1. 项目概述从标题拆解MPC建模的核心脉络看到这个标题很多刚接触模型预测控制的朋友可能会有点懵又是离散又是连续还有线性和非线性到底该怎么选这其实恰恰点出了MPC建模的精髓所在——它不是一套固定的公式而是一个灵活的框架其核心在于如何用数学模型来描述你所要控制的系统。我干了十多年控制相关的项目从机械臂到化工过程都摸过可以负责任地说选对模型形式是MPC项目成功的一半另一半则在于如何高效地求解这个模型所定义的优化问题。今天我就结合Matlab这个工控领域和学术界最常用的工具来彻底讲清楚这几种模型形式该怎么用以及背后的“为什么”。简单来说模型预测控制的核心思想可以用“三步走”来概括预测、优化、滚动。控制器在每个控制周期都会基于当前系统的状态利用内部模型预测未来一段时间内系统的行为然后求解一个优化问题计算出一系列能使得预测行为最接近我们期望轨迹的控制指令最后只实施计算出的第一个控制指令到下一个周期重复这个过程。而这里面的“内部模型”就是标题中提到的离散、连续、线性或非线性模型。它们定义了“预测”这一步的准确度也直接决定了“优化”这一步的计算复杂度和能否实时求解。用Matlab来实现能让我们快速搭建原型验证想法而无需一开始就陷入底层代码的泥潭。2. 核心思路为何模型形式的选择是MPC的基石在动手写代码之前我们必须想清楚面对一个具体的被控对象比如一台电机、一个反应釜或者一辆无人车我该用哪种模型这个选择不是随意的它基于你对物理过程的理解、对实时性的要求以及对计算资源的考量。2.1 连续 vs. 离散时间维度的刻画这是一个根本性的选择关系到你如何描述系统的动态。连续时间模型通常用微分方程组来描述形式如dx/dt f(x, u)。它认为系统的状态是随时间连续变化的。这种描述最贴近大多数物理、化学过程的本质。例如描述一个RC电路电容电压的变化或者一个弹簧质量阻尼系统的位移其自然形式就是微分方程。离散时间模型通常用差分方程组来描述形式如x(k1) f(x(k), u(k))。它只关心系统在等间隔采样时刻k, k1, ...的状态。这是数字控制器如PLC、微处理器实际工作的方式因为计算机只能处理离散的数据点。为什么选择离散模型因为我们的MPC算法最终是在数字计算机上运行的。优化问题需要在每个采样周期内求解完毕离散模型天然适配这个框架。在Matlab中我们通常先建立连续模型如果物理原理更清晰然后通过离散化方法如零阶保持器ZOH、一阶保持器FOH或Tustin变换将其转化为离散模型供MPC求解器使用。c2d函数就是干这个的。为什么有时仍需考虑连续模型在系统分析、控制器设计如基于连续时间的状态反馈设计以及使用某些高级的、能直接处理连续时间约束的优化求解器时连续模型仍然是基础和出发点。对于采样周期非常短的系统连续模型能提供更精确的动态描述。2.2 线性 vs. 非线性动态关系的复杂度这是另一个维度的选择决定了优化问题的难度。线性模型动态函数f(x, u)是状态x和控制输入u的线性组合。形式简单如x(k1) A*x(k) B*u(k)。其带来的最大好处是如果优化目标也是二次型的比如最小化跟踪误差和控制量的变化那么整个MPC问题就变成一个二次规划问题。QP问题是凸优化问题存在高效、可靠的求解算法如内点法、有效集法能保证实时求解并找到全局最优解。Matlab的Model Predictive Control Toolbox主要就是为线性MPC设计的因为它稳定高效。非线性模型动态函数f(x, u)包含非线性项。例如空气动力学中的阻力与速度平方成正比化学反应速率与温度呈指数关系。非线性模型能更精确地描述系统在大范围工况下的行为。但代价是对应的优化问题变成了非线性规划问题。NLP问题通常是非凸的求解速度慢可能陷入局部最优实时性挑战极大。如何选择—— 一个实用的工程权衡首选线性模型只要系统在工作点附近运行且线性化模型能足够近似其动态就绝对应该用线性MPC。99%的工业应用场景如过程控制中的液位、温度、压力控制都属于此类。它的可靠性是经过工业界几十年验证的。考虑线性变参数模型如果系统非线性体现在其参数随工作点缓慢变化如飞行器在不同空速下的动力学可以采用LPV模型在不同工作点设计多个线性MPC控制器并调度这比直接处理非线性要简单。不得已才用非线性MPC只有当系统必须在很大的状态范围内运行且非线性效应至关重要时如赛车在极限工况下的操控、无人机完成翻滚特技才需要考虑非线性MPC。这时需要更强大的求解器如fmincon结合梯度信息和更高的计算硬件。注意不要为了“高级”而强行使用非线性MPC。一个精心设计的、基于精确线性化模型的线性MPC其性能和可靠性往往远超一个求解不稳定、调参困难的非线性MPC。工程上简单可靠就是美。3. 在Matlab中构建MPC模型从理论到代码框架理解了模型形式的选择逻辑我们来看在Matlab中如何具体构建它们。这里我不会给出一个可以无脑粘贴的“万能代码”因为模型本身取决于你的系统。我会给出每种模型类型的核心代码框架和关键函数你需要填入自己系统的具体参数。3.1 线性模型离散时间的构建与MPC设计这是最标准、最常用的流程。假设我们已经有了一个线性连续模型或者通过系统辨识得到了离散模型。步骤1定义系统模型假设我们有一个二阶系统比如一个简单的质量块-弹簧-阻尼系统其连续状态空间模型为% 系统参数 m 1.0; % 质量 (kg) b 0.5; % 阻尼系数 (N*s/m) k 1.0; % 弹簧刚度 (N/m) % 连续时间状态空间模型dx/dt Ac*x Bc*u % 状态 x [位置; 速度] Ac [0, 1; -k/m, -b/m]; Bc [0; 1/m]; Cc [1, 0]; % 我们观测位置 Dc 0; sys_continuous ss(Ac, Bc, Cc, Dc);步骤2离散化为MPC设计我们需要离散化模型。选择合适的采样时间Ts至关重要通常取系统主要时间常数的1/10到1/20。Ts 0.1; % 采样时间 (秒) sys_discrete c2d(sys_continuous, Ts, zoh); % 使用零阶保持器离散化 [A, B, C, D] ssdata(sys_discrete);步骤3使用MPC工具箱设计控制器这是最便捷的方式。我们需要定义MPC控制器的结构参数。% 创建MPC控制器对象 mpcobj mpc(sys_discrete, Ts); % 设置预测时域和控制时域 mpcobj.PredictionHorizon 20; % 预测未来20步 mpcobj.ControlHorizon 5; % 优化未来5步的控制量之后保持恒定 % 设置约束这是MPC的核心优势之一 mpcobj.MV.Min -2; % 控制输入最小值 mpcobj.MV.Max 2; % 控制输入最大值 mpcobj.MV.RateMin -0.5; % 控制输入变化率最小值 mpcobj.MV.RateMax 0.5; % 控制输入变化率最大值 mpcobj.OV.Min -10; % 输出位置最小值 mpcobj.OV.Max 10; % 输出位置最大值 % 调整权重平衡跟踪性能与控制量大小/变化 mpcobj.Weights.OV 1; % 输出跟踪误差的权重 mpcobj.Weights.MV 0.1; % 控制输入大小的权重抑制过大控制 mpcobj.Weights.MVRate 0.01; % 控制输入变化率的权重使控制更平滑 % 查看控制器信息 disp(mpcobj)步骤4仿真验证使用sim命令进行闭环仿真。Tf 10; % 仿真总时间 r 5; % 参考信号设定点 [y, t, u] sim(mpcobj, Tf, r); % 然后可以绘制 y, u 的曲线来观察跟踪性能和控制器行为3.2 非线性模型的处理策略非线性MPC在Matlab中没有像线性MPC那样“一键式”的工具箱。通常有两种策略策略一基于线性化模型的近似MPC推荐先尝试在每个采样时刻在当前工作点(x_k, u_k)对非线性模型进行线性化得到一个时变的线性模型然后在线求解一个QP问题。这可以借助nlmpc对象或自己实现。% 假设我们有一个非线性状态更新函数 myStateFcn(x, u) % 1. 定义非线性MPC对象 nlobj nlmpc(nx, ny, nu); % nx状态数 ny输出数 nu输入数 nlobj.Ts Ts; nlobj.PredictionHorizon 10; nlobj.ControlHorizon 3; % 2. 指定模型函数和雅可比矩阵用于线性化 nlobj.Model.StateFcn myStateFcn; nlobj.Model.OutputFcn (x,u) x(1); % 假设输出是第一个状态 % 提供雅可比函数可以显著提高求解速度和精度 nlobj.Jacobian.StateFcn myStateJacobianFcn; % 3. 设置约束和权重类似线性MPC nlobj.MV(1).Min -1; nlobj.MV(1).Max 1; nlobj.Weights.OutputVariables 1; nlobj.Weights.ManipulatedVariablesRate 0.05; % 4. 在线优化循环伪代码框架 x x0; % 初始状态 for k 1:NumSteps % 测量或估计当前状态 x % 计算当前控制量 [u, info] nlmpcmove(nlobj, x, lastmv, ref); % 将 u 施加给被控对象 % 更新状态 x (通过仿真或实际系统) lastmv u; % 记录上一时刻控制量 end策略二直接使用优化工具箱求解NLP对于更一般或自定义的非线性优化问题可以直接使用fmincon。你需要自己构造目标函数和约束函数。% 定义优化问题 fun (U) myCostFunction(U, x_current, ref_trajectory); % 目标函数 nonlcon (U) myNonlinearConstraintFunction(U, x_current); % 非线性约束 % 设置优化选项和初始猜测 U0 zeros(ControlHorizon*nu, 1); options optimoptions(fmincon, Display, iter, Algorithm, sqp); A []; b []; Aeq []; beq []; % 线性约束如有 lb -1 * ones(size(U0)); ub 1 * ones(size(U0)); % 在线求解 [U_opt, fval] fmincon(fun, U0, A, b, Aeq, beq, lb, ub, nonlcon, options); u_apply U_opt(1:nu); % 取第一个控制量实施这种方法最灵活但也最难需要对优化理论和系统动力学有深刻理解且实时性最难保证。3.3 连续时间模型在MPC中的角色在标准的离散时间MPC框架下连续时间模型主要作为前文提到的“离散化”步骤的起点。但在一些高级应用或理论研究里你可能需要处理连续时间MPC问题即优化问题的变量是连续时间函数。这在Matlab中通常通过直接转录法实现将连续时间问题通过数值积分和配点法如正交配置法离散化为一个大规模的非线性规划问题然后用fmincon等求解器离线求解。这更多用于轨迹规划如机器人、航天器而非实时控制。一个常用的工具箱是GPOPs-II但它不是Matlab自带的。4. 实操要点与核心参数选择经验理论懂了框架有了真正做项目时下面这些经验能帮你省下大量调试时间。4.1 采样时间Ts的选择这是第一个关键参数。太大会丢失系统动态细节导致控制性能差甚至不稳定太小则计算负担过重可能无法在一个周期内完成求解。经验法则取系统开环响应上升时间或主导时间常数的1/10 ~ 1/20。考虑执行器带宽Ts应远小于执行器如电机、阀门的响应时间。考虑计算能力在满足性能的前提下尽可能取较大的Ts给优化求解留足时间。可以先在仿真中测试不同Ts下的控制效果。4.2 预测时域P与控制时域M预测时域P需要预测得足够远以“看到”当前控制动作的长期后果。通常P应覆盖系统的主要动态响应时间。例如对于一个阶跃响应在20秒后进入稳态的系统P*Ts应该大于20秒。太短的P会导致控制器短视可能不稳定。控制时域M通常小于等于P。M越小优化问题自由度越低计算量越小但控制器可能不够“积极”M越大控制更灵活但计算量呈指数增长。一个常见的起始点是设M为P的1/3到1/2。对于简单的稳定系统M1即单步优化有时也有效这退化为某种形式的最优控制。4.3 权重矩阵的调节权重决定了控制器在“跟踪精度”、“控制量大小”和“控制平滑度”之间的权衡。输出权重Q(或Weights.OV)增大它控制器会更努力地减小跟踪误差但可能导致控制量过大或振荡。控制输入权重R(或Weights.MV)增大它会抑制控制量的幅值使控制更“温和”但跟踪可能变慢。控制输入变化率权重S(或Weights.MVRate)增大它会迫使控制量变化更平滑对执行器有保护作用但会降低系统的快速响应能力。调节心法开始时设R和S为一个很小的正数如1e-6Q设为1先保证跟踪。如果观察到控制量u幅值过大或频繁饱和逐步增大R。如果控制量u抖动剧烈逐步增大S。如果响应太慢在增大Q的同时可以尝试减小R和S。始终在仿真中观察控制量u和输出y的曲线权重调节是一个反复迭代的工程过程。4.4 约束的处理约束是MPC的灵魂。设置时需注意可行性约束不能设得太紧以至于在任何情况下都不存在可行的控制序列这会导致优化问题无解。Matlab MPC工具箱在这种情况下会返回一个“软化约束”的解或错误需要你调整约束或启用软约束。软约束对于输出约束尤其是安全约束可以考虑设置为软约束。这允许在极端情况下轻微违反约束但会在目标函数中施加一个很大的惩罚从而保证优化问题总有解。在MPC工具箱中可以通过mpcobj.OV(1).MinECR等属性来设置约束软化优先级。终端约束/终端代价对于稳定性理论分析很重要但在许多实际工程应用中只要预测时域P足够长即使没有显式的终端约束MPC也能稳定工作。这是工程实践与理论的一个简化点。5. 常见问题排查与调试技巧实录在实际编码和仿真中你肯定会遇到各种问题。下面是我踩过坑后总结的一些排查思路。5.1 仿真时系统发散或不稳定检查模型准确性这是首要原因。用阶跃响应或对比开环仿真验证你的离散模型(A,B,C,D)是否真实反映了系统动态。一个错误的模型再好的MPC也救不了。检查采样时间TsTs过大是导致离散化模型失稳的常见原因。尝试减小Ts。检查预测时域PP太短控制器看不到远期的负面效应可能采取激进的不稳定策略。尝试增大P。检查权重R权重过小可能导致控制过强激发系统的高频未建模动态引发震荡。适当增大R或S。检查约束过于激进的约束可能导致控制器在每个周期都“走投无路”产生振荡。放松约束或启用软约束。5.2 优化求解失败或耗时过长线性MPC (QP问题)问题不可行检查约束是否自相矛盾如Min Max或在当前状态下确实无解。观察mpcobj的Optimizer状态。求解器选项尝试更改MPC工具箱底层的QP求解器。mpcobj.Optimizer.Solver可以设置为active-set或interior-point。对于中小规模问题active-set通常更快大规模稀疏问题interior-point可能更优。非线性MPC (NLP问题)初始猜测太差给求解器fmincon或nlmpcmove一个更好的初始控制序列猜测例如上一时刻的最优解去掉第一个补上一个零或保持最后的值。提供解析梯度/雅可比这是加速非线性优化最关键的一步。自己编写目标函数和约束函数对状态和控制的导数函数并通过optimoptions或nlobj.Jacobian指定给求解器能极大提升速度和收敛性。简化问题减小M和P或者放松约束。调整求解器参数增加最大迭代次数MaxIterations减小最优性容差OptimalityTolerance和约束违反容差ConstraintTolerance。5.3 控制性能不佳超调大、响应慢调整权重这是性能微调的主要手段。增大Q可以加快响应但可能增大超调增大S可以减少超调但会减慢响应。需要折中。引入参考预览如果未来的参考信号是已知的如规划好的轨迹在MPC中引入参考预览功能可以让控制器提前准备显著改善跟踪性能。在MPC工具箱中可以通过设置mpcobj.Model.Disturbance或使用mpcmove函数的扩展语法来实现。考虑模型误差与扰动如果模型存在误差或有未知扰动单纯的MPC可能表现不佳。此时需要结合状态估计器如卡尔曼滤波器来获取更准确的状态反馈或者设计一个扰动观测器来估计并补偿扰动。5.4 从仿真到实际系统的部署问题计算延时仿真中假设计算瞬时完成但实际控制器求解优化需要时间。这引入了计算延时可能影响稳定性。解决方案1) 使用更快的硬件或简化模型2) 在MPC问题中显式考虑计算延时例如使用增广状态3) 采用“提前一步计算”的策略。模型失配实际系统与模型总有差异。需要鲁棒性设计。可以考虑在MPC设计中加入鲁棒稳定性的考虑如Tube MPC。采用自适应MPC在线更新模型参数。在目标函数中增加对模型不确定性的惩罚项保守设计。执行器饱和与非线性模型中的线性部分可能无法准确描述执行器的饱和、死区等非线性。在仿真中必须在被控对象模型前加入真实的执行器饱和模型进行测试。MPC自身的输入约束可以部分处理饱和问题。6. 进阶话题不同模型形式的混合使用与扩展在实际复杂系统中我们常常需要混合使用这些模型形式。6.1 线性变参数模型对于工作点变化较大的系统可以在多个平衡点进行线性化得到一组线性模型{A_i, B_i}。MPC在每个采样时刻根据当前调度变量如速度、温度选择一个最接近的模型或者在线性模型之间进行插值。这比全局非线性MPC简单又能处理一定范围内的非线性。Matlab的LPV System相关工具箱可以支持这类设计。6.2 Hammerstein-Wiener 等块结构非线性模型有些系统的非线性是静态的如执行器的饱和、传感器的非线性标定动态部分仍然是线性的。这时可以采用Hammerstein输入非线性线性动态或Wiener线性动态输出非线性模型。MPC可以针对中间的线性动态部分设计而将静态非线性块作为已知的变换处理从而简化问题。6.3 数据驱动的模型基于神经网络的MPC当系统机理过于复杂难以建模时可以使用神经网络来学习系统的离散时间动态x(k1) NN(x(k), u(k))。然后将这个神经网络模型作为预测模型嵌入到MPC框架中。这就是神经网络MPC。挑战在于如何保证嵌入NN的优化问题的可解性和实时性以及NN模型的可靠性。Matlab的Deep Learning Toolbox和Model Predictive Control Toolbox可以结合使用进行探索。最后我个人最大的体会是MPC是一个强大的工具但它的成功极度依赖于模型的质量。花在系统建模和辨识上的时间往往比调试MPC参数的时间更有价值。对于绝大多数工业应用一个准确的线性模型加上精心调节的线性MPC足以解决95%的问题。不要过早追求非线性MPC的复杂性先从最简单的线性模型开始把它用熟、用透理解每一个参数对闭环性能的影响这才是扎实的进阶之路。当你发现线性MPC确实无法满足在极端工况下的性能要求时再带着明确的目的去挑战非线性MPC那时你积累的经验会让你事半功倍。