1. 课程导入与虚拟样机认知

在机械、车辆、航空、能源装备等工程领域，传统研发往往依赖“画图—试制—试验—改图”的物理迭代。一次结构改进可能意味着重新开模、重新装配、重新做台架试验，周期以周甚至月计，成本高昂。虚拟样机（Virtual Prototype）正是为打破这一瓶颈而出现的：它是在计算机中建立的、能够表征产品几何、材料、连接、载荷与运动关系的数字化模型，并可在其上开展静力学、动力学、运动学、疲劳、热、流体等多物理场仿真，从而在物理样机之前预测性能、暴露问题。

需要强调的是，虚拟样机不等于“三维模型”。CAD 模型回答“长什么样”，虚拟样机还要回答“受力后变形多少、振动频率是多少、机构能否顺利运动、寿命够不够”。因此一个可用的虚拟样机通常包含四个层次：几何与装配、材料与截面属性、连接与边界条件、载荷与工况。缺少任何一层，仿真结果都可能失真。例如一根悬臂梁，若只导入几何而把材料设为默认钢、把约束简化为固定端，那么算出的端部位移只能作为量级参考，不能直接用于设计决策。

参数化设计优化则是在虚拟样机基础上再进一步：把模型中可变的尺寸、位置、厚度、刚度、阻尼等抽象为设计变量，把关注的性能指标抽象为目标函数与约束，再通过试验设计、近似模型或直接优化算法自动搜索更优方案。它的价值体现在三方面：一是把“改一个尺寸、重算一次”的手工循环变成自动循环；二是能在设计空间中发现人工难以想到的折中方案；三是让性能与重量、成本、工艺约束同时进入决策，而不是先设计后校核。

以一个简化的支架优化为例，可以直观理解参数化流程。设支架由两块板组成，设计变量为板厚 t1、t2（范围 4～12 mm），目标是最小化质量，约束是最大等效应力不超过 180 MPa、一阶固有频率不低于 85 Hz。若采用手工试算，需要反复修改模型；而参数化后，只需在工具中定义变量与响应，运行 DOE 采样，再基于响应面做优化。下面是一段典型的参数与响应定义示意（示例参数，仅用于说明结构）：

design_variables:
  t1: {min: 4, max: 12, unit: mm}
  t2: {min: 4, max: 12, unit: mm}
responses:
  mass:      minimize
  max_stress: constraint <= 180 MPa
  freq1:      constraint >= 85 Hz
study:
  type: DOE + ResponseSurface
  samples: 30

运行后通常会得到一组 Pareto 前沿：质量越低，应力或频率越接近边界。设计者据此选择兼顾安全裕度与轻量化的方案，而不是只取数学最优解。这正是虚拟样机参数化设计优化的核心工作方式——用可控的数值实验替代部分物理试验，用系统化搜索替代经验试错。

典型工业应用场景非常广泛。汽车行业用虚拟样机做悬架 K&C 特性、整车操稳与 NVH 分析；工程机械用刚柔耦合模型评估臂架强度与液压联动；电子设备用参数化模型优化散热齿厚与风道；航空领域用气动—结构耦合模型评估机翼颤振边界。它们的共同点是：物理试验昂贵或危险、设计变量多、性能指标相互冲突。

本课程的学习路径按“认知—建模—参数化—优化—验证”递进展开。工具链上，几何可用 SolidWorks、CATIA 或 SpaceClaim，网格与前处理可用 HyperMesh、ANSA，求解可用 ANSYS Mechanical、Abaqus、ADAMS 或 Simulink，参数化与优化可用 optiSLang、Isight、modeFRONTIER，也可用 Python 脚本调用求解器实现自动化。不同工具之间通过几何接口、网格文件、输入卡片或脚本 API 交换数据，形成一条从 CAD 到 CAE 再到优化决策的数据链。

理解这张图，就抓住了本课程的主线：左侧是工程问题，中间是虚拟样机，右侧是参数化与优化，下方是数据流与决策验证。后续章节将逐一展开几何参数化方法、网格与求解设置、试验设计与响应面、单目标与多目标优化、灵敏度分析与稳健性设计，并结合支架、悬架、散热器等案例完成从建模到决策的完整闭环。