4. 降阶模型的基本思想与分类

降阶模型（Reduced Order Model, ROM）的基本思想，可以概括为一句话：用远少于原始自由度的变量，去近似描述系统在关注工况下的主要行为。原始高保真模型（如有限元、有限体积、多物理场耦合模型）往往有 10⁵～10⁸ 个自由度，直接求解一次可能耗时数小时甚至数天；而工程中真正关心的，常常只是少数几个输入—输出通道、几个关键模态或一段参数区间内的响应。降阶的本质，就是找到一组“低维坐标”，把高维状态 x ∈ ℝⁿ 映射为低维状态 z ∈ ℝʳ（r ≪ n），并在低维空间内完成演化与输出计算。

围绕“如何得到这组低维坐标”以及“如何保证近似精度”，降阶方法形成了四条主要技术路线：投影型降阶、数据驱动降阶、系统辨识降阶，以及以平衡截断和 Krylov 子空间为代表的现代控制论降阶。它们并非互斥，实际工程中常组合使用。

投影型降阶：把解“压”到低维子空间

投影型降阶假设高维状态可以近似表示为 x ≈ V z，其中 V ∈ ℝⁿˣʳ 是降阶基矩阵，z ∈ ℝʳ 是低维坐标。将这一近似代入原始方程后，通常无法使残差为零，于是要求残差与某个测试子空间 W 正交，即 Wᵀ(A x − b) = 0。当 W = V 时称为 Galerkin 投影，适合对称正定或保守系统；当 W ≠ V 时称为 Petrov-Galerkin 投影，常用于对流主导等非对称问题。

以热传导问题为例：原始有限元模型有 50 万个节点温度自由度，若只关心某几个热源功率下的稳态温度场，可先通过本征正交分解（POD）从若干快照中提取前 30 个模态构成 V，再对刚度矩阵 K 和载荷向量 f 做投影：Kᵣ = VᵀKV，fᵣ = Vᵀf，求解 30×30 的小系统得到 z，最后回代 x ≈ Vz。这样一次求解从分钟级降到毫秒级，而温度场相对误差可控制在 1% 以内（示例参数，实际精度取决于快照质量与模态数）。

数据驱动降阶：让数据“告诉”你低维结构

数据驱动降阶不要求已知控制方程，而是从一组快照矩阵 X = [x₁, x₂, …, xₘ] 中直接提取低维模式。最经典的是 POD：对 X 做奇异值分解 X = UΣVᵀ，取前 r 个左奇异向量作为降阶基，奇异值平方代表各模态能量占比。若前 10 个模态能量占比达到 99.9%，则取 r = 10 即可。动态模态分解（DMD）则进一步从时序数据中提取近似线性演化算子，适合分析流场、结构振动的频率与增长/衰减率。

数据驱动方法的优势是“非侵入式”——原始求解器只需输出快照，无需改动代码；局限是快照必须覆盖关注工况，外推到训练区间之外时精度可能迅速下降。

系统辨识降阶：从输入输出到低阶模型

当系统内部方程未知、但可以施加激励并测量响应时，系统辨识降阶更为直接。常见做法是给定输入 u(t)（如阶跃、扫频、伪随机二进制序列），记录输出 y(t)，然后拟合低阶传递函数或状态空间模型。例如用 ARX 模型 y(k) = −a₁y(k−1) − … − aₚy(k−p) + b₁u(k−1) + … + b_q u(k−q) + e(k)，通过最小二乘估计系数 aᵢ、bⱼ，再用 AIC/BIC 或交叉验证确定阶数 p、q。子空间辨识方法（如 N4SID）则直接从 I/O 数据估计状态空间矩阵 A、B、C、D，更适合多变量系统。

平衡截断与 Krylov 子空间：控制论视角的降阶

对于线性时不变系统 ẋ = Ax + Bu，y = Cx + Du，平衡截断先计算可控性 Gramian P 和可观性 Gramian Q，通过相似变换使二者相等且对角化，对角元称为 Hankel 奇异值 σᵢ。σᵢ 越小，该状态越“难控”也越“难观”，对输入输出影响越小，可直接截去。保留前 r 个最大 σᵢ 对应的状态，即得降阶模型，且误差满足 ‖G − Gᵣ‖∞ ≤ 2Σᵢ₌ᵣ₊₁ⁿ σᵢ，稳定性天然保持。

Krylov 子空间方法则从矩匹配角度出发：在 s₀ 处对传递函数 G(s) = C(sI − A)⁻¹B + D 做 Taylor 展开，利用 Arnoldi 或 Lanczos 迭代构造投影基，使降阶模型的前若干阶矩与原系统一致。它不需要求解 Lyapunov 方程，计算量更小，适合大规模稀疏系统，但一般不保证稳定性，需配合后处理。

四条路线最终都指向同一个目标：在可接受的精度损失下，把在线计算量降低几个数量级。理解它们的假设、输入形式与精度保证，是后续动手实现降阶模型的基础。