第4章：模型优化技术——让仿真跑得更快更准
各位工程师朋友，大家好。今天我们来聊聊模型优化技术。说实话，做半实物仿真这么多年，我见过太多人把模型直接扔进实时系统，结果跑起来要么超时，要么精度不够。嗯，这章就是帮你解决这个问题的。
我个人习惯把模型优化分成三个层面：模型本身降阶、代码生成优化、数据类型选择。咱们一个一个来聊。
4.1 模型降阶方法
为什么要降阶？说白了，你的模型太胖了，跑不动。一个高阶模型在离线仿真时可能没问题，但放到实时系统里，每个步长就那么点时间，算不过来。我遇到过最夸张的一次，一个50阶的电机模型，在HIL上跑一步要2ms，但步长只有100μs——这根本没法玩。
降阶的核心思路：保留主要动态，砍掉次要动态。常用的方法有两种。
4.1.1 平衡截断法
这个方法很优雅。它先对系统做可控性和可观性分析，然后找到那些既难控制又难观测的状态，直接扔掉。
具体步骤是这样的：
- 计算系统的可控性格拉姆矩阵 Wc 和可观性格拉姆矩阵 Wo
- 做平衡变换，让 Wc = Wo = diag(σ₁, σ₂, ..., σₙ)
- σ 叫汉克尔奇异值，值小的状态就是「不重要」的
- 保留前 k 个大的 σ，截断后面的
关键点：σ 的大小直接告诉你每个状态对输入输出行为的贡献度。我一般保留σ之和占总和99%以上的状态。
举个例子，一个10阶系统，前3个σ加起来占了99.5%，那就可以放心降到3阶。我在项目中用这个方法处理过一个热力学模型，从12阶降到4阶，仿真步长从500μs降到了50μs，精度损失不到1%。
4.1.2 模态截断法
这个方法更直观。它基于模态分析，把系统的振动模态按频率排序，高频模态对系统响应贡献小，直接砍掉。
你想想看，一个机械臂的柔性模态，前几阶低频模态决定了主要运动，后面几十阶高频模态其实影响很小。在实时仿真里，这些高频模态反而会逼着你用很小的步长，得不偿失。
我的经验：模态截断时，保留频率在控制器带宽3-5倍以内的模态就够了。再高的模态，控制器根本响应不过来，留着纯属浪费计算资源。
两种方法怎么选？我个人习惯：如果系统是线性的，优先用平衡截断法，因为它有严格的误差界。如果系统有明显的物理模态（比如结构动力学），模态截断法更直观，调试起来也方便。
4.2 代码生成优化
模型降阶完了，下一步是生成代码。很多人觉得Simulink Coder点一下「生成」就完事了，其实这里面的门道多着呢。
4.2.1 Simulink Coder 配置要点
我直接说几个最关键的配置项：
| 配置项 | 推荐值 | 说明 |
|---|---|---|
| System target file | ert.tlc | 嵌入式实时目标，别用grt.tlc |
| Optimization level | Optimize for execution speed | 优先优化速度 |
| Inline parameters | On | 参数内联，减少内存访问 |
| Signal storage reuse | On | 复用信号内存，减少栈开销 |
| Local block outputs | On | 局部变量代替全局变量 |
注意：「Inline parameters」打开后，参数就不能在运行时修改了。如果你需要在线调参，得用其他方式，比如通过CAN或以太网下发参数。
还有一个容易被忽略的：代码接口优化。默认生成的代码，每个输入输出都是全局变量。我建议改成结构体传参，这样数据局部性好，缓存命中率高。我曾经帮一个团队改了这个配置，仿真周期从120μs降到了85μs。
4.2.2 代码生成后的手动优化
自动生成的代码虽然能用，但有些地方可以手动优化：
- 去掉不必要的中间变量：生成代码里经常有 temp1、temp2 这种，能合并就合并
- 用查表代替复杂计算：比如三角函数、指数函数，提前算好存成表
- 循环展开：小循环直接展开，减少循环控制开销
嗯，这里要注意：手动优化要谨慎，每次改完都要做回归测试。我曾经有一次手痒优化了一个滤波器，结果数值精度出了问题，排查了两天才找到原因。
4.3 定点数 vs 浮点数计算效率对比
这个问题，我几乎每次培训都会被问到。直接说结论：在大多数现代处理器上，浮点运算并不比定点慢多少。但具体到你的硬件，还得看情况。
4.3.1 效率对比数据
我在一个Cortex-M4F（带FPU）上做过测试：
| 运算类型 | 浮点（float） | 定点（Q15） | 定点（Q31） |
|---|---|---|---|
| 加法 | 1 cycle | 1 cycle | 1 cycle |
| 乘法 | 1 cycle | 1 cycle | 1 cycle |
| 除法 | 14 cycles | 12 cycles | 16 cycles |
| 三角函数 | ~50 cycles | ~80 cycles（查表） | ~80 cycles（查表） |
看到了吗？带FPU的处理器上，浮点加法和乘法跟定点一样快。只有除法和复杂函数才有明显差异。
4.3.2 什么时候该用定点？
我总结了几种情况：
- 没有FPU的廉价MCU：比如Cortex-M0/M3，浮点全靠软件模拟，慢得离谱
- 位宽受限的场景：比如你要用16位总线传数据，定点数可以直接打包
- 确定性要求极高：定点运算的延迟是固定的，浮点运算的延迟可能有波动
我的建议：除非你的硬件真的没有FPU，否则优先用浮点。开发效率高，调试方便，精度可控。定点数调试起来太痛苦了，我当年调一个Q15的PID控制器，花了整整一周才搞定溢出问题。
4.3.3 混合使用策略
其实很多时候可以混合使用。比如控制算法的主体用浮点，但输出到PWM或DAC时转成定点。或者，在计算量大的地方用浮点，在数据存储和传输时用定点。
我个人习惯：先用浮点把功能跑通，再分析热点，最后决定哪些地方需要转定点。不要一开始就想着用定点优化，那是本末倒置。
本章小结
模型优化不是一蹴而就的事。我的经验是：先降阶，再优化代码生成，最后考虑数据类型。每一步都能带来可观的性能提升，但也要注意精度和稳定性的权衡。
最后送大家一句话：优化之前先测量。不要凭感觉优化，用profiler看看哪里最慢，然后精准打击。我曾经见过有人花了两周优化一个只占1%计算时间的模块，而真正耗时的模块却没人管——这种坑，咱们别踩。