MWORKS 模型试验工具箱功能概述

MWORKS 模型试验工具箱是针对复杂系统模型进行参数分析和组件选型的一套强大工具。它旨在帮助工程师深入理解系统参数和不同型号组件如何影响系统关键性能指标，并最终辅助设计和优化系统。

1. 核心功能解析

该工具箱主要围绕以下两个核心功能展开：

1.1. 模型参数试验设计与分析

目标： 探究系统模型中各个参数对系统性能的影响。

工作流程：

1. 参数矩阵生成： 用户可以定义需要试验的参数范围、步长或离散值。工具箱能够自动生成一个包含所有参数组合的试验矩阵。这类似于实验设计（DOE）中的参数扫描或灵敏度分析。
2. 仿真分析与验证： 基于生成的参数矩阵，工具箱会自动运行一系列仿真。每次仿真都使用矩阵中的一组参数值，并记录系统关键性能指标（KPIs）。
3. 系统参数对系统性能影响分析： 仿真完成后，工具箱提供强大的数据后处理和可视化功能，帮助用户分析不同参数变化对KPIs的影响趋势、灵敏度以及潜在的相互作用。

应用场景：

• 灵敏度分析： 识别对系统性能影响最大的关键参数。
• 性能边界探索： 了解系统在不同参数设置下的性能表现范围。
• 参数优化： 为达到特定性能目标，寻找最佳的参数组合。

1.2. 系统模型组件多型号选型

目标： 辅助设计人员从多个型号的组件中，选择最优组合以满足系统性能要求。

工作流程：

1. 多型号组件模型： 用户需要为系统中可替换的组件建立不同的型号模型。这些模型应准确反映不同型号组件的特性和性能。
2. 不同型号组合的系统模型： 工具箱能够根据用户定义的选型规则，自动构建包含不同组件型号组合的系统模型。例如，如果系统有A、B两个组件，A有A1,A2型号，B有B1,B2型号，则会生成 (A1,B1), (A1,B2), (A2,B1), (A2,B2) 等多种组合模型。
3. 仿真分析与验证： 对每种组件型号组合的系统模型进行仿真，获取其关键性能指标。
4. 系统最优组件型号组合： 通过比较不同组合的仿真结果，工具箱可以帮助用户评估并筛选出满足性能要求或达到最优性能的组件型号组合。

应用场景：

• 方案论证： 在系统设计初期，快速评估不同组件选型方案的可行性。
• 成本-性能权衡： 结合组件成本数据，进行多目标优化，找到性价比最高的组件组合。
• 迭代优化： 在设计过程中，根据性能反馈不断调整组件选型。

2. MWORKS 工具箱的价值与定位

MWORKS 模型试验工具箱的核心价值在于提供了一个分析与设计一体化的平台，用于：

• 模型分析： 深入理解 Modelica 系统模型中参数和组件对系统行为的影响。
• 参数影响： 量化特定参数变化对系统关键性能指标（KPIs）的贡献。
• 型号方案： 评估并比较不同组件型号组合的优劣。
• 最优型号： 辅助决策者选择最优的组件型号配置。

通过这些功能，该工具箱显著提高了系统设计、优化和验证的效率与准确性，特别适用于基于 Modelica 语言构建的复杂系统模型。它将传统的“试错法”转变为系统化、数据驱动的“试验设计与分析”方法。

MWORKS 模型试验工具箱功能概述

MWORKS 模型试验工具箱旨在通过系统化的试验设计方法，帮助用户高效地分析和优化复杂系统模型。它主要包含参数矩阵和组件选型两大核心工具，并辅以多种试验设计方法和强大的仿真结果分析能力。

1. 核心工具详解

1.1 参数矩阵

功能定位： 参数矩阵工具专注于研究系统模型中参数变化对系统性能的影响。它提供了一种便捷高效的方式，让工程师能够系统地探索不同参数组合下的系统行为。

核心能力：

• 自动生成参数组合： 用户定义参数的取值范围或离散值，工具能够自动生成所有或部分参数组合，形成试验矩阵。
• 自动调参： 在批量仿真过程中，工具能够自动将生成的参数组合应用到模型中，无需手动修改。
• 批量仿真： 基于生成的参数矩阵，工具能够驱动模型进行大规模的批量仿真，快速获取不同参数配置下的仿真结果。

应用场景举例：

• 在控制系统设计中，分析 PID 控制器参数（Kp, Ki, Kd）对系统响应速度、超调量和稳态误差的影响。
• 在机械结构设计中，研究材料弹性模量、阻尼系数等对振动特性的影响。
• 在电路设计中，评估电阻、电容等元件参数变化对电路频率响应的影响。

1.2 组件选型

功能定位： 组件选型工具侧重于分析不同设计方案或不同型号组件对系统整体关键性能指标的影响。它帮助用户在多种可选部件中，快速筛选出最优的组合方案。

核心能力：

• 批量组件设计： 用户可以定义不同组件的型号或特性，工具能够自动生成包含这些组件的模型变体。
• 组件排列： 针对多个可替换的组件，工具能够自动生成所有可能的组件组合排列，形成不同的系统配置。
• 模型自动生成： 基于组件的排列组合，工具能够自动构建或修改系统模型，以适应不同的组件配置。
• 多模型批量仿真： 对生成的多个模型进行批量仿真，评估不同组件组合下的系统性能。

应用场景举例：

• 整车动力性分析： 验证不同发动机、变速箱或电池包型号对整车加速性能、最高车速、燃油经济性等关键指标的影响，从而选出最佳动力系统配置。
• 航空航天系统设计： 评估不同传感器、执行器或控制单元型号对飞行器性能、可靠性的影响。
• 工业自动化生产线： 比较不同品牌或型号的机器人、PLC 控制器对生产效率、故障率的影响。

2. 试验设计方法

MWORKS 模型试验工具箱内置了多种先进的试验设计方法，以提高仿真效率和结果的可靠性：

• 蒙特卡洛设计 (Monte Carlo Design)： 通过随机抽样的方式生成参数组合，适用于评估参数不确定性对系统性能的影响，以及进行鲁棒性分析。
• 排列试验设计 (Permutation Test Design)： 系统地排列所有可能的参数或组件组合，适用于参数数量较少且需要全面探索所有可能性的场景。

3. 结果分析与导出

完成批量仿真后，工具提供强大的结果分析功能：

• 仿真结果导出： 支持将大量的仿真数据导出为多种常见格式（如 CSV, Excel 等），方便用户进行进一步的离线分析。
• 多类型可视化： 提供丰富的图表类型（如曲线图、散点图、柱状图、三维曲面图等），直观展示仿真结果，帮助用户快速发现规律和趋势。

总结

MWORKS 模型试验工具箱通过其“参数矩阵”和“组件选型”两大核心功能，结合先进的试验设计方法和强大的结果分析能力，为工程师提供了一个全面的平台，用于：

• 深入理解模型行为： 探索参数和组件对系统性能的影响。
• 优化系统设计： 快速识别最佳参数配置和组件组合。
• 提高设计效率： 自动化批量仿真和结果分析流程。
• 降低开发成本： 在虚拟环境中进行大量试验，减少物理原型测试。

无论是进行参数敏感性分析、系统性能优化，还是多方案比较与选型，MWORKS 模型试验工具箱都能提供强有力的支持。

模型试验与参数矩阵分析

在系统建模与仿真领域，我们常常需要通过模型试验来深入理解系统的行为特性，并优化其性能。本节将探讨如何利用模型试验和参数矩阵方法，分析系统参数对性能的影响，以减震系统为例进行说明。

1. 模型试验概述

模型试验是研究复杂系统行为的重要手段。它可以通过两种主要方式进行：

1. 物理实验： 搭建真实的物理系统，通过改变物理组件（如不同弹性系数的弹簧、不同阻尼系数的阻尼器）来收集实验数据，从而分析参数对系统性能的影响。这种方法直观可靠，但成本高昂、耗时且不易复现。
2. 模型仿真： 构建符合物理规律的仿真模型，通过软件工具（如 MWORKS Sysplorer/Syslab）进行仿真计算。这种方法具有成本低、效率高、可重复性强等优点，是现代工程设计中不可或缺的手段。

在模型仿真中，我们通常会经历以下步骤：

• 建立模型： 根据系统的物理原理，构建其数学模型，并在仿真环境中以图形化或代码形式表示。
• 添加输入： 为模型施加激励信号，模拟系统在实际工况下的输入。
• 仿真运行： 执行仿真，获取系统的动态响应数据。
• 结果分析： 对仿真结果进行可视化和分析，评估系统性能。

2. 减震系统模型与阶跃响应分析

以一个典型的减震系统为例，我们来探讨其模型试验过程。

2.1 减震系统模型构建

一个简化的减震系统通常由弹簧、阻尼器和质量块组成。在 MWORKS Sysplorer/Syslab 中，我们可以通过拖拽组件的方式快速构建模型。

⤢

上图展示了一个简化的减震系统模型。其中：

• position：表示系统的输入位移。
• s_ref：参考点，通常固定。
• springDamper：弹簧阻尼器组件，包含弹性系数 c 和阻尼系数 d。
• mass：质量块组件，具有质量 m。
• positionSensor：位移传感器，用于测量质量块的位移 s。

在这个模型中，我们设置了 mass 的质量 m=1.1，springDamper 的弹性系数 c=10 和阻尼系数 d=0.5。

2.2 阶跃信号输入

为了测试减震系统的动态响应，我们通常会施加一个阶跃信号作为输入。阶跃信号模拟了系统受到瞬时冲击或位移突变的情况。

⤢

上图中的 step 模块表示一个阶跃信号源，其 startTime=1，意味着在仿真时间 t=1 时，信号值会从初始值（通常为0）跳变到设定的终值（通常为1）。

2.3 仿真结果与分析

将阶跃信号输入到减震系统模型中，进行仿真后，我们可以得到质量块的位移响应和弹簧阻尼器产生的力。

⤢

从上图的仿真结果可以看出：

• 蓝色曲线 step.y 表示输入的阶跃信号，在 t=1 时从0跳变到1。
• 红色曲线 springDamper.f 表示弹簧阻尼器产生的力。当阶跃信号输入后，系统发生振荡，但由于阻尼器的作用，振荡幅度逐渐衰减，最终趋于稳定。这表明带阻尼的弹簧确实具有减震作用。

3. 参数矩阵与系统性能研究

通过上述单次仿真，我们验证了减震效果。但如何深入研究弹性系数 c 和阻尼系数 d 对减震效果的影响，以及理解系统的内部机理呢？这就需要引入参数矩阵的概念。

3.1 思考：如何分析减震性能？

• 物理实验的局限性： 如果采用物理实验，我们需要准备不同弹性系数的弹簧和不同阻尼系数的阻尼器，逐一进行实验，收集数据，耗时耗力。
• 模型仿真的优势： 在模型仿真中，我们可以构建一个具有待定参数的模型，然后通过批量设置这些参数，进行多次仿真，从而高效地分析参数对系统性能的影响。

3.2 参数矩阵的应用

参数矩阵（或称参数扫描、参数化研究）是一种强大的仿真分析技术，它允许我们系统地改变模型中的一个或多个参数，并对每种参数组合进行仿真。

例如，我们可以定义一个参数矩阵，其中包含不同弹性系数 c 和阻尼系数 d 的组合：

弹性系数 c	阻尼系数 d
5	0.1
5	0.5
5	1.0
10	0.1
10	0.5
10	1.0
...	...

通过对这个参数矩阵中的每组参数进行仿真，我们可以得到一系列的仿真结果。然后，我们可以对这些结果进行比较和分析，例如：

• 峰值超调量： 质量块位移的最大值。
• 调节时间： 质量块位移稳定在一定误差范围所需的时间。
• 振荡频率： 质量块振荡的频率。

通过这些性能指标，我们可以量化不同参数组合下的减震效果，从而：

• 优化设计： 找到最佳的弹性系数和阻尼系数，以满足特定的减震性能要求。
• 理解机理： 深入理解弹性、阻尼等物理参数如何共同作用，影响系统的动态行为。

3.3 减震器实物与模型对应

⤢

上图展示了一个减震器的实物模型。在实际工程中，我们正是通过对这类物理组件进行建模和仿真分析，来指导其设计和制造过程。通过参数矩阵分析，工程师可以快速评估不同设计方案的性能，减少物理原型试验的次数，从而加速产品开发周期。

总结

模型试验，特别是结合参数矩阵的仿真方法，是现代工程设计和分析中不可或缺的工具。它使得我们能够高效、系统地研究复杂系统的行为，优化其设计参数，并深入理解其内部工作机理。在 MWORKS Sysplorer/Syslab 等仿真平台中，这些分析功能得到了强大的支持，极大地提升了工程师的工作效率和设计质量。

模型试验：参数矩阵与批量仿真

在工程开发和应用中，深入理解模型参数对系统性能的影响至关重要。传统上，工程师们通过反复试验和仿真来探究这些关系，但这往往伴随着效率低下、操作繁琐和结果不直观等问题。MWORKS 软件通过其强大的参数矩阵和批量仿真功能，极大地简化了这一过程。

传统验证手段的挑战

传统的模型参数验证流程通常包括以下步骤：

1. 生成多组参数初值： 需要手动或通过脚本创建不同参数组合。
2. 根据试验设计方案，设计参数排列： 确定哪些参数组合需要进行仿真。
3. 重复对仿真实例设置初值、重新仿真： 每次仿真都需要手动修改参数并运行。
4. 收集仿真结果： 结果分散，需要手动整理。
5. 分析参数对系统影响结果，得到结论： 耗时且容易出错。

这些步骤导致了以下问题：

• 效率低下： 大量重复性工作。
• 操作繁琐： 手动干预多，容易出错。
• 结果不直观： 难以快速从大量数据中发现规律。

MWORKS 的解决方案：参数矩阵验证

MWORKS 提供了集成化的参数矩阵验证功能，将上述繁琐的流程自动化，实现高效、直观的参数分析。

核心流程

MWORKS 的参数矩阵验证流程可以概括为以下几个关键步骤：

1. 选择需要试验的参数： 明确哪些模型参数是研究对象。
2. 选择关注的系统关键性能变量： 确定哪些输出是评估系统性能的指标。
3. 建立试验，批量生成参数： 利用内置工具（如批量仿真、试验设计、蒙特卡洛）自动生成参数组合。
4. 自动调整参数批量仿真： 软件自动根据生成的参数组合进行多次仿真。
5. 所有参数仿真结果可视化，得出结论： 提供丰富的图表和数据视图，直观展示参数影响。

界面功能详解

MWORKS 软件界面清晰地展示了参数矩阵验证的各个环节。

⤢

上图展示了 MWORKS 中一个悬架（suspension）模型的参数矩阵试验界面。

1. 参数定义

在“试验浏览器”的“参数”部分，用户可以定义需要研究的参数及其范围。例如，图中定义了两个参数：

• springDamper.c：弹簧刚度，单位 N/m，初始值为 10。
• springDamper.d：阻尼系数，单位 N.s/m，初始值为 0.5。

2. 试验类型

在“研究”区域，MWORKS 支持多种试验类型，以满足不同的分析需求：

• batch_simulate (批量仿真)： 用于在预设的参数组合下进行多次仿真。
• design_of_experiment (试验设计)： 采用统计学方法设计试验，以最少的仿真次数获取最多的信息。
• MonteCarlo (蒙特卡洛)： 通过随机抽样生成参数组合，用于分析参数不确定性对系统性能的影响。

3. 仿真结果与可视化

“仿真实例集”区域展示了每次仿真的具体参数值。例如，图中列出了编号为 9 到 20 的仿真实例，每个实例对应 springDamper.c 和 springDamper.d 的不同取值。

“曲线窗口”(Plot-2) 直观地展示了不同参数组合下，系统关键性能变量（如 [suspension] springDamper.f [N]，即悬架阻尼力）随时间变化的曲线。每条曲线代表一次仿真结果，颜色区分不同的参数组合，使得用户可以一目了然地比较不同参数对系统响应的影响。

4. 变量浏览器

“变量浏览器”允许用户选择关注的输出变量，例如：

• springDamper.c：弹簧刚度。
• springDamper.d：阻尼系数。
• springDamper.f：阻尼力。
• position.s：位置。

通过勾选这些变量，可以在曲线窗口或其他结果视图中显示它们。

优势总结

MWORKS 的参数矩阵验证功能带来了显著的优势：

• 提高效率： 自动化参数生成、仿真执行和结果收集。
• 简化操作： 图形化界面，减少手动干预。
• 直观结果： 丰富的可视化工具，帮助快速理解参数影响。
• 全面分析： 支持多种试验类型，满足不同分析场景。

通过这些功能，工程师可以更专注于模型的优化和设计决策，而不是繁琐的仿真管理工作。

模型试验：参数矩阵与系统性能分析

在系统建模和仿真过程中，对模型参数进行系统性分析至关重要。这有助于我们理解不同参数对系统性能的影响，从而优化设计或验证模型行为。MWORKS 软件中的“模型试验”工具箱提供了一套强大的功能，用于执行参数矩阵分析、批量仿真、试验设计和蒙特卡洛研究。

1. 模型试验工具箱概述

模型试验工具箱主要用于：

• 参数敏感性分析：研究单个或多个参数变化对系统关键性能指标的影响。
• 批量仿真：针对不同参数组合进行自动化仿真，提高效率。
• 试验设计 (DoE)：通过统计学方法设计参数组合，以最少的仿真次数获取最多的信息。
• 蒙特卡洛研究：通过随机抽样模拟不确定性，评估系统在随机扰动下的性能。

2. 启动模型试验工具箱

要使用模型试验功能，首先需要在 Sysplorer 中打开您的系统模型。

⤢

如上图所示，一个典型的 Modelica 模型 suspension (带阻尼的弹簧减震系统) 正在 Sysplorer 中显示。在模型翻译完成后，可以通过以下路径打开模型试验工具箱：

Sysplorer -> 工具 -> 应用 -> 模型试验

打开后，您将看到模型试验工具箱的界面，如下图所示：

⤢

3. 参数矩阵分析流程

在模型试验工具箱中，切换到“参数矩阵”页面，可以对模型中的待研究参数进行设置和分析。

3.1 待研究参数的选择

对于一个带阻尼的弹簧减震系统，我们通常会关注弹簧的弹性系数 (k) 和阻尼系数 (c)。这些参数的变动会直接影响减震系统的性能，例如振动衰减速度和超调量。

在模型试验工具箱中，您可以选择模型中的任意参数作为待研究参数。每个参数研究对应一个独立的试验设置。

3.2 参数变化方式

模型试验工具支持多种参数变化方式，以模拟不同的使用场景和分析需求：

• 均匀分布：参数在指定范围内等间隔取值。
• 非均匀分布：参数在指定范围内按自定义间隔或分布取值。
• 随机分布：参数按照某种概率分布（如正态分布、均匀分布等）进行随机抽样，常用于蒙特卡洛分析。

3.3 批量仿真与结果分析

设置好参数变化范围和方式后，模型试验工具将自动调用求解器进行批量仿真。这意味着对于每组参数组合，系统都会执行一次完整的仿真，并输出相应的结果。

关注的输出变量：在仿真完成后，您可以选择关注的输出变量（例如，减震系统的位移、速度、加速度等），并在曲线窗口中进行可视化分析。

曲线窗口：模型试验工具支持生成多种形式的特性曲线和图表，包括：

• 2D 曲线：显示单个变量随时间的变化，或两个变量之间的关系。
• 3D 曲面：用于展示两个参数对某个输出变量的影响。
• 直方图：分析随机参数或输出变量的分布特性。

通过这些可视化工具，您可以直观地观察到不同参数组合下系统性能的变化趋势，从而深入理解参数对模型行为的影响。

4. 总结模型试验工具的特点

• 灵活的参数变化方式：支持均匀、非均匀、随机等多种参数设置。
• 多样的结果可视化：提供时变曲线、2D/3D 特性曲线、直方图等多种图表类型。
• 自动化仿真流程：自动调用求解器进行批量仿真，提高分析效率。
• 支持复杂研究：集成批量仿真、试验设计和蒙特卡洛研究，满足不同层次的分析需求。

通过模型试验工具，工程师可以更高效、更全面地对系统模型进行参数分析和性能验证，为设计优化和决策提供有力支持。

模型试验：参数矩阵 - 批量仿真

批量仿真是系统建模与仿真中一项基础且重要的功能，它允许用户通过自动化方式，系统地考察模型参数变化对系统行为的影响。本节将详细介绍 MWORKS 软件中如何进行批量仿真，以一个带有阻尼的弹簧系统为例，研究弹力系数和阻尼系数对弹力输出的影响。

1. 批量仿真概述

批量仿真的核心思想是定义一组输入参数（自变量）和一组输出变量（因变量），然后软件会自动运行多次仿真，每次仿真使用输入参数的不同组合，并记录对应的输出变量结果。这使得用户可以快速分析参数敏感性、优化设计或探索系统行为空间。

2. 批量仿真设置步骤

2.1 选择待研究的参数和关注的模型输出变量

在进行批量仿真之前，首先需要明确哪些参数是我们要改变和研究的，以及哪些模型输出是我们关注的。

2.1.1 定义输入集（待研究参数）

从模型的参数列表中选择作为输入变量的参数。例如，在一个弹簧阻尼系统中，我们可以选择弹簧的弹力系数（springDamper.c）和阻尼系数（springDamper.d）作为待研究的输入参数。

⤢

上图展示了 MWORKS 软件的主界面，其中包含了“参数矩阵”等功能区。

⤢

上图为试验浏览器参数面板，清晰地列出了 springDamper.c 和 springDamper.d 两个参数，以及它们的当前值、单位、描述和类型。这些参数将构成我们的输入集。

2.1.2 定义输出集（关注变量）

选择模型中我们关注的关键变量作为输出集。在本例中，我们关注的是弹簧阻尼器的弹力随时间变化的曲线，因此 springDamper.f（弹力）将是我们的主要输出变量。

2.2 新建批量仿真试验

在 MWORKS 中，批量仿真通过“新建批量仿真”功能实现。

⤢

点击主界面工具栏中的“新建批量仿真”按钮，将打开批量仿真设置窗口。

为新建的批量仿真试验命名，建议名称能清晰体现本次试验的工况或目的，例如“弹簧阻尼参数敏感性分析”。

创建后，该试验会显示在左侧的试验面板中。用户可以通过右键菜单选择“编辑试验”来修改其设置。

2.3 批量仿真数据矩阵类型

MWORKS 批量仿真提供了多种数据矩阵类型来定义输入参数的变化方式，其中两种常用类型是 UserDataSets 和 VaryingBetween2Limit。

2.3.1 UserDataSets

UserDataSets 允许用户精确定义每一组输入参数的数值。每个“set”对应一次独立的仿真试验。这意味着用户可以手动指定所有参数组合，从而进行高度定制化的研究。

⤢

在上图中，“定义”下拉菜单显示当前选择的是 User data sets。用户可以在“输入集”和“输出集”选项卡中配置具体的参数。

在“输出集”选项卡中，需要勾选所有关注的输出变量，例如 springDamper.f 和 position.s。

⤢

上图展示了在批量仿真设置窗口中，用户勾选了 springDamper.f 作为输出变量。

2.3.2 VaryingBetween2Limit

VaryingBetween2Limit 模式则允许用户为每个参数定义一个变化范围和步长（或步数），软件将自动生成参数组合。这在进行参数扫描或敏感性分析时非常有用。

2.4 完成试验设计

完成输入集和输出集的选择，并配置好数据矩阵后，点击“确定”或“执行”按钮。

• 确定：保存试验设置，但不立即运行仿真。
• 执行：保存设置并立即开始批量仿真。

试验设计完成后，可以在“试验浏览器”的“研究面板”中查看已建立的批量仿真试验。

3. 批量仿真结果分析

批量仿真执行完毕后，用户可以利用 MWORKS 强大的绘图和数据分析工具对结果进行可视化和深入分析。例如，可以绘制不同参数组合下弹力随时间变化的曲线，直观地比较参数变化带来的影响。

总结

批量仿真作为一种高效的参数研究方法，极大地简化了复杂系统行为的探索过程。通过 MWORKS 提供的直观界面和灵活的设置选项，用户可以轻松地定义输入参数、输出变量和仿真场景，从而深入理解模型特性，为设计优化和决策提供数据支持。

MWORKS Sysplorer/Syslab 批量仿真与参数矩阵分析

在系统建模与仿真过程中，我们经常需要探究模型参数变化对系统行为的影响。MWORKS Sysplorer/Syslab 提供了强大的批量仿真功能，结合参数矩阵设置，能够高效地进行参数敏感性分析、优化设计等任务。本节将详细介绍如何利用这一功能进行模型试验。

1. 新建批量仿真试验

批量仿真允许用户一次性运行多个不同参数配置的仿真，从而系统地分析参数对模型输出的影响。

1.1 参数矩阵设置

MWORKS 提供了多种参数矩阵生成方式，其中 VaryingBetween2Limit 是一种非常实用的方法，它能根据用户设定的步长、向下/向上点数，生成等距的参数序列。

关键概念：

• 步长 (Step Size)：参数取值之间的间隔。
• 向下点数 (Points Down)：从初始值向下取值的次数。
• 向上点数 (Points Up)：从初始值向上取值的次数。
• 最小值 (Minimum Value)：初始值 - (步长 * 向下点数)。
• 最大值 (Maximum Value)：初始值 + (步长 * 向上点数)。
• 总点数 (Total Points)：向下点数 + 向上点数 + 1。

例如，如果我们设定阻尼系数 springDamper.c 的初始值为 1，步长为 0.2，向下点数为 4，向上点数为 15。这意味着：

• 最小值：1 - (0.2 * 4) = 0.2
• 最大值：1 + (0.2 * 15) = 4.0
• 总点数：4 + 15 + 1 = 20
• 参数序列将从 0.2 开始，以 0.2 为步长，直到 4.0，共包含20个不同的阻尼系数值。

⤢

在“仿真实例集”中，我们可以看到根据上述设置生成的不同阻尼系数 springDamper.c 的值，每个值对应一次独立的仿真运行。

⤢

1.2 仿真选项设置

在进行批量仿真之前，需要配置仿真选项，这与单次仿真类似。

• 仿真区间：设定仿真的起始时间和终止时间。例如，将终止时间设置为 20。
• 输出区间：定义结果输出的采样方式，可以按区间长度或区间个数。
• 积分算法：选择合适的数值积分算法，如 Dassl，并设置误差容限。
• 结果存储：勾选“存储事件时刻的变量值”以获取更详细的仿真数据。

1.3 勾选关注的输出变量

在“变量浏览器”中，勾选所有需要分析的输出变量。对于本例，我们关注的是弹簧阻尼器之间的力 springDamper.f。

2. 运行批量仿真

完成所有设置后，点击“运行当前试验”开始批量仿真。系统将按照参数矩阵中定义的每一个参数组合，依次执行仿真。

2.1 仿真运行监控

在仿真过程中，可以通过“运行监控”窗口实时查看每个仿真实例的运行进度。当所有实例都显示100%完成时，批量仿真即告结束。

⤢

3. 结果分析与高级绘图

批量仿真完成后，最关键的一步是分析结果。MWORKS 提供了“高级绘图”功能，帮助用户直观地理解参数变化对模型输出的影响。

3.1 高级绘图配置

1. 打开高级绘图：在工具栏中找到并点击“高级绘图”按钮。
2. 选择绘图类型：对于参数分析，通常选择 Final value 图，它可以展示不同参数值对应的最终输出结果。
3. 配置X轴和Y轴变量：
   • 将作为自变量的参数（例如，阻尼系数 springDamper.c）勾选为 X轴变量。
   • 将作为因变量的输出（例如，弹簧弹力 springDamper.f）勾选为 Y轴变量。

⤢

3.2 结果可视化

配置完成后，系统将生成一张图表，显示不同阻尼系数下弹簧弹力的变化趋势。

⤢

从图中可以看出，随着阻尼系数的增加，弹簧弹力的振荡幅度逐渐减小，系统趋于稳定所需的时间也缩短。这符合我们对阻尼系统行为的预期：适当的阻尼能够有效地抑制振动。通过这样的批量仿真和可视化分析，工程师可以快速找到满足性能指标的最佳参数范围。

总结：

批量仿真与参数矩阵是 MWORKS Sysplorer/Syslab 中进行模型分析和优化设计的强大工具。它能够：

• 提高效率：自动化执行大量参数组合的仿真。
• 全面分析：系统地探索参数空间，揭示参数对系统行为的影响规律。
• 辅助决策：为参数选择和系统优化提供数据支持。

掌握这一功能，将极大地提升模型开发和验证的效率。

Sysplorer/Syslab 模型试验：参数矩阵与试验设计 (DOE) 深度解析

在工程仿真和系统优化中，我们经常需要探究多个输入因子如何影响系统的输出响应。传统的手动调整参数效率低下且难以全面捕捉复杂关系。试验设计 (Design of Experiment, DOE) 正是为了解决这一问题而生，它通过科学地安排试验条件，帮助我们高效地建立因子与响应之间的数学模型，并找到最优的系统配置。

Sysplorer/Syslab 提供了强大的 DOE 功能，支持多种试验设计方法，本文将深入探讨如何在 Sysplorer/Syslab 中进行模型试验的参数矩阵与试验设计。

1. 试验设计 (DOE) 核心概念

试验设计是一种系统化的方法，用于研究多因子对响应变量的影响。其核心目标是通过精心选择试验条件、执行试验并分析数据，从而：

• 建立响应与因子之间的函数关系模型。
• 识别关键影响因子。
• 找到使系统性能达到最优的因子组合。

Sysplorer/Syslab 中的 DOE 功能支持两种主要的试验设计方法：

• 自定义试验 (Custom Experiment)：允许用户根据特定需求灵活定义试验点。
• 全因子试验 (Full Factorial Experiment)：在所有因子水平的所有可能组合下进行试验，能够全面捕捉因子间的交互作用，但试验次数最多。其他试验设计方法（如部分因子试验、响应曲面法等）通常以减少试验次数为目的。

2. 新建试验设计

在 Sysplorer/Syslab 中新建一个试验设计非常直观。

2.1 创建 DOE 任务

首先，在项目导航器中找到“研究”部分。右键点击“研究”或已有的 DOE 任务，选择“新建试验设计”。

⤢

系统会弹出一个对话框，要求输入 DOE 的名称。建议命名时能清晰体现试验目的或工况，例如 design_of_experiment。

2.2 编辑试验参数

创建成功后，新的 DOE 任务会显示在左侧的“研究”面板中。右键点击该任务，选择“编辑试验”来配置具体的试验参数。

⤢

在编辑界面中，你需要定义试验的因子 (Factors) 及其水平 (Levels)。

• 因子 (Factor)：你希望研究的输入变量，例如弹簧的弹性系数、阻尼器的阻尼系数等。
• 水平 (Level)：每个因子在试验中取值的不同设定。例如，弹性系数可以有“低”、“中”、“高”三个水平。

重要提示：

• 在 Sysplorer/Syslab 中，通常要求所有因子的水平数量必须相同，以方便进行全因子试验等对称设计。
• “水平”的设定直接决定了试验点的数量。例如，如果两个因子各有3个水平，那么全因子试验将有 3x3 = 9 个试验点。

3. 运行试验与结果分析

配置好试验设计后，就可以运行试验并分析结果了。

3.1 运行当前试验

在 Sysplorer/Syslab 的工具栏中，通常会有一个“开始运行”或类似的按钮，用于启动当前配置的试验设计。

⤢

系统会根据你定义的因子和水平，自动执行一系列仿真。

3.2 结果可视化与分析

DOE 的核心价值在于其结果分析能力。Sysplorer/Syslab 提供了多种图表和工具来帮助用户理解试验结果。

3.2.1 阶跃响应图

对于动态系统，阶跃响应图是评估系统性能的关键。通过 DOE，我们可以一次性获取不同因子组合下的阶跃响应曲线。

⤢

分析要点：

• 超调量 (Overshoot)：系统响应超过稳态值的最大幅度。
• 稳定时间 (Settling Time)：系统响应进入并保持在稳态值一定误差范围所需的时间。
• 振荡特性：系统衰减振荡的频率和幅度。

从上图可以看出，不同的参数组合会导致截然不同的系统动态行为。某些曲线可能表现出较大的超调量或较长的稳定时间，这意味着这些参数组合可能不满足设计要求。例如，图中部分曲线的振荡持续时间较长，说明系统阻尼不足。

3.2.2 终值曲线

除了动态响应，我们还可以关注系统某些输出变量的终值。例如，在弹簧阻尼系统中，弹力的终值是一个重要的指标。

⤢

这张图展示了在不同弹性系数下，弹力随时间的变化，最终趋于稳定。通过对比不同曲线的终值，可以评估参数对稳态性能的影响。

3.2.3 三维视图：因子对响应的影响

为了更直观地理解两个因子如何共同影响一个响应，Sysplorer/Syslab 提供了三维视图。

⤢

这张三维图展示了弹性系数和阻尼系数这两个因子如何共同影响弹力。通过这种可视化方式，我们可以清晰地看到响应曲面，识别出最优或最差的参数区域，以及因子之间的交互作用。例如，图中可能存在一个“山谷”或“山峰”，指示了最佳或最差的弹力表现。

3.2.4 范围分布直方图

直方图可以帮助我们了解某个响应变量在所有试验条件下的分布情况，从而评估其变异性。

⤢

这张直方图展示了在不同因子组合下，弹力范围的分布。通过分析直方图的形状、中心位置和宽度，我们可以了解弹力在试验空间中的变化趋势和集中程度。例如，如果直方图非常宽，说明弹力对参数变化非常敏感。

3.2.5 最佳参数组合识别

通过综合分析上述图表，我们可以识别出满足设计要求甚至是最优的参数组合。

⤢

例如，在阶跃响应图中，如果某条红色曲线的超调量最小，稳定时间最短，且最终稳定在目标值，那么对应的参数组合就是最佳选择。这表明该参数组合使得系统在满足超调范围的同时，能最快地达到稳定状态。

总结

试验设计 (DOE) 是 Sysplorer/Syslab 中一个极其强大的工具，它将复杂的参数寻优问题系统化、高效化。通过合理地设置因子和水平，运行试验，并利用丰富的可视化工具进行结果分析，工程师可以快速理解系统行为，优化设计参数，从而显著提升产品性能和开发效率。掌握 DOE 方法，是进行高效系统仿真和优化的关键技能。

MWORKS 模型试验：参数矩阵与蒙特卡洛方法

在 MWORKS 软件中，模型试验功能是进行参数分析和模型行为研究的重要工具。其中，参数矩阵和蒙特卡洛方法是两种常用的试验设计方式，它们能够帮助用户批量仿真，深入理解模型在不同参数组合下的性能表现。

1. 模型试验概述

模型试验旨在通过系统地改变模型参数，观察并分析模型输出的变化，从而评估模型的鲁棒性、敏感性或优化其性能。MWORKS 提供了直观的用户界面来创建和管理这些试验。

⤢

上图展示了 MWORKS 的主界面，其中“参数矩阵”和“蒙特卡洛”等功能位于“新建”组中，便于用户快速启动不同类型的试验设计。

2. 蒙特卡洛方法详解

2.1 什么是蒙特卡洛方法？

蒙特卡洛方法是一种基于随机抽样和统计推断的计算方法。它通过生成大量随机样本来近似求解复杂的数学问题，例如期望值、积分或概率分布。

在模型试验中，蒙特卡洛方法被应用于对模型的关键参数进行随机采样，生成大量的参数组合，然后对这些组合进行批量仿真。通过分析这些仿真结果，可以研究模型在参数不确定性影响下的行为特性，例如：

• 敏感性分析：识别哪些参数对模型输出影响最大。
• 鲁棒性分析：评估模型在参数波动下的稳定性。
• 概率分布分析：预测模型输出的概率分布。

2.2 新建蒙特卡洛试验

在 MWORKS 中新建蒙特卡洛试验的步骤如下：

1. 选择“新建蒙特卡洛”： 在主界面工具栏的“新建”组中，点击“新建蒙特卡洛”图标。 ⤢

2. 命名试验： 系统会弹出一个对话框，要求输入蒙特卡洛试验的名称。建议使用能体现试验目的或工况的名称，例如“MonteCarlo_SpringDamp_Sensitivity”。 ⤢

   点击“确定”后，新建的试验会显示在左侧的试验面板中。

3. 编辑试验设置： 在左侧试验面板中，右键点击新建的蒙特卡洛试验，选择“编辑试验”以配置详细参数。

2.3 蒙特卡洛试验参数配置

蒙特卡洛试验的核心在于参数的随机采样。MWORKS 提供了多种随机函数和采样设置：

• 随机函数选择： MWORKS 通常提供多种随机函数（如均匀分布、正态分布、对数正态分布等）供用户选择，以模拟参数的实际分布特性。

• 样本数量： 用户需要指定蒙特卡洛试验产生的样本数量。样本数量越多，结果的统计精度越高，但计算时间也会相应增加。

• 参数直方图： MWORKS 支持绘制已生成参数的直方图，这对于验证参数采样是否符合预期分布至关重要。通过直方图，用户可以直观地查看参数值的分布情况。

2.4 运行与结果分析

配置好蒙特卡洛试验后，即可开始运行仿真。

1. 开始运行： 在主界面工具栏中点击“开始运行”按钮，MWORKS 将根据设定的参数组合进行批量仿真。 ⤢

2. 查看仿真实例： 仿真完成后，可以在“仿真实例集”窗口中查看每个仿真运行的结果。每个运行（Run）对应一组特定的参数值。 ⤢

   上图展示了一个弹簧阻尼器模型（springDamper）的仿真实例集。springDamper.c 代表弹簧刚度，springDamper.d 代表阻尼系数。用户可以选择感兴趣的运行结果进行进一步分析。

3. 查看设计矩阵： “查看设计矩阵”功能可以清晰地展示每次运行所使用的具体参数值组合。 ⤢

   例如，Run6 使用的弹簧刚度 springDamper.c 为 12.8206 N/m，阻尼系数 springDamper.d 为 0.561441 N.s/m。

4. 变量浏览器： “变量浏览器”窗口列出了模型中的所有变量及其属性（单位、描述、类型），方便用户选择需要分析的输出变量。 ⤢

5. 结果分析： 通过对大量仿真结果的分析，可以得出关于模型行为的结论。例如，在弹簧阻尼器模型中，通过观察不同参数组合下的响应曲线，可以判断哪种组合能使系统最快达到稳定状态。

   示例分析： 假设在某个试验中，我们发现粉色曲线组合最先达到稳定状态。通过回溯该曲线对应的参数，我们发现其弹力系数为 5.83108 N/m，阻尼系数为 0.6466 N.s/m。这表明这组参数可能是一个较优的选择，能够使系统快速稳定。

3. 总结

蒙特卡洛方法在 MWORKS 模型试验中提供了一种强大的工具，用于在参数不确定性下探索模型的行为。通过生成和仿真大量的随机参数组合，用户可以获得对模型性能的统计学理解，从而支持设计优化、鲁棒性评估和敏感性分析。正确配置采样参数和有效分析结果是成功应用蒙特卡洛方法的关键。

2.1 模型试验：高效组件选型与验证

在复杂的工程开发，尤其是在系统早期设计阶段，面对多种系统设计方案和大量待验证的部件型号及参数组合时，传统的验证方法效率低下且操作繁琐。MWORKS 提供的“模型试验-组件选型”功能旨在解决这些痛点，通过自动化、可视化的方式帮助工程师快速选出最佳型号组合。

传统验证手段的痛点

传统的组件选型和验证流程通常涉及以下步骤，这些步骤在实际操作中效率极低：

1. 构建构型部件模型： 根据不同原理或设计方案的部件，手动构建多个构型部件模型。
2. 生成参数组合部件模型： 复制这些构型部件模型，并针对不同的参数组合生成更多变体。
3. 复制和替换系统模型： 复制多个完整的系统模型，然后手动在每个系统模型中替换不同的部件模型。
4. 依次仿真与结果保存： 逐一运行所有组合后的系统模型进行仿真，并手动保存仿真结果。
5. 结果分析与方案验证： 人工分析大量仿真数据，以验证设计方案并选出最佳组合。

这种传统方法存在显著弊端：

• 效率低下： 大量重复的手动操作耗费时间。
• 操作繁琐： 复制、替换、仿真、保存等步骤极易出错。
• 牵一发动全身： 任何一个小改动都可能导致整个流程需要重新执行。
• 结果不直观： 缺乏统一的工具进行结果对比和可视化分析。

MWORKS 模型试验的解决方案

MWORKS 的“模型试验-组件选型”功能提供了一套高效、自动化的解决方案，极大地简化了组件选型和验证流程。

核心步骤

1. 准备模型： 准备好基础的系统模型以及所有待选型的不同原理或参数组合的部件模型。

2. 打开模型试验组件选型工具： 在 MWORKS 环境中启动组件选型功能。

3. 选择待选型组件与批量设计组件： 用户可以直观地选择需要进行选型的组件，并定义其不同的型号或参数组合。

   ⤢ 上图展示了不同电机型号（电机型号1、电机型号2）与不同驱动形式（前轮驱动、四轮驱动、后轮驱动）的多种组合，这些都是待选型的组件。

4. 选择关注的系统关键性能变量： 明确哪些性能指标是评估方案优劣的关键，例如车辆的百公里加速时间、能耗、最高速度等。

5. 自动批量生成与仿真： 系统会根据用户的选择，自动生成所有组件排列组合的系统模型，并进行批量仿真。

6. 可视化分析与最佳组合选择： 所有生成系统模型的关键性能指标将以可视化的方式呈现，帮助工程师直观地比较各方案优劣，从而选出最佳型号组合。

   此图展示了批量仿真后的结果可视化界面。左侧列出了不同的试验用例（如 case_100km_1 到 case_100km_12），每个用例代表一种组件组合。右侧的曲线图则直观地呈现了不同组合下车辆百公里加速的性能曲线，便于工程师快速对比和分析。

示例：车辆动力总成组件选型

以车辆动力总成系统为例，我们可以利用此功能对电机和驱动形式进行选型。

⤢ 上图展示了模型库的结构，其中包含了 Car_100km 顶层模型、Mch（电机）和 WD（驱动）等组件。Mch 下有 Mch1 和 Mch2 两种电机型号，每种型号可能还有不同的映射表（map1，map2）。WD 则代表不同的驱动形式。通过这些组件的组合，可以生成如 Car_100km_WD1_Mch1_Body1 等多种车辆配置。

⤢ 这是一个典型的车辆系统模型，用于百公里加速工况仿真。模型中包含了“百公里加速工况”、“电机”、“减速器”、“前驱驱动”、“车辆模型”、“制动系统”、“电池模型”、“DCDC”、“电子负载”以及“Acc控制/制动控制”等关键组件。通过替换“电机”和“驱动”模块的不同型号，系统可以自动生成并仿真所有组合，从而评估不同配置下的百公里加速性能。

通过 MWORKS 的模型试验功能，工程师能够将耗时数天甚至数周的组件选型工作，缩短至数小时，大大加速了产品开发周期并提升了设计质量。

2.1 模型试验 - 组件选型

在车辆设计，尤其是新能源汽车的开发过程中，往往需要对多种设计方案进行迭代验证，以选出性能最优的整车架构。Sysplorer 的“模型试验”工具箱，特别是其中的“组件选型”功能，为这一过程提供了强大的支持。

本节将以一款纯电动车型为例，演示如何利用组件选型功能，对驱动系统、车身和电机等关键部件的不同型号进行设计验证，并通过分析百公里加速时间来评估车辆的动力性能。

1. 启动组件选型工具

首先，在 Sysplorer 界面中打开您的系统模型（例如 Car_EAuto_0_100）。系统模型通常包含车辆的整体架构，如动力总成、控制系统、车身等。

⤢

等待当前模型翻译完成后，通过菜单栏 【工具】 -> 【应用】 -> 【模型试验】 路径，打开“模型试验”工具箱。

在模型试验工具箱中，切换到 【组件选型】 页面。

⤢

2. 组件选型功能概述

组件选型功能的核心在于，它允许用户在不修改原始系统模型的情况下，批量替换模型中的特定组件，并对替换后的多种配置进行仿真验证。这极大地提高了设计迭代的效率。

组件选型界面的主要区域包括：

• 待选型组件和已设计组件列表： 用于管理待替换的备选组件模型，以及已经完成设计的组件配置。
• 系统关键性能指标变量： 在这里可以定义和监控仿真过程中关注的关键输出变量，例如百公里加速时间、能量消耗等。
• 每个试验对应一个工况： 组件选型通常与特定的工况（如加速工况、巡航工况）相结合，每个试验对应一种组件配置在特定工况下的表现。
• 批量翻译、仿真的系统模型结果： 展示不同组件配置在仿真后的结果数据。
• 关注的输出变量、绘图变量： 用户可以选择需要绘制曲线的变量，以便直观地比较不同方案的性能。
• 曲线窗口： 用于显示选定变量的仿真曲线。

3. 使用组件选型前的准备与要求

由于组件选型功能会对模型进行编辑和复制操作，因此在启动前，需要确保系统模型和备选型号模型满足以下要求：

1. 待替换的新组件（备选型号模型）类型可继承： 备选组件模型必须与系统模型中待替换的组件具有兼容的类型继承关系。这意味着它们应该属于同一类组件，或者备选组件是待替换组件的子类型。
2. 待替换的新组件（备选型号模型）输入输出端口类型数量与系统模型中组件一致： 这是确保模型能够正确连接和仿真的基本要求。新组件的接口必须与原组件的接口完全匹配。
3. 系统模型可进行仿真翻译： 确保在进行组件选型之前，系统模型本身能够正常进行翻译和仿真，没有语法错误或连接问题。

通过遵循这些步骤和要求，工程师可以高效地利用 Sysplorer 的组件选型功能，快速评估不同部件配置对整车性能的影响，从而加速产品开发进程。

2.1 模型试验 - 组件选型

在进行系统级仿真时，我们常常需要对系统中的关键组件进行选型，以评估不同组件配置对系统性能的影响。MWORKS 软件提供了强大的组件选型功能，允许用户批量设计和管理备选组件型号。

1. 选择待选型组件

组件选型是模型试验的第一步。用户需要从当前模型中识别出需要进行选型的关键组件。

首先，在 MWORKS 界面中，点击菜单栏的“设计”区域下的“组件设计”按钮。

⤢

这将打开“设计组件”对话框。在这个对话框中，用户可以从当前模型的组件树中选择需要进行选型的组件。

⤢

在“组件树”列表中，会显示当前模型中的所有顶层组件。用户可以通过勾选或点击“添加”按钮，将需要进行选型的组件添加到右侧的“已选择的组件”列表中。

示例： 在本例中，我们选择了“FWD”（驱动系统）、“vehicle”（车身模型）和“machine”（电机模型）作为待选型组件。这些组件通常是车辆动力学模型中的核心部分，其性能参数对整车表现有显著影响。

2. 批量设计组件型号

选定待选型组件后，下一步是为每个组件设计其备选型号。MWORKS 支持选择不同原理的组件模型，并批量修改组件参数，这极大地提高了选型效率。

在“设计组件”对话框中，选中左侧“源组件名”下拉框中的某个待选型组件（例如 vehicle）。

⤢

然后，点击右侧的“添加”按钮。这将弹出一个“选择组件”窗口，允许用户从标准库、自定义库或当前模型中选择一个 Modelica 模型作为该组件的备选型号。

关键点：

• 不同原理模型： 用户可以为同一个组件选择不同原理的 Modelica 模型。例如，对于“vehicle”组件，可以选择“Vehicle”模型（包含详细的车辆动力学）或“Vehicle_withoutslip”模型（简化了轮胎滑移）。
• 参数修改： 选定备选型号后，用户可以进一步修改其内部参数，以模拟不同规格或性能的组件。

通过这种方式，用户可以为每个待选型组件创建多个备选型号，每个型号可能代表不同的技术方案、供应商产品或参数配置。这些备选型号将在后续的模型试验中进行组合和评估。

3. 组件设计界面概览

完成组件的选型和备选型号的创建后，用户可以回到主界面，点击“选择组件”按钮，查看已选定的组件及其备选型号概览。

⤢

这个界面将提供一个清晰的视图，展示当前模型中所有已配置的组件及其对应的备选型号，方便用户进行管理和调整。

通过以上步骤，MWORKS 软件为用户提供了一个高效、灵活的组件选型工作流，能够帮助工程师快速探索不同的设计方案，优化系统性能。

2.1 模型试验 - 组件选型

在 MWORKS Sysplorer/Syslab 中进行模型试验时，组件选型是至关重要的一步。它允许用户基于现有模型创建一系列定制化的组件，以满足不同试验场景的需求。本节将详细介绍如何批量设计组件，并对关键参数进行修改。

批量设计组件流程

批量设计组件的核心在于通过复制和修改现有组件，快速生成一系列具有不同参数配置的新组件。

1. 选择源组件并添加新组件

   首先，在“设计组件”界面中，选择需要作为模板的“源组件名”。例如，选择 vehicle 作为源组件。

   ⤢

   点击“添加”按钮，会弹出一个“添加组件”对话框。在这里，你需要：

   • 已选类型：系统会自动显示源组件的类型，例如 TAEEconomy.Vehicle.Vehicle。
   • 组件名：为新的组件命名，例如 Vehicle_1800。
   • 源组件名：确认源组件的名称，例如 vehicle。
   • 描述：为新组件添加描述，例如“车辆模型，车重1800kg”，以便后续识别和管理。

2. 修改组件参数

   新组件创建后，通常需要修改其内部参数以实现不同的设计目标。

   ⤢

   在已设计组件列表中，选中新创建的组件（例如 Vehicle_1800），然后点击“参数”列中的修改图标（通常是一个文档或齿轮图标）。这将打开一个参数编辑窗口。

   在参数编辑窗口中，你可以根据需要修改组件的各项参数。例如，对于车辆模型，你可能需要修改“车身参数”下的 m_total（总质量）。将 m_total 的值从默认值修改为 1800，表示车辆总质量为 1800kg。

   修改完成后，点击“确定”或“应用”保存更改。

批量设计示例

按照上述步骤，我们可以为不同的模型类型设计一系列组件。

驱动系统模型设计

例如，对于驱动系统模型，我们可以基于一个基础模型，设计出前轮驱动（FWD）、四轮驱动（AWD）和后轮驱动（RWD）三种不同的组件。

⤢

新组件名	类型	参数	描述
FWD	Model		前轮驱动
AWD	Model		四轮驱动
RWD	Model		后轮驱动

在修改参数时，需要针对每种驱动类型调整相应的动力学或控制参数。

车辆模型设计

对于车辆模型，我们可以设计不同质量的车辆，例如 Vehicle_1800 和 Vehicle_1500。

• Vehicle_1800：车辆模型，车重1800kg
• Vehicle_1500：车辆模型，车重1500kg

这些组件的主要区别在于 m_total 参数的设置。

电机模型设计

对于电机模型，我们可以设计使用不同参数映射表（map）的电机，例如 MachineN_map1 和 MachineN_map2。

• MachineN_map1：电机，使用参数map1
• MachineN_map2：电机，使用参数map2

这通常涉及到修改电机模型内部的性能曲线或效率图谱。

查看已设计组件

完成组件设计后，可以在试验浏览器中的“组件设计面板”查看所有已设计的组件列表。

该面板以树状结构清晰地展示了不同类型组件下的所有定制化组件及其描述，方便用户进行管理和选择。

通过这种批量设计组件的方法，用户可以高效地构建复杂的试验场景，对不同配置的模型进行系统性的分析和比较。

MWORKS Sysplorer/Syslab 模型试验：组件选型与工况配置

在 MWORKS Sysplorer/Syslab 中进行模型试验，核心在于对组件进行选型并配置试验工况。这不仅涉及到系统模型的构建，还包括关键性能指标的选取和试验的运行与结果分析。

1. 组件选型与系统模型生成

在进行模型试验前，首先需要明确系统的组件构成。Sysplorer 支持用户定义备选型号，并根据这些备选型号以及不同的排列方式自动生成系统模型。

1.1 勾选组件备选型号

用户需要勾选已设计的备选型号中“生效”的模型。这些被勾选的模型将作为构建系统模型的候选组件。

1.2 配置排列方式

系统支持多种排列方式来组合选定的组件，例如“全排列”或“顺序排列”。选择合适的排列方式后，Sysplorer 会根据这些规则自动生成一系列系统模型。

1.3 预览系统模型矩阵

在最终生成系统模型之前，用户可以预览当前选择的组件和排列方式所生成的系统模型矩阵。这有助于用户确认生成的系统模型是否符合预期。

2. 选择输出变量

输出变量是衡量系统性能的关键指标。在试验配置阶段，需要明确哪些变量作为输出变量，以便后续进行可视化分析和结果导出。

2.1 选取关键性能指标

选择系统关键性能指标作为输出变量。例如，在车辆模型中，车速（case_100kmh）就是一个常见的输出变量。 ⤢

2.2 查看与修改显示名

选择完成后，可以在“试验浏览器”的“输出变量”面板中查看已选择的输出变量。为了便于查找和理解，建议修改变量的显示名称。

3. 新建试验与工况配置

试验是验证模型在特定工况下性能表现的载体。新建试验并配置其工况是试验流程中的重要环节。

3.1 新建试验

点击菜单栏中的“新建试验”按钮，系统会弹出对话框，要求输入试验名称。 ⤢

试验名称应具有描述性，能够清晰地体现所要验证的工况，例如 case_100kmh。 ⤢

创建成功后，新试验会显示在“试验面板”中。 ⤢

3.2 配置试验工况

试验配置主要包含两部分：试验排列和仿真选项设置。 ⤢

3.2.1 试验排列

试验排列允许用户选择当前工况下生效的备选型号，并指定各组件型号生成系统模型的排列方式（如“全排列”或“顺序排列”）。

3.2.2 仿真选项设置

仿真设置包含求解配置等参数，用于定义仿真运行时的具体行为。

4. 运行与结果分析

完成试验配置后，即可运行仿真，并对结果进行分析。

4.1 运行仿真

点击“运行”按钮，系统将根据配置好的试验工况和模型进行仿真计算。

4.2 结果可视化与导出

仿真运行完成后，在右侧的“变量浏览器”面板中，可以勾选之前定义的输出变量，以便绘制曲线图进行可视化分析。 ⤢

Sysplorer 支持多种类型的可视化方式，并且可以批量导出仿真结果，方便用户进行进一步的数据处理和报告生成。 ⤢

本节将详细介绍如何在 MWORKS Sysplorer/Syslab 环境中进行模型试验，特别是组件选型过程中的试验配置、模型生成、批量翻译与仿真。

1. 新建试验与工况配置

在进行模型试验之前，首先需要新建一个试验，并对仿真工况进行详细配置。

1.1 试验配置界面

⤢

上图展示了试验配置的核心界面。其中，关键的配置项包括：

• 仿真区间：
  • 开始时间：通常设置为 0。
  • 终止时间：根据实际需求设置。例如，对于汽车百公里加速试验，考虑到其通常在20秒内完成，终止时间可设置为 20s。
• 输出区间：
  • 区间长度：定义仿真结果数据点之间的时间间隔。例如，0.002 表示每隔0.002秒记录一次数据。
  • 区间个数：定义仿真结果的总数据点数量。
• 积分算法：
  • 算法：选择合适的数值积分算法，如 Dassl。Dassl 是一种常用的隐式积分算法，适用于求解刚性微分方程。
  • 误差：设置积分算法的相对或绝对误差容限，例如 0.0001。
  • 初始积分步长：可选择默认或根据模型特性进行调整。
• 结果存储：
  • 勾选 存储事件时刻的变量值，确保在仿真过程中，所有事件触发时的变量值都能被记录下来，这对于分析模型的动态行为至关重要。

2. 自动生成系统模型

配置完试验工况后，Sysplorer 能够根据当前试验配置自动生成对应的系统模型。

2.1 显示矩阵

⤢

点击工具栏中的 显示矩阵 按钮（如上图红色方框所示），可以打开一个窗口，展示根据当前试验配置生成的系统模型矩阵。这个矩阵清晰地列出了所有生成的模型，方便用户进行查看和管理。

2.2 模型浏览器面板

⤢

在 Sysplorer 的模型浏览器面板中，会显示所有已生成的系统模型。例如，上图展示了一个名为 case_100kmh 的试验，其中包含了 3x2x2 个模型排列组合。这表示在试验配置中，可能有多个参数被设置为不同的值，从而产生了多个不同的模型实例。

3. 批量翻译与仿真系统模型

生成模型后，下一步是进行批量翻译和仿真，以获取各个模型在不同工况下的行为数据。

3.1 运行仿真

⤢

点击工具栏中的 运行 按钮（如上图红色方框所示），Sysplorer 将自动启动批量翻译和仿真过程。这一过程会根据之前配置的工况，对所有生成的系统模型进行逐一仿真。

3.2 批量翻译监控

在仿真过程中，系统会显示翻译进度。

⤢

上图展示了批量翻译的监控界面，可以看到当前正在翻译的模型以及总体的翻译进度。例如，正在翻译，当前第2/12个模型[case_100kmh_2]... 表示系统正在处理第2个模型，总共有12个模型需要翻译。

3.3 批量仿真监控

翻译完成后，系统将进入批量仿真阶段。

⤢

上图展示了批量仿真的监控界面，显示了总的仿真运行进度。例如，8% 表示当前仿真已完成8%。

3.4 仿真结果实例

当所有模型的仿真运行结束后，右侧的仿真实例集面板将显示所有模型的仿真结果实例。用户可以通过这些实例查看每个模型的详细仿真数据，进行后续的分析和比较。

通过以上步骤，用户可以高效地在 MWORKS Sysplorer/Syslab 中完成模型试验的配置、生成、批量翻译和仿真，从而在组件选型等复杂工程问题中，快速评估不同设计方案的性能。

2.1 模型试验 - 组件选型：结果分析与导出

在完成模型试验运行后，对结果进行有效的查看、分析和导出是至关重要的环节。本节将详细介绍 Sysplorer/Syslab 中如何处理试验结果，包括结果的可视化、数据导出以及对不同组件选型方案的性能评估。

1. 结果查看与可视化

运行结束后，用户可以根据分析需求创建多种类型的可视化窗口，以便直观地理解试验数据。

⤢

在“绘图”选项卡中，Sysplorer/Syslab 提供了多种结果可视化工具：

• 新建曲线窗口：用于绘制时间序列数据，例如速度、扭矩、功率等随时间变化的曲线。这是分析动态性能最常用的工具。
• 新建曲面窗口：适用于展示三维数据，例如参数对性能指标的影响曲面。
• 新建终端窗口：用于显示文本输出或日志信息。
• 新建直方图窗口：用于统计分析，例如参数分布、结果分布等。

通过这些工具，用户可以灵活地选择关注的变量，并将其绘制在不同的窗口中，以便进行对比分析。

2. 导出试验结果

除了在软件界面中进行可视化分析，用户还可以将试验结果批量导出为 CSV 文件，以便在其他数据分析软件中进行进一步处理或生成报告。

在“绘图”选项卡中，点击“导出已运行结果”按钮，即可将所有试验的输出变量数据导出。

此外，对于已生成的系统模型和设计组件，也可以进行单独导出：

⤢

右键点击试验名称，选择“导出...”，可以看到以下选项：

• 导出已设计组件：导出当前试验中使用的所有设计组件。
• 导出已生成模型：导出当前试验中生成的系统模型文件。
• 导出所有：同时导出设计组件和生成的模型。

这对于模型复用、版本管理或与团队成员共享设计方案非常有用。

3. 结果分析与方案评估

在组件选型试验中，通常会生成多个不同的方案（即组件型号组合）。通过对这些方案的性能进行对比，可以选出最优的组件配置。

⤢

以上图为例，展示了不同组件型号组合（case_100kmh_1 到 case_100kmh_12）在百公里加速试验中的车速曲线。

通过对比这些曲线，我们可以直观地评估每个方案的性能：

• 性能优劣判断：曲线越早达到目标速度（例如 100km/h），说明该方案的加速性能越好。
• 具体案例分析：
  • 从图中可以看出，case_100kmh_4 方案仅用约 6 秒就达到了 100km/h，这表明该组件组合的性能最佳。
  • 相比之下，case_100kmh_11 方案达到 100km/h 大约需要 15 秒，性能表现相对较差。

⤢

在结果窗口中，用户可以方便地勾选或取消勾选不同的试验案例，从而在同一图表中对比不同方案的性能曲线。这有助于快速识别出性能优异或存在问题的方案。

总结：

通过 Sysplorer/Syslab 提供的强大结果分析和导出功能，用户可以：

1. 直观可视化：利用多种图表类型（曲线、曲面、直方图等）对试验数据进行可视化，帮助理解模型行为。
2. 灵活导出：将试验数据、设计组件和系统模型导出，便于后续处理、报告生成和团队协作。
3. 高效评估：通过对比不同组件选型方案的性能指标（如加速时间），快速识别出最优的设计方案，为产品开发提供决策支持。