1. 课程导入
在机械、车辆、航空航天、机器人等装备研发中，工程师越来越依赖虚拟样机来替代或减少物理试验：先在软件中建立多体动力学、液压、电气与控制耦合的仿真模型，再通过仿真预测整机性能。但一个绕不开的问题是——模型里的参数从哪来？如果质量、质心、转动惯量、刚度、阻尼、摩擦系数、轮胎侧偏刚度、电机时间常数等关键参数取值不准，仿真结果再"漂亮"也缺乏可信度。本课程要解决的，正是"让虚拟样机参数有据可依、让模型输出贴近真实"这一核心工程问题。
一、什么是参数辨识与模型校准
参数辨识（Parameter Identification）是指：在已知模型结构的前提下，利用试验测得的输入—输出数据，通过优化或估计方法反求模型中未知参数的过程。它回答的是"这个弹簧到底多硬、这个阻尼到底多大"。
模型校准（Model Calibration）的范围更宽：它不仅调整参数，还可能修正模型结构、边界条件、初始条件、测量链误差，使仿真响应与参考响应在关注的工况与频段内一致。它回答的是"整个模型是否足够可信、能否用于后续决策"。
两者关系可以概括为：参数辨识是模型校准的核心手段之一，模型校准是参数辨识的工程目标与验收标准。工程上通常先做灵敏度分析筛出"值得辨识"的参数，再做辨识，最后用独立工况做验证（Validation），避免"用同一批数据既拟合又验证"的自欺。
二、工程价值：为什么必须做
第一，降低试验成本与周期。整车耐久、悬架K&C、轮胎特性等试验动辄数周、费用高昂。若能用少量试验辨识出参数，再以虚拟样机覆盖大量工况组合，可把"试错"从物理世界搬到计算机里。
第二，提升仿真可信度。CAE 结果要用于强度校核、操稳预测、能耗评估，前提是模型经过校准。未经校准的模型只能做趋势判断，不能做定量决策。
第三，支撑数字孪生与预测性维护。设备运行中参数会漂移（如磨损导致阻尼变化、电池内阻增大），在线辨识可让孪生模型持续跟随真实状态。
第四，反哺设计。辨识出的参数分布可用于稳健性设计与公差分配，让设计阶段就考虑参数不确定性。
三、典型应用场景
- 车辆动力学：悬架刚度阻尼、轮胎侧偏刚度、整车转动惯量辨识，用于操稳与平顺性仿真。
- 机器人：关节摩擦、连杆惯量、传动柔度辨识，用于力矩控制与轨迹精度补偿。
- 航空航天：气动导数、结构模态参数辨识，用于气弹与飞控律验证。
- 工程机械：液压缸摩擦、泵阀特性辨识，用于能耗与动作精度优化。
- 新能源动力总成：电机时间常数、电池等效电路参数辨识，用于能耗与热管理仿真。
四、整体学习路线
本课程按"基础—方法—实操—验证"递进组织，建议按以下路径学习：
- 概念与数学基础：最小二乘、极大似然、贝叶斯估计的基本思想与适用条件。
- 试验设计与数据预处理：激励信号选择（扫频、阶跃、伪随机）、采样率、滤波、时延对齐。
- 灵敏度分析与参数可辨识性：判断哪些参数能被数据"看见"，避免过参数化。
- 时域与频域辨识方法：最小二乘、递推最小二乘、频响函数拟合、模态参数辨识。
- 优化与校准流程：目标函数构造、权重设置、全局优化与局部优化配合。
- 工具实操：MATLAB/Simulink、Python、ADAMS、Simpack 等环境下的辨识脚本与流程。
- 验证与不确定性量化：独立工况验证、置信区间、参数漂移监测。
- 综合案例：从台架试验到整车模型校准的完整闭环。
接下来，我们将从参数辨识的数学基础开始，逐步建立从试验数据到可信虚拟样机的完整能力。