1. 课程导入与数字孪生校准问题界定
数字孪生系统在交付初期往往“看起来很像”，但一旦进入真实工况，虚拟体与物理体之间的偏差就会暴露出来：仿真温度比实测高 3.5 ℃，振动主频偏移 2.1 Hz，能耗预测在负载突变时误差超过 12%。这些偏差并非建模失败，而是模型参数与真实设备状态之间存在系统性差距。本课程要解决的核心问题就是：如何用可观测数据，把数字孪生模型调整到足以支撑决策的精度。这一过程涉及两个紧密关联但含义不同的概念——模型校准与参数辨识。
学习目标
- 能用自己的语言区分“模型校准”与“参数辨识”，并说明二者在数字孪生生命周期中的先后关系与迭代关系。
- 能识别一个数字孪生项目中哪些偏差属于参数问题、哪些属于结构问题、哪些属于数据问题。
- 能针对给定对象（如电机、换热器、电池包）列出至少 3 个待辨识参数、对应的可观测信号与校准目标。
- 能理解校准问题的数学本质：在参数空间中寻找使仿真输出与实测输出偏差最小的参数组合，并知道为什么这个问题通常是非凸、多解且受噪声影响的。
什么是数字孪生模型校准与参数辨识
参数辨识（Parameter Identification）是指从输入输出数据中估计模型内部未知或不确定参数的过程。例如一个直流电机的数字孪生模型包含电枢电阻 R、电感 L、转动惯量 J、粘滞摩擦系数 B 等参数，这些参数在铭牌上往往只给出典型值，实际值随温度、磨损、装配差异而变化。参数辨识就是利用电压、电流、转速的实测序列，反推出这些参数的实际值。
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、补偿系统偏差、调整边界条件或初始条件，使模型输出与参考数据在关注的工况范围内一致。校准可以看作一个闭环过程：定义偏差指标 → 选择可调量 → 优化或推理 → 验证 → 判断是否接受。参数辨识通常是校准中最核心、最可量化的一步，但校准还包括对模型形式、测量链路和工况覆盖度的审视。
在数字孪生生命周期中的位置
数字孪生的典型生命周期可以概括为：需求定义 → 物理对象建模 → 数据采集与连接 → 模型校准与参数辨识 → 运行监测与预测 → 反馈更新。校准与辨识位于“建模”和“运行”之间，是让模型从“能跑”变成“可信”的关键环节。没有经过校准的模型，其预测结果只能作为定性参考；经过校准并给出置信区间的模型，才能用于故障预警、寿命预测、能效优化等决策场景。
更重要的是，校准不是一次性任务。设备磨损、环境变化、工况迁移都会使最优参数发生漂移，因此校准需要嵌入数字孪生的运行闭环，形成“在线数据 → 偏差检测 → 参数更新 → 模型修正”的持续过程。下图给出了校准与辨识在数字孪生闭环中的位置及其输入输出关系。
典型工程需求与挑战
在工程实践中，数字孪生校准的需求通常来自四类场景。第一类是性能预测：需要在不同负载、不同环境温度下预测设备输出，要求模型在工况空间内误差可控。第二类是故障诊断：需要模型对异常敏感，参数漂移本身可能就是故障前兆。第三类是控制优化：模型要嵌入控制器，对实时性和稳定性有要求。第四类是寿命评估：需要模型能反映退化趋势，参数随时间的变化规律比单点值更重要。
这些需求对应着若干现实挑战。首先是可辨识性问题：并非所有参数都能从可观测信号中唯一确定。例如电机模型中电枢电阻和电感在低速稳态下可能高度相关，导致辨识结果不唯一。其次是数据质量问题：噪声、采样延迟、传感器漂移都会污染辨识结果，使估计值偏离真值。第三是工况覆盖不足：如果校准数据只覆盖额定工况，模型在极端工况下的外推能力就无法保证。第四是计算成本：高保真模型单次仿真可能耗时数分钟，而优化算法可能需要数百次迭代，必须考虑代理模型或降阶方法。
一个贯穿课程的示例对象
为了让后续章节有统一的讨论对象，本课程以一个简化的直流电机数字孪生为例。模型状态方程为：
di/dt = (u - R·i - Ke·ω) / L
dω/dt = (Kt·i - B·ω - TL) / J其中 u 为电枢电压，i 为电枢电流，ω 为角速度，TL 为负载转矩。待辨识参数包括 R、L、Ke、Kt、J、B。可观测信号为 u、i、ω。校准目标是使仿真电流和转速轨迹与实测轨迹的均方根误差分别小于 0.05 A 和 5 rad/s。这个例子规模适中，既包含连续动态、参数耦合和非线性观测，又便于手工推导和代码验证，适合贯穿参数辨识方法、实验设计、优化求解和结果评估等后续内容。
需要强调的是，示例中的参数值、误差阈值和工况设定均为教学假设，用于说明方法流程，不代表任何实际设备的实测结果。在实际项目中，这些数值必须来自具体对象的铭牌数据、实验测量或领域经验。