标签: Simulink

Tips： 现阶段模型开发大部分采用Simulink，为了验证模型实现了相关功能，需要对模型进行测试。模型测试（MiL）有单元测试和集成测试之分。单元测试中模型复杂度低，信号参数数量少，测试用例数量少，用例时间短，通常为开环测试，测试用例运行总时长在可接受范围内。但是集成测试不同，由于模型结构复杂，信号参数数量庞大，加之测试用例时间长，导致需要处理大量信号数据（很多情况包含被控对象），测试运行总时间往往很长。 最近，有小伙伴向我们反馈，集成测试由于模型复杂度高，测试用例多，导致执行耗时非常长，TPT有没有加速测试的方法。 当然有了，有需求就会有解决方案。接下来向大家介绍TPT中加速运行的方法。 TPT结合Simulink自带的加速测试功能 1）TPT调用Simulink “Accelerator”或“Rapid Accelerator”模式 在TPT18中，可以指定Simulink的运行模式，分别为“Normal”、“Accelerator”和“Rapid Accelerator”，我们可以选择“Accelerator”或“Rapid Accelerator”模式，加速运行。 使用 Simulink 自带的demo集成模型进行演示，运行相同的用例，并统计不同模式的运行时间。 在TPT中选择运行模式。 以上结果可知，选择“Accelerator”或“Rapid Accelerator”模式后，运行速度有一定程度的提升。 2）TPT调用Simulink “Fast Restart” 我们也可以勾选“Fast restart”来提高运行速度。需要注意的是，“Rapid accelerator”模式不支持“Fast restart”。 Tips： Fast restart：即快速重启，可避免再次编译。当以迭代方式仿真模型时，开启“Fast restart”后无需每次迭代时编译模型，提高测试速度。 Rapid Accelerator：Rapid Accelerator模式会根据被测模型创建可执行文件，使用external mode与Simulink进行通讯。 TPT多核运行模式 默认情况下，TPT运行时只会选择一个CPU内核进行测试。当测试用例较多时，可以选择多核模式，开启多个MATLAB运行测试。 在运行配置中点击“Use one core”。 填写想要使用的数量，比如2核。 我们可以看到，同时有2条测试用例在执行。 可用核数取决于电脑配置，可以在设备管理器中的处理器查看。 合并报告 在集成测试时，测试用例执行总时间很长。当遇到某条测试用例出现问题时，为了获取完整的测试报告，修改测试用例之后还需运行全部的测试用例。这样做的时间成本很高，还有没有其他的方式呢？答案是肯定的。 在TPT中，支持合并报告，如下进行说明。 首次运行工程后，存在未通过测试用例。 修改“Test_Case_002”测试用例，并运行。 选择所有测试用例，在“Run”处点击“Generate overview report”即可生成包含所有测试用例的报告。 最后，可以看到，测试报告包含全部测试用例。 通过以上方法，TPT能够使得测试提速，减少时间成本。TPT提速测试并不局限于上述内容，如果着眼于整个测试过程，状态机测试用例的可视化、功能需求与测试用例和评估的双向追溯关系、适用于全局的评估等都能够加速测试。此外，TPT能够集成Jenkins部署CICT，实现自动化的测试流程。 PikeTec公司 是全球知名的基于模型的嵌入式系统测试工具TPT的软件供应商，总部位于德国柏林。北汇信息作为PikeTec在中国的独家合作伙伴，致力于帮助中国客户提升嵌入式控制系统的开发效率。目前，TPT已被众多国内知名主机厂和零部件企业认可，在新能源（VCU/BMS/MCU）以及ADAS等领域中被广泛应用。

Simulink/Targetink 模型 TPT 作为一款嵌入式软件的模型动态测试工具， 支持对Simulink和Targetlink模型的测试，在Simulink中运行的模型无论大小都可以在TPT中进行测试。TPT能管理测试，并且能简化测试创建、管理、维护和分析的工作，节省时间，提高效率。所以，TPT是一款对Simulink和Targetlink模型进行MiL测试的理想工具。 如何利用TPT对Simulink模型进行测试 利用TPT设置和执行Simulink和Targetlink模型测试是很简单的。用户只需要在TPT中进行配置，然后TPT就会在后台自动运行——包括执行MiL-SiL的背靠背测试。 一般情况下，MiL测试会在Simulink中进行。用户只需要在Simulink中以MiL测试模式创建测试用例并执行即可。然后，用户可以在Targetlink，Embedded Coder或Simulink Coder中生成代码，并使用TPT在SiL测试模式下执行代码测试。自动生成代码之后，即可自动执行测试用例。这样，测试结果对比会很容易——通过一种自动化的方式与容错信号进行对比。 TPT17推出MATLAB Toolbox，用户可以直接在MATLAB/Simulink平台中直接使用TPT。 接口分析 TPT在执行测试之前，需要对Simulink/Targetlink模型的接口进行分析：根据用户的设置，TPT会自动分析模型中的所有信号和参数。因此，TPT能准确地对模型接口进行分析，不仅是其中的信号和参数，还包括数据类型，阵列，总线，范围，消息信号，内部信号等等。所有这些数据都可以通过TPT进行变更和监测。 手动测试用例设计 TPT中的测试用例可以手动建模成功能测试用例。TPT支持很多独一无二的模型测试技术。TPT中的测试用例设计是非常自然、直观的。所以，使用TPT在Simulink和Targetlink中创建测试和维护测试都是比较简单的。 自动生成测试用例：TASMO TPT提供TASMO自动生成测试用例以满足客户对覆盖度（条件覆盖、决策覆盖）的要求。客户只需要选择需要的覆盖度标准，TASMO会据此搜索测试用例。TASMO会为Simulink模型，Stateflow模型或Targetlink模型自动生成尽可能少的测试用例来达到最大的结构覆盖指标。这些生成的测试用例也可以复用在背靠背回归测试中。 测试执行 TPT会自动生成测试框架，其中包含被测模型的副本以及会完成测试工作的TPT test driver。TPT能远程启动并控制整个测试执行过程。 运行前编译 在测试执行之前，TPT可以帮助客户将Simulink模型自动编译成C代码。相较于单纯的模型测试，这一功能会大量减少测试执行的时间。同时，TPT支持在不同的的机器上执行测试。 支持复杂的测试套件 复杂的测试或测试套件可以在无人情况下 通过 批处理模式执行，也可以利用TPT 的Jenkins插件进行，比如隔夜执行的情况。TPT还可以并行地远程控制几个 MATLAB 实例，这可以极大地减少测试执行时间。 对测试的评估分析 在测试执行之后，TPT会对在信号和参数中收集到的数据进行评估。内部信号可以使用TPT进行自动追踪，也会包含在评估中。并且评估完成后TPT会生成评估报告。 MiL-SiL-PiL 的背靠背测试 Simulink/Targetlink模型的测试用例可以在MiL，SiL，PiL阶段执行。这三个阶段的行为可以在TPT中简单的进行对比。用户只需使用不同的仿真模式(MiL、SiL、PiL)设置几种执行配置，并启用和配置背靠背的评估，TPT就可以自动在设置好的模式下执行这些测试并对测试结果进行对比。 通过MATLAB工具箱控制TPT 在TPT17及以后的版本中，用户可以通过MATLAB工具箱在MATLAB/Simulink中控制TPT。用户可以在Simulink/Targetlink的子系统中建立TPT工程，包含以下功能： 直接在Simulink中控制TPT 为所 选 MATLAB/Simulink子系统创建TPT工程 测试执行过程中自动记录子系统中信号的选择 打开所选子系统的现有TPT项目 实现MATLAB/Simulink模型与已有TPT项目之间的链接 接口自动化导入TPT 在TPT中建立Simulink平台 符合ISO26262标准的MiL测试 TPT 为 用户 提供测试工具， 支持并 促进 用户 根据相关安全标准开发安全相关系统。 针对软件开发，ISO26262对不同开发阶段的要求做出了定义， TPT 可以满足ISO26262 ASIL-A到ASIL-D对软件的测试要求。 在TPT中监测接口信号和内部信号 如果用户需要同时监测接口信号和内部信号，那么可以在TPT中记录这些信号类型。针对Simulink/Targetlink模型，用户可以在TPT中进行信号配置，并最终在测试报告中观测到这些信号。 使用TPT进行Simulink/Targetlink模型测试的优势 总线信号、消息信号、向量、模型引用、触发的子系统，以及许多其他常见的建模技术的运用 对Simulink/Targetlink数据字典的分析 对Simulink/Stateflow/Targetlink模型的处理 支持缩放 支持MiL和SiL仿真中的背靠背测试 生成Simulink/Targetlink模型测试用例，以实现模型覆盖 支持MiL-SiL-PiL测试 支持Simulink Coder和Embedded Coder 支持TPT MATLAB 工具箱 支持MATLAB/Simulink/Targetlink的MiL-SiL-PiL测试 支持AUTOSAR和AUTOSAR AP

在基于模型的开发中，优质的模型架构是生成优质代码的必要前提。静态模型分析对于模型的质量保证有着至关重要的作用，同时建模规范已在业内有着广泛而成熟的应用。然而建模规范并非模型设计原则合规性的唯一考量标准，仍有许多方面，需要根据具体的模型属性加以改善。模型结构质量作为反映建模质量的重要方面，可通过一系列模型指标（ Model metrics ）对模型结构质量进行综合分析。本文我们将向您展示模型指标的概念、原理、方法、模型指标应用和模型重构的最佳实践，并向您展示这些操作具体如何提高模型结构质量。 什么是结构质量 首先来看模型质量的概念。在基于模型的开发（ M BD ）中主要考虑模型软件质量保证问题。 ISO26262 中关于软件产品开发的参考阶段给出相应设计原则、软件设计和验证的规范要求。按照 ISO 26262 中软件开发的 V 模型（如 图 1 ），各阶段涉及不同的主题活动，从安全需求到软件架构设计、软件单元设计和实现，以及软件单元验证、软件集成和验证，到嵌入式软件系统的验证。这个开发过程分为两个阶段：在 V 模型的 左侧，按照软件需求，我们设计 构建 模型；在 V 模型的 右侧，在相应阶段验证我们的模型或软件是否按预期的需求和架构设计工作。与此同时，此 V 模型 同步 涉及 质量保证活动的各个阶段。一方面我们关注模型的结构质量，另外一方面考虑模型的功能质量。结构质量方面我们 关注模型 结构质量相关属性或设计的适用性，分析模型结构相应于设计的适用性，考虑设计能否适用于实现软件的需求。功能质量方面我们注重功能质量，验证软件的功能是否 符合模型设计，并能够按照需求 正确运行。 图 1 . 软件开发与软件质量活动流程 那究竟什么是结构质量呢？ 首先让我们来谈谈模型的结构属性。结构属性反映软件设计在多大程度上适用于需求？设计属性的符合程度如何？根据 ISO26262 关于质量保证的典型设计特征和特性描述，设计或实现的目标要达到的目标包括一致性、简单性、可理解性和可读性、模块化和封装性、修改的适用性、设计的鲁棒性、可验证性、可测试性和可维护性。 因此，典型设计特征首先从软件架构看要实现软件单元接口的一致性。其次，设计要容易理解和审查。例如，设计的模块化程度如何？设计的修改方便吗？设计是否足够稳健？是否应用了行业最佳实践或范式进行建模？这样的设计方便测试吗？这样的设计后期方便维护吗？ 为了实现这些属性，参考 ISO26262- 6 在软件设计和实现的设计原则建议，事实上对应标准中的三个表格，这三个表格专注于设计建议和结构质量条款，分别是表一，表三和表六，包括建模和编码指南应该涵盖的主题，软件架构设计的原则，软件单元设计和实现的设计原则。这些原则主要通过静态分析和在基于模型的开发中应用建模指南来实现。与此同时，我们可以从软件架构设计原则中得到一些具体的操作建议，比如软件设计原则中提到的低复杂度执行，限制 组件大小 ，组件的强内聚性，组件间的松散耦合等等。对于这些建议的实施，首先我们需要详细了解相关的模型属性，而对于这一点，模型指标可以为我们提供关于模型属性的详细信息。 结构质量相关模型指标 既然模型指标可以表示软件模型的相关质量属性，让我们先了解一下模型指标具体包含哪些指标，如何反映模型的结构质量。 通常，指标是软件模型具有某些属性的程度的度量（对于模型度量也是如此）。因此，我们通过度量来评估模型的某些属性，然后将这些属性映射到某些具体的数值，帮助我们建立对该属性客观的认识和理解。模型指标的示例包括模型的复杂度、组件大小、模型的非内聚度、功能组件的比例、接口大小以及克隆组的使用等等。 接下来，我们来详细地介绍这些具体的模型指标，并对各项模型指标给出合理的解释，各模型指标的影响因素，以及从这些模型指标如何反映结构质量。另外，针对各项指标给出行业最佳实践做法。 模型复杂度 首先介绍复杂度。当谈到复杂度时，我们首先谈到的是可读性的复杂度，这是对子系统级别建模应用风格的理解。因此，我们先来看子系统的局部复杂度。让我们从一个典型的子系统 图 2 开始。 图 2. 子系统的局部复杂度 在此处可以看到，示例的子系统由一些输入端口和输出端口和另外两个子系统组成。在当前结构层，我们只关注两个子系统模块，而忽略关注子系统中包含的内容。即当前子系统具有输入端口和输出端口以及两个模块。这里要理解结构层次的概念，主要是因为在结构层面，我们需要了解信号流的来源、走向和信号的目标，以及它们之间是如何相互连接的，也就是我们在这里看到的当前层的结构布局。因此，为了从结构上理解这种局部复杂度，我们不需要知道设计中做了怎样的计算，我们暂忽略里面的内容，只考虑这些典型的模块。在当前模型层级评估这个系统的局部复杂度，可以计算得出一个具体数字，考虑可见的所有这些元素在内，我们得出好比这里给出的 33 的一个数字，以此来表征子系统的局部复杂度。 那么为什么要计算局部复杂度呢？事实上我们希望确保在特定的模型层只关注某些模型相关的重要特征信息，应用适当的层次结构，使模型表示的内容更容易阅读和理解，即增强模型的可读性。同时关于模型表达的所有其他信息，我们在当前层级省略并把它放在模型结构的不同层级。合理的复杂度的子系统布局可提升结构质量，提高模型软件的简单性、可读性，减少审查和维护方面的工作。现在，如果这个数字表示不能告诉我们关于复杂度的更多的信息，不用担心，让我们来看下面的示例如 图 3 。 图 3. 复杂度 : 低复杂度 vs 高 复杂度 如 图 3 左侧部分，像这样的一个小规模的子系统，基本上只包含简单的几步计算，如果我们应用相同的局部复杂度计算方法计算得到一个数字，显示其复杂度数值为 6 0 。相比之下，对于 图 3 右侧 一个更大的子系统，我们看到它具有更多的计算。因此，我们第一印象 右侧 这个子系统更复杂。现在的问题是，它究竟有多复杂？能否给出某种数字来比较它比这个数字大多少或复杂多少？因此，应用局部复杂度的运算，我们得到其复杂度数值为 600 。好的，那我们说这个右侧大的子系统大约比这里的这个小的子系统复杂十倍。 那么 接下来 我们研究一下这个具有相当高复杂度的大型子系统（参看 图 3 右和 图 4 ），一般来说 6 00 显示其复杂度 不是很高，但也是中高范围。对于这样的一个子系统，如何提高可读性？整体看，我们会发现这里包含某种并行计算，有些信号流不是很明确。我们可以尝试将局部复杂度限制在某阈值内， 600 已经有点过大了。于是我们查看此处的子系统并进行模型重构。 容易看到 模型 基本上分为了上下两个部分。我们在本层结构中上下部分分别创建一个子系统使部分计算包含在下面的模型层，重构后的局部（参看 图 5 ）复杂度显著减小为 4 0 ，更重要的是重新布局的子系统，对于理解信号流、数据流和计算更为清晰简单，增强了可理解性和可维护性。 图 4 . 复杂系统的布局与复杂度（局部复杂度 ~ 600 ） 图 5. 复杂系统重构后的布局与复杂度（局部复杂度 ~ 40 ） 通过计算局部复杂度，我们可以查看模型组件的大小，或者子系统的复杂程度。从子系统重新开始，现在我们扩展到更大范围研究模型系统或子系统的全局复杂度，以了解模型系统的实现规模。因此，对于同样的模型系统或子系统如 图 6 , 子系统由输入端口 , 输出端口和两个子系统模块。但现在我们考虑子系统中的所有内容，子系统内部所有实现，如一些计算或更深层级的子系统中包含的内容，如 图 6 在模型浏览器中我们所看到的那样。现在对模型子系统中包括的所有内容计算所有子系统的复杂度并加和，得到系统的全局复杂度为 352 。这个模型复杂度的计算考虑了我们在这里看到的所有内容。因此，我们看到当前结构层的全局复杂度不仅包括局部复杂度 33 ，还包括其下各子系统层次结构贡献的局部复杂度。 图 6 . 全局复杂度 那么为什么要统计全局复杂度呢？原因在于通过全局复杂度的指标度量确保我们的单元或组件的不至于变得过于复杂。即确保单元和组件的可读性。同时我们还希望保持单元组件可度量，特别是对于审查和测试工作。因此，我们实际上可以将这个数字与审查和测试的工作量联系起来，这意味着数字越大，需要审查和测试的工作量就越大。 因此，全局 复杂度大小 等同于工作量多少，这正体现了对结构质量的影响。保持单元的小规模的同时提高可读性，模块化和可测试性，提升实施效率。如果对于某项功能需求，我们可以两种不同的方式实现它们，并且在功能上它们都可以完全正常地工作。但是当你计算它们的总实现的全局复杂度大小时，发现它们之间有很大的差异，然后你就知道全局复杂度较小的一个实际上是更高效的实现。因此 全局复杂度不一定 对功能质量产生影响，但它会对结构质量产生影响，表示我们的建模效率如何。 那么，全局复杂度在建模实践中怎样帮助我们改善和提高建模效率呢？我们以 Mat lab/Simulink 中的一个典型示例模型为例 加以说明。首先根据全局复杂度的指标，可以衡量并限制模型组件的整体大小，降低模型组件的复杂程度。其次，提供可测试性指标。例如通过采用库或模型引用（ 图 7 ）的方式，将文件分拆成单独的模型组件，提高组件的模块化和可测试性。最后，提供模块化指标。合理划分模块，达到模块复用或者单独测试的目的。模块化的设计与您的软件架构设计保持一致，关联重点需求和测试。模块化带来灵活地加载和编译，在不同的工程模型中重用，而不必在全局范围内重复的评审和测试某种结构类型的组件。 图 7. 复杂模型系统的重构 - 库 / 模型引用 模型指标非相干度 前面我们已经讨论复杂度的概念，如何了解组件的大小和复杂度。现在，我们进一步了解此组件本身的协同工作情况，如计算或计算之间是否彼此关联。为此，我们研究组件内不同组成部分的关联程度， Matlab/Simulink/Stateflow 中我们使用内聚度 【 1 】 和非相干度来表示。中心思想是子系统中的每个模块直接或间接地影响子系统中的其他模块，并且本身直接或间接地受到子系统中其他模块的影响。因此，对于每个模块 b ，计算受模块 b 影响或影响模块 b 的所有模块的数量，包括模块 b 本身，即通过 b 的路径上的模块总数（简记为 bop ）。高内聚的子系统的 bop 接近子系统的总模块计数；低内聚的子系统的 bop （ b ）与总模块计数相比会很低。例如 图 8 中的模块，我们可以找到模块旁边标注每个模块的 bop 值。 图 8. 子系统中通过每个模块的路径上的模块数示例 然后，汇总子系统中所有块的 bop 值，进行规范化，获得子系统的内聚值。因此，具有模块 Bs 的子系统 S 的内聚度的计算公式为： 内聚度： 进一步，我们定义非相干度为： 非相干度： 对于 图 8 中的子系统，内聚度和非相干度值代入相应计算公式得到： 内聚度： 非相干度： 子系统中的进行模块计算或结构的设计时，我们希望相关功能组合在一起，分组到一个子系统中。但是我们不希望对彼此不关联的功能进行分组，以此来提高可理解性。如果所有模块都只致力于一个功能或计算，那么就更容易理解。因此，我们希望确定并行组件的任何部分，或单独的组件，进而进行模型重构，实现模块化和封装性，提升可测试性和可维护性典型的质量指标。 那么，非相干度如何帮助我们重构操作呢？我们可以将非相干度解读为子系统中分离组件的粗略估计。例如 图 9 参与计算部分的所有模块都在一条路径上，这是最简单的情形，经过计算其非相干度为 1 。 图 10 类似前面的示例，如果子系统中有某种拆分路径，我们得到的非相干度是一个分数，在本例中是 1.3 。而如果在 图 11 这里进行并行计算会发生什么呢？此时多了一组单独并行的组件，实际上增加了不相干的组件数量，计算得到非相干度为 2 。由此看出，非相干度的数值的整数位可以让您大致了解子系统中有多少并行或分离的组件。 Incoherence = 1.0 图 9. 非相干度示例 1 Incoherence = 1.3 图 10. 非相干度示例 2 Incoherence = 2.0 图 11. 非相干度示例 3 让我们来看一个复杂的例子如 图 12 。我们现在可以使用 非相干度 来识别具有高复杂度和高度不相干的子系统。如 图 12 子系统的局部复杂度已经大到 1 104 ，导致可读性和可测试性方面非常大的困难。根据模型的非相干度指标值约为 5 ，表明大约可划分为 4 -5 个独立的组件。因此，我们对模型进行重构，可将模型重构为 4 个更大的分离组件。当然根据需要划分为 5 个也是完全可以的。像这样重构后，得到类似 图 13 的新结构，形成新的结构层，使整个模型更容易理解。首先，清晰地显示哪些输入信号对应于整个子系统单元的哪部分功能或运算，对相应功能信号的评估很重要。其次我们还可发现，非相干度大致保持不变，但是局部复杂度数值显著降低，提高了该层级模型的可理解性，当前模型层引入了结构层而不是功能和结构的混合。 Incoherence » 5, Local Complexity 1104 图 12 . 高复杂度和高度不相干的子系统示例 Incoherence » 4, Local Complexity 194 图 13 . 基于非相干度 Simulink 模型指标的模型重构 模型指标非相干度值除了帮助我们进行粗略的分离组件的估计，还能帮助我们避免隐式数据流的设计。我们来看看 图 14 这个例子。子系统由很多单独的图表组成，主要信号数据流被 goto/from 模块隐藏，很难理解信号的属性和流向。统计显示子系统具有非常高的局部复杂度，可读性差。但是同时我们又注意到，非相干度数值只有 3 ，意味着 goto /from 模块的使用在观感上分隔了功能组件，但 实际上它们可以简化为三个主要的功能组。而重构后的模型 图 15 表明，到结构层的子系统及数据信号流等方面得到更清晰的呈现，同时也显著降低了局部复杂度。 Incoherence » 3, Local Complexity 1673 图 14. 具有隐式数据流和高度不相干子系统的示例 Incoherence » 3, Local Complexity 111 图 15. 基于非相干度 Stateflow 模型指标的模型重构 结构和功能元素 如何理解实现结构和功能的分离？如 图 16 的 Sim ulink 的 子系统为例，我们把输入端口和输出端口称为中性块，因为在大多数情况下都必须存在。在子系统内部，没有任何计算在这里进行，只有两个子系统。我们称这样只包含子结构模块的子系统为结构子系统。 图 16. Simulink 演示模型 fuelsys 中的结构子系统示例 再如 图 17 这样的子系统，除了输入和输出端口，其余的模块都也是数学、逻辑或位运算或函数等功能性运算。我们称这样只包含功能运算模块的子系统为功能子系统。 图 17 . Simulink 演示模型 fuelsys 中的 功能子系统示例 如何识别模型的功能和结构水平？为此，我们引入子系统级别上 功能模块占比 这一模型指标， 指标 功能模块占比 表示子系统中功能模块与功能模块和结构模块之和的百分比。因此，度量值为 0% 意味着子系统除了中性块外，仅包含结构模块，子系统是 0% 的功能和 100% 的结构。指标值为 100% 表示纯功能子系统，中间值表示相应的混合子系统。 参看 表 1 中以对功能模块和结构模块的统计和 指标 功能模块占比 ， 指标 功能模块占比 100% 表示纯功能子系统 , - 表示纯结构子系统； 还有可能是不中 1 00% 的 分数，但是，在建模实践中，我们强烈建议避免这些混合，这种混合子系统下同一子系统层上具有结构模块和功能计算模块，可能会影响可读性、可理解性，尤其是可测试性。因此，最好尽量让这些数字变大或尽可能小，而不是趋于中间傎。 表 1. 模型指标：功能模块占比 按照 I SO26262 架构设计的原则的 建议，创建子系统的适当层次结构。但什么是适当的呢？您可以在此处将适当定义为结构和功能层之间的专用差异化设计。将结构和功能元素分开，形成信号处理和结构、功能的层次结构架构设计的一致性，提高可读性，模块化，可测试性和修改的适用性等方面的结构质量。 这里我们给出推荐的模型架构设计 的最佳实践 。在软件开发过程的软件架构部分粗略地定义模型软件架构，同时根据以上我们谈到的相应的模型指标进行模型系统的设计和重构来确保模型系统或子系统符合行业最佳实践和初始的软件架构设计。在详细设计阶段，我们仍然需要注意避免在同一子系统中混合结构和功能模块元素，确保最终得到简易美观分层合理的模型结构。如形成类似 图 18 所示的适当分层的模型结构，由 SimuLink 根层作为顶层的系统结构布局，其下层如图中模型层 1 通过各级子系统实现 信号分配和软件架构层，然后其下层 模型层 K 的子系统作为软件架构设计的结构实现。然后，从某层如 模型层 m 开始，作为软件架构的结构层，或者实际功能计算的实现层，直到功能计算的最后一层。即在分层结构中，将结构子系统层保持到最后一层。建模过程中通过合理使用库链接或模型引用简化系统复杂度，最终形成简单易读、易测试、易维护的模型架构。 图 18. 模型分层设计的最佳实践 无效接口与接口大小 现在，在谈论子系统的层和结构以及模型分层架构时，我们当然还需要了解子系统之间和进入子系统的信号流和子系统的接口。 按照 I SO26262 关于软件设计的原则建议 ，接口大小应限制在合理范围，防止接口过大而导致系统变得难以理解。考虑接口大小限制时，一方面考虑子系统接口总数的限制和信号的总线化处理，另一方面我们需要更加注重的是接口信号的有效供给。也就是说，输入子系统的信号务必与子系统中的功能需求相关的有效输入，防止实质上无用信号的输入。为了更好的理解，让我们看下面 图 19 的例子。五个基本输入信号进入包含多级子系统和模型引用的子系统中。值得注意的是五个基本信号实际上只使用了两个，即信号 a 和信号 b 用于积运算 ，而其他信号 c ,d, signal1 是不必要的输入，因为它们事实上没有被后续用于某功能或运算过程。 图 19 . 未使用 的 基础 信号示例 但在某些情况下，如果我们不了解实际的信号流，如我们难以查看子系统的模型或了解所有模型引用的细节，则很难理解这些信号是否被实际使用。此外，典型的用例如 图 20 中，我们常常把整个总线馈送到子系统中，但是子系统中本身的功能实现只需求其中部分数量的信号，旁路信号实际上并未被子系统所使用 。 所以我们希望限制接口的大小，确保单元和组件是可重用性的同时，还要避免出现虚拟耦合。为此我们通常采用强制实施显式信号流，以此提高模型的可读性、模块化、可测试性、可维护性和修改的适用性。 图 20 . 未使用 的 旁路信号示例 对于接口大小方面的限制和信号的处理，有什么最佳实践操作呢？首先我们要注意单纯的限定输入输出端口为具体的数值是不合理的。另外，作为 接口操作的最佳实践如 图 21 ，我们可以将需求的信号按功能需求分类分组到总线中，最好明确为子系统所需有效信号的基础上，使这些信号流显式表示，如图 1 8 中的信号分组与提取过程 。因此，我们在子系统外部提取或修改必要的总线信号， 在信号 选择器上选择我们实际要使用的信号，并且在结构层上明确显示子系统必需的信号流。 图 21. 接口操作的最佳实践 克隆组件 现在假设我们已经有了一个很好的模型设计，结构质量各指标都已得到充分优化，我想把某个功能或算法复用到其他地方，这时我们的操作可能是对模块、组件或子系统复制粘贴。当系统中多处形成类似结构，如包含相同属性的子系统部件组，我们也称其为克隆组。关于子系统克隆与克隆组的操作，假设模型中存在一个小子系统，包含一系列运算模块，一些常量，呈现一定布局。作为复用组件，我们复制粘贴它到模型另外一个地方，并进行了一些布局和参数的修改，如 图 22 所示。可以预见，如果我们重复进行类似操作，模型的复杂度会快速增长，相应也会带来测试和审查的工作量。因此，为了简化设计， 降低模型系统的复杂度 ，可以把具有克隆组的模型作为单独的模型引用。如果某些子系统需要频繁多次在模型中使用，我们可以将其转换为库文件。转换为模型引用或模型库的方式，有助于减少模型的复杂度，减少模型测试和维护的工作量，最终也会减少代码量。 图 22 . 子系统克隆 因此，找到大量克隆和克隆组，并用库引用替换它们，是针对克隆组件的最佳实践。以便显着降低全局复杂度，这意味着大小和工作量。对一个不同类型大量模块构成的复杂模型系统， 通常各 模型模块分组分散开发，容易出现模型的复制粘贴和克隆组的情况，模型系统呈现相对较高的全局复杂度。以某项目在克隆组及复杂度方面的研究统计结果 【 2 】 为例（ 图 23 ），系统中包含了大量的克隆组件和重复的子系统。对克隆组及克隆子系统的优化，可实现 1 0% 左右的复杂度缩减 。 一般来讲，对于大型工程， 1 0% 的 复杂度降低意味着 10% 的评审测试工作的减少，意味着大量的人工和成本的节省。 图 23. 控制系统的克隆组检测结果统计 当我们研究一个典型的项目开发周期与模型全局复杂度之间的关联，从项目开始到功能完成再到缺陷修复到最后项目结束，我们可以看到全局复杂度在开始时增加很快，后期逐渐饱和，特别是在缺陷修复阶段。但是，如果我们应用模型指标分析并定期进行模型重构，那么模型的总体大小和复杂度会显著降低。也就是说，在整个模型开发周期内进行指标分析，克隆组检测并定期进行模型重构，可有效地降低全局复杂度，提高结构质量。 模型指标分析与模型重构的最佳实践 上面我们罗列了模型相关众多的结构性指标，如何获得具体的相应指标精确数值，为模型的设计和重构提供参考。为此，我们可以借助模型检查工具，比如市场上比较受欢迎的模型检查工具 M ES Model Examiner 。 M ES Model Examiner 不仅是一个模型规则检查工具，而且可以精确统计模型结构质量指标，例如全局 / 局部复杂度，分层深度和接口大小，克隆组，非相干度等指标等等作为检查实现，并将这些结构质量指标显示在专门视图（ 图 24 ）中。如图中显示有各子系统的局部复杂度，如显示红色的局部复杂度 806 ，它高于默认设置的局部复杂度为 750 的上限，于是模型对局部复杂度规则一致性检查的结果给出失败的结果。 图 24. MES Model Examiner 模型指标视图 对于复杂模型系统的重构问题，也可以借助工具简化建模和重构的操作。比如 M ES 的专用模型重构工具 MES Model R efactor 通过自动化连续建模步骤使特定功能目的的建模变得简单快速，达到模型组件的快速重构。 综上所述，对模型结构属性相关质量如模型子系统的复杂度 ( 局部 / 全局）、组件大小、非相干度、功能组件的占比、接口大小和克隆组的统计等结构质量的分析， 在开发过程中中应用模型指标并定期重构的最佳实践，有助于在模型软件开发阶段增强模型的可读性、可理解性、可维护性和可测试性，有效降低软件复杂度，实施模型组件和功能建模的设计和验证原则，提高模型的结构质量，从而总体上提高模型软件系统的质量。 关于 MES 模赛思：软件质量在控制之中 模赛思软件技术有限公司 (Model Engineering Solutions)，简称 MES) 是一家高科技软件公司，专为软件项目的质量保障提供解决方案。MES 为客户基于模型的软件开发提供技术支持，使其符合 IEC 61508、ISO 26262 或 ASPICE 等行业标准。 MES 模赛思成立于 2006 年，总部位于德国柏林。Hartmut Pohlheim 博士作为基于模型的开发领域最著名的专家之一，自 2008 年起任公司常务董事。MES 的主要客户包括整车厂如戴姆勒、大众、丰田和吉利等以及博世、西门子和三星等行业供应商。在汽车行业中，除少数几家公司外，全球数十家顶尖制造商及供应商均在他们的开发环境中使用 MES 的解决方案。为支持其全球客户，MES 已在美国和中国建立了子公司，并与全球分销商网络紧密合作。 MES 的产品包括 4 种质量工具软件：MXAM、MTest、MoRe 和 MQC，它们共同构成了一个工具链，全面保障基于模型的软件开发过程中所有阶段的质量。通过 MES Jenkins Plugin，该工具链也可以在持续集成环境中使用。工具链主要应用平台为 MATLAB® Simulink®。除了 MES 质量工具外，MES 测试中心和 MES 学院的专家们还为全球客户提供关于质量保证和开发流程优化的定制咨询服务及培训课程。 MES 是 dSPACE 公司的战略合作伙伴和 MathWorks 及 ETAS 的产品合作伙伴。MES 学院与 SAE International 有合作关系。 更多关于基于模型的开发，嵌入式软件相关信息、知识分享与在线研讨会，欢迎扫码关注 MES 模赛思微信公众号：

　 　0 引 言 　　通过数学的方法，把小功率开关电源系统表示成数学模型和非线性控制模型，建立一种开关电源全系统的仿真模型，提高了仿真速度。Matlab是一个高级的数学分析软件，Simulink是运行在Matlab环境下，用于建模、仿真和分析动态系统的软件包，它支持连续、离散及两者混合的线性及非线性系统。 　　在Matlab 5．2中推出了电力系统工具箱，该工具箱可以与Simulink配合使用，能够更方便地对电力电子系统进行仿真。随着电源技术的发展，PWM控制的开关电源得到了广泛的研究和应用，如通信电源，机车电源等。这里以220 V高频开关电源为研究对象，建立模型。该电源采用脉宽调制控制方式，实现了减轻重量、缩小体积、提高精度等多项指标要求，在开关电源的系统模型研究中极具代表性。主回路采用DC—HFAC—DC—LFAC结构，并利用Matlab建立一个离散的、非线性的模型。分别对系统进行开环和闭环仿真，并对仿真结果进行比较与分析。 　　 1 电路原理图 　　电路原理如图1所示。 　　 2 仿真电路 　　图2中各子模块的仿真模型如图3～图10所示。该系统的仿真参数为：直流升压电路仿真参数设置：工作频率∫=20 kHz；变压器变比k=13；输出滤波L=8 μH，c=300／μF。全桥逆变电路仿真参数设置：工作频率f=25 kHz，输出滤波L=80 mH，c=100 μF。这里设置相应仿真参数进行仿真调试。 　　 2．1 输入回路的建模 　　使用电力系统工具箱的电源模块以及电阻电容模块可以很便捷地建立输入回路的仿真模型。输入采用两级LC直流输入滤波技术，在保证稳态滤波效果的同时，限制了瞬态谐振峰值，具有无功耗，高衰减，可控谐振峰值等优点。 　　 2．2 DC—DC回路的建模 　　由图1可知，输出回路中的整流二极管不能流过反向电流，这也是一个非线性环节，建立非线性的数学模型。 　　 2．2．1 DC—DC主电路的建模 　　根据图1可知，滤波电感中电流为： 　　式中：Ui为不控整流的输出电压；UF为负载电压；UL为电感电压；负载电压为： 　　式中：UC电容电压；IL为电感电流；Ic为电容电流；LF为负载电流。 　　 2．2．2 PI调节器的建模 　　比例积分调节器仿真模型(PI)如图5所示。 　　PI调节器的输出波形如图6所示。 　　 2．2．3 PWM控制器的建模 　　仿真利用积分关系来产生三角波，Simulink中 Sources有脉冲发生器(PulseGenerator)，使其产生频 率为20 kHz，幅值为4×104，占空比为50％的信号。 　　 2．3 逆变电路的建模 　　逆变电路仿真模型(Inverter)如图9所示。 　　 2．3．1 PI调节器的建模 　　比例积分调节器仿真模型(P11)如图10所示，其输出波形如图11所示。 　　 2．3．2 SPWM的建模 　　正弦宽度调制模型仿真模块(SPwM)如图12所示。 　　 2．4 输出回路的建模 　　输出及显示模块仿真模型(output)如图13所示。 　　 3 仿真结果 　　建立Sireulink系统仿真模型，仿真模型设置仿真时间0．3 s，并选择变步长的odel5算法，在输入电压为48 V，负载为额定负载情况下，启动仿真可得其输出波形，输出电压波形图和THD频谱图如图14和图15所示。 　　 3．1 开环仿真 　　开环仿真如图14所示。 　　 3．2 闭环仿真 　　闭环仿真如图15所示。 　　从频谱分析上可以看出，开环时，总谐波系数(THD)为3．02％，且三次谐波含量比较大。闭环时，总谐波系数(THD)为0．07％，谐波含量非常少。从电压波形上可以看出，开环时电压输出波形在第3个周期才达到稳定，而闭环时在第2个周期就达到了稳定，所以闭环时电压达到稳定值的速度比开环时要快。 　　 4 结 语 　　该模型不仅可用于来考查系统内部主要状态的瞬态变化过程，还可用于来对控制回路进行分析和设计。这对于提高控制系统的性能具有现实意义和研究价值。用数学方法实现开关电源系统的建模，选择仿真时间为0．3 s，完成仿真只要40 s左右，不仅避免了其他工具的极慢仿真速度，还提高了仿真的可靠性。Sireulink是控制系统仿真的一种功能完善、实现系统控制容易、构造模型简单的强大的动态仿真工具。

　　 0 引 言 　　在电力电子技术中，将直流电的一种电压值通过电力电子变换装置变换为另一种固定或可调电压值的变换，称为直流一直流变换。直流变换电路的用途非常广泛，包括直流电动机传动、开关电源、单相功率因数校正，以及用于其他领域的交直流电源。 　　这里主要讨论了PWM(脉冲宽度调制)控制方式的降压电路(Buck Chopper)，并应用Matlab的可视化仿真工具Simulink，对该电路及升降压电路(Boost-Buck Chopper)进行了建模，并对仿真结果进行了分析，既避免了繁琐的绘图和计算过程，又尝试得到了一种直观、快捷分析直流变换电路的新方法。 　　 1 直流斩波电路工作原理 　　直流降压斩波电路原理图如图1(a)所示。图中用理想开关S代表实际的电力电子开关器件；R为纯阻性负载。当开关S在ton时间接通时，加到负载电阻上的电压U。等于直流电源Ud。当开关S在toff时间断开时，输出电压为零，直流变换波形如图1(b)所示。 　　输出电压平均值为： 　　式中：ton为斩波开关S在一个周期内的导通时间；toff为斩波开关S在一个周期内的关断时间;Ts为斩波周期，T＝ton＋t0ff；D为占空比，D＝ton／Ts。 　　由此可见，改变导通占空比D，就能够控制斩波电路输出电压U。的大小。由于D是在0～1之间变化的系数，因此输出电压U。总小于输入电压Ud，即为降压输出。 　　 2 直流斩波电路的建模与仿真 　　2.1 仿真模型及参数设置 　　 (1)由IGBT构成直流降压斩波电路(Buck Chop-per)的建模和参数设置 　　图2为由IGBT组成的Buck直流变换器仿真模型，IGBT按默认参数设置，并取消缓冲电路，即Rs=5 ΩQ，Cs=0；电压源参数取Us=200 V，E=80 V；负载参数取R=10 Ω，L=5 mH。 　　 (2)直流降压斩波电路的仿真 　　打开仿真参数窗口，选择ode23tb算法，相对误差设置为1e-03，开始仿真时间设置为O，停止仿真时间设置为O.01 s，控制脉冲周期设置为O.001 s(频率为1 000Hz)，控制脉冲占空比为50％。参数设置完毕后，启动仿真，得到图3的仿真结果。 　　由图3可以看出，负载上电压分别为100 V，160 V，80 V，满足 　　 2.2 直流升降压斩波电路(．Boost－Buck Chopper)的仿真 　　升降压斩波电路输出电压平均值为： 点击看原图 　　式中：负号表示输出电压与输入电压反相。当D＝O.5时，U。=Ud；当DO.5时，U。Ud，为升压变换；当D0．5时，u。Ud，为降压变换。 　　图4给出了由IGBT元件组成的升降压斩波电路仿真模型，IGBT按默认参数设置并取消缓冲电路，负载R＝50 Ω，C＝3e－05 F，电感支路L＝5 mH。启动仿真，得到图5的仿真结果。 　　从图5可以看出，负载上电压分别为100 V，33 V，300 V，满足 与升降压斩波理论分析吻合。 　　 3 结 语 　　通过以上的仿真过程分析，可以得到下列结论：(1)直流变换电路主要以全控型电力电子器件作为开关器件，通过控制主电路的接通与断开，将恒定的直流斩成断续的方波，经滤波后变为电压可调的直流输出电压。利用Simulink对降压斩波电路和升降压斩波的仿真结果进行了详细分析，与采用常规电路分析方法所得到的输出电压波形进行比较，进一步验证了仿真结果的正确性。