2. 系统建模基础：数学模型、物理模型与混合模型
做仿真这么多年，我越来越觉得——建模是整个仿真系统的灵魂。模型建得对不对，直接决定了仿真结果能不能用。今天咱们就来聊聊系统建模的三种基本形态：数学模型、物理模型，还有它们结合的混合模型。
2.1 数学模型：用公式说话
数学模型，说白了就是用数学语言描述系统的行为。你想想看，一个弹簧振子、一个电路、一个化学反应，背后都能用微分方程来表达。我个人习惯，拿到一个系统先问自己：能不能用数学公式描述它的动态？
举个例子，一个简单的RC电路：
RC * dVout/dt + Vout = Vin这就是一个一阶线性微分方程。只要给定初始条件，就能算出任意时刻的输出电压。我在项目中遇到过，很多刚入行的同学喜欢一上来就堆复杂模型，其实没必要。能用线性模型解决的，就别用非线性。
数学模型的好处是精确、可推导、适合计算机求解。但缺点也很明显——它是对真实系统的抽象，有些物理细节会被忽略。比如上面那个RC电路，我们假设电阻是纯电阻、电容是理想电容，实际器件哪有这么完美？
2.2 物理模型：贴近真实世界
物理模型就不一样了。它直接模仿真实系统的物理结构。比如做飞行器仿真，你可以在风洞里放一个缩比模型，测它的气动特性。这就是物理模型。
在数字仿真领域，物理模型通常指「基于物理原理的建模」。比如用牛顿定律建机械系统模型，用基尔霍夫定律建电路模型。嗯，这里要注意：物理模型不一定比数学模型「高级」，它们只是视角不同。
| 对比维度 | 数学模型 | 物理模型 |
|---|---|---|
| 抽象程度 | 高（纯数学表达） | 低（保留物理结构） |
| 计算效率 | 高 | 较低 |
| 参数获取 | 需要辨识 | 可直接测量 |
| 适用范围 | 线性系统为主 | 非线性、多物理场 |
我曾经在一个液压系统仿真项目里，一开始用了纯数学模型。结果发现，模型预测的流量和实际测试差了20%。后来改用物理模型，把管路摩擦、阀门泄漏这些因素都加进去，误差降到了3%以内。所以说，选模型类型要看具体场景。
2.3 混合模型：取长补短
混合模型，就是把数学模型和物理模型结合起来。为什么要这么做？因为现实中的系统往往既有「机理清晰」的部分，也有「黑箱」的部分。
举个例子，一个电机驱动系统：
- 电机的电磁部分，可以用物理模型（麦克斯韦方程）
- 电机的摩擦部分，很难精确建模，可以用数学模型（经验公式）
- 控制器的算法，本身就是数学模型
混合模型的核心思路是：能物理建模的部分用物理模型，不好建模的部分用数学模型补上。我建议你在搭建仿真系统时，先画一张「模型结构图」，把哪些部分用物理模型、哪些用数学模型标清楚。
2.4 三种模型的适用场景
说了这么多，到底什么时候用哪种？我整理了一个简单的判断逻辑：
- 系统机理清楚、参数易得 → 用物理模型（比如电路、机械传动）
- 系统复杂、参数难测 → 用数学模型（比如黑箱辨识、神经网络）
- 系统既有明确机理又有未知部分 → 用混合模型（比如机电系统、热流耦合）
2.5 知识体系总览
下面这张图，是我自己总结的系统建模知识框架。你可以把它当作一个「导航图」，以后做建模时对照着看：
2.6 建模的通用步骤
不管用哪种模型，建模的流程其实差不多。我总结了一个「五步法」：
- 明确目标：你要仿真的目的是什么？精度要求多高？
- 系统分解：把大系统拆成子系统，每个子系统单独建模
- 选择模型类型：根据每个子系统的特点，选数学、物理还是混合
- 参数获取：从实验数据、手册或辨识算法中获取模型参数
- 验证与校准：用实际数据验证模型，不行就调参数或改结构
好了，关于系统建模的基础就聊到这儿。三种模型各有千秋，关键是根据你的实际需求来选。下次做仿真时，不妨先问问自己：这个系统，我该用哪种模型？