企业官网建设流程全解析

简介：《系统辨识教案》是面向自动化专业学生及授课教师的课程配套文档，针对从输入输出数据建立系统模型这一学习难点，梳理辨识理论、实验设计与建模分析的基础框架。压缩包内共1个doc文件，约1.42MB，内容以课时安排、参考书目、学习要求与考核说明为线索，展开实体与模型分类、Zadeh辨识三要素、辨识一般步骤及造纸过程质量控制案例，并给出最小二乘数据拟合、结构辨识与模型检验等关键环节的讲解。已有151人学习。读者可据此建立较完整的知识脉络，理解如何明确辨识目的、收集先验知识、设计激励信号与采样方案，并参照考核方式完成数据辨识与报告撰写；对需要备课、自学或补齐建模流程的读者具有直接参考价值。

1. 系统辨识的知识地图：从实体、模型到可复现的建模闭环

“系统辨识教案”最容易让人误判的地方，是把它当成“拿数据套最小二乘”的单点技术；真正的系统辨识与建模是一条闭环：明确目的→收集先验知识→设计试验→采集与预处理数据→选择模型类→结构辨识与参数估计→模型检验→模型转换→应用评价。自动化专业40课时里，前半程铺实体、模型、三要素和数据，后半程才压到准则、参数估计和实验设计。复习时先要有一张知识地图：左侧是数据链条，右侧是模型语言，中间用三要素和误差准则扣住。它适合课程复习、考核报告和实验设计前梳理，不适合只背几个算法名。

2. 辨识三要素与模型语言：数据、模型类、准则怎么串起来

2.1 实体与模型的层级：直觉、物理、数学再到图表/解析/程序/语言模型

实体是客观存在的事物及其运动状态，有时也直接称为系统。模型是对实体的一种简化描述，保留实体的一部分特征，把其他特征忽略或者做变化；不同的简化方法得到不同模型。这个定义听起来朴素，复习时却经常被跳过，导致后面把“模型”和“实体”混着说。课程把模型先分成直觉模型、物理模型和数学模型，再把数学模型细分为图表模型、解析模型、程序模型和语言模型，实际上是在提醒：建模不是一条路，系统辨识只是其中“用数据拟合获得解析模型”的那条路。

获得数学模型的方法有经验总结法、机理分析法和实验法、数据拟合法。经验总结法可得到模糊关系模型、静态线性关系模型；机理分析法得到解析模型；实验法得到图表模型；数据拟合法得到解析模型、程序模型。用数据拟合法获得解析模型的过程即为系统辨识。这里最容易漏的是：系统辨识不是“建模”的全部，它只是数据驱动建模的核心路径；但课程的知识地图又必须把经验、机理、实验、数据拟合四种方法都放进去，否则遇到“模型类怎么选”就会只剩算法视角。

重点在于模型是简化，不是复制。保留哪些特征由目的决定：验证理论模型要保留结构和参数，控制器设计要保留动态响应和时延，定性分析可能只要静态关系。模型越精细不一定越好，阶次越高还可能过估计。复习时看到“直觉模型、物理模型、数学模型”不要只背分类，要能判断一个具体对象属于哪一层、用什么方法获得、在辨识流程里处于哪一步。

2.2 三要素不是三个名词，而是三次选择

系统辨识的经典定义是：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。这个定义给出三要素：数据、模型类和准则。数据由观测实体而得，不唯一，受观测时间、观测目的、观测手段影响；模型类规定模型形式，不唯一，受辨识目的、辨识方法影响；准则规定模型与实体等价的评判标准，不唯一，受辨识目的、辨识方法影响。三要素是评判数据拟合方法优劣的必要条件，只有在相同三要素下，才可区分数据拟合方法的优劣；在不同三要素下，结论也会改变。

反直觉的地方在于：三要素不是填表，而是三次取舍。辨识目的先决定如何观测数据、如何选择三要素、采用什么数据拟合方法，最根本的是影响辨识结果。同一组数据换模型类，J 不能直接横比；同一模型类换准则，最优参数也可能变。复习时把“三要素表”写在每道题开头，比背十个算法名更能救命。

提示：比较两种辨识方法前，先固定数据段、模型类和准则；如果其中一项变了，只能重新做对比实验，不能拿旧 J 值说新方法更好。

2.3 模型分类的轴：静态/动态、集中/分布、线性/非线性、时变/时不变、确定/随机、单变量/多变量、离散/连续、有时延/无时延

数学模型分类轴多，考试常给一个表达式让判断。静态模型输入输出关系不随时间变化；动态模型未来输入输出关系受过去及现在状态影响。集中参数模型只反映变量与时间的关系，用常微分方程描述；分布参数模型反映变量与时空之间的关系，用偏微分方程描述。序列或权函数反映系统输出在标准输入下的响应；方程反映系统输入输出关系，给定输入可计算输出。线性关系满足叠加性：若 y1=f(u1)、y2=f(u2)，则 ay1+by2=f(au1+bu2)；非线性则不满足。时变模型结构不变但参数随时间变化；时不变模型参数不随时间变化。确定型模型不含随机扰动，随机型模型含随机扰动，实际中很少没有随机扰动，只是强度不同，扰动强度可用噪信比 N/Sy=σW/σX 度量。单变量与多变量看输入输出个数；离散型与连续型看时间变量；有时延与无时延看表达式里有没有 e^{-sτ} 或 u(k-τ)。

常用模型包括阶跃响应（函数、序列、曲线）、差分方程/微分方程、连续传递函数/离散传递函数、连续状态方程/离散状态方程、一般描述/典型环节。典型环节要能认：惯性环节 k/(1+Ts)^n、微分环节 kTs/(1+Ts)^n、积分环节 1/[Tas(1+T0s)^n]、惯性+微分环节 k(1+aTs)/(1+Ts)^n。重点不是背公式，而是把表达式和分类轴对应起来：有 e^{-sτ} 就是有时延，系数带 t 就是时变，含随机项就是随机型。

采样间隔对模型结构影响很大。采样间隔增大一倍，模型阶次大致减少一半；要做不同采样步长下模型的比较，误差公式应改为 J=∑[e(k)]^T W[e(k)]·T0^2/N，T0 为采样步长。这个点在新手报告里经常漏，导致“采样变慢后模型变好”的假象。

2.4 辨识目的如何反向决定模型类与准则

辨识目的明确模型应用的最终目的，因为它决定如何观测数据、如何选择三要素以及采用什么数据拟合方法，最根本的是影响辨识结果。课程列出的目的很具体：验证理论模型、设计常规控制器、设计数字控制器、设计仿真/训练系统、预报预测、监视过程参数实现故障诊断、系统的定量与定性分析。每一种目的对“准确”的要求落点不同，选错模型类，后面参数估计再精细也白搭。

复习方法很实际：拿到案例先写目的句，再写“数据怎么采、模型类怎么定、准则怎么设”三行。如果题目只给数据文件，先问模型用途，再决定预处理和阶次范围。目的不清时，最容易出现“先跑最小二乘，再回头编目的”的倒置；这种报告在应用评价一栏通常撑不住。

3. 辨识实验与数据链条：从先验知识到预处理的可复现流程

3.1 十一步流程的闭环：哪几步最容易返工

辨识的一般步骤可以压成一条闭环：明确辨识目的、收集先验知识、设计辨识试验、现场准备、数据采集、数据预处理、选择模型类、结构辨识与参数估计、模型检验、模型转换、应用评价。每一步都有产出，也都有返工触发点。最容易返工的不是参数估计，而是目的和三要素：目的没写清，数据观测和模型类就会反复改；三要素没固定，J 值比较就没有意义。

以连续纸机过程的定量与水份控制为例：先明确目的是用计算机控制质量，再收集先验知识，发现车速调整存在同步困难、不同步会引起断纸，因此通常把车速设为恒定；流量改变到定量改变存在约60秒延迟，响应过程约2秒；浓度改变到定量改变存在约120秒延迟，响应过程约80秒；蒸汽压力改变到水份改变存在约45秒延迟，响应过程约60秒。第三步设计试验，把系统分块，保持车速和纸浆浓度不变，对流量和蒸汽压力分别施加伪随机序列扰动，幅值以不引起断纸为限，采样频率取2，试验时间1000秒，采集定量、水份、纸浆流量和蒸汽压力。后面现场准备、数据采集、预处理、选模型类、结构辨识与参数估计、检验、转换、应用评价逐步推进。

血泪经验是：参数估计跑得再顺，数据段选错、采样间隔不匹配，最后残差看着白但应用一塌糊涂。检验不通过要分析问题所在并返回到前期相应步骤；应用评价不成功也要返回到相应步骤。数据说明文件必须记录采样间隔、量程、零点、滤波设置、试验工况；没有它，后面复现不了。

3.2 试验设计：安全前提下充分激励，边界、工况、扰动幅值

试验设计原则是：在安全的前提下，尽可能地激励系统；保持输入输出关系；适当解耦。明确目的与要求时，要了解模型用途，划清要辨识系统的边界，选好输入/输出，从边界外连入的其他信号尽量保持稳定，并作为被辨识系统的噪声。整体/局部要确定哪些输入需要叠加扰动信号、哪些输入要保持稳定；输入/输出/噪声

本文还有配套的精品资源，点击获取