系统辨识概述
系统辨识是控制科学与工程、信号处理领域的核心分支，是在输入和输出观测数据的基础上，从一组给定的模型类中，确定一个与所测系统动态特性等价的数学模型的过程。
通俗来说，它是一种数据驱动的建模方法：针对机理不明、难以通过物理/化学规律直接推导模型的实际动态系统，通过设计实验获取系统的输入输出数据，提取系统的动态特性与输入输出映射关系，建立可用于仿真、控制、预测、故障诊断的数学模型。它与机理建模（白箱建模）互补，二者结合形成的灰箱建模（半机理半数据驱动）是当前工业界主流的建模方案。
系统辨识的核心内容围绕“数据-模型-验证”的全流程展开，核心模块包括：
1.1 模型类与结构设计
这是辨识的前提，核心包括：线性/非线性、连续/离散、时域/频域、参数化/非参数化模型的选型；单输入单输出（SISO）/多输入多输出（MIMO）模型结构确定（如传递函数、状态空间、ARX/ARMAX、Hammerstein-Wiener等）；模型阶次/复杂度的确定准则研究。
1.2 辨识实验设计
核心是获取能充分激励系统全动态特性的高质量观测数据，包括：激励信号设计（需满足持续激励条件）、开环/闭环实验方案设计、采样频率与实验时长优化、测点布局与数据采集抗干扰方案设计。
1.3 数据预处理理论与方法
消除原始数据缺陷对辨识结果的干扰，核心包括：野值剔除、趋势项去除、数据归一化/标准化、滤波去噪、训练集/验证集划分等。
1.4 参数估计算法
这是系统辨识的核心算法模块，研究给定模型结构下，基于数据求解模型未知参数的最优估计算法，涵盖最小二乘类、极大似然、预报误差法、子空间辨识、非线性估计算法，以及在线递推辨识、时变系统辨识算法。
1.5 模型验证与性能评估
研究辨识模型的有效性、泛化能力的评估准则与方法，核心包括：残差白噪声检验、交叉验证、拟合优度评估、时域/频域特性匹配度验证、面向应用场景的终极性能测试。
1.6 噪声与扰动建模
针对实际系统的测量噪声与过程扰动，研究扰动的统计特性建模，解决有色噪声下的无偏估计问题，核心包括AR/MA/ARMA噪声模型辨识、扰动观测与补偿方法。
系统辨识方法可按模型特性、算法原理分为四大类，覆盖从经典线性到现代非线性、从离线到在线的全场景。
2.1 经典非参数化辨识方法
无需预先设定模型的参数化结构，直接从数据中提取系统的非参数模型，适用于机理不明、先验知识少的场景，也是模型结构初选的常用手段。
时域非参数方法：阶跃响应法（飞升曲线法）、脉冲响应法、相关分析法；
频域非参数方法：正弦扫频法、谱分析法（基于FFT的功率谱/互功率谱计算）。
2.2 线性系统参数化辨识方法
针对线性时不变系统，预先确定模型的参数化结构，仅估计未知参数，是工业控制、系统建模中最成熟、应用最广的方法。
最小二乘（LS）系列算法：普通最小二乘、加权最小二乘、递推最小二乘（RLS，在线辨识核心）、广义最小二乘（GLS）、辅助变量法（IV）、增广最小二乘（ELS）；
统计估计类算法：极大似然法（ML）、贝叶斯辨识方法、卡尔曼滤波辨识法；
统一框架类算法：预报误差法（PEM，参数化辨识的通用框架，最小二乘、极大似然均为其特例）；
MIMO系统专属方法：子空间辨识法（SIM，多变量状态空间模型辨识的主流方法）。
2.3 非线性系统辨识方法
针对工业中广泛存在的非线性动态系统，是当前辨识领域的研究与应用热点。
块结构非线性模型辨识：工业界最常用方案，包括Hammerstein模型、Wiener模型、Hammerstein-Wiener模型，结构清晰、物理意义明确；
非线性参数化模型辨识：NARMAX模型辨识、Volterra级数辨识、非线性最小二乘（NLS）、非线性预报误差法；
智能数据驱动辨识方法：基于神经网络、模糊系统、高斯过程回归、深度学习（LSTM、Transformer）的辨识方法，适用于强非线性、机理完全未知的复杂系统；
灰箱辨识方法：结合机理模型与数据驱动，固定机理推导的模型结构，仅估计未知机理参数，兼顾可解释性与拟合精度。
2.4 特殊场景辨识方法
包括在线/时变系统的递推辨识方法、无法开环运行系统的闭环辨识方法、分布式系统辨识、鲁棒辨识等专用方法。
系统辨识是一个迭代优化的闭环工程流程，标准步骤分为7步，若模型验证不通过，需返回对应环节迭代优化，直至满足应用需求。
步骤1：明确辨识目标与先验知识分析
确定辨识的最终用途（仿真、控制器设计、预测、故障诊断等），明确对模型精度、复杂度、实时性的要求；梳理系统的机理特性、工作范围、输入输出约束、噪声来源等先验信息，为全流程提供基础。
步骤2：辨识实验设计与数据采集
设计满足持续激励条件的输入信号（如PRBS伪随机序列、正弦扫频信号）；确定开环/闭环实验方案、采样频率（通常为系统截止频率的5~10倍）、实验时长与测点布局；实施实验，同步采集输入、输出数据，记录工况与扰动信息。
步骤3：数据预处理
清洗原始数据，核心工作包括：剔除野值（异常跳变数据）、去除直流漂移与慢变趋势项、数据归一化/标准化（消除量纲影响）、滤波去噪、按7:3~8:2比例划分为训练集与验证集。
步骤4：模型结构选择与阶次确定
基于辨识目标、先验知识与数据特性，选定模型类型（线性/非线性、连续/离散等）与具体结构；通过AIC/BIC准则、F检验、残差方差分析等方法，确定最优模型阶次/状态维数，平衡拟合精度与复杂度，避免过拟合。
步骤5：模型参数估计
基于训练集数据，选择适配的算法求解模型未知参数：离线场景选用批处理算法（最小二乘、极大似然、子空间辨识等）；在线/时变场景选用递推算法（RLS、遗忘因子递推算法等）；针对有色噪声、非线性场景优化算法，保证参数估计的无偏性与收敛性。
步骤6：模型验证与性能评估
检验模型的有效性与适用性，核心验证方法包括：
（1）残差检验：检验模型预报残差是否为零均值白噪声，判断是否提取了系统全部动态信息；
（2）交叉验证：用验证集数据计算拟合优度（NRMSE、R²等），评估模型泛化能力；
（3）特性匹配验证：对比模型与实际系统的阶跃响应、频率响应的匹配度；
（4）终极验证：针对辨识的最终用途，测试模型的实际性能。
步骤7：模型修正与迭代优化
若模型验证不通过，定位问题并迭代优化：拟合精度不足则重新选择模型结构；残差有偏、泛化能力差则优化数据预处理或补充实验数据；终极性能不达标则重新对齐辨识目标，调整全流程方案，直至模型满足应用需求。
系统辨识作为动态系统数据驱动建模的核心技术，是连接控制理论与工程实际的关键桥梁，核心解决机理建模难、控制精度不足、动态预测不准、故障难提前预警的行业痛点，其应用覆盖工业、航空航天、能源、医疗、交通、环境、金融等几乎所有涉及动态系统分析、控制、优化、预测的领域，核心应用场景如下。
4.1 工业过程控制与智能制造
这是系统辨识的传统主战场，也是工业自动化升级的核心底层技术，几乎所有先进工业控制系统都依赖辨识建模支撑。
（1）先进过程控制（APC）与模型预测控制（MPC）
针对化工精馏塔、石化裂解炉、冶金高炉、造纸机、半导体晶圆制造等强耦合、非线性、机理复杂的工业过程，通过系统辨识建立多变量动态模型，支撑MPC等先进控制算法落地，实现生产过程的精准控制，显著提升产品合格率、降低能耗与物耗，是炼油、化工、冶金行业的标配技术。
（2） 智能制造与数字孪生
结合机理建模与系统辨识，构建工业装备、生产线、工厂的高精度数字孪生体，解决纯机理模型与实际设备偏差大的问题，实现产线虚拟调试、运行工况优化、远程运维与全生命周期管理，广泛应用于汽车制造、高端装备、离散加工等领域。
（3） 装备故障诊断与健康管理（PHM）
通过辨识系统动态特性的参数变化，提取设备的故障特征，实现故障的提前预警与定位。典型应用包括数控机床、电机、齿轮箱、工业泵阀的磨损/老化监测，风电/光伏装备的性能退化评估，相比传统阈值报警，具备更早的预警周期与更高的诊断准确率。
（4）机器人与精密运动控制
工业机器人、协作机器人、高精度运动平台的动力学参数辨识，包括连杆惯量、摩擦系数、传动刚度、负载特性等参数的精准辨识，优化伺服控制算法与轨迹规划，大幅提升机器人的轨迹跟踪精度、负载能力与运动平稳性，是高端工业机器人、光刻机工件台等精密装备的核心技术。
4.2 航空航天与国防军工
该领域对模型精度、鲁棒性、可靠性要求极高，系统辨识是飞行器设计、控制律优化、在轨运维的核心支撑技术。
（1）飞行器气动与动力学建模
通过飞行试验、风洞试验数据，辨识飞机、无人机、高超声速飞行器、火箭的气动导数、稳定性导数与动力学参数，修正机理模型的偏差，优化飞控系统的控制律，解决高超声速飞行、大迎角机动等极端工况下机理建模误差大的问题，保障飞行稳定性与操控性。
（2）航天器在轨辨识与控制
卫星、空间站的姿态动力学模型辨识、挠性附件振动特性辨识、空间环境扰动建模，优化姿态控制精度，降低燃料消耗，延长在轨寿命；同时用于航天器在轨故障诊断、结构健康监测。
（3）航空/火箭发动机建模与控制
针对航空发动机、液体火箭发动机这一强非线性、强耦合、时变的复杂系统，通过辨识建立全包线动态模型，用于控制律设计、性能退化监测、喘振边界预测与故障预警，提升发动机的可靠性、推力效率与燃油经济性。
（4）制导与导航系统优化
惯性导航系统的误差模型辨识，补偿陀螺、加速度计的随机漂移与系统误差，大幅提升导航精度；导弹制导系统的动态模型辨识，优化制导律，提升复杂环境下的命中精度。
4.3 能源电力系统
随着新型电力系统建设、新能源大规模并网，系统辨识成为保障电网安全、提升能源利用效率的关键技术。
（1）电力系统稳定分析与控制
开展电网负荷建模、同步发电机动态参数辨识、风电/光伏新能源场站的并网动态模型辨识，支撑电网暂态稳定分析、低频振荡抑制、继电保护整定与广域协调控制，解决高比例新能源接入带来的电网惯量降低、稳定裕度下降的核心问题，保障大电网安全稳定运行。
（2）新能源装备建模与优化
风力发电机组的气动特性、传动系统动力学辨识，优化变桨控制与最大功率点跟踪（MPPT）算法，提升发电效率，降低机组疲劳载荷；光伏逆变器、储能变流器的动态模型辨识，优化并网控制策略，提升低电压穿越能力，抑制谐波干扰。
（3）储能与热力系统优化
锂电池、液流电池、氢储能系统的等效电路模型与电化学模型辨识，用于电池荷电状态（SOC）、健康状态（SOH）的精准估计，优化充放电控制与热管理策略，提升储能系统的寿命与安全性；火电锅炉、汽轮机的协调控制系统辨识，优化机组运行效率，降低煤耗。
（4）建筑节能与综合能源系统
楼宇暖通空调（HVAC）系统的动态模型辨识，优化空调、采暖、新风的协同节能控制，降低建筑能耗；园区综合能源系统的多能流动态建模，实现电、热、冷、气的协同调度，提升能源综合利用效率。
4.4 生物医药与医疗健康
系统辨识是生理系统建模、精准医疗、医疗设备优化的核心工具，解决人体复杂生理系统的个性化建模难题。
（1）生理系统建模与精准医疗
血糖-胰岛素动态系统辨识，构建糖尿病患者的个性化血糖预测模型，支撑人工胰腺的闭环胰岛素注射控制，是1型糖尿病精准治疗的核心技术；心血管系统血流动力学模型辨识，用于高血压、心力衰竭的病理分析、个性化用药方案优化与术后康复评估。
（2）药物动力学/药效动力学（PK/PD）建模
通过系统辨识构建药物在人体内的吸收、分布、代谢、排泄动态模型，以及药物剂量-效应关系模型，优化抗肿瘤药物、抗生素、精神类药物的给药方案，实现个性化给药，在提升药效的同时大幅降低毒副作用。
（3）康复工程与医疗设备优化
康复机器人的人体运动系统辨识，适配患者的肢体运动能力与康复进程，优化康复训练方案；人工耳蜗的声学-神经传导路径辨识，优化信号处理算法，提升听力补偿效果；脑机接口的神经动态系统辨识，提升脑电信号的解码精度与响应速度。
4.5 智能交通与自动驾驶
系统辨识是自动驾驶车辆控制、智能交通调度的核心底层技术，直接决定自动驾驶的安全性与舒适性。
（1）车辆动力学建模与自动驾驶控制
乘用车、商用车的整车动力学模型辨识，包括轮胎动力学、车身惯量、转向系统、制动系统、悬架系统的参数精准辨识，支撑自动驾驶的轨迹跟踪控制、车身稳定控制（ESC）、自适应巡航（ACC）、自动紧急制动（AEB）等算法开发，尤其提升冰雪、湿滑等极端工况下的车辆操控安全性。
（2）轨道交通系统优化
高铁、地铁列车的牵引/制动系统、弓网系统的动态模型辨识，优化列车自动驾驶（ATO）控制，提升列车停车精度、运行平稳性与能耗效率；同时用于列车轮对、轨道的故障预警与健康管理。
（3）智能交通流建模与调度
宏观/微观交通流动态系统辨识，构建路网交通流预测模型，用于智能交通信号协同控制、拥堵预警、路网通行能力优化，大幅提升城市路网的通行效率。
4.6 环境科学与生态系统
流域降雨-径流系统辨识，用于洪水预报、水库优化调度与水资源管理；大气污染物扩散动态模型辨识，用于空气质量预报、污染源溯源与重污染天气应急调控；湖泊富营养化、生态系统动力学辨识，支撑生态修复方案设计与效果评估。
4.7 经济金融与社会系统
金融时间序列动态建模，通过ARMAX、NARMAX等辨识模型，构建股票、期货、汇率的价格预测与波动率模型，用于量化交易与风险对冲；宏观经济系统动态辨识，用于经济增长预测、货币政策与财政政策的效果评估；传染病传播动态系统辨识，用于疫情传播趋势预测与防控政策优化。
4.8 声学与信号处理
主动降噪系统的声学路径辨识，是头戴式降噪耳机、汽车座舱主动降噪、工业噪声治理的核心技术；语音信号的声道模型辨识，用于语音合成、语音识别与说话人识别；水下声学系统辨识，用于声呐探测、水下通信与水下机器人控制。
随着大数据、人工智能技术的发展，传统系统辨识与深度学习、高斯过程回归等智能算法深度融合，其应用边界仍在持续拓展，是复杂系统智能化升级的核心底层技术之一。