1. 课程导入与融合建模全景

在工程与科学研究中，我们经常面对两类知识：一类来自实验观测，一类来自物理定律。实验数据真实但稀疏、含噪，且往往只覆盖有限工况；物理方程可解释、可外推，却常因简化假设而与实际系统存在偏差。融合建模的核心思想，就是让这两类知识互相约束、互相补足——用物理方程提供结构与先验，用实验数据校正参数与弥补未建模动态，最终得到一个既符合机理又能贴合观测的模型。

为什么需要融合，而不是二选一

纯数据驱动模型（如神经网络、高斯过程回归）在训练工况内精度高，但外推能力弱，且需要大量样本；纯机理模型（如常微分方程组、有限元模型）结构清晰，但参数往往难以直接测量。以一个典型的一阶热系统为例，其机理形式可写为：

dT/dt = -a·(T - T_env) + b·P
其中：T 为温度，T_env 为环境温度，P 为加热功率
a 为散热系数，b 为加热增益，二者通常未知或随工况漂移

若仅凭实验数据拟合，需要覆盖多种功率与环境温度组合；若仅凭机理，a、b 的取值又缺乏依据。融合建模的做法是：保留该微分方程结构，把 a、b 视为待辨识参数，用实验测得的 T(t) 序列通过最小二乘或极大似然估计它们，并进一步用一个残差模型吸收方程未描述的热惯性延迟。这样，模型在数据稀疏区仍受物理结构约束，在数据密集区又能贴合真实响应。

典型应用场景

融合建模并非单一技术，而是一套方法论，常见落地形态包括：

• 参数辨识型：机理结构已知，用数据估计未知参数，如电池等效电路模型中的内阻与电容。
• 残差补偿型：机理模型打底，数据模型学习其系统性偏差，如飞行器气动模型加神经网络修正项。
• 物理约束型：在损失函数中加入守恒律或方程残差，如 PINN（物理信息神经网络）。
• 灰箱混合型：部分子系统用机理、部分用数据，如化工过程中反应动力学用方程、传热用数据代理模型。

下图给出本课程的整体技术路线：从问题定义出发，经机理建模与数据预处理，进入参数辨识或残差学习，再通过验证与不确定性评估形成闭环。

课程项目安排与学习路径

本课程以一个贯穿始终的案例为主线：某小型加热装置的温控系统建模。第1至第6章建立基础，包括实验设计、数据清洗、机理方程推导与参数可辨识性分析；第7至第14章进入参数辨识与残差建模，完成从最小二乘到贝叶斯估计的递进；第15至第22章讨论物理约束神经网络与灰箱混合结构；第23至第30章聚焦验证、不确定性量化与工程部署。每章都配有可运行的示例数据与代码片段，示例参数均为教学假设值，读者应替换为自己的实验数据。

一个最小可运行的起点

为了让读者在第一章就建立直观感受，下面给出上述热系统的参数辨识骨架。假设已测得等间隔采样的温度序列与功率序列，采用前向欧拉离散化，把微分方程转为线性回归形式：

T[k+1] - T[k] = -a·Δt·(T[k] - T_env) + b·Δt·P[k]
令 y[k] = T[k+1] - T[k]
特征矩阵 X[k] = [ -Δt·(T[k] - T_env),  Δt·P[k] ]
待估参数 θ = [a, b]^T
则 y = X·θ，用最小二乘求解 θ = (X^T X)^{-1} X^T y

示例中取 Δt = 1 s、T_env = 25 ℃，若辨识得到 a ≈ 0.02 s⁻¹、b ≈ 0.05 ℃/(W·s)，即可回代方程做预测。判断是否可信的方法不是看训练集拟合多好，而是留出一段未参与辨识的工况（例如功率阶跃变化段），比较预测温度与实测温度的均方根误差；若误差随时间单调累积，说明结构或参数仍有系统偏差，这正是后续章节要解决的问题。

融合建模的完整闭环可以概括为：定义目标与精度、建立机理结构、设计并清洗实验、辨识或学习未知部分、在独立工况上验证、评估不确定性、必要时补充实验并迭代。本课程后续每一章都将围绕这条闭环中的某个环节展开，最终使读者具备独立完成一个融合建模项目的完整能力。