簡(jiǎn)介面向控制工程、信號(hào)處理與系統(tǒng)建模領(lǐng)域的工程師和研究者這份MATLAB/Simulink工程資源聚焦分?jǐn)?shù)階模型辨識(shí)方法針對(duì)傳統(tǒng)整數(shù)階模型難以刻畫系統(tǒng)長(zhǎng)期記憶與遺傳特性的問題提供了從模型結(jié)構(gòu)選擇、參數(shù)估計(jì)到模型驗(yàn)證與優(yōu)化的完整解決路徑。包內(nèi)以.slx仿真模型、.m腳本、.mat數(shù)據(jù)文件及.xlsx實(shí)驗(yàn)記錄為核心覆蓋分?jǐn)?shù)階微分方程建模、辨識(shí)算法實(shí)現(xiàn)與結(jié)果分析等環(huán)節(jié)可結(jié)合遺傳算法、粒子群等優(yōu)化手段改進(jìn)模型精度。資源共495個(gè)文件壓縮包約2.77MB除核心模型與腳本外還包含大量Simulink代碼生成文件、工程配置文件與數(shù)據(jù)字典整體結(jié)構(gòu)清晰便于直接運(yùn)行與二次開發(fā)。已有231人學(xué)習(xí)適合具備一定系統(tǒng)辨識(shí)基礎(chǔ)、希望將分?jǐn)?shù)階微積分理論落地到控制系統(tǒng)設(shè)計(jì)或科研實(shí)驗(yàn)中的進(jìn)階用戶。1. 分?jǐn)?shù)階模型辨識(shí)解決的是一個(gè)很具體的別扭事分?jǐn)?shù)階模型辨識(shí)解決的是一個(gè)很具體的別扭事同一組輸入輸出數(shù)據(jù)用一階慣性環(huán)節(jié)去擬合頭尾總有一條對(duì)不上升到三階、五階殘差下來了參數(shù)卻變成換一批數(shù)據(jù)就面目全非的黑匣子。把微分方程里的階次從整數(shù)放寬到實(shí)數(shù)往往兩三個(gè)參數(shù)就能同時(shí)吃住高頻和低頻動(dòng)態(tài)這就是分?jǐn)?shù)階模型直接的價(jià)值。它適合手里已有數(shù)據(jù)、試過整數(shù)階模型但總覺得差一口的建模工程師尤其電池、超級(jí)電容、粘彈性材料、熱擴(kuò)散這類帶記憶效應(yīng)的對(duì)象。下面按我自己的落地順序講先選定義再走時(shí)域或頻域辨識(shí)最后把常見的坑擺出來。2. 分?jǐn)?shù)階模型辨識(shí)的第一步三種定義與模型形式怎么選做整數(shù)階辨識(shí)上來選的是階次做分?jǐn)?shù)階辨識(shí)第一步卻常常被忽略——先選分?jǐn)?shù)階導(dǎo)數(shù)的定義。RL、Caputo、GL 三種定義在非零初值下的結(jié)果并不一樣而辨識(shí)是拿數(shù)據(jù)反推參數(shù)初值假設(shè)等于直接寫進(jìn)了目標(biāo)函數(shù)。我在實(shí)際項(xiàng)目里吃過這個(gè)虧后來固定成一套習(xí)慣用 Caputo 寫模型方程用 GL 做數(shù)值仿真RL 只用來做推導(dǎo)。2.1 三種分?jǐn)?shù)階微積分定義為什么辨識(shí)只能鎖定一種Riemann-Liouville 定義RL長(zhǎng)這樣對(duì)任意實(shí)數(shù)階 α先做分?jǐn)?shù)階積分再做整數(shù)階求導(dǎo)。它的初值條件要求的是分?jǐn)?shù)階積分在 t0 時(shí)刻的值這類初值在物理上基本無法從實(shí)驗(yàn)獲得。做辨識(shí)時(shí)你不可能在臺(tái)架上先量一個(gè)「分?jǐn)?shù)階積分初值」出來所以 RL 適合做定理推導(dǎo)和理論分析直接拿來做參數(shù)擬合會(huì)很別扭。Caputo 定義把求導(dǎo)順序反過來先整數(shù)階求導(dǎo)再做分?jǐn)?shù)階積分。它的初始條件只涉及常規(guī)整數(shù)階導(dǎo)數(shù)的初值也就是位移、速度、電壓、溫度這類直接能測(cè)的量。實(shí)際系統(tǒng)建模幾乎都用 Caputo 定義原因就一句話初值可解釋、可測(cè)量。分?jǐn)?shù)階模型辨識(shí)里絕大多數(shù)文獻(xiàn)和工具默認(rèn)寫的就是 Caputo。Grunwald-Letnikov 定義GL則是從差分角度直接給出的把分?jǐn)?shù)階導(dǎo)數(shù)展開成歷史數(shù)據(jù)的無窮加權(quán)和。它不需要先解積分表達(dá)式天然就是離散算法。當(dāng)系統(tǒng)滿足零初值條件時(shí)GL 與 Caputo 等價(jià)這給了一個(gè)非常實(shí)用的組合理論上用 Caputo 描述模型數(shù)值上完全走 GL 遞推。三種定義的取舍可以簡(jiǎn)單看成下表定義初值要求辨識(shí)適用性數(shù)值實(shí)現(xiàn)RL分?jǐn)?shù)階積分初值幾乎不適合作目標(biāo)方程需要特殊處理初值Caputo整數(shù)階導(dǎo)數(shù)初值最佳初值可直接測(cè)量或估適合建立連續(xù)模型GL零初值假設(shè)零初值時(shí)與 Caputo 等價(jià)直接離散求和仿真首選需要提醒一句三個(gè)定義在零初值條件下才完全等價(jià)。如果你的對(duì)象啟動(dòng)前有殘余儲(chǔ)能、殘余應(yīng)力、初始溫度分布那零初值假設(shè)就是不成立的。某熱力系統(tǒng)的項(xiàng)目里就因?yàn)闆]處理初始溫度場(chǎng)前幾十個(gè)采樣點(diǎn)的擬合殘差特別大后來把預(yù)熱段數(shù)據(jù)丟掉才正常。所以寫辨識(shí)報(bào)告時(shí)第一句話先寫清初值條件。2.2 模型形式選型傳遞函數(shù)、狀態(tài)空間與過程控制經(jīng)驗(yàn)式選定定義之后模型形式也很關(guān)鍵。分?jǐn)?shù)階傳遞函數(shù)是最直接的入口比如單變量系統(tǒng)常用的形式G(s)K/(τs^α1)這里 α 就是分?jǐn)?shù)階次K 為穩(wěn)態(tài)增益τ 為廣義時(shí)間常數(shù)。頻域辨識(shí)時(shí)這個(gè)形式非常好用因?yàn)榉l和相頻都能寫成 α 的顯式表達(dá)式。對(duì)絕大多數(shù)單輸入單輸出對(duì)象我的建議是從這個(gè)式子起步參數(shù)少辨識(shí)穩(wěn)定性高。多輸入多輸出或者需要做時(shí)域仿真的場(chǎng)景更適合分?jǐn)?shù)階狀態(tài)空間D^q x(t)A x(t)B u(t), yC x(t)D u(t)注意這里的 x 是偽狀態(tài)不是真正的物理狀態(tài)。分?jǐn)?shù)階狀態(tài)空間里狀態(tài)向量只是數(shù)學(xué)構(gòu)造它的初值不能直接對(duì)應(yīng)某個(gè)物理量這點(diǎn)和整數(shù)階狀態(tài)空間完全不同。做控制設(shè)計(jì)時(shí)可以把偽狀態(tài)當(dāng)作內(nèi)部變量但做辨識(shí)時(shí)別把偽狀態(tài)初值當(dāng)普通初值去猜容易把參數(shù)辨識(shí)帶偏。過程控制里還有一種非常實(shí)用的擴(kuò)展就是在分?jǐn)?shù)階模型后面串一個(gè)純滯后G(s)K/(τs^α1) e^{-Ls}化工回路、長(zhǎng)管道、溫度大滯后對(duì)象經(jīng)常用這一形式。我的經(jīng)驗(yàn)是先不加滯后項(xiàng)辨識(shí)一遍若殘差存在一個(gè)整體平移的時(shí)間偏移再加 L 重新辨識(shí)比一上來就同時(shí)辨識(shí)四個(gè)參數(shù)靠譜得多。這里多一個(gè)參數(shù)目標(biāo)函數(shù)的平坦區(qū)域就大一圈后面避坑章節(jié)會(huì)細(xì)說。3. 時(shí)域輸出誤差辨識(shí)從 GL 仿真到參數(shù)迭代的完整實(shí)現(xiàn)時(shí)域辨識(shí)的思路本身不復(fù)雜給定輸入用候選參數(shù)把模型輸出算出來和實(shí)測(cè)輸出比較反復(fù)調(diào)參數(shù)讓誤差最小。真正決定成敗的是兩件事誤差準(zhǔn)則怎么定義以及模型輸出怎么算。3.1 誤差準(zhǔn)則選輸出誤差而不是方程誤差常見誤區(qū)是把分?jǐn)?shù)階微分方程改寫成只含輸入輸出和導(dǎo)數(shù)的回歸形式再用最小二乘解參數(shù)。這樣做的代價(jià)是必須從采樣數(shù)據(jù)里近似計(jì)算分?jǐn)?shù)階導(dǎo)數(shù)而分?jǐn)?shù)階導(dǎo)數(shù)的數(shù)值計(jì)算會(huì)顯著放大高頻噪聲。數(shù)據(jù)里有一點(diǎn)噪聲方程誤差的梯度就面目全非辨識(shí)結(jié)果幾乎不可用。我一般用輸出誤差法Output Error Method只把實(shí)測(cè)輸入 u 給到模型用當(dāng)前候選參數(shù)仿真得到 y_sim然后最小化JΣ(y_sim(k)-y_meas(k))2這樣完全不碰導(dǎo)數(shù)近似噪聲影響只在輸出端并由最小二乘天然抑制。整個(gè)流程是設(shè)計(jì)激勵(lì)信號(hào)、采集數(shù)據(jù)、去趨勢(shì)、GL 仿真、參數(shù)迭代、獨(dú)立驗(yàn)證。激勵(lì)信號(hào)用 PRBS 或 chirp 都行關(guān)鍵要讓能量覆蓋你關(guān)心的頻帶采樣頻率至少取系統(tǒng)主要帶寬的 10 倍以上不然分?jǐn)?shù)階的記憶特性會(huì)展不開。3.2 GL 離散仿真遞推權(quán)重系數(shù)怎么算把 τD^αy(t)y(t)Ku(t) 這類 Caputo 方程用于仿真時(shí)我不用 Oustaloup 連續(xù)濾波器近似而是直接用 GL 定義逐點(diǎn)遞推。原因是 GL 不依賴近似頻帶也沒有高階近似帶來的病態(tài)極點(diǎn)寫起來就是一層循環(huán)。import numpy as np def fo_step(u_hist, y_hist, alpha, K, tau, dt): 按 tau * D^alpha y y K * u 遞推一步。 u_hist: 到當(dāng)前時(shí)刻的完整輸入序列u_hist[-1] 為 u(k) y_hist: 到上一時(shí)刻的輸出序列y_hist[-1] 為 y(k-1) alpha: 分?jǐn)?shù)階次 K: 穩(wěn)態(tài)增益 tau: 廣義時(shí)間常數(shù) dt: 采樣步長(zhǎng) wj 1.0 acc 0.0 for j in range(1, len(y_hist) 1): wj * (1.0 - (alpha 1.0) / j) acc wj * y_hist[-j] inv_h dt ** (-alpha) yk (K * u_hist[-1] - tau * inv_h * acc) / (1.0 tau * inv_h) return yk這里最核心的是 wj 的遞推系數(shù) wj 對(duì)應(yīng) GL 二項(xiàng)式系數(shù)的符號(hào)修正不需要每次重算組合數(shù)。alpha 越小wj 隨 j 衰減越慢說明分?jǐn)?shù)階系統(tǒng)的記憶越長(zhǎng)如果發(fā)現(xiàn)仿真后期輸出有低頻緩慢漂移多半是歷史項(xiàng)截?cái)嗵倏梢砸攵逃洃浽瓌t設(shè)定固定窗口長(zhǎng)度。參數(shù) dt 直接決定遞推精度dt 太大時(shí)記憶項(xiàng)過粗階次估計(jì)會(huì)明顯偏低。這個(gè)遞推函數(shù)作為模型內(nèi)核可以直接封裝成整條輸入序列的仿真器。需要提醒初始時(shí)刻 y 全取 0代表零初值假設(shè)如果你確認(rèn)系統(tǒng)初值不為零先跑一段預(yù)熱數(shù)據(jù)再丟棄不要直接拿頭幾個(gè)點(diǎn)做擬合。3.3 參數(shù)迭代與初值策略先用整數(shù)階結(jié)果墊底有了仿真器剩下就是參數(shù)尋優(yōu)。我習(xí)慣用 scipy 的 least_squares目標(biāo)函數(shù)是殘差向量 ry_sim-y_meas。from scipy.optimize import least_squares def sim_fo(theta, u, dt): alpha, K, tau theta y [] for k in range(len(u)): if k 0: y.append(0.0) else: y.append(fo_step(u[:k1], y, alpha, K, tau, dt)) return np.array(y) def residuals(theta, u, y_meas, dt): return sim_fo(theta, u, dt) - y_meas theta0 [1.0, 1.2, 0.5] # [alpha, K, tau] 的初值 res least_squares( residuals, theta0, args(u_meas, y_meas, dt), bounds([0.2, 0.01, 0.01], [1.8, 100.0, 100.0]), methodtrf, max_nfev500 ) print(res.x)這里 x0 我習(xí)慣先用整數(shù)階一階模型估出 K 和 τ再把 α 初值設(shè)為 1.0這樣起點(diǎn)就在整數(shù)階最優(yōu)解附近收斂穩(wěn)定。另一個(gè)關(guān)鍵點(diǎn)是選 trf 而不是 lm因?yàn)?lm 不支持上下界α 的界我一般放到 0.2~1.8K 和 τ 根據(jù)量綱給定一個(gè)保守范圍。max_nfev 設(shè) 500 通常足夠如果迭代卡住先把數(shù)據(jù)做歸一化再檢查輸入信號(hào)頻帶是否覆蓋了系統(tǒng)動(dòng)態(tài)。每次仿真都是 O(N×M) 的復(fù)雜度數(shù)據(jù)點(diǎn)超過幾萬以后會(huì)明顯變慢建議降采樣或縮短記憶窗口。4. 頻域辨識(shí)Bode 圖斜率和相位當(dāng)標(biāo)尺時(shí)域方法對(duì)數(shù)據(jù)要求低但初值敏感。如果手里有掃頻設(shè)備比如阻抗分析儀、動(dòng)態(tài)信號(hào)分析儀或者愿意做一次專門的正弦掃頻測(cè)試頻域辨識(shí)會(huì)穩(wěn)定得多而且會(huì)直接給出一個(gè)非常直觀的階次初值。4.1 分?jǐn)?shù)階元件的頻域指紋-20α dB/dec 與 -90°α 相位考慮純分?jǐn)?shù)階積分元件 1/s^α代入 sjω 后幅頻斜率是 -20α dB/dec相位是 -90°α。對(duì)最常用的模型 K/(τs^α1)低頻段增益近似為 K斜率 0高頻段漸近線斜率變成 -20α相位從 0 度逐漸過渡到 -90°α。也就是說Bode 圖高頻段最后那段直線的斜率直接就是 α 的標(biāo)尺。實(shí)際數(shù)據(jù)里高頻段常被噪聲蓋住我一般從中頻段取 10 到 20 個(gè)對(duì)數(shù)均勻分布的頻點(diǎn)對(duì) logω 和 log|G| 做線性回歸。斜率記為 m則 α 的粗估值就是 -m/20。這個(gè)步驟可以用極短的計(jì)算完成log_w np.log10(w_seg) log_mag np.log10(mag_seg) m, _ np.polyfit(log_w, log_mag, 1) alpha_guess -m / 20.0這段代碼里 w_seg 是選中的頻段mag_seg 是對(duì)應(yīng)幅值。polyfit 出來的斜率 m 單位是 dB/dec除以 20 才是階次。如果斜率落在 -6 到 -9 dB/dec 之間說明對(duì)象接近 α0.3~0.45 的分?jǐn)?shù)階特性而不是整數(shù)階這往往就是整數(shù)階模型擬合困難的原因。4.2 用頻響擬合參數(shù)對(duì)數(shù)坐標(biāo)下做加權(quán)最小二乘得到 α 的粗估計(jì)以后再對(duì) K、τ 做精細(xì)擬合。誤差準(zhǔn)則我習(xí)慣同時(shí)考慮幅值和相位因?yàn)閮烧邔?duì)參數(shù)敏感度互補(bǔ)只擬合幅值會(huì)在相位上留下明顯偏差。寫成目標(biāo)函數(shù)εΣ(log|G(jω)|-log M_meas)2 λ(∠G-φ_meas)2λ 是相位項(xiàng)的權(quán)重通常取 0.5~1。初值設(shè)定為低頻增益直接取幅頻低頻漸近線讀數(shù) Kτ 用轉(zhuǎn)折頻率估粗略取轉(zhuǎn)折頻率的倒數(shù)α 用 4.1 的斜率估計(jì)。之后用任意非線性最小二乘跑迭代。測(cè)量頻率響應(yīng)時(shí)有幾個(gè)實(shí)操要點(diǎn)頻率點(diǎn)沿對(duì)數(shù)刻度均勻分布每十倍頻程至少 5 到 10 個(gè)點(diǎn)每個(gè)頻點(diǎn)采集多個(gè)周期后做相干函數(shù)檢查相干度低于 0.9 的點(diǎn)直接剔除激勵(lì)幅值不要超過對(duì)象的線性工作區(qū)間。這些做得越干凈后面的擬合就越省事。4.3 時(shí)域和頻域怎么選數(shù)據(jù)條件決定方法兩種方法不是競(jìng)爭(zhēng)關(guān)系而是互補(bǔ)關(guān)系。日常攢下的階躍、PRBS 或者工況數(shù)據(jù)直接上時(shí)域輸出誤差法實(shí)驗(yàn)室里能做專門掃頻的用頻域辨識(shí)。頻域方法對(duì)初值的敏感度低還能直接給出 α 的可信初值。我常用的順序是先做一次掃頻用斜率把 α 和 K、τ 的初值全部定下來再拿著這些初值去跑時(shí)域精調(diào)。如果兩條路線給出的參數(shù)差異很大不要急著選其中一組先去查數(shù)據(jù)里有沒有未處理的趨勢(shì)項(xiàng)或非線性。條件推薦方法理由已有階躍/PRBS 數(shù)據(jù)時(shí)域輸出誤差不需要額外測(cè)試直接辨識(shí)能做掃頻激勵(lì)頻域擬合初值依賴弱噪聲魯棒已經(jīng)有時(shí)域參數(shù)但不確定 α頻域斜率粗估 α斜率直觀、計(jì)算量極小兩個(gè)方法結(jié)果不一致檢查數(shù)據(jù)預(yù)處理多為趨勢(shì)項(xiàng)或非線性問題5. 分?jǐn)?shù)階模型辨識(shí)避坑指南5 個(gè)翻車點(diǎn)與補(bǔ)救措施分?jǐn)?shù)階辨識(shí)的坑多數(shù)來自參數(shù)耦合、初值假設(shè)和記憶效應(yīng)這三個(gè)根源。下面五條每一件都是我在項(xiàng)目里實(shí)際碰到過、并且能穩(wěn)定復(fù)現(xiàn)的問題按「現(xiàn)象→原因→解決」寫照做可以省掉幾個(gè)星期的彎路。5.1 現(xiàn)象仿真輸出高頻抖動(dòng)甚至發(fā)散模型跑起來輸出帶毛刺嚴(yán)重時(shí)直接數(shù)值溢出。原因多半是仿真方法或者近似頻帶沒選對(duì)。用 Oustaloup 近似時(shí)頻帶 [ωb, ωh] 沒有覆蓋激勵(lì)信號(hào)的頻率范圍高頻激勵(lì)分量落到了近似失效區(qū)。解決方法是把 ωh 提高到輸入主頻的 50 到 100 倍ωb 取最低關(guān)注頻率的 0.1 倍。如果用的是 GL 遞推則檢查 dt 是否太大或者記憶窗口是否被截得太短。我現(xiàn)在的默認(rèn)做法是辨識(shí)階段一律用 GL 遞推繞開頻帶選擇這個(gè)變量。5.2 現(xiàn)象目標(biāo)函數(shù)很平坦α 和 τ 怎么組合都能擬合多次運(yùn)行優(yōu)化每次得到的參數(shù)都不同但擬合優(yōu)度幾乎一樣。這是分?jǐn)?shù)階模型辨識(shí)最典型的翻車點(diǎn)。原因是 α 和 τ 存在強(qiáng)耦合α 增大對(duì)應(yīng)高頻段衰減更快τ 又同時(shí)在壓低轉(zhuǎn)折頻率兩個(gè)參數(shù)部分互相抵消導(dǎo)致目標(biāo)函數(shù)存在一條近似平坦的谷底。解決方法是先固定 α只優(yōu)化 K 和 τ或者用頻域斜率把 α 釘在一個(gè)區(qū)間內(nèi)再全局搜索。我自己會(huì)在獲得初篩參數(shù)后把 α 以 0.05 為步長(zhǎng)遍歷一遍每個(gè)固定 α 都跑一次 KM 的最小二乘最后按驗(yàn)證集誤差選組而不是相信單次優(yōu)化結(jié)果。5.3 現(xiàn)象前幾個(gè)采樣點(diǎn)殘差特別大整體擬合曲線偏移模型在數(shù)據(jù)前段完全跟不上后面又整體平移了一個(gè)電平。這種情況往往不是參數(shù)問題而是初值條件沒寫對(duì)。Caputo 模型的零初值假設(shè)和實(shí)際對(duì)象不符系統(tǒng)啟動(dòng)前存在初始電壓、初始溫度場(chǎng)或殘余應(yīng)力。解決方法是把數(shù)據(jù)的前 10%~20% 當(dāng)作預(yù)熱段丟棄只拿穩(wěn)定激勵(lì)后的數(shù)據(jù)進(jìn)行辨識(shí)如果丟棄后仍然偏移就把初始狀態(tài)也列為辨識(shí)參數(shù)。要記住一個(gè)原則分?jǐn)?shù)階模型的記憶比整數(shù)階長(zhǎng)得多初值的影響會(huì)延續(xù)很久不要僥幸。5.4 現(xiàn)象擬合優(yōu)度好看但預(yù)測(cè)輸出持續(xù)漂移殘差有強(qiáng)自相關(guān)單步擬合殘差很小但把模型拉長(zhǎng)到幾十步預(yù)測(cè)時(shí)誤差越來越大且殘差序列明顯成串。這說明數(shù)據(jù)里有未建模的有色噪聲或慢漂移。普通最小二乘假設(shè)噪聲是白噪聲當(dāng)噪聲在低頻段有能量時(shí)參數(shù)會(huì)被吸走以補(bǔ)償噪聲偏差。解決方法是先對(duì)輸入輸出數(shù)據(jù)做去趨勢(shì)處理必要時(shí)差分化如果對(duì)象帶積分特性直接把模型改成含漂移項(xiàng)的形式再辨識(shí)。還有一種有效做法是用輔助變量法重構(gòu)回歸量但這個(gè)要額外做工具變量不是最小二乘一步能完成的。5.5 現(xiàn)象訓(xùn)練數(shù)據(jù)擬合優(yōu)秀驗(yàn)證集上誤差成倍放大這是過擬合的經(jīng)典表現(xiàn)。分?jǐn)?shù)階模型參數(shù)少但也有過擬合空間尤其是模型結(jié)構(gòu)選擇不當(dāng)或同時(shí)辨識(shí)過多參數(shù)時(shí)。不要只用單步擬合優(yōu)度 R2 判斷模型好壞。我一般把數(shù)據(jù)切三段辨識(shí)段、驗(yàn)證段、壓軸段。辨識(shí)段跑優(yōu)化驗(yàn)證段做多步預(yù)測(cè)對(duì)比壓軸段只在最后測(cè)一次。如果驗(yàn)證段誤差明顯大于辨識(shí)段就先降模型復(fù)雜度固定階次、減少參數(shù)再做一次辨識(shí)。6. 進(jìn)階多步預(yù)測(cè)驗(yàn)證與在線辨識(shí)的收尾習(xí)慣6.1 多步預(yù)測(cè)驗(yàn)證擬合好不等于模型對(duì)辨識(shí)完成之后第一件事不是看殘差而是做多步預(yù)測(cè)。把辨識(shí)段數(shù)據(jù)里最后一段輸入序列單獨(dú)拿出來從某個(gè)時(shí)刻起模型只接收實(shí)測(cè)輸入 u完全用自己的狀態(tài)往前外推 20、50、100 步把預(yù)測(cè)輸出和實(shí)測(cè)輸出疊在一張圖上。單步擬合殘差小只能說明模型在遞推一步時(shí)方向?qū)Χ嗖筋A(yù)測(cè)穩(wěn)定才說明分?jǐn)?shù)階的記憶結(jié)構(gòu)真正抓住了對(duì)象。評(píng)價(jià)標(biāo)準(zhǔn)很簡(jiǎn)單預(yù)測(cè)誤差隨步數(shù)增長(zhǎng)如果是緩慢線性擴(kuò)展模型可用如果前 20 步誤差就超過信號(hào)幅值的一半模型結(jié)構(gòu)或者參數(shù)有問題。這個(gè)習(xí)慣在我做過的項(xiàng)目中發(fā)現(xiàn)了不下三次假陽性結(jié)論。6.2 在線辨識(shí)的方向鎖定階次遞推更新其他參數(shù)分?jǐn)?shù)階模型在線自適應(yīng)時(shí)不要直接遞推 α。α 一變整個(gè)記憶結(jié)構(gòu)發(fā)生突變數(shù)值上容易跳變物理上也沒法把某個(gè)工況的階次變化解釋清楚。我建議先將 α 固定為離線辨識(shí)值用遞推最小二乘在線更新 K 和 τ每次工況批次切換或設(shè)備大修后重新做一次離線掃頻辨識(shí)更新 α 的數(shù)值。這套「在線調(diào)系數(shù)、離線調(diào)階次」的組合既保住了分?jǐn)?shù)階模型的表達(dá)能力又避開了在線辨識(shí)長(zhǎng)時(shí)間不穩(wěn)定的問題。我自己的收尾習(xí)慣是每個(gè)新對(duì)象的數(shù)據(jù)到手先畫一段 Bode 粗掃曲線把 α 用斜率釘住再用時(shí)域數(shù)據(jù)精調(diào) K 和 τ最后用多步預(yù)測(cè)圖來判定交付。這套順序幫我在幾個(gè)項(xiàng)目里少走了很多彎路希望你也能用得上。本文還有配套的精品資源點(diǎn)擊獲取