4. 模型校准框架

在虚拟样机参数辨识与模型校准的完整链条中，校准（Calibration）与验证（Validation）是最容易被混为一谈、却必须在工程上严格区分的两个环节。很多模型之所以“看起来准”，往往是因为把校准用过的数据又拿去做了验证，形成了一种自证式的假象。本节围绕校准框架展开，先厘清校准与验证的边界，再给出可落地的校准流程、参数选择方法、校准准则与收敛判据。

一、校准与验证的本质区别

校准是用试验数据反向调整模型参数，使模型输出逼近观测结果的过程；验证是用未参与校准的独立数据检验模型预测能力的过程。前者回答“模型能不能拟合已知数据”，后者回答“模型能不能预测未知工况”。二者在数据使用、目标、评价指标上都有明确分工。

关键约束是数据隔离：校准集与验证集必须来自不同工况、不同批次或不同测点，且验证集在校准阶段不可见。若把全部数据都用于调参，模型会过拟合到特定工况，一旦外推到新工况，误差可能成倍放大。工程上通常按 70%/30% 或 80%/20% 划分，也可采用留一工况交叉验证。

二、校准流程

一个完整的校准流程通常包含六个阶段：定义校准目标与响应量、准备校准与验证数据、选择待校准参数、设定校准准则与收敛判据、执行优化迭代、最后用验证集评估并归档。流程不是单向的，当验证不通过时，需要回到参数选择甚至模型结构层重新审视。

三、校准参数选择

并非模型中所有参数都值得校准。参数选择的核心是可辨识性与敏感性：只有对目标响应量有显著影响、且在当前试验条件下能被唯一确定的参数，才应纳入校准集。选择方法通常分三步。

第一步做敏感性分析。以某悬架虚拟样机为例，待选参数包括弹簧刚度 k、阻尼系数 c、轮胎径向刚度 kt、衬套刚度 kb。对每个参数施加 ±10% 扰动，观察车身垂向加速度 RMS 的变化率。若 k 扰动引起响应变化 8%，c 引起 12%，kt 引起 1.5%，kb 引起 0.8%，则优先校准 k 与 c，kt 与 kb 可固定为名义值。

第二步检查参数相关性。若两个参数对响应的影响高度线性相关，同时校准会导致解不唯一。可通过计算灵敏度矩阵的条件数判断：条件数过大（如超过 1e4）说明存在强相关，应固定其中一个或增加激励工况。

第三步确定参数范围。范围应基于物理合理性设定，例如弹簧刚度不能为负，阻尼系数不宜超过设计值的 3 倍。范围过宽会引入非物理解，过窄则可能把真值排除在外。

四、校准准则与收敛判据

校准准则定义了“什么样的参数算好”，收敛判据定义了“什么时候停止迭代”。二者共同决定校准结果的质量与效率。

常用的校准准则包括：残差平方和最小（最小二乘）、加权残差最小（对不同测点赋予不同权重）、以及多目标准则（同时兼顾多个响应量）。当响应量量纲差异大时，必须做归一化，否则大量纲响应会主导目标函数。例如位移误差以 mm 计、加速度以 m/s² 计，直接相加会失真，应先除以各自的参考值再求和。

收敛判据通常同时设置三条：目标函数相对变化量小于阈值（如 1e-4）、参数变化量小于阈值（如 1e-3）、以及达到最大迭代次数（如 200 次）。三条中任意一条满足即可停止，但工程上建议至少前两条同时满足，避免因单次迭代波动而误判收敛。

目标函数示例（归一化加权残差平方和）：
J(θ) = Σ_i w_i * [ (y_sim,i(θ) - y_exp,i) / y_ref,i ]²

其中：
  θ       待校准参数向量
  y_sim   仿真响应
  y_exp   试验响应
  y_ref   参考值（用于归一化）
  w_i     第 i 个测点权重

收敛判据示例：
  |J_k - J_{k-1}| / J_{k-1} < 1e-4
  max|θ_k - θ_{k-1}| / |θ_{k-1}| < 1e-3
  k ≥ 200

以某悬架模型为例，初始 J = 0.842，经 47 次迭代后 J = 0.031，相对变化量降至 8e-5，参数变化量最大为 6e-4，满足前两条判据，迭代停止。此时弹簧刚度由 28 N/mm 校准为 31.2 N/mm，阻尼系数由 1.8 N·s/mm 校准为 2.35 N·s/mm。随后用另一组路面激励做验证，车身加速度 RMSE 由校准前的 0.42 m/s² 降至 0.11 m/s²，最大误差 0.19 m/s²，满足 0.25 m/s² 的验收阈值，验证通过。

五、校准框架的工程落地要点

把上述内容落到实际项目中，需要把握四点：一是数据先行，校准前先确认试验数据的重复性、信噪比与工况覆盖度；二是参数分层，按敏感性从高到低分批校准；三是准则明确，目标函数、权重、归一化方式在迭代前固定，不得中途随意更改；四是验证独立，验证数据在校准完成前不得参与任何调参决策。做到这四点，校准结果才具备可复现性与工程可信度。