阵通过 SVD 估计状态空间模型，特别适合 MIMO，且不需要事先指定复杂的参数化。是工业辨识软件的主力算法之一。
三、验证：最重要也最常被省略的一步
用拟合优度评价模型是危险的——提高阶次总能让拟合更好，但那可能只是在拟合噪声。
必须做的验证：
- 交叉验证：用未参与辨识的数据检验预测能力。这是最基本的一条；
- 残差分析：残差应接近白噪声，且与输入不相关。若残差与输入仍相关，说明模型漏掉了动态——这是一个非常有力的诊断；
- 多步预测：一步预测好不代表多步预测好，而MPC 需要的恰恰是多步预测能力（第十七页）；
- 物理合理性：增益的符号与量级、时滞、稳态是否符合工艺常识。这一条能拦下大部分荒谬的模型。
"所有模型都是错的，有些是有用的"（第二页）在这里有具体含义：辨识的目标不是最精确的模型，而是"对控制设计够用"的模型。控制关注的频段主要在穿越频率附近——低频与高频的精度不那么重要。为控制而辨识（identification for control）这一思想主张：辨识的加权应与控制目标一致。
四、自适应控制
自适应控制在运行中在线调整，应对参数缓慢变化（磨损、温度、负载、批次）。
两条经典路线：
① 间接自适应（自校正调节器 STR）：在线辨识参数 → 按辨识结果重新设计控制器。模块清晰，但辨识与控制的交互可能出问题。
② 直接自适应（如 MRAC，模型参考自适应）：不显式辨识对象，而是直接调整控制器参数，使闭环行为跟随一个参考模型。用 Lyapunov 方法（第十五页）设计自适应律并证明稳定性。
关键的理论要求与实践陷阱：
- 持续激励是收敛的必要条件：若信号不够丰富，参数估计可能漂移——系统在稳态时（信号平淡）尤其危险。这是自适应控制最著名的失效模式；
- 鲁棒性问题：经典自适应律对未建模动态与扰动可能不鲁棒（1980 年代 Rohrs 等人的反例曾引发广泛反思——这与第八页 LQG 的 Doyle 反例是同一时期、同一性质的"理论翻车"）。补救手段包括 \(\sigma\) 修正、死区、投影（把参数限制在合理范围内）；
- 工业上的谨慎：在安全关键系统中，在线自适应通常被严格限制或禁止——因为它使系统行为随时间变化，难以验证与认证（承第十四页功能安全：系统性可预测比性能更重要）。
实际更常见的折中：
- 增益调度（第十五页）：离线设计多组参数，按可测工况切换——行为可预测、可验证；
- 自整定：不连续自适应，而是在需要时（如换批次、维护后）执行一次整定；
- 参数在线估计但不自动闭环：估计结果提示操作员，由人决定是否更新。
这个"离线设计、在线切换"胜过"完全在线自适应"的模式，与第二十页学习型控制面对的困境完全一致。
五、与机器学习的关系
系统辨识与监督学习共享数学，但关注点不同，这个对照很有启发：
| 系统辨识 | 典型机器学习 | |
|---|---|---|
| 数据 | 有时序、有动态、可主动设计实验 | 常假设独立同分布 |
| 目标 | 用于闭环控制，需保证稳定 | 预测精度 |
| 模型 | 常要求可解释、低阶、有物理意义 | 可为黑箱 |
| 数据量 | 常很少（工业实验昂贵） | 常很大 |
| 关键难点 | 闭环相关性、激励设计、外推 | 泛化、过拟合 |
"能主动设计实验"是辨识相对于被动学习的巨大优势——它可以选择激励什么频段。这个思想在机器学习中对应主动学习与实验设计，两个领域近年正在重新交汇（🔗 第二十页）。
六、要点
- 辨识的成败很大程度取决于实验设计：激励必须充分丰富，闭环数据需专门方法；
- PEM = 经验风险最小化，辨识与监督学习数学同源；
- 验证靠交叉验证与残差白性，而非拟合优度；残差与输入相关意味着漏掉动态；
- 为控制而辨识：目标是"够用"而非"最准"，重点在穿越频率附近；
- 自适应控制的经典陷阱是激励不足导致参数漂移，以及对未建模动态不鲁棒；
- 工业上更偏好增益调度与自整定——因为可验证性优先于最优性。
下一页：把前面所有工具用到一个具体而完整的对象上——机器人。运动学、动力学、轨迹规划与状态估计，是控制理论最集中的应用场。