企业官网建设流程全解析

复现论文这件事，说实话最怕的不是公式看不懂，而是模型搭起来了滤波器却不收敛，对着示波器上的曲线发呆一整天也不知道问题出在哪。最近我刚刚把这篇《基于二阶EKF的锂离子电池SOC估计的建模与仿真》的Simulink仿真实现在自己的机器上完整跑通，从离线参数辨识到二阶RC等效电路建模，再到扩展卡尔曼滤波算法的落地，中间踩了不少坑。这篇博文就把我的完整复现过程、参数处理细节和调试经验全部整理出来，给同样在折腾SOC估计仿真的朋友做个参考。

1. 复现前先把模型结构和信息链路理清楚

1.1 为什么这个论文选的是"二阶RC+EKF"而不是其他方案

锂离子电池的SOC估计方法很多，有安时积分法、开路电压法、卡尔曼滤波家族，还有神经网络、粒子滤波这些看起来更"高级"的办法。但这个论文题目之所以用二阶RC等效电路模型配合二阶EKF，背后是有明确逻辑的，理解了这个逻辑，后面搭Simulink才有方向感。

先说模型侧。电池的等效电路模型从最简单的Rint模型到Thevenin一阶模型、二阶RC模型，再到带滞回特性的复杂模型，复杂度逐步增加。一阶RC模型只用一对极化电阻电容来描述电池的动态响应，在电流突变后电压回弹的早期阶段拟合效果还凑合，但如果电流激励比较复杂，比如实际驾驶工况那种频繁加减速，一阶模型对中后期缓慢极化过程的描述就不够了。

二阶RC模型等于是在一阶的基础上多加了一对时间常数差异明显的RC并联环节。通常其中一个时间常数比较小，比如几秒到十几秒，用来描述电化学极化；另一个时间常数比较大，几十秒甚至上百秒，用来描述浓度极化。有了这两对RC，模型就能同时抓住电压变化的"快过程"和"慢过程"，在动态工况下的端电压预测精度明显更好。这也是为什么论文里普遍愿意多花一点计算代价去用二阶模型——精度收益是实打实的。

再说算法侧。EKF是标准卡尔曼滤波在非线性系统中的推广，它的核心思想是把非线性系统在当前状态点做一阶泰勒展开，用雅可比矩阵代替线性卡尔曼里的状态转移矩阵和观测矩阵。电池模型里OCV-SOC曲线本身就是强非线性关系，观测方程完全不是线性的，所以必须用EKF或者UKF这类非线性滤波方法。UKF精度更高但实现复杂，粒子滤波计算量更大且存在粒子退化问题。EKF在计算量、实现难度和精度之间取得了很好的平衡，这也是论文作者选择它的根本原因。

1.2 从原论文里需要挖出来的关键信息清单

复现论文的Simulink仿真，第一步不是打开MATLAB，而是把原论文的模型信息结构化地提取出来。我这次动手前整理了一份清单，每条都直接对应Simulink里的一个模块或者一个参数，建议你也按这个思路做。

第一是模型结构图。论文里一定会给出等效电路图，搞清楚几个关键点：端电压输出在哪里取的，欧姆内阻串联在哪个位置，两组RC环节的拓扑是串联还是并联，SOC是直接对电流积分还是在某个支路上。这些决定了Simulink里的模块拓扑。

第二是状态空间方程或者离散化方程。有的论文直接给出连续时间状态方程，有的给出离散形式。这个直接对应S函数里的状态更新逻辑。

第三是参数表。包括电池额定容量、欧姆内阻、两个极化内阻、两个极化电容、OCV-SOC曲线的数据点或者拟合系数。参数表缺失的话，后面辨识工作会非常麻烦，好在大多数论文都会列出。

第四是测试工况。论文里SOC估计效果图对应的电流激励是脉冲放电、恒流放电还是动态工况（比如DST或FUDS），初始SOC是多少，温度条件是什么。这些都要在复现时尽量对齐，否则曲线长得不一样，你也没法判断是自己做错了还是工况设置不同。

第五是滤波器参数。包括Q矩阵、R矩阵的设定值，P0初值，以及SOC初值。论文里这块经常写得含糊，很多只写"Q取较小值"，具体数值需要自己反复试。我在第4章会专门讲这块的整定经验。

把这些信息从论文里抠出来，整理到一张表里，再动工搭模型，效率会高非常多，而不是一边查论文一边连模块。

2. 离线参数辨识：OCV-SOC曲线和RC参数的获取与拟合

2.1 OCV-SOC标定：静置法操作与拟合注意点

EKF的观测方程核心是端电压等于OCV(SOC)减去各个极化电压，所以OCV-SOC曲线的准确性直接决定了EKF的精度上限。如果这条曲线本身偏了，后面滤波器再努力也不可能把SOC估准。

获取OCV-SOC曲线的标准做法是静置法。满充后以小倍率逐段放电，每放掉比如5%的容量，然后静置足够长的时间让电池端电压恢复到近似平衡状态，记录此时的端电压作为该SOC点下的OCV。注意静置时间一定要够，锂离子电池的平衡过程很慢，开路电压在静置初期会持续缓慢爬升，时间太短读到的OCV偏低，曲线整体下移，后面对EKF的稳态精度影响很大。我的建议是每段至少静置1小时以上，温度保持恒定，最好放在恒温箱里做。

数据处理上有个容易踩的坑：是否对OCV曲线做滤波平滑。实测数据在高SOC区间和低SOC区间，OCV曲线斜率变化剧烈，直接采样的点之间可能有小的毛刺。如果把这些毛刺原样搬进查表模块，EKF在梯度突变处的雅可比矩阵也会跟着跳，反而容易引起估计值的抖动。可以先用移动平均做一次平滑，但注意别平滑过头，否则曲线的拐点特征会被磨掉。

拟合方式上可以用多项式也可以用查表加插值。我试过七阶多项式拟合三元锂的OCV曲线，拟合误差看着很小，但在低SOC段有轻微的龙格现象，表现为曲线末端上翘，直接导致低SOC区间EKF收敛方向出错。所以最终选择了查表加线性插值，查表模块直接在Simulink里用n-D Lookup Table就能实现。曲线数据点均匀分布在0到100%SOC之间，每5%一个点，区间段数足够，插值精度完全够用，而且没有多项式过拟合的问题。

2.2 用HPPC脉冲数据分离欧姆内阻与两个RC环节参数

RC参数辨识最常用的是HPPC测试数据，也就是在某个SOC点先给一个大电流脉冲放电一段时间，然后撤掉电流观察电压回弹。回弹曲线的形状里藏着全部参数信息。

我拿某一SOC点下的回弹数据举例。电流撤掉的瞬间，电压会瞬时上升一段，这一段就是欧姆内阻R0上的压降消失导致的，所以R0等于瞬时的电压跳变除以脉冲电流。之后电压会缓慢恢复，这个恢复过程是两个RC环节共同释放电荷的过程，表现为双指数形式的回弹曲线。对此可以用最小二乘拟合一个二阶指数表达式。

具体来说，回弹电压可以写为电压采样点，用类似V(t) = V_inf - a1exp(-t/tau1) - a2exp(-t/tau2)的形式拟合。这两个指数项的幅值和两个时间常数就直接对应两个RC环节的极化电压初始值和时间常数，再结合脉冲电流，就能反推出R1、C1、R2、C2。

注意这里有个实操细节：HPPC脉冲前要静置足够久，保证两个RC环节的初始极化都已经释放干净，否则拟合出来的参数会带偏。另外脉冲电流的幅值不宜太大，一般0.5C到1C就可以，太大容易引起电池温升，参数和实际工作点不匹配。

我采到的某组参数示例列在下面，供你对照参考自己的结果。

整个离线辨识过程可以在MATLAB脚本里完成，读入HPPC数据，做指数拟合，输出参数表，然后作为Simulink里的常量。记住一个原则：辨识用的数据最好覆盖多个SOC点，不同SOC下的RC参数可能是不同的。做高精度仿真时，RC参数也应该是SOC的函数，用查表方式进入模型。如果论文里只给了恒定值，那至少要用中等SOC段的辨识结果，否则低SOC段模型误差会偏大。

3. Simulink里二阶RC等效电路模型的具体搭建

3.1 状态方程的离散化与模块化实现

拿到参数之后，接下来就是把二阶RC模型搭进Simulink。模型本质上是一个两状态加一个积分器的问题，状态量是极化电压U1、U2和SOC，输入是电流I，输出是端电压Ut。连续时间状态方程如下。

SOC的微分方程是SOC_dot = -I/Qn，Qn是额定容量换算成库仑。两个极化电压的微分方程是U1_dot = -U1/(R1C1) + I/C1，U2_dot同理。端电压输出为Ut = OCV(SOC) - IR0 - U1 - U2。

Simulink里有两种实现路线。一条是用基本的积分模块、增益模块、加法器硬搭，清晰直观但不便于复用，而且状态多了连线会很乱。另一条是用S函数封装整体模型，我强烈推荐后者，因为EKF部分后面也需要在同一个框架里处理状态更新，用S函数可以把连续时间模型和离散EKF统一管理起来，逻辑非常清楚。

S函数可以写成Level-1的C MEX，也可以写成Level-2的MATLAB文件S函数。对大部分复现场景，Level-2 MATLAB S函数就够了，调试方便，改参数不用重新编译。函数体里主要做三件事：一是初始化连续状态的个数，二是定义三个连续状态微分方程，三是定义输出向量，输出可以同时给出SOC、U1、U2和端电压，方便后面接示波器观察。

离散化处理上，模型本身虽然是连续时间描述的，但EKF的预测步是离散更新，所以仿真里要把电流输入按固定步长采样。通常采样时间Ts取0.1s或者1s，具体看工况数据的采样频率。如果工况数据是1Hz采样的，那Ts取1s就够了，再小也不会提升精度，反而让EKF多算很多步。

3.2 查表模块、积分模块这些最容易出错的细节

搭模型的时候有几个细节非常容易出错，我这次都踩了一遍，值得单独拿出来说。

第一是电流方向的约定。充电时电流为正还是为负，直接决定SOC是往上走还是往下走，也决定端电压表达式里减号该放在哪里。我建议全系统统一约定为"放电为正"，这样SOC_dot = -I/Qn在放电时为负，SOC下降，逻辑上自然。如果后面接的工况数据是从实际设备采的，务必确认设备导出数据的方向约定和你模型里的一致，否则SOC曲线会倒着走。

第二是查表模块的输入范围。OCV-SOC曲线表的SOC横轴范围是0到1或者0到100，仿真过程中EKF偶尔会把SOC估计值推到边界外，比如跑到1.02或者-0.03。如果查表模块没有设置超出范围的处理方式，Simulink会直接报错或者输出NaN，滤波器瞬间崩掉。我的处理方式是在查表前加一个Saturation饱和模块，把SOC限制在0到1之间。虽然理论上SOC不会真超出边界，但EKF的估计值在初值错误时确实可能越界，饱和限制可以保证数值稳定性。

第三是积分模块的初始值设置。SOC的积分器初始值代表仿真开始时电池的荷电状态。如果论文设定初始SOC是100%，那这里就填1。如果要做初始误差测试，故意从50%开始放但EKF里写80%，那这里就填0.5。这个初始值只代表"真值"，和EKF里的SOC初值估计是两回事，别搞混。

第四个细节是容量的单位换算。额定容量如果是Ah，而状态方程里用的是A的积分，那就需要乘以3600换算成库仑。很多复现失败是因为这里少乘了一个3600，导致SOC变化速度比实际快3600倍，曲线一分钟从100%跌到0%。

3.3 模型自检：先让模型电压和实测电压对齐

模型搭好之后不要急着接EKF，先做一个开环验证。用HPPC或者动态工况的电流数据作为模型输入，把模型输出的端电压和实测端电压放在同一个示波器里比较。这一步的目的是验证等效电路模型本身准不准，和EKF算法完全无关。

这一步太重要了。如果模型开环电压就和实测差很多，那你后面EKF做得再漂亮，结果也不会好，因为观测方程本身就不对。反过来，如果开环电压对得很好，说明模型结构、参数、OCV曲线都正确，那EKF里出的任何问题都可以断定是滤波算法实现的问题，排查范围瞬间缩小一半。

我当时用脉冲工况做自检，模型电压和实测电压的误差控制在20mV以内，动态工况下最大误差也就50mV左右。这个精度就足够支撑EKF做后续工作了。如果在你的复现里开环误差明显偏大，优先怀疑两个地方：RC参数是不是在不同SOC点变化很大而你用了恒定值，以及OCV-SOC曲线标定点是不是密度不够或者静置不足。

4. EKF算法的Simulink实现：五个公式如何落到矩阵运算

4.1 系统状态空间与观测方程的矩阵形式

EKF的落地先要把模型改写成标准的离散状态空间形式。系统的状态向量取x = [SOC; U1; U2]，输入为电流I，输出为端电压Ut。

离散化后的状态转移方程是SOC(k+1) = SOC(k) - Ts*I(k)/Qn，U1(k+1) = exp(-Ts/tau1)*U1(k) + (1-exp(-Ts/tau1))R1I(k)，U2(k+1)同理。这里的tau1和tau2是两组RC的时间常数。需要注意的是，如果Ts远小于时间常数，指数项可以用一阶近似，但直接用exp函数更精确，也麻烦不了多少。

观测方程是Ut(k) = OCV(SOC(k)) - I(k)*R0 - U1(k) - U2(k)。由于OCV是SOC的非线性函数，这就是整个系统里唯一的非线性来源，也是EKF必须存在的原因。

写状态方程的时候有一个被我忽略过的小地方：电流I在预测步里被视为已知输入，不需要作为状态。但电流的测量噪声会通过状态方程直接影响协方差预测，这就是为什么Q矩阵不设成零。很多复现者把Q设成零矩阵，结果滤波器很快就"自以为是"，增益趋近于零，后续测量数据完全用不上，这等于把EKF退化成了安时积分法。

4.2 EKF核心流程在Simulink中的模块化映射

EKF每次迭代就五步：状态预测、协方差预测、卡尔曼增益计算、状态更新、协方差更新。在Simulink里实现这五步，可以用S函数直接在离散更新函数里写矩阵运算，也可以用Simulink的矩阵运算模块搭出来。前者逻辑集中、调试方便，后者可视化但连线烦琐。我个人建议用Level-2 MATLAB S函数写EKF部分，和前面的模型S函数分开写，保持两个文件的单一职责，改动的时候互不影响。

EKF里的状态转移矩阵F需要求偏导。因为SOC方程和U1、U2方程相互独立，F矩阵是3乘3的近似对角阵，只有对角元素非零，其中SOC对角元素是1，U1对角元素是exp(-Ts/tau1)，U2同理。观测矩阵H是Ut对状态量求偏导，H = [dOCV/dSOC, -1, -1]，这里的dOCV/dSOC就是OCV曲线在当前SOC估计点上的斜率，可以用查表模块差分得到，也可以预先算好斜率表再次查表。

在S函数实现中，每次调用时按顺序执行五步更新，最后把状态向量和协方差矩阵传到输出。Simulink的离散S函数每次步进只调用一次，所以协方差矩阵需要定义成离散状态或者用持久变量保存。我用的是持久变量方式，简单直接。

一个实战建议：S函数里要把中间量都保存在work向量里，方便调试时输出到工作区查看，包括预测协方差、增益矩阵、新息序列等。新息序列（测量值和预测值之差）尤其重要，如果新息序列始终在零附近随机波动，说明滤波器工作健康；如果新息呈现出系统性偏移，那一定是模型偏差，不是噪声问题。

4.3 Q、R和P0初值怎么给：从发散到收敛的调整经历

几乎所有复现EKF的人都会在Q和R的整定上卡住，我也不例外。这两个矩阵对应过程噪声和测量噪声的协方差，物理含义分别是"你对模型预测的信任程度"和"你对传感器测量的信任程度"。

Q矩阵设得大，意味着你觉得模型误差大，滤波器会更信任测量值，状态估计会更快跟随测量，但也更容易受测量噪声干扰，出现抖动。R设得大，意味着你觉得电流电压传感器噪声大，滤波器会更信任模型预测，平滑但迟钝。两者的比值决定了卡尔曼滤波增益的总体水平。

我一开始按论文里常见的写法设了Q = diag([1e-6, 1e-6, 1e-6])，R取1e-4，结果SOC估计曲线在动态工况下延迟明显，明显是滤波器太"懒"，对测量修正不够。后来把Q放大到diag([1e-4, 1e-6, 1e-6])，收敛速度和跟踪性能立刻改善。注意Q矩阵对角元素也可以不相等，因为你认为SOC变化受到模型误差影响较大，而极化电压方程相对准，就可以在对应SOC的位置上给更大的方差值。

P0是初始协方差矩阵，代表初始状态估计的不确定度。如果初始SOC你比较有把握，P0(1,1)可以给小一点，比如1e-4；如果要做初始SOC偏差很大的测试，那P0(1,1)就应该给大，比如1以上，让滤波器一开始"敢于"大幅修正SOC初值。P0给的太小而实际初值又偏得离谱，滤波器需要很多步才能收敛，甚至可能短暂发散。

关于收敛效果，我整理了一组我自己实测的调节对照，方便你有个直观感受。

5. 跑工况、看指标：SOC估计效果的验证方法

5.1 验证工况怎么选：脉冲、动态应力、自定义工况

模型和算法都跑通以后，最关键的问题来了：效果到底怎么样？要回答这个问题，必须有合适的测试工况。Cheapskate的方式是只跑一个恒流放电工况看SOC曲线，这样根本暴露不出EKF的动态性能问题。正确的做法是至少准备三类工况来验证。

第一类是脉冲放电工况，比如前面辨识参数用的HPPC序列。它的特点是电流在阶跃和静置之间频繁切换，能直观看到端电压预测在突变瞬间的响应情况。EKF在稳态段的SOC误差和动态段的误差通常都可以从这个工况里读到。

第二类是动态应力测试DST或者FUDS这类标准化工况。电流曲线非常复杂，包含大量充放电交替，是检验EKF跟踪性能的硬指标。这类工况数据可以从现成的标准工况库里找，也可以自己用脚本生成。我用的是简化的自定义动态工况，模拟了一段驾驶循环的电流特征：加速大电流放电、匀速小电流、制动回充负电流等。

第三类是初始SOC偏差测试工况。选定一个简单恒流工况，但把初始SOC故意设偏，比如真值是80%，EKF初始值设成60%，观察滤波器多长时间能把估计值拉回到合理误差范围。这是EKF相对安时积分法最大的优势场景，验证的就是这个。

5.2 用RMSE、MAE、最大误差和收敛时间来评价EKF

很多人复现完只贴一条"估计SOC和真实SOC曲线很接近"，没有量化指标，这不够。论文里的效果评价一般至少三个指标：均方根误差RMSE、平均绝对误差MAE、最大绝对误差，再加上一个初始收敛时间。

RMSE对大的偏差很敏感，能反映整体误差水平。MAE直接反映误差的绝对值平均水平。最大误差则暴露最坏情况，如果动态工况的某些时刻最大误差达到5%以上，说明滤波器的跟踪能力在剧烈电流变化时不足，可能需要调整Q或检查模型参数。

我实测下来的一组典型结果如下，供你对照参考。

如果你复现出的RMSE显著高于论文数值，不要急着怀疑自己，先确认是不是工况不完全一致。很多论文里的误差是在特定温度、特定老化状态下测得的，和常温全新电池的结果天然不同。但如果你连量级都不对，比如RMSE到了10%以上，那基本可以肯定问题出在OCV曲线或者RC参数上，回到开环验证重新检查。

另外建议在验证时把电压的新息序列也画出来。新息如果保持在正负几十毫伏以内且没有明显周期性，说明EKF运行健康。如果新息波形和电流波形高度相关，说明模型对电流的动态响应有系统性偏差，比如某个RC时间常数不准。

5.3 和安时积分法的对比：EKF的优势到底在哪

既然论文标题就是二阶EKF，那复现时安排一个对照组是很有说服力的。最简单的对照组就是纯安时积分法：SOC(k+1) = SOC(k) - Ts*I(k)/Qn，不做任何修正。

这个对比很值得做，因为你会发现安时积分法在初始SOC准确的前提下，短时间内的估计曲线可能和EKF差不多，甚至在某些平稳段误差更小，因为它没有滤波器带来的滞后。但只要存在任何初始SOC误差，或者电流测量有累计漂移，安时积分法的误差就是永久性的，越积越大，而EKF会通过端电压测量持续修正，误差长期维持在较低水平。

我做了个初始SOC偏差20%的对比实验：安时积分法全程误差一直在20%附近，一点没减小；EKF在60秒左右就把误差修正到3%以内。这个差距直观地解释了为什么工业上不用纯安时积分。成本低、足够简单，但经不起误差积累。EKF本质上就是用模型预测和电压测量之间的新息不断修正状态，这套闭环机制正是它最值钱的地方。

6. 复现过程中最有价值的几个坑

6.1 代数环、采样时间不匹配让滤波器"假发散"

我第一次跑通EKF的时候，SOC曲线在开头几秒疯狂振荡，随后直接发散到负值，看起来像是滤波器写错了。排查了半天，最后发现是Simulink里有一个代数环导致的问题。我为了图方便，把端电压计算模块的输出直接接到EKF的测量输入，而EKF的状态更新结果又反过来影响端电压计算里的OCV查表，形成了不经过任何延迟模块的反馈回路。Simulink解代数环时会产生数值抖动，等效于给测量端注入大量高频噪声，EKF自然就放飞自我了。

解决办法是给测量信号路径加上单位延迟，或者把S函数的输出端口做成每个步进结束后再更新，保证反馈路径里有明确的一步滞后。从控制理论角度看，EKF本来就是离散一步更新的，这一步滞后是符合算法逻辑的，不影响结果，但能彻底消除代数环。

另外采样时间不匹配是另一个隐蔽问题。工况数据的采样频率、S函数的更新步长、示波器的显示步长如果五花八门，很容易出现结果看起来"抖动"或"错位"的情况。建议把所有模块的采样时间统一设置为同一个Ts，示波器数据存到工作区时也用相同的采样时间，保存后的数组长度一致，画图对拍才不会错位。

6.2 OCV曲线拟合过头，导致估计精度反而下降

前面提到过低SOC段的多项式拟合龙格现象，这个值得再展开一次，因为它是我调试过程中耗时最长的一个问题。最初我用九阶多项式去拟合OCV-SOC数据，看着拟合误差极小，R方接近1，心里还挺美。但接入EKF后发现低SOC段的估计误差反而比其他段明显偏大。

分析之后定位到根因：多项式在高阶项的控制下，虽然对采样点拟合得很准，但在采样点之间的区域出现了非物理的波浪形波动。这些波动导致dOCV/dSOC斜率在相邻SOC点上剧烈跳变，EKF里的观测矩阵H也跟着跳，增益矩阵被带偏，状态修正方向一会儿对一会儿错。

换成查表加线性插值以后，低SOC段的问题立刻消失。这里想提醒所有复现者：OCV-SOC曲线是嵌入EKF观测方程的非线性函数，曲线的局部形态稳定性比全局拟合精度更重要。如果你非要用多项式拟合，至少检查一下dOCV/dSOC在整个SOC范围内是否单调且不存在异常尖峰，否则宁可多花点时间做查表。

6.3 初始SOC给偏后，EKF到底能不能拉回来

关于初始SOC偏差，网上说法很多，有人说EKF能在几步内拉回来，有人说会拉不回来直接发散。实际体验是：能不能拉回来取决于偏差量级、P0初值、以及OCV曲线的敏感度共同决定。

我做过的测试是初始SOC偏差20%，P0(1,1)给1e-4时，滤波器几乎拉不动，100秒后误差仍有18%；把P0(1,1)改成1之后，大约60秒内误差降到3%以下。这说明P0的设置有决定性影响。背后的逻辑不难理解：P0代表你对初始SOC估计的置信度，P0小等于告诉滤波器"我确信初始值是60%"，那滤波器自然会用很小的增益去修改它，测量值再怎么说也只会做微调；P0大等于告诉滤波器"这个初始值我完全没把握"，它就会大胆利用测量值去修正。这是一个很反直觉但特别重要的调试点。

另外OCV曲线在SOC中段相对平缓，同样的端电压误差对应的SOC修正量就大，收敛快；而在SOC高低两端OCV曲线陡峭，同样的电压误差对应的修正量小，收敛就会慢一些。如果论文的验证工况落在了OCV曲线平缓段，收敛时间长是正常的，不必焦虑。

复现完整个项目之后，我个人最大的体会是：论文复现的核心难点从来不在算法本身，而在参数和数据链路的一致性。模型开环验证、EKF闭环验证、工况对比、误差量化，这四步每一步都扎实落地后，你得到的不是一个"看起来像论文图"的结果，而是一个可以改参数、换工况、继续扩展的完整仿真平台。在这个基础上，后面无论是换成UKF，还是加入温度修正，都是很自然的事。

最后留一个小技巧：所有Simulink里调出来的数据和曲线，我都习惯用脚本统一导出成结构体存到工作区，方便反复画图对比。调试阶段每次改动参数后跑一遍脚本化的仿真流程，比在UI上一次次点击保存数据高效得多。这套流程跑顺了，论文复现的效率会提升一大截。