2. 数字孪生模型与参数化表达
数字孪生要能“校准”，前提是模型本身必须可被参数化表达。也就是说，模型不能只是一段黑箱代码或一张静态曲线，而应把其中可调、可观测、可辨识的部分显式暴露出来。本节围绕三类基本模型形式、参数与状态及超参数的区分，以及面向校准的参数化方法展开，为后续参数辨识与校准算法打下表达基础。
一、三类基本模型形式
机理模型以物理定律、守恒方程和本构关系为核心。例如一个单自由度弹簧-阻尼-质量系统，其运动方程为：
m·x''(t) + c·x'(t) + k·x(t) = F(t)其中 m 为质量、c 为阻尼系数、k 为刚度、F(t) 为外部激励，x(t) 为位移响应。机理模型的优点是结构清晰、外推能力强，参数具有明确物理意义；缺点是当系统存在摩擦非线性、迟滞、温漂等未建模动态时，纯机理模型难以精确复现真实响应。
数据驱动模型不显式写出物理方程，而是用输入输出数据拟合映射关系。常见形式包括多项式回归、支持向量回归、神经网络、高斯过程等。例如用二阶多项式近似某执行机构的输出：
y ≈ θ0 + θ1·u + θ2·u² + θ3·u·T + θ4·T其中 u 为控制输入，T 为温度，θ 为待拟合系数。数据驱动模型拟合能力强，但外推能力弱，且参数往往缺乏物理可解释性，校准后难以判断是否“合理”。
混合模型把机理结构与数据补偿结合。典型做法是“机理主干 + 残差修正”：先用机理模型给出预测，再用数据模型学习其残差。例如：
x_pred(t) = x_mech(t; m, c, k) + Δx_nn(t; θ)其中 Δx_nn 为神经网络残差项。混合模型既保留物理可解释性，又能吸收未建模动态，是数字孪生校准中最常用的形式。
二、参数、状态与超参数的区分
校准中最容易混淆的是参数、状态与超参数。三者定位不同，处理方式也不同。
- 参数：模型结构中相对稳定的可调量，如 m、c、k、θ。它们是校准的主要对象，通常在一次校准周期内视为常数，通过优化算法辨识。
- 状态：描述系统当前时刻内部状况的变量，如位移 x、速度 x'、温度 T。状态随时间演化，由模型方程和输入共同决定，一般通过传感器观测或状态估计获得，而不是直接“校准”。
- 超参数：控制模型训练或优化过程本身的量，如神经网络层数、学习率、正则化系数、卡尔曼滤波的过程噪声协方差 Q 与观测噪声 R。超参数不直接出现在物理方程中，但会显著影响参数辨识结果。
以弹簧-阻尼系统为例：m、c、k 是参数；x、x' 是状态；若用神经网络补偿残差，则网络层数、学习率是超参数。校准流程通常是：先固定超参数，再以状态观测为目标，优化参数使模型输出逼近实测状态。
三、面向校准的参数化方法
参数化方法决定“哪些量被当作可调参数、以什么形式进入模型”。常见做法有三类。
1. 物理参数直接参数化。把 m、c、k 直接作为待辨识向量 θ = [m, c, k]ᵀ。优点是物理意义明确，校准后可直接判断是否落在合理区间。例如已知质量 m 约为 2.0 kg，校准结果若给出 m = 2.05 kg，则可接受；若给出 m = 20 kg，则说明模型结构或数据存在问题。
2. 归一化与无量纲参数化。当参数数量级差异大时，直接优化容易病态。可引入无量纲量，如阻尼比 ζ = c / (2√(mk))、自然频率 ω_n = √(k/m)。以 ζ、ω_n 为参数，数值范围更集中，优化更稳定。例如取 m = 2.0 kg、k = 800 N/m，则 ω_n ≈ 20 rad/s；若 c = 8 N·s/m，则 ζ = 8 / (2√(2×800)) ≈ 0.1，属于欠阻尼。
3. 分层参数化。混合模型中，机理参数与数据补偿参数分层处理：先辨识机理参数，再固定机理部分，训练残差模型。这样可避免两类参数同时优化时相互“抢功”，也便于分别评估物理一致性与拟合精度。
四、一个可执行的参数化示例
假设对某单自由度系统做校准，已知输入 F(t) 为 0.5 Hz 正弦激励，采样频率 100 Hz，采集位移 x(t) 共 10 s。参数化步骤如下：
- 确定参数向量 θ = [m, c, k]ᵀ，初值取 m₀ = 2.0 kg、c₀ = 5.0 N·s/m、k₀ = 800 N/m。
- 设定超参数：优化算法用 Levenberg-Marquardt，最大迭代 200 次，收敛阈值 1e-6。
- 以仿真位移与实测位移的均方根误差为目标函数：J(θ) = √( (1/N) Σ (x_sim(t_i; θ) − x_meas(t_i))² )。
- 迭代后若得到 m = 2.03 kg、c = 7.8 N·s/m、k = 812 N/m，RMSE 从初值 0.42 mm 降至 0.06 mm，则说明参数校准有效。
- 检查参数合理性：m 接近已知质量，k 在材料刚度范围内，c 对应阻尼比约 0.097，与实测衰减趋势一致，可接受。
若 RMSE 下降但参数明显偏离物理范围，例如 k 变为负值，则说明参数化或模型结构有问题，应回到模型形式选择阶段重新审视，而不是继续强行优化。参数化表达的质量，直接决定校准结果是否可信、是否可解释、是否可复现。