参数辨识方法论：台架标定经验如何迁移到机器人关节

2026-08-30参数辨识 · 系统辨识 · 最小二乘 · MTPA · 机器人 · 数据驱动

开篇：先划清”我做过”和”我在学”的边界

如果问 4 年台架标定给我留下的最可迁移的能力，我的答案是参数辨识——把”被控对象长什么样”这件事，用实验数据回答清楚。但写这篇笔记前，我要先诚实划一条线：

我大量实践过的：台架扫点 → 查表拟合 MAP（MTPA 表、前馈表、弱磁表）——这是我最熟的辨识形态；
我在补课掌握的：阶跃响应法、最小二乘（含递推 RLS）、扫频辨识——方法论我理解了、代码跑通了，但还没在量产项目里大量用过。

这条边界我必须讲清楚：面试官追问”这个你实际用过吗”时，不能虚标。本文按这个边界组织：先讲我的实践（查表拟合 MAP），再讲方法论工具箱（面试必考），最后讲迁移。

1. 参数辨识的本质：一个”建模 → 实验 → 修正”的循环

不管哪种方法，本质都是同一个循环：

$\underbrace{\text{建模}}_{\text{选模型结构}} \rightarrow \underbrace{\text{激励}}_{\text{设计实验}} \rightarrow \underbrace{\text{采集}}_{\text{拿数据}} \rightarrow \underbrace{\text{拟合}}_{\text{解参数}} \rightarrow \underbrace{\text{验证}}_{\text{残差/交叉验证}} \rightarrow \underbrace{\text{闭环}}_{\text{放进控制器看效果}}$

辨识的成败 80% 在前两步：模型结构选错、激励设计不好，再好的算法也白搭。这是我在台架上最深的体会。

2. 我的实践：台架扫点 → 查表拟合 MAP

2.1 我在台架上实际做的

我 4 年标定工作里最常用的辨识形态，是设计工况矩阵 → 台架扫点 → 查表/拟合生成 MAP：

MTPA 表：在不同转速/负载下扫描 $i_d$ 网格，找每个工作点的最优励磁电流，生成 $i_d^* = f_{MTPA}(T_e^*)$ 查表；
前馈表：反电动势/交叉耦合补偿参数、MTPA 前馈表的标定；
弱磁表：高速区电压受限下的电流分配曲线。

这三张表本质都是”用实测数据把电机的非线性特性装进表里”——它比纯解析公式更准，因为实测数据天然包含磁路饱和、温度漂移等一切模型说不清的非线性（相关实现见《从 INCA flow 到 Python》，我把它自动化了）。

2.2 为什么”查表”也是一种辨识

有人会觉得查表”不算算法”。我的理解是：查表是把”被控对象的非线性静态特性”离散化辨识出来，它和最小二乘拟合本质是一件事的两个实现——一个存成表、一个存成系数，区别只在内存/精度/外推能力的权衡。我在《前馈控制》里讲过的那次主导改进（MTPA 前馈从公式拟合改为查表插值）就是例证：公式拟合在外推区误差放大，查表用实测数据兜住非线性。

3. 方法论工具箱（我在补课掌握）

3.1 阶跃响应法：最快的粗辨识

给系统一个阶跃，从响应曲线直接读出增益与时间常数。一阶对象 $G(s) = \dfrac{K}{\tau s + 1}$ 的阶跃响应：

$y(t) = K \cdot \Delta u \cdot \left(1 - e^{-t/\tau}\right)$

工程速读： $t = \tau$ 时达到稳态的 63.2%； $t = 3\tau$ 时约 95%。用这两个点就能反推 $K$ 和 $\tau$ ：

def fit_first_order(t, y, u_step):
    """从阶跃响应拟合 K 和 τ（用 63.2% 法则）"""
    K = (y[-1] - y[0]) / u_step          # 稳态增益
    target = y[0] + 0.632 * (y[-1] - y[0])
    i = next(i for i, v in enumerate(y) if v >= target)
    tau = t[i] - t[0]                    # 到达 63.2% 的时间 ≈ τ
    return K, tau

局限：只能得到低阶近似、抗噪一般——适合初值估计和”这系统大概什么量级”的判断。

3.2 最小二乘：最通用的回归框架

把系统写成回归形式 $y_k = \phi_k^{T} \theta$ ，离线批量解（最小化残差平方和 $\|Y - \Phi\theta\|^2$ ）：

$\hat{\theta} = (\Phi^{T} \Phi)^{-1} \Phi^{T} Y$

在线场景用递推最小二乘（RLS），每来一个数据点更新一次：

$\hat{\theta}_k = \hat{\theta}_{k-1} + K_k \varepsilon_k, \qquad K_k = \frac{P_{k-1} \phi_k}{\lambda + \phi_k^{T} P_{k-1} \phi_k}$

其中 $\varepsilon_k = y_k - \phi_k^{T} \hat{\theta}_{k-1}$ 是预测残差， $\lambda$ 是遗忘因子（越小越”健忘”，适合时变参数）：

import numpy as np

def rls_step(theta, P, phi, y, lam=0.98):
    eps = y - phi @ theta                  # 预测残差
    K = P @ phi / (lam + phi @ P @ phi)    # 增益
    theta = theta + K * eps                # 参数更新
    P = (P - np.outer(K, phi) @ P) / lam   # 协方差更新
    return theta, P

容易踩的坑（面试加分点）： $\Phi^{T}\Phi$ 病态（激励不充分/共线）时结果爆炸——所以激励设计比算法本身更重要；遗忘因子太小参数抖得厉害。

3.3 扫频辨识：频域视角

用正弦扫频激励对象，对输入输出做 FFT 得到 Bode 图，直接读出谐振峰、带宽、相位滞后。台架上定位”某转速段振动”这类问题时，扫频是利器；机器人上做关节柔性与结构共振分析同样靠它。频响 $H(j\omega) = \dfrac{Y(j\omega)}{U(j\omega)}$ ，用互功率谱估计更抗噪。

4. 完整辨识流程（六步，可复用）

建模：先想清楚要辨识什么、用什么模型结构（机理 vs 黑箱、几阶）；
激励设计：幅值、频带、工况覆盖要”足够丰富”——激励不好，再好的算法也白搭；
数据采集：采样同步、传感器标定、数据质量把关；
拟合：最小二乘/频域拟合/查表，得到参数；
交叉验证：用没参与拟合的数据验证；残差分析看模型结构；
闭环回归：把辨识结果放进控制器，看闭环指标是否改善——这是最终裁判。

5. 迁移到机器人关节

要辨识的参数	台架对应物	机器人对应实验
转动惯量 $J$	电驱惯量（加减速法）	关节正反转加减速，从角加速度与力矩反解
摩擦模型 $\tau_c, b$	摩擦补偿前馈标定	恒速运行测力矩-转速曲线，拟合库仑 + 粘滞
反电动势/力矩常数 $K_t$	反电动势测试	空载恒速测母线电压，或力矩-电流标定
延时与带宽	电流环带宽整定	频率响应测试（扫频）

关节伺服和电驱一样，惯量/摩擦/力矩常数是前馈和整定的地基——参数不准，重力补偿和惯性前馈全是错的（见《前馈控制》迁移部分）。

6. 与”电控 × AI”的接口

参数辨识天然是数据驱动的，这正是我理解的”电控 × AI”落点：参数自学习 / 自整定——用在线辨识（RLS 这类）让控制器参数随工况自适应。对应易控智驾 JD 原话：“控制参数自学习算法探索落地”。我的自动化标定平台（《从 INCA flow 到 Python》）已经把”数据采集 → 判定 → 迭代”流水线化，下一步就是把辨识算法接进这条流水线——离线查表 → 在线辨识，这是我明确的补课方向。