1. 课程导入
在发动机、电机、电池管理系统、工业控制器等复杂装备的研发过程中，控制软件里往往存在大量可调参数——喷油脉宽修正系数、点火提前角、PID 增益、扭矩滤波时间常数、电池 SOC 修正表等。这些参数并非由物理定律直接给出，而是需要通过试验数据反复拟合、验证和优化。把"让系统在真实工况下表现最优"这件事，从经验试凑变成可复现的工程流程，正是标定试验设计与系统优化工程要解决的问题。
本课程讨论的对象不是单一算法，而是一条完整的工程链路：从明确优化目标、设计试验矩阵，到采集数据、建立模型、求解参数，再到验证鲁棒性并固化为标定数据。它横跨试验设计（DOE）、系统辨识、多目标优化、数据管理与工程验证等多个领域，是连接"控制理论"与"整车/整机性能"的关键桥梁。
一、核心定义与三个关键词
可以把这门课拆成三个关键词来理解：
- 标定（Calibration）：为控制系统中的可调参数确定一组满足性能、排放、能耗、平顺性等约束的取值，并形成可刷写、可追溯的数据集。
- 试验设计（DOE）：在有限的台架或实车试验次数下，用科学的点分布策略（如全因子、拉丁超立方、D-最优）最大化信息获取效率，避免"凭感觉试"。
- 系统优化（Optimization）：在多个相互冲突的目标之间寻找折中解，例如动力性与经济性、响应速度与超调量、标定精度与试验成本。
二、整体知识框架
本课程的知识结构可以按"目标—试验—模型—优化—验证—固化"六段式展开，下图给出各模块之间的数据流与依赖关系。
图中上半部分是"正向链路"，橙色虚线是"反馈链路"。实际工程中，一次标定往往要经历多轮反馈：验证发现某些工况偏差大，就回到 DOE 补充试验点，或修正模型结构，再重新求解。
三、方法流程：一次完整标定项目的六个阶段
- 需求分解：把整车级指标（如 0-100 km/h 加速时间、NEDC 油耗）拆解为控制器可观测、可标定的参数目标。
- 因子筛选：用部分因子试验或专家经验，从几十个参数中筛出对目标影响最大的 5～10 个关键因子。
- 试验矩阵设计：确定因子水平与采样策略，生成试验点表，并规划台架/实车资源。
- 数据采集与清洗：同步采集总线信号、传感器信号与参考测量值，处理丢帧、漂移、时滞对齐。
- 建模与优化：拟合响应面或代理模型，运行优化算法得到候选参数集。
- 验证与固化：在独立验证工况上测试，通过后写入 A2L/HEX，纳入版本管理。
四、典型工程场景
以某混动车型的扭矩协调标定为例：目标是让发动机与电机在模式切换时扭矩波动小于 15 N·m，同时油耗不高于基线 2%。可调参数包括电机扭矩响应时间常数、发动机扭矩滤波系数、离合器结合速率等。团队先设计 3 因子 3 水平的 Box-Behnken 试验，在台架上采集 27 组数据，拟合出扭矩波动与油耗的二次响应面，再用 NSGA-II 求 Pareto 前沿，最终选出 3 组候选参数进行实车验证。
# 试验矩阵片段（因子：tau_motor, k_filter, rate_clutch）
run_id tau_motor k_filter rate_clutch torque_ripple fuel_delta
1 0.05 0.30 1.0 18.2 1.8%
2 0.05 0.50 1.5 14.6 2.1%
3 0.10 0.30 1.5 12.4 1.5%
...
27 0.15 0.50 2.0 9.8 2.6%
五、常见误区与复盘要点
| 误区 | 表现 | 改进方向 |
|---|---|---|
| 只调单点工况 | 某个转速点达标，全工况扫描时出现振荡 | 用空间填充 DOE 覆盖全工况面 |
| 忽略参数耦合 | 单独调好的两个参数组合后性能恶化 | 引入交互项，做多因子联合分析 |
| 验证集与训练集混用 | 模型精度虚高，实车表现差 | 严格划分训练/验证工况 |
| 缺少版本追溯 | 问题复现时找不到对应参数版本 | 参数集与试验数据绑定入库 |
本课程后续将围绕上述框架逐层展开：先讲试验设计数学基础，再讲数据采集与预处理，然后进入建模、优化算法、多目标决策，最后落到工具链与工程管理。掌握这条完整链路，你就能把"调参数"从手艺变成可复制、可验证、可交付的工程能力。