企业官网建设流程全解析

简介：这份系统辨识教案面向自动化及相关专业的本科生、研究生与自学者，围绕“从输入输出数据中建立可描述系统行为的模型”这一核心问题展开，适合作为课程配套教材或期末复习、课题入门参考。压缩包内为1个doc文档，体积约1.42MB，内容以讲义形式串联起实体与模型的概念辨析、直觉模型、物理模型与数学模型的分类，以及由Zadeh提出的数据、模型类、准则三要素，并列出徐南荣《系统辨识》、方崇智与萧德云《过程辨识》、Ljung与Soderstrom《递归辨识理论与实践》等参考书目及期刊来源。文档还完整梳理了辨识的一般流程：明确目的、收集先验知识、设计试验、现场准备与数据采集、预处理、模型类选择、结构辨识与参数估计、模型检验与转换，并以长网造纸过程中定量与水份的质量控制为贯穿案例，配以伪随机序列激励、采样频率设定等试验细节和考核办法说明。目前已有151人学习，便于读者按课时节奏自学理论并完成编程辨识报告。

1. 从一份 40 学时教案说起：先搞清楚它到底在解决什么

拿到这份《系统辨识与建模》教案，我先翻的是最后那栏考核办法——给一个数据文件，自己编程辨识，写报告。这个安排把课程性质说透了：它不指望你背熟 Zadeh 的定义，而是要求你拿着一堆带噪声的输入输出序列，最终交出一个能用于控制、预测或故障诊断的模型。40 学时、十一 步流程、造纸定量与水份的例子、M 序列的谱线密度，一条完整的工程路径已经摆在那儿。所以这份系统辨识教案的价值不在理论推导有多深，而在于它把“从现场到模型”这件事拆成了可执行的动作。适合自动化、过程控制方向要动手建模的人，也适合被“给一组数据、辨识个模型”这类任务卡住过的从业者。

2. 三要素先立住：目的、模型类、准则怎么互相倒推

2.1 为什么“哪个算法更好”这句话在辨识里不成立

Zadeh 在 1962 年给的定义是：辨识就是在输入和输出数据的基础上，从一组给定的模型类中，确定一个与所观测系统等价的模型。这句话本身没多少信息量，真正有用的是它拆出来的三要素——数据、模型类、准则。

数据来自对实体的观测，不唯一，受观测时间、观测目的、观测手段影响；模型类规定模型的形式，不唯一，受辨识目的和方法影响；准则规定“等价”的评判标准，同样不唯一。三要素里任何一项变了，方法优劣的结论都会翻转。

这句话的实际含义是：脱离三要素去比较算法毫无意义。最小二乘在方程误差准则下是线性闭式解，换成输出误差准则立刻变成非线性优化；同一批数据，把采样间隔改一倍，最优阶次就变了。所以教案里那句话要在动手前反复默念——只有在相同的三要素下，才可区分数据拟合方法的优劣。

顺着这个逻辑往下，辨识目的就成了第一决策点，因为它同时约束了三件事：怎么观测数据、选什么模型类、用哪套准则。教案里给了一张对应关系，我把它整理成可以直接查的表：

这张表最容易踩的地方是“故障诊断”那一行。做诊断的人经常顺手拿一个高阶 ARX 去拟合，拟合度刷到 0.99，但参数和任何物理量都对不上，模型等于白建。诊断要的是参数可解释，宁可降阶、宁可牺牲一点拟合度，也要让每个系数能指回一个具体的工艺量。

2.2 模型分类不是背概念，是选型表

教案从实体与模型的关系讲起：模型是对实体的简化描述，保留一部分特征，忽略或变化其余特征，不同的简化方法得到不同的模型。接着分三层——直觉模型（地图、照片、软件演示文档）、物理模型（风洞、水力学模型、电力系统动态模拟）、数学模型。

数学模型再往下分四类：图表模型（阶跃响应、脉冲响应、频率响应、温度与热电偶输出关系表）、解析模型（代数方程、微分方程、差分方程、状态方程）、程序模型（神经网络仿真程序）、语言模型（模糊关系模型）。获得方式有经验总结法、机理分析法、实验法、数据拟合法——用数据拟合法得到解析模型，这就是系统辨识。

真正影响动手的是对象特性这一层。我把教案里散落的分类整理成一张对照表，建模前先在这张表上打勾，比直接开写脚本省事得多：

教案里的造纸例子正好把这套表用了一遍。质量控制要控制成品纸的定量 G 与水份 W，二者与纸浆浓度 D、流量 F、车速 V、蒸汽压力 P 有关：G=f(D,F,V,P)，W=g(D,F,V,P)。现场调查拿到的先验知识有四条：车速调整存在同步困难，不同步会引起断纸，所以车速设为恒定；流量到定量的延迟约 60 秒、响应过程约 2 秒；浓度到定量的延迟约 120 秒、响应过程约 80 秒；蒸汽压力到水份的延迟约 45 秒、响应过程约 60 秒。

这四条信息直接决定了模型边界：车速从输入里划掉，作为边界外的稳定量；流量和浓度的过渡过程差了两个数量级，不能塞进同一个采样间隔里建；蒸汽压力只影响水份，可以单独分块。所谓“建模”，一大半功夫花在这张表怎么填上。

2.3 十一步流程拆成可执行的动作与交付物

教案给的流程是十一步，看着长，但如果每一步都落一个交付物，其实是一条很干净的流水线。我按自己的习惯把它重排成“动作 + 交付物”的形式：

这里有两个容易被跳过的点。第一个是第 5 步的“数据说明文件”——采样间隔、量程、零点、每列的含义、哪段时间有异常。少了这份文件，三个月后连自己都看不懂那堆 CSV。第二个是第 9 步的回退机制：模型检验不通过，要能说清是回到第 3 步重做试验，还是回到第 6 步重做预处理，还是只需回第 8 步换阶次。分不清回退到哪一步，就只能一次次重跑，这就是返工的开始。

提示：第 7 步里“应用模型”和“参考模型”是两个东西。应用模型按用途选（比如控制器设计要传递函数），参考模型按便于做结构辨识和参数估计选（比如 ARX 差分方程）。先建参考模型，再转成应用模型，顺序不能反。

第 3 步的试验设计是整条链上性价比最高的一环，下一章单独拆。

3. 激励信号与试验设计：M 序列的阶次、步宽与采样间隔怎么算

3.1 白噪声、有色噪声和那个谱密度关系

教案在“数据”这一节花了很多篇幅讲随机过程，原因是激励信号的设计完全建立在谱密度之上。几个定义要理清：随机过程 X(t) 在每个时间点都是随机变量，概率密度函数随时间变化；平稳随机过程的概率分布不随时间变；各态遍历平稳随机过程再加一条——时间平均等于集合平均，实际工程里能算的只有时间平均，所以默认对象是各态遍历的。

白噪声的定义是零均值、平稳、谱密度为常数的随机过程。它有三条性质直接决定用途：自相关函数是 σ²δ(τ)，只有 τ=0 处非零；频谱宽度无限；无记忆性，不同时刻的取值互不相关。

关键在维纳—辛钦关系式：随机过程的谱密度与自相关函数构成一对傅立叶变换。由此可以推出线性系统在随机输入下的输出谱密度 S_y = |G|² S_u。这条式子说明一件事：要把系统激励充分，输入信号的频谱必须比系统频谱更宽。输入谱窄于系统带宽，高频段的信息根本没进数据，再怎么调算法也补不回来。

白噪声在辨识里有五个用途，前三个是激励，后两个是判据：作为系统输入时互相关序列等于脉冲响应；作为输入能激发所有模态；能防止数据病态、保证辨识精度；用输出估计误差是否具有白色性来判断方法优劣和结构是否合适；还可以作为成形滤波器的输入来产生有色噪声。

物理上不存在理想白噪声，工业现场常见的是有色噪声。教案给的表示定理很有用：设平稳噪声序列 {e(k)} 的谱密度是 ω 的实函数，必定存在一个渐近稳定的线性环节 H(z⁻¹)，在白噪声输入下输出就是 {e(k)}。这个环节叫成形滤波器。它的实际含义是：遇到有色噪声不要硬扛，把它建模成“白噪声过某个滤波器”，噪声模型就变成了几个待估参数。

3.2 M 序列的谱特性与逆重复 M 序列

白噪声幅值不可控，现场不敢用。工程上的替代品是二位式最大长度伪随机序列，也就是 M 序列。

它的构造是 n 级移位寄存器加反馈，周期 N=2ⁿ-1，是 n 个寄存器能表示的最多非零状态数。几个性质要记住：一个周期内有 2ⁿ⁻¹ 个游程，长度 1 的有 2ⁿ⁻² 个，长度 2 的有 2ⁿ⁻³ 个，依次类推，最后长度为 n 的游程只有 1 个；一个周期中 1 的个数比 0 多 1。若把 0 换成 -1，自相关函数为 R_M(τ)=1（τ=iN）和 R_M(τ)=-1/N（其余）。

看频谱的话有三条结论：谱线是离散线条谱而不是光滑曲线；直流分量与 N² 成正比，加大 N 可以压低直流；带宽约为 1/Δt（Δt 是一步的持续时间），减小 Δt 可以增加带宽；谱线密度与 N 成正比。

拿它当扰动信号有三个好处：幅值只取 ±a，容易按安全工况选，N 足够大时均值接近 0；一个周期内自相关近似 δ 函数，所以以 M 序列为输入时，互相关序列就等于脉冲响应序列，前提是 N 大于过渡过程长度；多输入单输出时，同一条 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都小于移位间隔 J。

逆重复 M 序列是把 M 序列与方波序列相乘得到的，周期变成 2N，一个周期里 1 和 -1 的个数相等。它的自相关在 τ=0 处是 1，在 τ=N 处是 -1，其余为 0。相比普通 M 序列，它多了一个好处：没有直流分量，长时间施加不会把工况整体推偏。

生成一条 M 序列不难，难的是初值和抽头选对。下面这段代码直接可用，n 阶配本原多项式的抽头：

import numpy as np def mls(n, taps, periods=1, amp=1.0): """生成 n 阶 M 序列（二位式最大长度伪随机序列） n : 阶次，周期 N = 2**n - 1 taps : 反馈抽头（1 基），需对应本原多项式，例如 4 阶用 (4, 3) periods: 输出多少个完整周期 amp : 幅值 a，输出为 +a / -a """ N = 2 ** n - 1 state = [1] * n # 初值不能全 0，否则反馈恒为 0，寄存器锁死 bits = [] for _ in range(N * periods): bits.append(state[-1]) # 取末级作为输出 fb = 0 for t in taps: # 抽头异或得到反馈位 fb ^= state[t - 1] state = [fb] + state[:-1] # 右移一位，反馈位进最高位 bits = np.array(bits) return np.where(bits == 1, amp, -amp) def acf_norm(x, max_lag): """归一化自相关，用于验证 M 序列的自相关形状""" x = x - x.mean() N = len(x) r = np.array([np.dot(x[:N - k], x[k:]) / N for k in range(max_lag)]) return r / r[0] x = mls(4, (4, 3), periods=3, amp=1.0) r = acf_norm(x, 20) print("周期应为", 2**4 - 1, "，长度", len(x)) print("R(0)=%.3f R(1)=%.3f 理论非零延迟约 %.3f" % (r[0], r[1], -1/15))

代码里taps必须对应本原多项式，选错了周期会退化。4 阶对应 x⁴+x³+1，抽头写 (4,3)；5 阶常用 x⁵+x³+1，写 (5,3)；6 阶用 x⁶+x⁵+1，写 (6,5)。打印出来的 R(1) 应该非常接近 -1/N，偏离太多说明抽头不对或周期没取满。多输入场景还可以再验一次移位正交性：把x和np.roll(x, J)做互相关，J 大于各输入过渡过程的最大值时，互相关应该在 0 附近抖。

3.3 n、Ts、T0 的设计算例与试验报告要素

教案给了两套设计方法。第一套从过渡过程时间 T 出发：

先确认系统过渡过程时间 T；最高工作频率按 fmax=(3~15)/T 取，记 fmax=k/T；由 1/Ts>3·fmax 得 Ts=T/(3k)；再代入 1.5T<(2ⁿ-1)Ts，得到 4.5k=2ⁿ-1，解出阶次 n。

第二套更省事：确认 T 后先选 n，再由 nTs=(0.1~0.8)T 反算 Ts。

举个例子。设某回路过渡过程 T=60 秒，取 k=5，则 fmax=5/60≈0.083 Hz，Ts=60/(3×5)=4 秒。代入 4.5k=22.5，需要 2ⁿ-1≥22.5，n=5 时周期 31 满足。整周期时长 31×4=124 秒，按 3~5 个周期取数据，试验时长 372~620 秒。

多输入单输出还要加一条约束：(2ⁿ-1-1)·Ts>1.5·Σ(输出对各输入的过渡过程时间)。假设两个输入的过渡过程分别是 60 秒和 80 秒，Σ=140，要求 (2ⁿ-1-1)×4>210，即 2ⁿ-1>53.5，n=6 时周期 63，(63-1)×4=248 秒满足。注意这里用的是 N-1 而不是 N，因为要留出一个移位间隔 J 做正交化。

采样间隔单独定：满足香农定理 1/T0>2·fmax；有扰动信号时还要 T0<Ts，且 Ts 必须是 T0 的整数倍。这一条是硬约束，后面第 5 章会看到不遵守它会有多麻烦。

试验报告要写清的东西，教案列了：上述全部参数，加上人员组织，报批。我一般还会补三样：扰动信号发生器的预发验证记录、现场干扰测试结论、模数转换的零点与放大倍数。这三样在现场准备阶段做完，写进报告，后面出问题能直接对照。

4. 从原始数据到参数：预处理、最小二乘与残差检验

4.1 预处理四件事与标准化反演公式

采集回来的原始数据不能直接进算法，教案列了四件事。

传感器非线性校正是按厂家给的静态非线性曲线编制程序，对相应采样数据逐点校正。这一步容易被省，但当传感器工作在量程边缘时，非线性误差会直接污染参数。

滤波要注意的是：对输入输出加相同的滤波器，输入输出关系不变。这句话是救命条款，滤波器加错边，模型必歪。如果只滤输出不滤输入，等于给系统额外串了一个环节，辨识出来的传递函数会多出零点。

重抽样针对过渡过程较长的子系统，重新选采样间隔，目的是降低模型阶次。采样间隔增大一倍，模型阶次大致减少一半，这个经验关系在阶次搜索时很有用。

标准化是零均值、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。这一步的数学细节值得写清，因为反演时最容易算错。

原始方程写成 y(k)+a·y(k-1)=b·u(k-1)+c·u(k-2)+d。先减均值：由于各变量的均值满足同一关系，常数项 d 被吸收掉，得到 Y(k)+a·Y(k-1)=b·U(k-1)+c·U(k-2)。再除以标准差，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。

反演公式是 b=B·σy/σu，c=C·σy/σu。注意极点和时延不受标准化影响，所以先在标准化数据上估出 a，再反演增益，顺序不能乱。下面的函数把这两步封在一起：

import numpy as np def standardize(u, y): """零均值、单位方差标准化，返回标准化数据与反演所需统计量""" mu_u, mu_y = u.mean(), y.mean() sd_u, sd_y = u.std(ddof=0), y.std(ddof=0) return (u - mu_u) / sd_u, (y - mu_y) / sd_y, (mu_u, mu_y, sd_u, sd_y) def inv_gain(B, C, stats): """把标准化下的 B、C 反演回物理量纲下的 b、c""" _, _, sd_u, sd_y = stats return B * sd_y / sd_u, C * sd_y / sd_u # 示例：两输入两输出的差分方程，先标准化再反演，避免量纲差 3 个数量级时方程病态

标准差用ddof=0还是ddof=1影响很小，但全流程要统一，否则反演出来的增益会有零点几个百分点的偏移。数据量少于 200 点时建议用ddof=1。

4.2 方程误差、输出误差与批处理最小二乘

准则这一节，教案分了四种误差定义，实际动手只要分清两类。

参数误差 J=Σ(θ̂-θ)²/n 只适合算法研究，因为真值从来不知道。

方程误差 J=Σe(k)²/N，其中 e(k)=y(k)+a·y(k-1)-b·u(k-1)-c·u(k-2)。它的关键性质是 J 是参数的线性函数，只能作一步预测，对应 ARX 模型结构。线性意味着有闭式解，算得快。

输出误差 J=Σe(k)²/N，其中 e(k)=y(k)-ŷ(k)，ŷ 由模型仿真递推得到。J 是参数的非线性函数，能作多步预测，对应 OE 结构，要用迭代优化。

白化误差加权准则是 J=Σe(k)ᵀW e(k)/N，多变量时用。

对刚上手的情况，我一般建议先跑 ARX 把量级摸清，再考虑 OE。ARX 的批处理最小二乘写起来很短：

import numpy as np def build_arx(u, y, na, nb, d): """构造 ARX 回归矩阵 na: 输出滞后阶数 nb: 输入滞后项数 d: 纯时延（采样周期数） 模型: y(k) + a1*y(k-1) + ... = b1*u(k-d) + ... + bnb*u(k-d-nb+1) + e(k) """ start = max(na, nb + d) Phi, Y = [], [] for k in range(start, len(y)): row = [-y[k - i] for i in range(1, na + 1)] row += [u[k - d - i] for i in range(nb)] Phi.append(row) Y.append(y[k]) return np.array(Phi), np.array(Y) def ls_arx(u, y, na, nb, d=1): """批处理最小二乘，返回参数、残差与拟合度""" Phi, Y = build_arx(u, y, na, nb, d) theta, *_ = np.linalg.lstsq(Phi, Y, rcond=None) res = Y - Phi @ theta fit = 1 - res.var() / Y.var() return theta, res, fit # theta 的前 na 个是 a1..ana（符号与模型式一致），后 nb 个是 b1..bnb

start取max(na, nb+d)是为了保证每一行的回归量都取得到真实数据，不补零。补零会让前几行带上虚假信息，阶次一高就明显。np.linalg.lstsq比手写正规方程稳，条件数大时不会直接崩。返回的fit是 1 减去残差方差比输出方差，取值在 0 到 1 之间，负数说明模型还不如直接拿均值预测。

4.3 递推最小二乘与遗忘因子

在线场景要的是递推形式。公式三行：

θ(k)=θ(k-1)+K(k)[y(k)-φ(k)ᵀθ(k-1)] K(k)=P(k-1)φ(k)/[λ+φ(k)ᵀP(k-1)φ(k)] P(k)=[I-K(k)φ(k)ᵀ]P(k-1)/λ

λ 是遗忘因子。λ=1 是无限记忆，参数收敛后基本不动；λ 取 0.95~0.99 时旧数据权重指数衰减，能跟踪慢时变参数。P0 一般取 αI，α 在 10⁴~10⁶。

def rls <p> <a href="https://download.csdn.net/download/poleonton/860671" style="color:#ec7500;font-size:14px;"> 本文还有配套的精品资源，点击获取 </a> <img alt="menu-r.4af5f7ec.gif" src="https://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif" style="width:16px;margin-left:4px;vertical-align:text-bottom;cursor:text;"> </p>