别再手动调参了！用Simulink S函数实现递推最小二乘(RLS)实时系统辨识（附完整模型）

实时系统辨识实战：用Simulink S函数实现递推最小二乘算法

在工业控制领域，系统辨识就像给未知对象拍X光片——通过输入输出数据透视内部结构。传统批处理最小二乘法需要攒够数据才能开工，而递推最小二乘（RLS）则像经验丰富的老中医，实时把脉就能诊断系统特性。本文将手把手带您用Simulink S函数打造这个"工业CT机"，让参数估计从离线化验升级为在线体检。

1. 实时辨识的工程价值与实现路径

车间里的传送带速度突然波动，机器人的关节响应出现延迟，这些场景都在呼唤实时模型辨识。与批处理最小二乘相比，RLS算法有三个杀手级优势：

• 内存友好：不再需要存储历史数据，内存占用从O(N²)降至O(n²)，其中n是参数个数
• 动态追踪：通过遗忘因子机制，能捕捉时变系统的参数漂移
• 即插即用：每个采样周期都能输出最新参数，直接馈入控制器

实现实时辨识需要跨越三道坎：

1. 算法转换：将批处理公式改写成递推形式
2. 数值稳定：处理协方差矩阵P的病态问题
3. 工程封装：将算法部署为实时运行的Simulink模块

% 典型RLS算法核心迭代步骤 function [theta, P] = RLS_update(y, phi, theta_prev, P_prev, lambda) K = P_prev * phi / (lambda + phi' * P_prev * phi); theta = theta_prev + K * (y - phi' * theta_prev); P = (eye(size(P_prev)) - K * phi') * P_prev / lambda; end

2. S函数实现的两大流派对比

2.1 状态变量精简派：仅跟踪θ

这种方法将参数向量θ作为唯一状态变量，协方差矩阵P通过内存单元保持。其优势在于：

• 状态变量数量减少50%以上（从(n²+n)到n）
• 代码复杂度显著降低
• 更适合资源受限的嵌入式部署

但需要注意：

必须用persistent变量或全局变量保存P矩阵，否则每次调用会重置

实现模板：

function [sys,x0,str,ts] = RLS_SFunction_simple(t,x,u,flag,n_params) persistent P theta switch flag case 0 % 初始化 sizes = simsizes; sizes.NumContStates = 0; sizes.NumDiscStates = n_params; % 仅θ作为状态 sizes.NumOutputs = n_params; sizes.NumInputs = length(phi); sys = simsizes(sizes); x0 = zeros(n_params,1); P = 1e5*eye(n_params); theta = x0; case 2 % 更新离散状态 phi = u(2:end); y = u(1); K = P*phi/(1 + phi'*P*phi); theta = theta + K*(y - phi'*theta); P = (eye(n_params) - K*phi')*P; sys = theta; case 3 % 输出 sys = x; end end

2.2 全状态跟踪派：同时维护θ和P

将θ和P都作为状态变量的方法更符合数学定义，特点是：

• 状态变量数量爆炸：（n²+n）个
• 需要精心设计状态向量排列顺序
• 更便于添加约束条件

状态变量排列建议：

x = [θ₁, θ₂,..., θn, P₁₁, P₁₂,..., P₁n, P₂₁,..., Pnn]

关键实现技巧：

% 将矩阵P转换为状态向量的工具函数 function vec = matrixToVec(P) vec = P(:); end % 从状态向量恢复P矩阵 function P = vecToMatrix(vec, n) P = reshape(vec(n+1:end), [n n]); end

2.3 两种方法的性能实测对比

我们在Intel i7-1185G7处理器上测试了不同规模系统的运行效率：

实测发现：当n>15时，精简派的实时性优势开始显著。但在需要约束处理的场景，全状态派更具灵活性。

3. 工程化实现的五个关键细节

3.1 遗忘因子的温度控制

遗忘因子λ相当于算法的"记忆时长调节旋钮"：

• λ=1：永久记忆（适合时不变系统）
• 0.95<λ<1：滑动记忆窗（多数工业场景）
• λ<0.9：快速遗忘（追踪快速时变过程）

建议实现方案：

lambda_base = 0.98; % 基础值 adaptive_lambda = lambda_base - 0.05*(1-exp(-t/10)); % 时变调整

3.2 协方差矩阵的急救方案

P矩阵可能出现的两种危情及应对：

1. 数值爆炸：添加正则化项

   P = 0.5*(P + P') + 1e-8*eye(size(P)); % 保证对称正定

2. 病态问题：采用平方根滤波算法

   [U,S,V] = svd(P); s = diag(S); s(s<1e-6) = 1e-6; P = U*diag(s)*V';

3.3 输入信号的激励设计

不同激励信号的辨识效果对比：

实际工程中常采用PRBS与阶跃组合的复合信号

3.4 模块封装的艺术

一个专业的S函数模块应该具备：

• 可调参数对话框（采样时间、遗忘因子等）
• 状态监视端口
• 异常报警输出
• 多速率支持

封装示例：

function InitParams(block) block.NumDialogPrms = 4; % n_params, lambda, Ts, P_init block.DialogPrmsTunable = {'Nontunable','Tunable','Nontunable','Nontunable'}; block.SetPreCompInpPortInfoToDynamic; block.SetPreCompOutPortInfoToDynamic; end

3.5 从仿真到部署的跨越

代码生成关键步骤：

1. 将persistent变量替换为全局变量
2. 添加#pragma优化指令
3. 配置内存对齐方式

#pragma CODE_SECTION(RLS_update, ".TI.ramfunc") #pragma UNROLL(4)

4. 实战案例：机械臂关节参数在线辨识

以6轴工业机械臂的第二关节为例，其动力学模型可简化为：

τ = J·q̈ + B·q̇ + G(q) + F·sign(q̇)

建立辨识模型：

% 回归器构造 phi = [q̈, q̇, sin(q), sign(q̇)]; % J,B,G,F参数 y = τ; % 驱动扭矩 % Simulink模型配置 RLS_Block = @()sfun_rls_joint('n_params',4,'lambda',0.97);

现场测试数据：

• 采样周期：1ms
• 激励信号：0.5Hz扫频+随机脉冲
• 收敛时间：约2.3秒
• 参数估计误差：<3.5%

调试中发现一个有趣现象：当关节处于特定角度时，重力项G的估计值会出现约8%的波动。后来发现是谐波减速器的回差导致，通过增加dither信号后改善。