1. 课程导入与全景认知

在工程实践中，我们面对的绝大多数动态对象——电机驱动系统、飞行器姿态回路、化工反应釜、电力电子变换器、机器人关节——都可以抽象为“动力系统”：一组随时间演化的状态变量，受参数、输入和外部扰动共同支配。设计阶段我们往往只在一个标称工作点上验证系统性能，但真实系统会因温度漂移、负载变化、器件老化、制造公差而偏离标称点。参数扫描就是系统性地改变一个或多个参数，观察系统响应如何随之变化；行为识别则是从这些响应中提取特征，判断系统当前处于何种运动形态或工作状态。二者结合，构成了从“参数空间”到“行为空间”的映射分析能力。

本课程的核心问题可以概括为一条主线：给定一个动力系统模型或实测对象，如何设计参数扫描方案，如何从扫描结果中识别出稳定、周期、混沌、发散、双稳态等典型行为，并进一步定位行为发生突变的临界参数。围绕这条主线，课程将依次展开数学基础、数值方法、特征提取、分类判据与工程案例。下图给出了整门课程的知识全景与学习路线。

为什么需要“扫描 + 识别”而不是单点仿真

单点仿真回答的是“在这个参数下系统怎么动”，而工程决策往往需要回答“参数在多大范围内系统仍然安全”“哪个参数是行为突变的主导因素”“当前实测响应属于哪一类工作状态”。以某型直流电机调速系统为例，标称参数下转速环稳定，但当电枢电阻因温升增大 20%、转动惯量因负载增加 1.5 倍时，比例增益若仍保持原值，系统可能从稳定收敛变为等幅振荡。若只做标称点仿真，这一风险完全不可见；而做一次以增益 Kp 为横轴、以惯量倍率为纵轴的二维扫描，就能在参数平面上直接看到稳定区与振荡区的边界。

这里需要先明确一个贯穿全课程的约定：参数扫描的“参数”指系统模型中可调或可变动的系数（如增益、时间常数、阻尼比、耦合强度），而非状态变量；“行为”指系统在瞬态衰减后呈现的长期运动形态。为避免初值影响判断，扫描时通常先丢弃前若干秒的瞬态段，再对剩余时间窗提取特征。这一约定在后续所有图示与案例中保持一致。

参数扫描的基本要素

一次可复现的扫描至少需要明确四件事：扫描对象（哪个或哪几个参数）、扫描范围（上下界）、扫描密度（步长或网格点数）、以及每个参数点上的仿真设置（初值、仿真时长、积分步长、瞬态剔除窗口）。以单参数扫描为例，若考察阻尼比 ζ 从 0.05 到 0.9 的变化，取步长 0.01 则得到 86 个采样点；每个点上运行 20 s 仿真、剔除前 5 s，对后 15 s 的响应计算峰值、均方根与主频。把这些特征按 ζ 排序，就能看到从振荡到过阻尼的连续过渡；若在某个 ζ 附近峰值突然跳变，则提示存在分岔或双稳态。

双参数扫描则把上述过程扩展到网格。假设横轴为增益 Kp（0.5～5.0，步长 0.1），纵轴为惯量倍率（0.5～2.0，步长 0.05），共 46×31≈1426 个网格点。每个点输出一个行为标签（稳定、周期、发散等），最终得到一张“行为地图”。这张地图的价值在于：它把抽象的稳定性判据转化为可视的区域边界，工程师可以直接读出“惯量倍率超过 1.4 时，Kp 必须低于 2.2 才能保持稳定”这类可执行结论。

行为识别的常用判据

识别不是靠肉眼“看着像”，而是靠可量化的特征。常用判据包括：时域上相邻峰值是否衰减（判断收敛或发散）、稳态窗口内峰峰值是否恒定（判断周期）、相图中轨迹是否闭合（周期）或是否在有限区域内永不重复（混沌）、频谱中是否出现离散谱线（周期）或宽带连续谱（混沌）、以及最大李雅普诺夫指数是否为正（混沌的定量标志）。实际工程中往往组合使用：先用峰峰值与主频做快速粗分类，再对疑似混沌点计算李雅普诺夫指数确认。需要强调的是，这些判据都有适用条件，例如有限时长仿真可能把长周期误判为混沌，因此扫描密度与仿真时长必须匹配，这也是后续章节要重点讨论的工程细节。

典型应用场景

参数扫描与行为识别在多个领域有直接落地价值。在控制器整定中，用扫描确定增益与带宽的安全组合区，避免现场调试时反复试错；在故障诊断中，把实测响应映射到行为地图上，判断系统是否已偏离正常区域；在器件选型与容差分析中，扫描元件参数的公差带，评估批次一致性对系统行为的影响；在非线性动力学研究中，通过分岔图定位周期倍增与混沌入口。这些场景共享同一套方法论：定义参数空间、批量仿真或实验、提取特征、分类标注、定位边界。掌握这套方法，比记住某一个具体系统的结论更有迁移价值。

回到学习路线：先建立相空间与稳定性的数学直觉，再掌握数值积分中步长与误差的控制，然后学习扫描网格设计与采样策略，接着进入特征提取与分类判据，最后通过电机、变换器、机械振动等工程案例完成闭环。整门课程的目标不是让你会跑一次仿真，而是让你能独立设计一次有结论、可复现、能指导决策的参数扫描分析。