簡(jiǎn)介基于Observer狀態(tài)觀測(cè)器法實(shí)現(xiàn)的氣動(dòng)力辨識(shí)程序聚焦航空航天與飛行控制領(lǐng)域面向需要從飛行器動(dòng)態(tài)行為中估計(jì)升力、阻力、側(cè)向力等難以直接測(cè)量參數(shù)的研究者或工程師解決氣動(dòng)模型建立與參數(shù)辨識(shí)難題。資源為ZIP格式壓縮包僅含1個(gè).m源文件大小約2KB代碼精簡(jiǎn)但覆蓋完整流程從線性化氣動(dòng)力模型與狀態(tài)方程建立到Observer增益矩陣設(shè)計(jì)、參數(shù)迭代更新及結(jié)果可視化展示核心算法一目了然。目前已有171人學(xué)習(xí)適合對(duì)現(xiàn)代控制理論中的狀態(tài)估計(jì)、Lyapunov穩(wěn)定性方法以及MATLAB數(shù)值計(jì)算有一定基礎(chǔ)希望復(fù)現(xiàn)或擴(kuò)展氣動(dòng)力辨識(shí)算法的使用者。程序依據(jù)穩(wěn)定性判據(jù)選取增益可配合飛行實(shí)測(cè)數(shù)據(jù)位置、速度、加速度不斷修正估計(jì)值辨識(shí)結(jié)果可用于飛行控制系統(tǒng)反饋設(shè)計(jì)同時(shí)包含去噪、濾波等預(yù)處理環(huán)節(jié)為后續(xù)自適應(yīng)辨識(shí)與氣動(dòng)性能分析提供了可運(yùn)行、易修改的起點(diǎn)。1. 為什么氣動(dòng)力辨識(shí)繞不開Observer法從mine_observer這個(gè)程序標(biāo)題說(shuō)起氣動(dòng)力辨識(shí)本質(zhì)上是從飛行試驗(yàn)的時(shí)間序列里反算氣動(dòng)導(dǎo)數(shù)。傳統(tǒng)做法是把整段數(shù)據(jù)交給最小二乘一次擬合出俯仰力矩導(dǎo)數(shù)、升力斜率這些系數(shù)而Observer法標(biāo)題里拼成observor實(shí)際是observer的變體寫法走的是另一條路——把未知?dú)鈩?dòng)系數(shù)擴(kuò)充為狀態(tài)讓卡爾曼濾波在每一個(gè)采樣點(diǎn)用模型預(yù)測(cè)和實(shí)測(cè)殘差去修正它們參數(shù)軌跡是隨時(shí)間逐步收斂出來(lái)的而不是一次性算出來(lái)的。mine_observer是一個(gè)作者自研的氣動(dòng)力辨識(shí)程序這類自研程序最大的價(jià)值不是替代風(fēng)洞實(shí)驗(yàn)而是在面對(duì)動(dòng)壓變化劇烈、數(shù)據(jù)段短、非平穩(wěn)的實(shí)測(cè)數(shù)據(jù)時(shí)依然能給出帶置信度的參數(shù)估計(jì)過(guò)程。下文會(huì)從一個(gè)簡(jiǎn)化縱向短周期模型入手把狀態(tài)空間建模、EKF實(shí)現(xiàn)、參數(shù)整定和典型翻車場(chǎng)景一次說(shuō)透。內(nèi)容適合剛接觸飛行力學(xué)辨識(shí)的工程師和學(xué)生也適合對(duì)最小二乘結(jié)果不放心、想用第二種方法做交叉驗(yàn)證的熟手。你會(huì)看到Observer法并不神秘但它的成敗更多取決于模型結(jié)構(gòu)和激勵(lì)信號(hào)而不是濾波器本身。2. 先把模型寫對(duì)Observer法辨識(shí)氣動(dòng)導(dǎo)數(shù)的狀態(tài)空間基礎(chǔ)2.1 從縱向短周期方程說(shuō)起哪些導(dǎo)數(shù)該進(jìn)狀態(tài)向量要做Observer法辨識(shí)第一步不是寫代碼而是把飛機(jī)的運(yùn)動(dòng)方程改造成“狀態(tài)-參數(shù)聯(lián)合系統(tǒng)”。以固定翼縱向短周期近似為例小擾動(dòng)線性化后的力與力矩方程可以寫成α? q Z_α / V · α Z_δe / V · δeq? M_α · α M_q · q M_δe · δe這里α是迎角q是俯仰角速率δe是升降舵偏角V是飛行速度。Z_α、M_α這些量帶量綱分別是Z方向氣動(dòng)導(dǎo)數(shù)對(duì)質(zhì)量和速度的合成以及俯仰力矩導(dǎo)數(shù)對(duì)轉(zhuǎn)動(dòng)慣量的合成。實(shí)際換算關(guān)系是M_α q?Sc C_mα / I_yZ_α -q?S C_Lα / m符號(hào)約定以你手頭教材為準(zhǔn)。程序里不必每次都展開這些物理量但必須保證單位統(tǒng)一角度全部換弧度速度用m/s時(shí)間用秒。Observer法的核心做法是把K個(gè)待辨識(shí)參數(shù)并入狀態(tài)向量。例如取x [α, q, Z_α, M_α, M_q, M_δe]?前兩個(gè)是運(yùn)動(dòng)狀態(tài)后四個(gè)是被辨識(shí)參數(shù)。參數(shù)在建模時(shí)被視為“隨機(jī)游走”當(dāng)前步參數(shù)等于上一步參數(shù)加一個(gè)小擾動(dòng)。擴(kuò)維后的系統(tǒng)寫成x? f(x, δe)其中參數(shù)分量對(duì)應(yīng)的導(dǎo)數(shù)為0運(yùn)動(dòng)狀態(tài)分量則依賴參數(shù)本身。這個(gè)系統(tǒng)非線性程度不高但有一個(gè)重要特征參數(shù)對(duì)輸出α、q的靈敏度隨時(shí)間變化。濾波算法正是利用這種靈敏度把預(yù)測(cè)殘差投影到參數(shù)方向上去修正估計(jì)值。選哪些參數(shù)進(jìn)狀態(tài)向量是這一步最容易出問(wèn)題的地方。常見(jiàn)做法是只納入當(dāng)前模態(tài)下激勵(lì)充分的導(dǎo)數(shù)縱向短周期對(duì)C_Lα、C_mα、C_mq、C_mδe敏感阻力系數(shù)、側(cè)向靜導(dǎo)數(shù)在這個(gè)模態(tài)下幾乎不被激勵(lì)。硬塞進(jìn)狀態(tài)向量可觀測(cè)性矩陣會(huì)出現(xiàn)近似的零奇異值雅可比矩陣數(shù)值上能求逆但濾波結(jié)果會(huì)表現(xiàn)為參數(shù)漂移或者幾個(gè)參數(shù)互相補(bǔ)償。我一般會(huì)先跑一次最小二乘或偽逆看每個(gè)參數(shù)的估計(jì)方差方差數(shù)量級(jí)差超過(guò)兩個(gè)數(shù)量級(jí)的參數(shù)就固定住只留敏感項(xiàng)進(jìn)Observer法。2.2 三種Observer結(jié)構(gòu)對(duì)比龍伯格、EKF和滑模觀測(cè)器Observer法在氣動(dòng)力辨識(shí)里并不專指某一種濾波器。工程上常見(jiàn)的有三類先看對(duì)比表結(jié)構(gòu)模型要求噪聲假設(shè)計(jì)算量辨識(shí)特點(diǎn)龍伯格觀測(cè)器線性定常不需要明確Q/R最小極點(diǎn)配置整定收斂速度對(duì)量測(cè)噪聲敏感擴(kuò)展卡爾曼濾波EKF可微分非線性需要過(guò)程噪聲Q、量測(cè)噪聲R中狀態(tài)與參數(shù)聯(lián)合估計(jì)工程最常見(jiàn)滑模觀測(cè)器不確定非線性不需要中大對(duì)建模誤差魯棒但抖振會(huì)污染參數(shù)軌跡龍伯格觀測(cè)器適合數(shù)據(jù)干凈、模型已經(jīng)線性化好的場(chǎng)景。把參數(shù)也當(dāng)作狀態(tài)時(shí)系統(tǒng)矩陣變成時(shí)變非線性此時(shí)EKF是更通用的選擇。EKF每一步做兩件事用當(dāng)前估計(jì)的模型做一步預(yù)測(cè)然后用實(shí)測(cè)輸出與預(yù)測(cè)輸出的差值乘以卡爾曼增益修正所有狀態(tài)。這里的殘差innovation本身就是辨識(shí)質(zhì)量的天然監(jiān)控指標(biāo)后面第5章會(huì)用到這一點(diǎn)?；Ｓ^測(cè)器在氣動(dòng)力辨識(shí)中的案例不太多。它不需要精確的概率統(tǒng)計(jì)模型但切換增益帶來(lái)的抖振會(huì)直接進(jìn)入?yún)?shù)估計(jì)值最后畫出來(lái)的參數(shù)軌跡像一條毛邊很大的帶子難以收斂到干凈數(shù)值。如果建模誤差本身很小不建議第一個(gè)版本上滑模等EKF跑通、確認(rèn)殘差主要是噪聲而非模型誤差時(shí)再考慮用滑模做魯棒性對(duì)比。這是階段性的取舍不是一上來(lái)就把所有工具鋪開。2.3 可觀測(cè)性與持久激勵(lì)為什么有的參數(shù)咋調(diào)都不收斂把參數(shù)擴(kuò)進(jìn)狀態(tài)后第一個(gè)要回答的問(wèn)題是這套“狀態(tài)參數(shù)”系統(tǒng)可觀測(cè)嗎線性時(shí)變系統(tǒng)可以構(gòu)造Gramian矩陣來(lái)檢查但工程上更直接的手段是看參數(shù)對(duì)輸出靈敏度的數(shù)值。以M_α為例參數(shù)通過(guò)方程q? … M_α · α影響q而q又被直接測(cè)量M_α的可見(jiàn)性取決于α的時(shí)變程度如果升降舵激勵(lì)信號(hào)讓?duì)潦冀K在平衡點(diǎn)附近小幅度波動(dòng)參數(shù)方向的靈敏度幅值會(huì)很低濾波器幾乎得不到關(guān)于M_α的信息。這不是算法問(wèn)題是信息不足。所以激勵(lì)信號(hào)設(shè)計(jì)和Observer法辨識(shí)本身同等重要。常見(jiàn)信號(hào)有兩種3211多級(jí)階躍和線性掃頻。3211信號(hào)波形簡(jiǎn)單、易于復(fù)現(xiàn)缺點(diǎn)是頻帶集中在特定頻段掃頻信號(hào)能更均勻地覆蓋頻帶但幅度控制不好容易飛出線性區(qū)域。我一般建議先跑一段仿真閉環(huán)用同一組信號(hào)對(duì)比EKF收斂效果再?zèng)Q定實(shí)測(cè)方案。一個(gè)很常見(jiàn)的坑用自然擾動(dòng)數(shù)據(jù)做辨識(shí)輸入功率譜密度太窄最后EKF輸出的M_α和M_q交替上升、結(jié)果完全失真。這不是Observer法玄學(xué)而是持久激勵(lì)persistently exciting條件未滿足。判定方法很簡(jiǎn)單把歸一化信息矩陣的特征值算出來(lái)最大與最小特征值比值超過(guò)幾個(gè)數(shù)量級(jí)就說(shuō)明激勵(lì)不夠需要重新設(shè)計(jì)信號(hào)。這一節(jié)沒(méi)有代碼但它是后面所有程序參數(shù)能否有意義的前提。3. 把程序跑起來(lái)EKF型Observer法的代碼實(shí)現(xiàn)與參數(shù)設(shè)置3.1 輸入數(shù)據(jù)長(zhǎng)什么樣試飛時(shí)間序列的組織與預(yù)處理mine_observer這類程序的輸入通常是一個(gè)四列文本時(shí)間t、迎角α、俯仰角速率q、升降舵偏角δe。先看前幾十行確認(rèn)沒(méi)有缺失值和跳變。迎角傳感器容易被氣流擾動(dòng)污染尖峰要去掉但不要平滑過(guò)頭——過(guò)度平滑會(huì)壓縮高頻信息而高頻恰好包含了短周期氣動(dòng)力矩的辨識(shí)成分。我一般用3點(diǎn)中值濾波配合輕度低通低通截止頻率取激勵(lì)信號(hào)最高頻率的5倍以上。采樣率方面短周期模態(tài)頻率通常在1~10 rad/s量級(jí)飛機(jī)不同差異很大以自己模型的短周期自然頻率為準(zhǔn)建議采樣率至少為該頻率的20倍100Hz是常見(jiàn)起步值。如果原始數(shù)據(jù)只有20HzEKF在參數(shù)更新上會(huì)顯得粘滯寧愿做升采樣加濾波也不要直接跑否則每一步預(yù)測(cè)誤差被積分放大后參數(shù)軌跡會(huì)出現(xiàn)鋸齒。注意單位換算是數(shù)據(jù)預(yù)處理里最容易翻車的一環(huán)。迎角若存的是角度deg而運(yùn)動(dòng)方程用的是弧度M_α估計(jì)值會(huì)整體偏差約57.3倍。老程序里這類單位混用幾乎是最常見(jiàn)的“神秘bug”。我的習(xí)慣是在代碼開頭顯式聲明所有物理量單位用注釋寫清楚并把轉(zhuǎn)換后的數(shù)據(jù)畫一張快速預(yù)覽圖確認(rèn)量級(jí)合理再進(jìn)辨識(shí)。這一步做得越細(xì)后面排錯(cuò)的時(shí)間越短。3.2 一個(gè)可直接運(yùn)行的EKF辨識(shí)核心代碼與逐段說(shuō)明先用一組已知真值生成模擬數(shù)據(jù)用來(lái)驗(yàn)證Observer法程序本身沒(méi)有邏輯錯(cuò)誤。模擬系統(tǒng)就用2.1節(jié)的狀態(tài)方程疊加高斯量測(cè)噪聲import numpy as np dt 0.01 t np.arange(0, 20.0, dt) N len(t) # 升降舵激勵(lì)掃描頻率從0.2Hz到2.0Hz疊加一個(gè)小階躍 de_cmd (0.12 * np.sin(2 * np.pi * (0.2 (2.0 - 0.2) * t / (2 * 20.0)) * t) 0.03 * (t 15.0)) # 模擬真實(shí)飛機(jī)短周期狀態(tài)方程真值參數(shù) V 70.0 Za_true -22.4 Ma_true -4.5 Mq_true -1.8 Mde_true -12.0 alpha np.zeros(N) q np.zeros(N) for k in range(N - 1): dalpha q[k] (Za_true / V) * alpha[k] dq Ma_true * alpha[k] Mq_true * q[k] Mde_true * de_cmd[k] alpha[k 1] alpha[k] dalpha * dt q[k 1] q[k] dq * dt # 加量測(cè)噪聲alpha約0.1degq約0.5deg/s alpha_meas alpha np.random.normal(0, 0.1 * np.pi / 180, N) q_meas q np.random.normal(0, 0.5 * np.pi / 180, N)代碼邏輯說(shuō)明模擬數(shù)據(jù)用歐拉法積分積分步長(zhǎng)與采樣間隔相同。這里的Z_δe項(xiàng)被刻意省略模擬系統(tǒng)和后面EKF使用的模型結(jié)構(gòu)一致避免“模型結(jié)構(gòu)誤差”干擾對(duì)程序本身的驗(yàn)證。如果你想驗(yàn)證算法對(duì)模型誤差的魯棒性可以在這一步另加一項(xiàng)Z_δe·δe的影響觀察辨識(shí)結(jié)果如何偏移那是4.x節(jié)討論的問(wèn)題。下面是EKF核心實(shí)現(xiàn)。狀態(tài)向量為x [α, q, Z_α, M_α, M_q, M_δe]?參數(shù)用隨機(jī)游走建模# 連續(xù)時(shí)間狀態(tài)方程參數(shù)分量的導(dǎo)數(shù)為0 def f_dyn(x, de, V): alpha, q x[0], x[1] Za, Ma, Mq, Mde x[2], x[3], x[4], x[5] dalpha q (Za / V) * alpha dq Ma * alpha Mq * q Mde * de return np.array([dalpha, dq, 0.0, 0.0, 0.0, 0.0]) # 歐拉離散后對(duì)x的雅可比F I A * dt def jacobian_F(x, de, V, dt): alpha, q x[0], x[1] Za x[2] A np.array([ [Za / V, 1.0, alpha / V, 0.0, 0.0, 0.0], [x[3], x[4], 0.0, alpha, q, de], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0], [0.0, 0.0, 0.0, 0.0, 0.0, 0.0], ]) return np.eye(6) A * dt # 觀測(cè)矩陣觀測(cè)量是alpha和q def H_obs(): H np.zeros((2, 6)) H[0, 0] 1.0 H[1, 1] 1.0 return H def ekf_step(x, P, de, y, dt, V, Q, R): F jacobian_F(x, de, V, dt) x_pred x f_dyn(x, de, V) * dt P_pred F P F.T Q H H_obs() S H P_pred H.T R K P_pred H.T np.linalg.inv(S) y_pred np.array([x_pred[0], x_pred[1]]) innov y - y_pred x_new x_pred K innov P_new (np.eye(6) - K H) P_pred return x_new, P_new, innov def run_ekf(t, alpha_meas, q_meas, de_cmd, dt, V, x0, P0, Q, R): x np.array(x0, dtypefloat) P np.array(P0, dtypefloat) traj [] innovs [] for k in range(len(t)): y np.array([alpha_meas[k], q_meas[k]]) x, P, innov ekf_step(x, P, de_cmd[k], y, dt, V, Q, R) traj.append(x.copy()) innovs.append(innov.copy()) return np.array(traj), np.array(innovs)代碼邏輯說(shuō)明f_dyn返回的是連續(xù)時(shí)間導(dǎo)數(shù)歐拉預(yù)測(cè)用x f_dyn·dt一步完成參數(shù)分量導(dǎo)數(shù)寫0它們只靠Q中對(duì)應(yīng)元素提供隨機(jī)游走能力。雅可比矩陣中的第二行?q?/?M_α α、?q?/?M_q q、?q?/?M_δe δe這三項(xiàng)是參數(shù)方向靈敏度在雅可比矩陣?yán)锏膶?shí)體。如果手寫雅可比與數(shù)值差分對(duì)不上P矩陣很快會(huì)發(fā)散成NaN第4章會(huì)專門討論。run_ekf里每個(gè)采樣點(diǎn)調(diào)用一次ekf_step內(nèi)部順序是預(yù)測(cè)-算增益-更新。返回的traj是N行六列的數(shù)組每一行是當(dāng)前時(shí)刻的狀態(tài)加參數(shù)估計(jì)可以直接畫出來(lái)看參數(shù)隨時(shí)間的收斂過(guò)程。innovs數(shù)組務(wù)必保留后面做殘差白噪聲檢驗(yàn)要靠它。3.3 三個(gè)必須人工干預(yù)的參數(shù)Q、R與P0EKF不是完全自動(dòng)的工具有三個(gè)參數(shù)基本靠人工調(diào)節(jié)這也是大家常說(shuō)的“玄學(xué)區(qū)”參數(shù)作用起始設(shè)定調(diào)參方向Q中狀態(tài)部分(α, q)容忍模型誤差與狀態(tài)突變1e-4 ~ 1e-3殘差低頻偏大則增大Q中參數(shù)部分(Za, Ma, ...)決定參數(shù)跟蹤速度1e-8 ~ 1e-6參數(shù)收斂太慢增大抖動(dòng)過(guò)大減小R量測(cè)噪聲對(duì)應(yīng)傳感器噪聲方差α: (0.1°→rad)2q: (0.5°/s→rad/s)2按傳感器手冊(cè)取一般不亂動(dòng)P0初始協(xié)方差初始估計(jì)的不確定度狀態(tài)部分1e-4參數(shù)部分取初值平方的10倍參數(shù)初值不確定就再放大10倍Q參數(shù)部分的設(shè)計(jì)核心是一個(gè)矛盾給得太大參數(shù)會(huì)被每條殘差拽著走軌跡高頻抖動(dòng)給得太小參數(shù)慢吞吞20秒數(shù)據(jù)可能只走了一半?？焖倨鸩睫k法是先給中等量級(jí)1e-7看軌跡如果前5秒就猛烈震蕩降兩個(gè)數(shù)量級(jí)如果20秒還沒(méi)平升一個(gè)數(shù)量級(jí)。相比QR盡量信任傳感器手冊(cè)不要為了視覺(jué)美觀去壓R一旦R給得遠(yuǎn)小于真實(shí)噪聲濾波器會(huì)對(duì)殘差過(guò)度反應(yīng)參數(shù)軌跡一樣會(huì)抖動(dòng)。初值P0與x0的關(guān)系也容易踩坑。x0里的參數(shù)若給一個(gè)偏離真值較多的初值比如M_α初值給0P0對(duì)應(yīng)位置必須設(shè)置足夠大讓濾波器自信地修改它若P0給得太小濾波器認(rèn)為初值很可信參數(shù)只會(huì)緩慢移動(dòng)。常見(jiàn)做法是讓P0參數(shù)對(duì)角線取初值平方的10倍這就給了濾波器充分的“后悔藥”空間。4. 避坑與排查Observer法辨識(shí)結(jié)果“看起來(lái)對(duì)”但靠不住的時(shí)刻4.1 現(xiàn)象參數(shù)收斂但數(shù)值和已知數(shù)據(jù)系統(tǒng)性偏大這是最麻痹人的情況——參數(shù)軌跡都平了曲線光滑你以為成功了但對(duì)比氣動(dòng)數(shù)據(jù)發(fā)現(xiàn)M_α普遍偏大20%。原因多半不是濾波器錯(cuò)了而是配平點(diǎn)沒(méi)找準(zhǔn)。氣動(dòng)力辨識(shí)用的小擾動(dòng)方程是在某個(gè)平衡狀態(tài)附近線性化的如果數(shù)據(jù)段實(shí)際上帶一個(gè)穩(wěn)態(tài)舵偏或非零的俯仰角加速度模型里沒(méi)體現(xiàn)這個(gè)偏置M_α就要吸收這部分效應(yīng)。解決先用數(shù)據(jù)末段做平均估計(jì)穩(wěn)態(tài)α、q、δe把狀態(tài)和輸入都減去配平值再跑EKF或者在模型里加一個(gè)常數(shù)偏置項(xiàng)一起辨識(shí)看它是否顯著不為零。偏置項(xiàng)顯著時(shí)優(yōu)先修正配平。4.2 現(xiàn)象某個(gè)參數(shù)長(zhǎng)時(shí)間漂移永遠(yuǎn)不給穩(wěn)定值最常見(jiàn)的是M_q這類時(shí)間尺度與運(yùn)動(dòng)模態(tài)相近、又容易被其他參數(shù)補(bǔ)償?shù)牧俊Ｔ蚴菭顟B(tài)擴(kuò)維后兩個(gè)參數(shù)對(duì)同一條輸出軌跡有近似相同的貢獻(xiàn)信息矩陣近似奇異濾波器無(wú)法獨(dú)立分離它們。解決分三步先把參數(shù)軌跡和運(yùn)動(dòng)狀態(tài)軌跡畫在同一張圖觀察參數(shù)漂移是否與α或q的長(zhǎng)期趨勢(shì)相關(guān)再做敏感性分析逐一固定某個(gè)參數(shù)、讓其余參數(shù)辨識(shí)比較殘差平方和找出那個(gè)“被掩蓋”的參數(shù)最后補(bǔ)充包含更豐富頻帶的激勵(lì)數(shù)據(jù)。這里要記住Observer法和最小二乘一樣受制于信息量不要指望算法能創(chuàng)造數(shù)據(jù)里不存在的信息。4.3 現(xiàn)象協(xié)方差矩陣在某一刻變成NaN這個(gè)現(xiàn)象幾乎總能追溯到雅可比矩陣寫錯(cuò)。我遇到過(guò)的一種典型錯(cuò)誤狀態(tài)方程里q? M_α·α M_q·q M_δe·δe被寫成q? M_α·α M_q·q M_δe忘了乘δe于是?q?/?M_δe變成了0而狀態(tài)里又有M_δe這一維濾波器認(rèn)為這個(gè)參數(shù)毫無(wú)可見(jiàn)性P中對(duì)應(yīng)行會(huì)在幾百步內(nèi)被數(shù)值誤差打崩。解決寫一個(gè)腳本對(duì)jacobian_F做中心差分校驗(yàn)比較解析F與數(shù)值F的每個(gè)元素容差取1e-6。另一個(gè)常見(jiàn)誘因是Q或R非正定比如對(duì)角線出現(xiàn)負(fù)數(shù)或者零加上浮點(diǎn)精度問(wèn)題進(jìn)主循環(huán)前檢查所有特征值大于零。4.4 現(xiàn)象仿真數(shù)據(jù)能收斂實(shí)測(cè)數(shù)據(jù)一上來(lái)就發(fā)散仿真的輸出是“干凈”的因?yàn)槟Ｐ秃蜑V波器里的模型完全一致實(shí)測(cè)數(shù)據(jù)攜帶結(jié)構(gòu)誤差——?dú)鈩?dòng)滯后、彈性模態(tài)、傳感器安裝角偏差全落在模型外面。Observer法里這些誤差都會(huì)表現(xiàn)為innovation。發(fā)散前一般有先兆innovation不再圍繞零均值波動(dòng)而是出現(xiàn)緩慢變化的長(zhǎng)周期分量或方差隨時(shí)間增大。解決路徑先看一段殘差殘差低頻成分大說(shuō)明建模階次或配平有問(wèn)題回去補(bǔ)模型結(jié)構(gòu)殘差是高頻尖峰則檢查傳感器延遲與數(shù)據(jù)對(duì)齊特別是升降舵指令與響應(yīng)對(duì)齊差一兩個(gè)采樣周期就可能導(dǎo)致發(fā)散最后才考慮調(diào)Q。不要一上來(lái)就亂調(diào)Q/R先把數(shù)據(jù)質(zhì)量和模型結(jié)構(gòu)理順。5. 驗(yàn)證與進(jìn)階交叉驗(yàn)證、殘差檢驗(yàn)和UKF擴(kuò)展的方向跑通EKF不是終點(diǎn)沒(méi)有驗(yàn)證的辨識(shí)結(jié)果沒(méi)有說(shuō)服力。最有效的驗(yàn)證是數(shù)據(jù)分段交叉驗(yàn)證把數(shù)據(jù)切成兩段前60%用Observer法辨識(shí)出參數(shù)后40%用辨識(shí)出的模型做開環(huán)仿真從后段的初始狀態(tài)開始遞推比較仿真與實(shí)測(cè)的α、q誤差。如果后段預(yù)測(cè)誤差隨時(shí)間快速增長(zhǎng)說(shuō)明模型在其他數(shù)據(jù)段上不可靠多半是過(guò)擬合了前段數(shù)據(jù)的噪聲。這個(gè)驗(yàn)證把“參數(shù)看起來(lái)收斂”升級(jí)為“模型真的能預(yù)測(cè)新數(shù)據(jù)”這才是氣動(dòng)力辨識(shí)的目的。第二個(gè)檢驗(yàn)是殘差白噪聲檢驗(yàn)。把innov序列畫出來(lái)并做自相關(guān)理想情況下除零階滯后外自相關(guān)系數(shù)會(huì)落在±1.96/√N(yùn)的置信帶內(nèi)。如果自相關(guān)系數(shù)在某個(gè)滯后處顯著越界說(shuō)明殘差里還有模型結(jié)構(gòu)成分比如被忽略的彈性模態(tài)或輸入延遲。這一步在代碼里只有幾行卻能幫你區(qū)分“噪聲大”和“模型錯(cuò)了”——前者可以接受后者必須回頭改模型。如果模型非線性較強(qiáng)比如大迎角下的非定常氣動(dòng)力EKF的線性化誤差會(huì)累積?？梢园杨A(yù)測(cè)步換成無(wú)跡變換寫成UKF參數(shù)部分的隨機(jī)游走建模不變只改狀態(tài)分布的傳播方式。另一個(gè)方向是平方根濾波用協(xié)方差的Cholesky因子替換P避免P矩陣非對(duì)稱或負(fù)定對(duì)長(zhǎng)數(shù)據(jù)段的數(shù)值穩(wěn)定性提升明顯。還可以對(duì)比遞推最小二乘與Observer法的結(jié)果兩者在數(shù)據(jù)充分時(shí)應(yīng)接近若差異大多半是模型結(jié)構(gòu)或激勵(lì)的問(wèn)題而非算法本身的問(wèn)題。我自己用Observer法最深的體會(huì)是不要一開始就追求復(fù)雜算法先用EKF把數(shù)據(jù)和模型的故事講通。曾經(jīng)我為一組高頻抖動(dòng)數(shù)據(jù)忙了一周最后發(fā)現(xiàn)是迎角傳感器安裝角偏差了1.2°數(shù)據(jù)對(duì)齊處理后的結(jié)果好得驚人。辨識(shí)程序里代碼只是骨架真正值錢的是你對(duì)氣動(dòng)、測(cè)量和概率模型的層層校準(zhǔn)。把第4章的四個(gè)坑記在心里再用交叉驗(yàn)證堵住最后一道懷疑這條路會(huì)順很多。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取