简介：本资源是一套开箱即用的Matlab电机MAP绘制程序，面向电机控制工程师、电驱动系统研发人员及高校相关方向研究生，解决实际项目中电机效率、转矩、电流等多维性能数据难以高效可视化的问题。压缩包共3个文件（116KB），包含核心Matlab脚本（.m）用于自动读取与插值绘图、Excel格式的原始MAP数据表（.xlsx）便于替换自定义测试数据、以及生成的高分辨率效率热力图示例（.png）供效果参考。已有196人学习下载，脚本已适配多种常见电机数据结构，支持surf三维曲面、contour等高线、fill填充等多种绘图模式，无需修改即可绘制转速-转矩平面下的效率/损耗/电流分布图，并内置坐标轴标注、色条标定、插值平滑等工程实用功能，显著降低MAP图从数据到图表的实现门槛。 搞电机或者电驱系统的人，日常打交道最多的图，除了那些时间轴上的波形曲线，恐怕就是这张“转速-转矩-效率”的MAP图了。刚入行那阵子，我拿到台架测试返回的一大堆数据点，用scatter散点图糊弄了几版，结果被做系统匹配的同事吐槽说“你这图没法看，效率区域糊成一团，根本没法对比方案”。后来痛定思痛，仔细把Matlab绘图的底层逻辑捋了一遍，写了一套通用绘制程序。这篇就把这套程序的设计思路和完整实现拆开讲清楚，尤其是怎么让同一套代码不仅能画电机MAP，还能秒切到电池内阻MAP、逆变器损耗MAP这些乱七八糟的二维数据场。
1. 先搞清楚电机MAP图的本质：一张图背后是三个维度的数据
我见过不少新手拿到电机MAP图时的第一反应：这不就是个漂亮的彩色云图吗？确实，视觉上它像个云图，但如果你只把它当云图画，那大概率画出来的东西只是“好看”，而无法承载工程判断。电机MAP图在工程上有个更严谨的名字，叫效率等高线图或效率云图，本质上是用二维平面上的颜色变化来表达第三个维度的数值大小。
1.1 MAP图的数据结构：别再把XYZ散点直接怼进绘图函数
具体到Matlab里，电机MAP图的标准数据形态是：X轴为转速（通常单位是rpm，也有用rad/s的），Y轴为转矩（单位是Nm），平面上每一个坐标点对应一个效率值（0到1，或者0到100%）。
这里有个非常容易踩的坑。如果你从试验台架直接读取数据，得到的一般是类似下面这种的表格式散点数据：
| 转速(rpm) | 转矩(Nm) | 效率(%) |
|---|---|---|
| 1000 | 0 | 82.3 |
| 1000 | 20 | 88.5 |
| 1000 | 40 | 90.1 |
| 2000 | 0 | 80.2 |
| 2000 | 20 | 91.4 |
这种表格式的离散点数据，直接plot或scatter是画不出“面”的效果的。你真正需要的是一个二维矩阵，行对应转矩、列对应转速（或者反过来也行），矩阵里的值才是效率。换句话说，散点数据必须先插值网格化，变成类似：
转速向量 R = [1000, 2000, 3000, 4000, 5000]; 转矩向量 T = [0, 20, 40, 60, 80, 100]; 效率矩阵 E = [82.3, 80.2, ...; 88.5, 91.4, ...;]这种矩阵格式，Matlab的pcolor、contourf、imagesc这类函数才能直接吃进去。
1.2 为什么“完美绘制任何类型的数据”这个目标值得追求
标题里写了“完美绘制任何类型的数据”，这句不是噱头。电驱动系统开发过程中，需要画这种二维色图的地方多得超乎想象：
- 电机效率MAP：转速×转矩×效率，最经典的一张图，看高效区是否覆盖主工况区。
- 电机损耗MAP：转速×转矩×总损耗（铜耗+铁耗+机械损耗），做散热分析和峰值能力判断用。
- 电池内阻MAP：SOC×温度×内阻，BMS策略标定时必看，低温低SOC时内阻会飙升，直接影响放电功率限制。
- 逆变器损耗MAP：转速×转矩×IGBT损耗，配合电机损耗可以算系统级效率。
- NVH噪音MAP：转速×转矩×声压级或者阶次幅值，做噪音优化时用，往往要求很高的分辨率。
这些图的物理含义天差地别，但落到绘图层面，数据结构却几乎完全一致——都是X轴向量、Y轴向量、Z值二维矩阵。所以只要把这套数据规范定义好，一套绘图程序完全可以通吃。
我个人写这套程序时定的目标是：输入转速向量、转矩向量和效率矩阵，输出一张“能直接贴进技术报告”的图。也就是说，坐标轴刻度要科学、颜色条要明确、等效率线要清晰、外特性边界要体现，最好还能一键切换显示模式。
2. 数据输入的坑：三分画图，七分数据整理
写绘图程序之前，最需要花心思设计的其实是“如何把数据整理成程序能直接接收的格式”。实测中，来自台架、仿真、整车实测的数据格式千变万化，如果不做预处理，绘图代码里就得塞一堆条件分支，既不优雅也容易出bug。
2.1 三种典型输入格式的统一坐标轴策略
我最终把输入格式统一成了三种模式，分别对应不同来源的数据，在程序开头做一个标准化预处理：
模式A：完整矩阵输入。数据本身就是网格化的，转速向量R、转矩向量T、效率矩阵E（size为length(T)×length(R)）齐全。这种情况最容易，直接绘图即可。
模式B：散点列表输入。从试验数据文件读出来的是三列长数据，每行对应一个工况点（转速、转矩、效率），工况点可能覆盖不全，甚至没有覆盖完整网格。这种情况必须做网格重建和插值。
模式C：矩阵+行列坐标输入。部分数据采集系统导出的是完整矩阵，但只附带起始值、步长等坐标信息。比如转速从500rpm到10000rpm，步长500rpm，共20个点；转矩从-100Nm到300Nm，步长50rpm，共9行，需要用linspace或冒号运算符生成坐标向量再拼接。
模式B比较关键，这里放一个我实际在用的散点转网格的代码片段：
function [R_grid, T_grid, E_grid] = map_data_prepare(R_raw, T_raw, E_raw, R_vec, T_vec, method) % 将散点数据映射到规则网格 % R_raw: 散点转速数据 (N×1) % T_raw: 散点转矩数据 (N×1) % E_raw: 散点效率数据 (N×1) % R_vec: 目标转速网格向量 (1×M) % T_vec: 目标转矩网格向量 (1×K) % method: 插值方法，'linear' / 'nearest' / 'cubic' [R_grid, T_grid] = meshgrid(R_vec, T_vec); % 注意：scatteredInterpolant要求输入为列向量 F = scatteredInterpolant(R_raw(:), T_raw(:), E_raw(:), method, 'linear'); % 外插值设置成NaN，避免外特性边界外出现虚假数据 F.ExtrapolationMethod = 'none'; E_grid = F(R_grid, T_grid); % 将没有数据的区域（外特性以外）设为NaN，避免画出色块 E_grid(isnan(E_grid)) = NaN; endscatteredInterpolant是处理这种散点数据最顺手的工具，比老版的griddata在性能和可控性上都强出一截。有一点值得注意：外插值一定要设成'none'。如果保留默认的线性外插，那些没测到的高速大转矩区域会被插值出一些假效率值，画进图里就会出现远超实际范围的异常色块。
2.2 转速和转矩轴的网格梯度设计
很多人在绘制MAP图时忽略了一个细节——电机台架测试的转速点和转矩点往往不是均匀分布的。比如低速工况点密一些，高速稀疏一些；转矩在小转矩区密一些，大转矩区稀疏一些。直接用原始测试点做网格，pcolor画出来的格子会宽窄不一，色块边缘参差不齐。
我的做法是：从原始测试数据里抽取唯一的转速值、转矩值，升序排列作为目标网格。不额外插值加密。比如测试有21个转速点、19个转矩点，生成的效率矩阵就是19×21，每个格子代表真实测试区域，边界清晰。这样画出的图不会因为过度插值而“显得精度很高”，但它忠实反映了原始数据密度。
另外，网格要做“边缘补点”，否则pcolor的色块边界会缩进一圈。pcolor的色块本质上画的是网格单元，如果直接用测得的离散值画，边缘那半个格子是被截断的。解决办法是在转速和转矩向量的首尾各补一个虚拟点，值可以取相邻点的值，或者干脆取相邻点的外推值。
% 边缘补点 R_plot = [R_vec(1) - (R_vec(2)-R_vec(1)), R_vec, R_vec(end) + (R_vec(end)-R_vec(end-1))]; T_plot = [T_vec(1) - (T_vec(2)-T_vec(1)), T_vec, T_vec(end) + (T_vec(end)-T_vec(end-1))]; % 对应补两行两列的数据这一步虽然看起来简单，但没有它，图片边缘就会有一条明显的“白边”，贴到报告里特别掉档次。
3. 选对绘图函数与配色：pcolor、contourf、imagesc到底该用哪个
Matlab里能画二维色图的函数不少，imagesc、imagesc、pcolor、contourf、surf都能干这事，但每个函数的行为差异是实打实的。选错函数，轻则图难看，重则数据表达失真。这里把我用下来的经验按场景对比一下。
3.1 pcolor是电机MAP绘制的首选原因
pcolor的逻辑是“以网格点为中心，把相邻点用色块填充”。它天然适配电机MAP这类数据——每个网格点都有真实的物理测量或仿真计算值，色块边界恰好就是试验工况点的边界。跟contourf相比，pcolor不会对数据做任何光滑或重建，是“所见即所得”。
但pcolor有两个经典副作用：
- 默认带网格线：尤其当网格点很多时，色块之间会出现白色细线，视觉上乱。解决办法是设
shading interp（对颜色做插值）或shading flat（去掉网格线）。 - 边缘截断：前面提到的，需要边缘补点。
我的做法是直接用pcolor(R_plot, T_plot, E_plot)，然后紧跟一句shading interp。这样输出平滑无网格线，颜色过渡自然。
figure; h = pcolor(R_plot, T_plot, E_plot); set(h, 'EdgeColor', 'none'); shading interp;shading interp会对每个网格单元做双线性颜色插值，出来的视觉效果比shading flat细腻很多，尤其适合效率MAP这种渐变数据。
3.2 等效率线的叠加逻辑与层级控制
光有云图还不够，工程上还要叠等效率线。比如判断95%高效区的边界在哪、高效区是否覆盖常用巡航工况，这时候就需要contour叠加在pcolor之上。
contour和contourf的选择逻辑要分清：
contourf画的是填充等高线，如果叠在pcolor上，它会用色块覆盖掉底下的云图，除非设透明度，否则会遮住底层信息，一般不用于叠加场景。contour只画线条，不填充，适合叠加在pcolor上。我的标准做法是：
hold on; [C, hContour] = contour(R_vec, T_vec, E_grid, [80, 85, 90, 92, 94, 95, 96], 'k', 'LineWidth', 0.8); clabel(C, hContour, 'FontSize', 8, 'Color', [0.3 0.3 0.3], 'LabelSpacing', 250);clabel是自动标注等高线数值的函数，LabelSpacing参数控制标注沿曲线的间隔，单位是点。我设250左右，标注不会太密也不会太疏。等高线的线条颜色用黑色，线宽0.8，既不喧宾夺主又能清晰读值。如果你觉得全黑线条太沉闷，也可以用深灰色。
3.3 配色方案决定图的“可读性”，这几个colormap值得反复用
电机MAP这类的数据，配色方案是有讲究的。默认的parula比较均衡，蓝到黄，但从工程阅读习惯来说，我更偏向用jet系列加限制，或者用新版Matlab推荐的turbo。
turbo：Matlab R2020b之后的turbo色图，颜色分布均匀，视觉上比jet柔和，高亮区域不刺眼。作为效率MAP的默认选择没问题。jet：经典彩虹色，红橙黄绿青蓝紫，从低到高直觉对应“冷到热”。但jet有个毛病——颜色亮度不单调，红和蓝两端亮度反而高，中间绿色亮度低，人眼对颜色的感知不均匀。做报告用jet会被视觉设计师吐槽，如果你只给自己看，倒是无所谓。parula：Matlab默认色图，蓝黄渐变，色觉障碍人士也能分辨。但用在效率MAP上，蓝色低效率区域和黄色高效率区域对比度偏弱，尤其在投影上看不清晰。
我测试下来最适合电机效率MAP的是双色拼接colormap：高效率区用红色系（红-橙-黄），低效率区用蓝色系（深蓝-浅蓝），中间白色过渡。这种配色在工程报告里辨识度极高。实际实现是用colormap函数拼接两个色彩空间，或者用ColorThreshold做一个自定义色图。
% 自定义双色colormap：白-蓝渐变 + 白-红渐变 cmap_blue = [linspace(1, 0.2, 64)', linspace(1, 0.4, 64)', linspace(1, 0.8, 64)']; cmap_red = [linspace(1, 0.9, 64)', linspace(0.8, 0.2, 64)', linspace(0.8, 0.2, 64)']; cmap = [cmap_blue; cmap_red(2:end, :)]; colormap(cmap);这段代码的意思是：前半段从纯白渐变到深蓝色，后半段从纯白渐变到深红色。这样效率从低到高，颜色由蓝变白再变红，中间白区分明，一眼就能看出高效区。这个配色我用了很久，贴到任何报告里都显得专业。
4. 一套代码画出“任何类型的数据”：从电机MAP到电池、NVH数据的通用化设计
写一套程序最忌“画死了”——就是代码只适配电机效率数据，换个数据源就要大改。所以在设计阶段就要想好通用化策略。我这套程序的接口参数如下，基本做到了数据类型无关。
4.1 通用绘图函数的接口设计
function hFig = plot_map_2d(R_vec, T_vec, Z_mat, varargin) % 通用二维色图绘制（MAP图） % 输入参数： % R_vec - X轴坐标向量（例如转速） % T_vec - Y轴坐标向量（例如转矩） % Z_mat - Z值矩阵，维度为 length(T_vec)×length(R_vec) % 可选参数（Name-Value形式）： % 'zlabel' : Z轴标签，默认 'Z' % 'xlabel' : X轴标签，默认 'X' % 'ylabel' : Y轴标签，默认 'Y' % 'title' : 图标题，默认空 % 'levels' : 等高线层级向量，默认 [80 85 90 92 94 95 96] % 'clabel' : 是否显示等高线标注，默认 true % 'cmap' : colormap名称或自定义矩阵，默认 'turbo' % 'nan_color': 数据为NaN区域的填充颜色，默认 [1 1 1] % 'xscale' : 'linear' 或 'log'，默认 'linear' % 'mask_threshold' : 低于该阈值的区域置为NaN（可选项）这里想重点说的是mask_threshold参数的设计。电机MAP图里，转矩为零附近（或外特性边界外）实际上没有稳态工况点，这些区域往往是插值出的“空数据”。如果你不做遮盖，图上会出现一大片低效率的蓝色，甚至影响色标的自动范围。所以我在通用接口里加了阈值遮盖功能：效率低于某个值时，把对应位置设置为NaN，绘图时自动变成白色（或指定颜色）。这样画出来的图只显示有效工况区，干净利落。
4.2 数据规范化：自动识别数据的“真实范围”，避免色标误导
imagesc和pcolor都能自动根据数据的最大最小值映射颜色，但这里有个大坑——如果数据里有几个离群异常点（比如某个工况点的效率因为传感器跳变显示成120%），整个色标范围会被拉大，导致正常区域的颜色对比度被严重压缩。
我的通用程序在绘图中加入了两个处理逻辑：
- 物理范围截断。比如效率数据，把超过100%的值硬截断为100%，把低于0%的硬截断为0%。这个操作在物理上是合理的，因为效率不可能超出这个范围。
- 色标范围可调。通过
caxis（新版用clim）把色标范围固定在用户指定的区间内。比如渲染效率图时，我通常把色标范围设在50到100之间，低于50的统统一片蓝。这样高效区与低效区的色差能拉到最大，读图效率明显提升。
% 数据规范化（以效率为例） Z_mat(Z_mat > 100) = 100; Z_mat(Z_mat < 0) = 0; % 设置色标范围 clim([50, 100]);4.3 从效率MAP到损耗MAP：同一套代码的完整切换
这套通用程序我实际用过的场景包括：电机效率MAP、电机损耗MAP、电池内阻MAP（SOC-温度平面）、逆变器IGBT损耗MAP、减速器效率MAP，甚至还有座椅加热的温升云图。每种的差异只在坐标标签、色标专业着色的含义、以及色标范围。
比如画电池内阻MAP时，X轴不是转速而是SOC（荷电状态），Y轴是温度，Z轴是内阻值（mΩ），我只需要改一下函数调用的标签和色标范围，代码主体完全不用动。反过来，画电机损耗MAP时，Z值是损耗功率（单位kW），数值越小越好，那就要把色标范围倒过来设，或者把colormap翻转方向。
通用化的核心收益是：你只需要维护一份经过充分测试的绘图代码，质量稳定可靠，换数据源时不用重新画一遍、重新调一遍格式。对于经常要出图写报告的人来说，这能省下大量时间。
5. 高级美化技巧：外特性曲线、色标设置和图片导出
基础MAP图画出来了，但要让它达到“直接上传到系统、直接投进PPT”的水平，还得加几个工程上的“定制化”元素。其中最重要的就是电机外特性曲线的叠加和色标设计。
5.1 外特性曲线叠加：让转速-转矩工作区边界清晰可见
电机MAP图通常都要叠外特性曲线。外特性曲线是指电机在不同转速下能输出的最大转矩（峰值转矩），是电机工作区域的物理边界。没有这条线，光看图你会以为整个矩形区域内电机都能正常工作，但实际上矩形区域的左上角（高转矩低转速）和右下角（高转速低转矩）往往是不允许运行的。
叠加方法很简单，前提是你要有外特性数据（转速序列和对应转矩上限），然后直接plot上去：
% 外特性曲线数据（示例：峰值转矩曲线） R_ext = [0, 1000, 2000, 3000, 4000, 5000, 6000, 7000, 8000, 9000, 10000]; T_ext = [300, 300, 300, 300, 280, 240, 200, 160, 130, 100, 70]; hold on; plot(R_ext, T_ext, 'k-', 'LineWidth', 2.5); plot(R_ext, -T_ext, 'k-', 'LineWidth', 2.5); % 电动工况和发电工况对称 hold off;如果你的电机有发电工况（转矩为负），就画负转矩外特性。有时候还要叠加峰值功率限制曲线（双曲线形状），同样用plot画上去就行。外特性曲线的线宽设置成2.5，比等高线更粗，主次分明。
5.2 色标与刻度：别让colorbar的数值“完全自动”
colorbar是MAP图的灵魂，但颜色条上显示的内容往往被很多人忽略。默认的colorbar显示的刻度是线性分布的，但效率图的色标从50到100，只有50个单位的跨度，Matlab自动会切成5个刻度：50、60、70、80、90、100。看起来还行，但如果你想强调95%以上是高效区，建议手动指定刻度。更精细的做法是：在colorbar上用一条黑色横线或者用text标注出关键阈值，比如“95%高效区”。
% 手动控制colorbar cb = colorbar; cb.Label.String = '效率(%)'; cb.Label.FontSize = 10; % 设置刻度到指定数值 cb.Ticks = [55, 60, 65, 70, 75, 80, 85, 90, 92, 94, 95, 96, 97]; cb.TickLabels = {'55','60','65','70','75','80','85','90','92','94','95','96','97'};另一个实用技巧是给色标设置“非线性映射”。比如效率数据集中分布在85到97之间，如果你线性映射到色标上，这个区间的颜色过渡不够明显。可以用pcolor里传入一个经过非线性拉伸的Z值矩阵来绘图，但把刻度标签还原成真实值。这样能夸大关注区间的颜色变化，不过做这种图时要格外小心，如果看图的人不知道坐标是非线性映射的，会误读数据，所以我在实际报告中一般不用，除非特别说明。
5.3 图形导出：直接输出高清图片，避免另存为时画质缩水
在Matlab里画完图，很多人喜欢直接点figure窗口的“保存”，这样出来的图清晰度往往不够，尤其是往Word或PPT里贴的时候，会出现毛边与锯齿。我推荐的导出方案是：
% 设置导出尺寸与分辨率 set(gcf, 'PaperPositionMode', 'auto'); set(gcf, 'Position', [100 100 800 600]); print(gcf, '图1_电机效率MAP.png', '-dpng', '-r300');-r300指定DPI为300，做印刷或高清汇报足够了。如果你想要矢量图以备后续在矢量编辑软件中加工，就用-depsc或-dsvg。注意：导出之前在figure窗口里先set(gcf,'Color','w')把背景设为白色，否则默认浅灰色背景会留一圈难看的边框。
6. 边界问题与异常数据处理：画出“干净图”的最后一道防线
到这里，绘制主流程已经完整了，但还有一类问题几乎每个用过我这套程序的人都会遇到——异常数据的处理。这部分单独拿出来说，因为处理不好，会直接影响成图质量，甚至误导决策。
6.1 测试数据里的“坑点”：空值、跳变值、超界值怎么办
台架实测的MAP数据里，经常会出现三类脏数据：
空值（NaN）。由于测点缺失、传感器故障或者外特性边界外区域未测量，数据文件里会有大量NaN。如果直接绘图，pcolor会把NaN显示成空洞，contour碰到NaN可能会断裂。最稳妥的做法是：在插值阶段就处理掉NaN——把NaN数据点剔除后再scatteredInterpolant，而不是把NaN直接扔给插值函数。插值后网格上仍然可能残留NaN（远超出测量范围导致的），这些让它们保持NaN即可，绘图时会自动以白色或透明显示。
跳变值。某个点的效率突然从90%掉到60%，又马上恢复到90%，这通常不是真实物理现象，而是传感器信号干扰或台架数据采集丢帧。处理方式很简单：用滑动中值滤波或者设置一个合理的变化阈值，超过阈值的点置为NaN。但这步操作要谨慎，有些真实的“低效点”（比如电机在零转矩附近，效率确实很低）也是跳变式的，不能一棍子打死。
超界值。效率超过100%、转矩超过电机峰值、转速为负等，这些数据明显违背物理规律，直接在预处理阶段将超界值截断或剔除。效率值超过110%的肯定是错误数据，效率值在100%-105%之间的有可能是测量误差，可以保留并截断到100%。
6.2 MATLAB的版本兼容性问题（2020b/2021a/2022b）
写这套程序时，我特意考虑了Matlab版本兼容性。几个关键函数在不同版本间的差异要注意：
climvscaxis：Matlab R2022a之后推荐用clim，老版本用caxis。为了兼容，可以在程序里做一次判断：if exist('clim', 'file')， clim([...]); else caxis([...]); end。turbo函数在R2020b以上版本才有，老版本用jet代替。scatteredInterpolant比griddata性能好，但从R2013a起才替代老接口，如果你还在用祖传的R2010b，那就只能用griddata了。
另外特别提醒：如果你的Matlab是32位老版本，处理大数据量时可能内存溢出。MAP图矩阵一般不大（几百×几百），但如果你做高分辨率渲染，比如2000×2000的网格，pcolor会非常吃力。这种时候可以用imagesc代替pcolor——imagesc直接按矩阵像素绘制，速度快很多，唯一的缺点是坐标轴和矩阵行列需要手动对齐，而且imagesc默认Y轴方向是从上到下，需要set(gca,'YDir','normal')翻转。
6.3 用NaN遮盖外特性之外的区域，让图更“诚实”
最后还得强调一下NaN遮盖的重要性。电机MAP图有个特殊之处：矩形网格区域内，有很大一部分（外特性曲线之外）是物理上无法达到的工作点。如果不做遮盖，这些区域会被插值算法造出一堆不存在的效率数据，图上会出现大片蓝色或绿色，极大地误导看图的人。
正确做法是：在画图前，生成一个和外特性边界匹配的布尔掩膜（mask），把外特性边界之外的网格点全部置为NaN。这个掩膜可以通过inpolygon函数实现：
% 生成外特性边界内的掩膜 [R_grid, T_grid] = meshgrid(R_vec, T_vec); % 上下边界曲线（正转矩和负转矩） boundary_upper = interp1(R_ext, T_ext, R_vec, 'linear', 'extrap'); boundary_lower = -boundary_upper; mask = (T_grid <= boundary_upper) & (T_grid >= boundary_lower); E_grid(~mask) = NaN;执行这步之后，图上的外特性边界之外的区域都会变成白色，只有真实可运行的工况区有颜色。这是电机MAP图最标准的画法，也是“专业感”的最大来源。很多学弟学妹画的图一眼看上去就是“业余感”，归根结底就是少了这个掩膜处理。
7. 完整实战示例：从散点测试数据到成品MAP图
理论讲了一堆，这里给一个完整、可直接复制运行的示例程序。数据是模拟的，但数据结构和真实台架测试一致，你可以用自己的测试数据直接替换。
%% 模拟测试散点数据（实际使用时替换为台架数据） rng(42); R_raw = []; T_raw = []; E_raw = []; % 模拟外特性 R_ext = [0, 1000, 2000, 3000, 4000, 5000, 6000, 7000, 8000, 9000, 10000]; T_ext = [300, 300, 300, 300, 280, 240, 200, 160, 130, 100, 70]; % 生成散点：在外特性内随机生成测点 for i = 1:500 r = rand * 10000; t_max_here = interp1(R_ext, T_ext, r, 'linear', 'extrap'); t = (rand * 2 - 1) * t_max_here * 0.95; % 测点落在边界内 eff = 90 - 5 * (r / 10000) - 0.005 * abs(t - 100); % 构造效率模型 R_raw(end+1) = r; %#ok<SAGROW> T_raw(end+1) = t; %#ok<SAGROW> E_raw(end+1) = eff + randn * 2; %#ok<SAGROW> 加噪声 end %% 核心步骤1：生成目标网格 R_vec = unique(round(R_raw / 500) * 500); % 按500rpm取整 T_vec = unique(round(T_raw / 20) * 20); % 按20Nm取整 [R_grid, T_grid] = meshgrid(R_vec, T_vec); %% 核心步骤2：散点插值 F = scatteredInterpolant(R_raw(:), T_raw(:), E_raw(:), 'linear', 'none'); E_grid = F(R_grid, T_grid); %% 核心步骤3：外特性掩膜 boundary_upper = interp1(R_ext, T_ext, R_vec, 'linear', 'extrap'); mask = (T_grid <= boundary_upper) & (T_grid >= -boundary_upper); E_grid(~mask) = NaN; %% 核心步骤4：边缘补点 R_plot = [R_vec(1) - 500, R_vec, R_vec(end) + 500]; T_plot = [T_vec(1) - 20, T_vec, T_vec(end) + 20]; E_plot = NaN(length(T_plot), length(R_plot)); E_plot(2:end-1, 2:end-1) = E_grid; E_plot(2:end-1, 1) = E_grid(:, 1); E_plot(2:end-1, end) = E_grid(:, end); E_plot(1, 2:end-1) = E_grid(1, :); E_plot(end, 2:end-1) = E_grid(end, :); %% 核心步骤5：绘图 figure('Color', 'w', 'Position', [100 100 900 650]); h = pcolor(R_plot, T_plot, E_plot); set(h, 'EdgeColor', 'none'); shading interp; colormap(turbo); clim([50 100]); hold on; % 等高线 [C, hC] = contour(R_vec, T_vec, E_grid, [80 85 90 92 94 95 96], 'k', 'LineWidth', 0.8); clabel(C, hC, 'FontSize', 8, 'Color', [0.2 0.2 0.2], 'LabelSpacing', 200); % 外特性曲线 plot(R_ext, T_ext, 'k-', 'LineWidth', 2.5); plot(R_ext, -T_ext, 'k--', 'LineWidth', 2.5); hold off; % 坐标轴与标签 xlabel('转速 (rpm)', 'FontSize', 11); ylabel('转矩 (Nm)', 'FontSize', 11); title('电机效率MAP图', 'FontSize', 12); set(gca, 'FontSize', 10, 'Box', 'on'); cb = colorbar; cb.Label.String = '效率 (%)'; cb.Label.FontSize = 10; cb.Ticks = [55 60 65 70 75 80 85 90 92 94 95 96 97]; % 导出 print(gcf, '电机效率MAP.png', '-dpng', '-r300');这段代码我实测可以直接运行，生成一张带等高线、外特性边界、边缘补点、纳米遮盖的标准电机效率MAP图。你只需要把数据替换成实际的台架数据或仿真数据即可。
8. 进阶扩展思路与我的最终实操体会
画电机MAP图这件事，表面上是个绘图技巧，实质上是个数据处理思维问题。不少人把精力全花在“怎么让颜色更好看”上，却忽略了图的工程语义是否准确。我后期写程序时，越来越觉得几个细节最重要：
一是色标范围要固定。同一台电机的方案对比，两张图的色标范围如果不一致，视觉上根本没法比。我习惯统一设成50到100，哪怕某张图的高效区范围很小。二是外特性边界必须画。没有边界线的MAP图在技术评审时会被质疑“这图到底哪些点能用？”三是网格匹配实测点。不要无脑加密网格，原始测点密度决定了图的真实分辨率。
对于还想进一步扩展的读者，可以往这几个方向尝试：把这套绘图程序封装成函数库，批量处理多种工况的MAP数据，自动命名输出文件，做成流程化报告工具；或者在Map图基础上叠加运行工况点，比如把NEDC、WLTC循环的工况点描在同一张效率MAP上，用颜色深浅表示该工况点的频次权重，就能直观看出电机的效率设计是否匹配了目标工况；也可以写一个简单的GUI界面，通过滑条调节色标范围、等高线层级等参数，方便不会改代码的同事自己出图。
最后分享一个我个人的小习惯：出图之前，永远先跑一遍min(Z_mat(:))和max(Z_mat(:))，确认数据范围合理，再决定色标范围。这一步看起来多余，但真的能挡住一半以上的低级错误。有一次我拿到一批测试数据没检查范围就画图，结果图上出现一片诡异的亮黄色，查了半天才发现是某个测点的效率值是114，传感器接线问题导致跳变。从那以后，数据范围检查成了我画图的固定动作。希望这篇分享能帮你少走这些弯路，直接画出能上会的专业MAP图。
本文还有配套的精品资源，点击获取
