本文详解如何通过绕过 simulate_fmu() 高层封装、直接调用底层 FMU API 实现单步/微步长（如 5e-7 s）稳定仿真，彻底解决 Simcenter 导出 FMU 在 FMPy 中早期发散并输出 NaN 的典型问题。
本文详解如何通过绕过 `simulate_fmu()` 高层封装、直接调用底层 fmu api 实现单步/微步长（如 5e-7 s）稳定仿真，彻底解决 simcenter 导出 fmu 在 fmpy 中早期发散并输出 nan 的典型问题。
在基于模型协同仿真的工业场景中（如 Simcenter FMU 与 Simulink 跨平台闭环联调），常需以极小步长（例如 5×10⁻⁷ 秒）对 FMU 进行精确单步推进，并在每步后同步输入/输出数据。但若直接使用 FMPy 的 simulate_fmu() 函数，极易因内部默认行为（如自动初始化、隐式重置、时间步校验逻辑或数值积分器预热策略）与高精度实时反馈需求冲突，导致状态变量快速溢出，第 7–10 步即出现 NaN 输出——这并非 FMU 模型本身缺陷，而是接口调用方式与仿真语义不匹配所致。
根本解决方案是放弃高层封装，采用底层 FMU API 手动控制仿真生命周期。这不仅能规避 simulate_fmu() 中不必要的状态干预，还可实现毫秒级甚至亚微秒级的时间精度控制、输入动态注入和输出即时捕获，完美契合“FMU 容器化部署 + Simulink 单步驱动”的反馈架构。
以下为推荐实践的核心代码结构（基于 custom_input.py 示例重构）：
from fmpy import read_model_description, extract
from fmpy.fmi2 import FMU2Slave
class StepwiseFMUSimulator:
def __init__(self, fmu_path: str, start_time: float = 0.0):
self.model_description = read_model_description(fmu_path)
self.unzip_dir = extract(fmu_path)
# 获取输入/输出变量引用（value references）
self._vrs_inputs = {sv.name: sv.valueReference for sv in self.model_description.modelVariables
if sv.causality == 'input'}
self._vrs_outputs = {sv.name: sv.valueReference for sv in self.model_description.modelVariables
if sv.causality == 'output'}
# 初始化 FMU 实例（注意：不调用 initialize()！）
self._fmu = FMU2Slave(
guid=self.model_description.guid,
unzipDirectory=self.unzip_dir,
modelIdentifier=self.model_description.coSimulation.modelIdentifier,
instanceName='instance1'
)
self._fmu.instantiate()
self._current_simulation_time = start_time
def step(self, inputs_array_values: list, step_size: float, interval: float) -> tuple:
"""
执行一个（或多个）固定步长的仿真步
:param inputs_array_values: 当前输入值列表，顺序需与 _vrs_inputs.values() 一致
:param step_size: FMU 内部通信步长（建议等于 interval）
:param interval: 本次推进的时间跨度（如 5e-7）
:return: (当前仿真时间, 输出1, 输出2, ...)
"""
stop_time = self._current_simulation_time + interval
while self._current_simulation_time < stop_time:
# ✅ 动态设置输入（关键！避免 stale input）
self._fmu.setReal(list(self._vrs_inputs.values()), inputs_array_values)
# ✅ 精确执行单步：显式指定 currentCommunicationPoint 和 communicationStepSize
self._fmu.doStep(
currentCommunicationPoint=self._current_simulation_time,
communicationStepSize=step_size
)
# ✅ 主动推进仿真时钟（非依赖 doStep 自动更新）
self._current_simulation_time += interval
# ✅ 即时读取输出，确保与当前时间点严格对应
outputs = list(self._fmu.getReal(list(self._vrs_outputs.values())))
result_row = [float(self._current_simulation_time)] + outputs
return tuple(result_row)
def terminate(self):
if hasattr(self, '_fmu') and self._fmu:
self._fmu.terminate()
self._fmu.freeInstance()关键注意事项与最佳实践：
- ? 禁用自动初始化：simulate_fmu() 默认执行 setupExperiment() 和 enterInitializationMode()，可能重置内部状态或触发不兼容的初值计算。手动实例化后跳过 initialize() 调用，由用户完全掌控状态连续性。
- ? 输入必须逐步刷新：在每次 doStep() 前调用 setReal()，不可复用旧输入缓存；尤其当 Simulink 通过 MATLAB Function Block 驱动时，输入延迟或错位是 NaN 的常见诱因。
- ? 时间推进必须显式管理：doStep() 不保证 currentTime 自动更新，务必在循环内手动累加 interval，否则会导致时间戳错乱与数值积分失稳。
- ? 步长一致性原则：communicationStepSize 参数应严格等于你期望的单步时长（如 5e-7），且 interval 也需与之对齐；混用不同步长（如 step_size=5e-7 但 interval=1e-6）会破坏 FMU 内部事件检测逻辑。
- ? 资源清理不可省略：仿真结束后务必调用 terminate() 和 freeInstance()，防止容器内存泄漏（Azure 环境下尤为关键）。
通过该方案，用户可将 Simcenter FMU 的数值行为完全对齐 Simulink 原生运行结果，同时获得容器化部署所需的低延迟、高可控性与调试可见性。本质上，这不是“修复 Bug”，而是回归 FMU 标准的本质——将仿真控制权交还给用户，以确定性操作换取鲁棒性。
