正弦扫频(chirp)信号在系统辨识中的应用

Question

(对快速读者而言)

问题：分析啁啾的谱分析方法对参数估计/模型识别没有多大帮助，对吗？

编辑

我的系统是开环，一个输入(方向盘角度)和两个输出(y-加速度和yaw_Rate).为了找到车辆的特性，我想要拟合一个线性传递函数与我的数据(自行车模型)。我目前的方法是“光谱分析方法”：使用测试数据来估计FRF，从而估计传递函数，因为：

​

​

对于虚拟数据(由啁啾方向盘角度激发的2个传递函数)，这是非常好的工作:精度为99.98%，以修正模型。真实的测试数据，真正的车辆。这一点一点也不正确。即使我平均数据超过11次。这就是我的困惑/问题。

今晚将上传测试数据的图像以澄清

背景

我正在做一个项目，在那里我必须对一辆汽车进行参数识别。

在基于仿真器的补偿跟踪实验中，我会用多正弦信号激励“系统”(读人)，并使用仪器变量法(和函数拟合)进行系统辨识(傅里叶变换，输入和输出；只评估激励频率)。

然而，对于一个人类司机来说，在车里这样做可能有点困难。它更容易提供正弦扫描(或啁啾)。

不幸的是，我认为这个输入信号与直接频域分析不兼容，因为每个频率只在一个特定的时间框架内被激发，而Foerier变换在整个采样时间内都是一个谐波振荡。我看过一些书(系统识别:频域方法，系统识别:介绍和)，但似乎无法掌握如何利用啁啾信号来估计频率响应函数(也就是传递函数)。

Answer 1

简短回答(供快速阅读者使用)：

这取决于你想做什么。是的，与啁啾相比，多正弦信号具有更好的特性。

再长话短说：

询问啁啾信号及其对系统辨识/参数估计的适用性。因此，我假设您集中在频域识别，因此我不评论时间域。

如果你阅读Pintelon/Schoukens的“系统识别:频域方法”(试图从2012年获得第二版)一书，你会发现(参见第二章)，作者倾向于周期性信号而不是非周期信号(比如啁啾)(他们这样做是有充分理由的，因为周期性信号可以避免泄漏等重大错误)。

然而，如果你的系统不能被周期性的信号所激励(无论出于什么原因)，啁啾信号可能是一个很大的激励信号。在航空界，试飞员甚至被教导要执行良好的啁啾信号。对于chirps来说，你的数据处理可能是不同的(请看Pintelon/Schoukens书中的第7章)。

最后，只有一件事能产生一个很好的激励信号，那就是它给出了预期的估计结果。如果啁啾对你的申请有用，就跟他们一起去吧！

不幸的是，我认为这个输入信号与直接频域分析不兼容，因为每个频率只在一个特定的时间框架内被激发，而Foerier变换在整个采样时间内都是一个谐波振荡。

我不明白你这一段的意思。你能更详细地描述你的问题吗？

P.S.：你没有写太多关于你的系统的文章。是静态的还是动态的？线性/非线性？开环还是闭环？SISO/MIMO？您是否仅限于频域ID？你能重复实验吗？当你决定兴奋的时候，每个主题都应该记住。