模型预测控制(MPC)建模全解析：离散/连续与线性/非线性模型在Matlab中的实现

1. 项目概述从标题拆解模型预测控制的建模核心看到“【模型预测控制MPC】使用离散、连续、线性或非线性模型对预测控制进行建模Matlab代码实现”这个标题我第一反应是这几乎涵盖了MPC入门到进阶的所有核心建模场景。很多刚接触MPC的朋友往往被各种论文和教材里“离散时间状态空间”、“连续时间非线性优化”这些术语绕晕不知道从何下手。这个标题的价值在于它直接点出了MPC的灵魂——模型并按照模型在时间和状态上的不同特性清晰地划分了四种建模路径离散、连续、线性、非线性。这就像给你一张地图告诉你无论你的系统是电机、化工过程、机器人还是经济模型都能在这张地图上找到起点。简单来说模型预测控制就是一种“先看几步再走一步”的高级控制策略。控制器内部有一个关于被控对象的数学模型它利用这个模型根据当前的状态预测未来一段时间内系统会怎么走。然后它会在所有可能的未来控制动作中计算出一系列最优的动作序列比如让能耗最低或者让跟踪误差最小但只把第一步的动作真正执行出去。到了下一个时刻重复这个过程用最新的测量值刷新预测滚动向前。所以MPC的性能上限很大程度上就取决于你这个内部模型“像不像”真实系统。标题里的“离散、连续、线性或非线性”就是描述这个模型样貌的关键维度。离散与连续指的是模型在时间维度上的描述方式。如果你的控制器是在数字计算机比如PLC、单片机、工控机上运行的它必然是在离散的时间点上进行采样、计算和输出那么使用离散时间模型就是最自然、最直接的选择。而连续时间模型则更贴近物理世界的本质很多机理模型如微分方程最初都是以连续形式建立的在理论分析和某些高级算法如显式MPC中很有用。线性与非线性则描述了模型本身的性质。线性模型意味着系统的动态行为可以用线性方程如状态空间方程来描述其最大优点是能保证优化问题为凸规划求解快速可靠。而非线性模型则能刻画更复杂的动态如饱和、死区、化学反应动力学等但随之而来的是非凸优化问题求解难度和计算量呈指数级增长。在Matlab中实现这些模型优势非常明显。Matlab提供了从建模Simulink、系统辨识工具箱、到优化求解优化工具箱、Model Predictive Control Toolbox、再到仿真验证的一整套工具链。对于学习和研究而言你可以快速搭建原型对比不同建模方式的控制效果而无需从头编写复杂的优化求解器。接下来我们就深入这四种建模方式的核心看看它们具体如何构建以及在Matlab里怎么玩转。2. 核心思路为何要区分四种模型类型及其应用场景选择哪种模型绝不是拍脑袋的决定它背后是控制需求、系统特性与计算资源之间的精密权衡。理解这背后的“为什么”比记住具体代码更重要。2.1 离散 vs. 连续时间域的数字化抉择离散时间模型是工程实践的绝对主流。原因很简单我们的计算机是数字的。控制器以固定的采样周期Ts运行它在k0,1,2,...这些时刻读取传感器数据状态x_k计算控制量u_k并输出。因此一个离散模型直接描述了状态如何从x_k演进到x_{k1}。例如一个简单的电机速度系统离散线性模型可能是x_{k1} A_d * x_k B_d * u_k其中A_d和B_d是离散化后的系统矩阵。这种模型形式与MPC的预测时域预测未来 N 个采样点天然契合优化问题中的决策变量直接就是未来 N 个控制输入u_k, u_{k1}, ..., u_{kN-1}。注意即使你的物理系统是连续的在实现MPC时也几乎总是需要将其离散化。Matlab的c2d函数就是干这个的。选择采样周期Ts是关键太大会丢失动态细节导致控制性能下降甚至不稳定太小则会急剧增加优化问题的规模预测步数N不变时预测物理时间变短且对计算硬件要求更高。通常Ts应小于系统最快主导时间常数的1/10到1/5。连续时间模型在MPC中通常有两种角色。一是作为“源头”先建立连续模型再离散化用于控制。二是在一些特殊的“连续时间MPC”理论框架中优化问题直接在连续时间上描述求解出的控制律u(t)也是时间连续函数。这更贴近最优控制理论如庞特里亚金最小值原理但求解通常是数值上的硬骨头需要将连续时间问题通过数值方法如直接配点法再次转化为离散问题进行求解。因此对于绝大多数工程应用我们的路径是建立连续时间机理模型 - 离散化 - 设计离散时间MPC。2.2 线性 vs. 非线性在精确与可解之间走钢丝线性MPC是工业界的基石大约占据了90%的应用。它的强大之处在于当模型是线性、且约束也是线性如控制量的上下限时其对应的优化问题是一个**二次规划QP**问题。QP问题是凸优化问题存在成熟、快速、可靠的求解算法如内点法、有效集法甚至有很多专为嵌入式系统设计的QP求解器能在毫秒级时间内求解。这意味着线性MPC可以实现很高的控制频率适用于电机控制、飞行器姿态控制等快速系统。但是线性模型的局限性也很明显它只能在小范围工作点附近准确描述系统。一旦系统运行范围大或者本身固有非线性如化学反应速率与温度的指数关系、机械臂的科氏力和离心力线性模型就会失效导致控制性能恶化甚至失稳。这时就需要非线性模型登场。非线性模型能捕捉更丰富的动态行为理论上可以实现全局最优或更优的控制。但代价是对应的优化问题变成了**非线性规划NLP**问题。NLP问题通常是非凸的可能存在多个局部最优解求解算法如序列二次规划SQP、内点法计算复杂收敛性无法绝对保证且耗时远长于QP。这限制了非线性MPC的应用频率通常用于过程控制如化工反应器、生物发酵、机器人轨迹跟踪等采样周期相对较长的场景。2.3 混合与近似实用的工程智慧在实际中纯粹的线性或非线性MPC之间存在许多折中方案这是工程智慧的体现线性变参数MPC系统在不同工作点线性化得到一组线性模型。MPC在线根据当前工作点切换或插值对应的模型和控制器。这能处理一定程度的非线性且核心仍是QP问题。反馈线性化对于某些特定形式的非线性系统通过数学变换将其整个动态反馈线性化然后对变换后的线性系统设计MPC。序列线性化MPC在每个采样时刻将非线性模型在当前状态轨迹估计处线性化求解一个线性MPCQP问题然后将解作用于系统一小段时间下一时刻重新线性化。这本质上是将非线性优化问题转化为一系列在线QP问题是工程上实现非线性MPC的主流方法之一。理解这些场景你就能明白标题中四种模型的划分实际上是为我们提供了面对不同控制对象时的“武器库”。接下来我们进入实战环节看看在Matlab里如何具体构建这些模型。3. 建模实战在Matlab中构建四种核心预测模型Matlab环境为我们提供了极大的便利。这里我将以同一个物理系统——一个简单的非线性阻尼倒立摆——为例演示如何为其建立离散/连续、线性/非线性模型并简要说明如何用于MPC设计。假设倒立摆的状态为摆角theta和角速度omega控制输入为小车施加的力F。3.1 连续时间非线性模型机理建模这是最基础的起点。根据牛顿力学或拉格朗日方程我们可以推导出系统的微分方程。对于倒立摆其非线性动力学方程通常为(Mm)*ddx - m*l*cos(theta)*ddtheta m*l*sin(theta)*(dtheta)^2 F-m*l*cos(theta)*ddx (Im*l^2)*ddtheta - m*g*l*sin(theta) 0其中x是小车位置theta是摆角M, m, l, I, g分别为小车质量、摆锤质量、摆长、摆锤转动惯量和重力加速度。在Matlab中我们通常用函数来表示这个模型。可以建立一个状态空间模型令状态向量x [theta; omega; x_pos; x_vel]那么状态导数dxdt就是一个关于x和u即F的函数。function dxdt nonlinearPendulumCT(t, x, u, params) % 参数解包 M params.M; m params.m; l params.l; I params.I; g params.g; theta x(1); omega x(2); % 控制力 u 即 F % 构建系数矩阵求解角加速度ddtheta和车加速度ddx % 这里省略具体的代数推导和矩阵求解过程 % 假设通过代数运算得到了 ddtheta 和 ddx 关于 theta, omega, F 的表达式 % 例如 ddtheta f1(theta, omega, F, params); % ddx f2(theta, omega, F, params); ddtheta ...; % 根据上述方程求解 ddx ...; % 状态导数 dxdt [omega; ddtheta; x(4); ddx]; end这个nonlinearPendulumCT函数就是一个连续时间非线性模型的数学描述。它是我们进行仿真、线性化或离散化的基础。3.2 连续时间线性模型在工作点线性化我们通常关心倒立摆在竖直平衡位置theta0, omega0附近的稳定控制。在这个工作点(x0, u0)附近我们可以对上述非线性模型进行线性化。线性化的标准方法是求雅可比矩阵。在Matlab中可以借助符号工具箱进行精确线性化或者用数值方法如jacobian函数或有限差分。假设我们已经得到线性化后的状态空间矩阵A_cont和B_cont。% 假设工作点 x0 [0; 0; 0; 0], u0 0 syms th om xp xv F_sym real; x_sym [th; om; xp; xv]; % 基于非线性动力学方程构造符号表达式 f_sym dxdt f_sym ...; % 对应 nonlinerPendulumCT 的符号版本 A_cont_sym jacobian(f_sym, x_sym); B_cont_sym jacobian(f_sym, F_sym); % 在工作点求值 x0 [0;0;0;0]; u0 0; A_cont double(subs(A_cont_sym, [x_sym; F_sym], [x0; u0])); B_cont double(subs(B_cont_sym, [x_sym; F_sym], [x0; u0])); C_cont [1 0 0 0; 0 0 1 0]; % 假设我们输出摆角和小车位置 D_cont [0; 0];现在A_cont,B_cont,C_cont,D_cont就构成了一个连续时间线性状态空间模型dx/dt A_cont*x B_cont*u,y C_cont*x D_cont*u。3.3 离散时间线性模型为数字控制准备有了连续线性模型为了在数字控制器中使用我们必须将其离散化。这需要指定采样周期Ts。Matlab 的c2d函数提供了多种离散化方法如零阶保持ZOH、一阶保持FOH、双线性变换Tustin等。对于大多数基于采样保持的数字控制系统零阶保持是标准选择。Ts 0.05; % 50ms 采样周期 sys_cont ss(A_cont, B_cont, C_cont, D_cont); sys_disc c2d(sys_cont, Ts, zoh); % 零阶保持离散化 A_disc sys_disc.A; B_disc sys_disc.B; C_disc sys_disc.C; D_disc sys_disc.D;现在A_disc和B_disc定义了我们的离散时间线性预测模型x_{k1} A_disc * x_k B_disc * u_k。这个模型可以直接嵌入到MPC的预测方程中用于构建QP问题的约束。3.4 离散时间非线性模型直接离散化对于非线性模型离散化没有像线性系统那样的全局精确公式。通常采用数值积分方法。最常用的是欧拉法一阶精度和龙格-库塔法如RK4四阶精度。前向欧拉法x_{k1} x_k Ts * f(x_k, u_k)。实现简单但精度和稳定性较差除非Ts非常小。function x_next nonlinearPendulumDT_Euler(x_k, u_k, Ts, params) dxdt nonlinearPendulumCT(0, x_k, u_k, params); % 计算当前导数 x_next x_k Ts * dxdt; % 欧拉积分 end四阶龙格-库塔法精度高更稳定是工程中的首选。function x_next nonlinearPendulumDT_RK4(x_k, u_k, Ts, params) k1 nonlinearPendulumCT(0, x_k, u_k, params); k2 nonlinearPendulumCT(0, x_k Ts/2*k1, u_k, params); k3 nonlinearPendulumCT(0, x_k Ts/2*k2, u_k, params); k4 nonlinearPendulumCT(0, x_k Ts*k3, u_k, params); x_next x_k (Ts/6) * (k1 2*k2 2*k3 k4); end这个nonlinearPendulumDT_RK4函数就是一个离散时间非线性预测模型。在非线性MPC中优化求解器在每一步迭代中都需要反复调用这个函数来模拟未来状态轨迹以计算目标函数和约束。实操心得对于非线性MPC模型函数的计算速度至关重要因为它会在优化循环中被调用成千上万次。尽量向量化你的模型代码避免在函数内部使用循环。如果可能考虑用C/C编写模型函数并通过MEX接口调用或者利用Matlab的coder工具生成加速的MEX文件这能极大提升求解效率。4. MPC控制器设计基于不同模型的优化问题构建有了预测模型下一步就是构建MPC的优化问题并求解。不同模型类型对应不同的优化问题形式。4.1 基于离散线性模型的QP-MPC这是最标准、最成熟的形式。假设我们有离散线性模型x_{k1} A*x_k B*u_k输出y_k C*x_k。设定预测时域Np控制时域Nu通常Nu NpNu步之后控制量保持不变。在时刻kMPC求解如下优化问题最小化目标函数 JJ sum_{i0}^{Np-1} [ (y_{ki|k} - r_{ki})^T * Q * (y_{ki|k} - r_{ki}) u_{ki|k}^T * R * u_{ki|k} ] (x_{kNp|k} - x_ref)^T * P * (x_{kNp|k} - x_ref)满足约束x_{ki1|k} A * x_{ki|k} B * u_{ki|k},i0,...,Np-1模型约束u_min u_{ki|k} u_max,i0,...,Nu-1控制量约束Delta_u_min u_{ki|k} - u_{ki-1|k} Delta_u_max控制增量约束可选y_min y_{ki|k} y_max,i1,...,Np输出约束其中Q,R,P是权重矩阵r是参考轨迹x_ref是终端状态参考P通常通过求解代数Riccati方程获得以保证稳定性。在Matlab中使用 Model Predictive Control Toolbox 可以极快地配置这样一个控制器% 创建线性时不变模型 plant ss(A_disc, B_disc, C_disc, D_disc, Ts); % 创建MPC对象 mpcobj mpc(plant, Ts, Np, Nu); % 设置权重 mpcobj.Weights.OutputVariables [q1, q2]; % Q 矩阵对角线对应输出 mpcobj.Weights.ManipulatedVariables r; % R 矩阵对角线 mpcobj.Weights.ManipulatedVariablesRate dr; % 控制增量权重 % 设置约束 mpcobj.MV.Min F_min; mpcobj.MV.Max F_max; mpcobj.MV.RateMin dF_min; mpcobj.MV.RateMax dF_max; mpcobj.OV.Min [theta_min; pos_min]; mpcobj.OV.Max [theta_max; pos_max]; % 设置终端权重需要更底层的操作或使用自定义QP求解 % ...然后在仿真循环中调用mpcmove函数即可在线求解并应用控制量。4.2 基于离散非线性模型的NMPC构建非线性MPC的优化问题形式与线性MPC类似但模型约束变成了非线性函数x_{ki1|k} f(x_{ki|k}, u_{ki|k})。目标函数和约束也可能包含非线性项。这形成了一个非线性规划问题。在Matlab中没有像线性MPC那样“一键式”的工具箱。通常需要利用优化工具箱fmincon来自行构建和求解。核心步骤是定义预测函数编写一个函数给定初始状态x0和一组控制输入序列U [u0, u1, ..., u_{Nu-1}]利用离散非线性模型f如RK4滚动预测出未来Np步的状态轨迹X。定义目标函数基于预测出的X和U计算跟踪误差和控制量的加权和。定义非线性约束函数除了模型等式约束已隐含在预测中还可以添加状态/输出的非线性不等式约束。调用求解器使用fmincon求解决策变量就是控制序列U。function [u_opt, J_opt] solveNMPC(x_current, ref_traj, params) % x_current: 当前状态 % ref_traj: 未来Np步的参考轨迹 [Np x ny] % params: 包含模型参数、权重、时域、约束等 Np params.Np; Nu params.Nu; Q params.Q; R params.R; % 决策变量控制序列初始猜测如上一步的解平移 U0 params.U_prev; % 定义目标函数 costFunc (U) nmpcCost(U, x_current, ref_traj, params); % 定义线性不等式约束控制量上下限 Aineq []; bineq []; % 定义线性等式约束 Aeq []; beq []; % 定义变量上下界 lb params.u_min * ones(Nu, 1); ub params.u_max * ones(Nu, 1); % 非线性约束例如状态约束 nonlcon (U) nmpcConstraints(U, x_current, params); % 调用fmincon求解 options optimoptions(fmincon, Display, iter, Algorithm, sqp); [U_opt, J_opt] fmincon(costFunc, U0, Aineq, bineq, Aeq, beq, lb, ub, nonlcon, options); u_opt U_opt(1); % 仅取第一个控制量应用 params.U_prev [U_opt(2:end); U_opt(end)]; % 更新初始猜测用于下一步 end function J nmpcCost(U, x0, ref, params) Np params.Np; Nu params.Nu; Q params.Q; R params.R; X predictState(x0, U, params); % 调用预测函数得到状态轨迹X J 0; for i 1:Np y_i params.C * X(i,:); % 计算输出 J J (y_i - ref(i,:)) * Q * (y_i - ref(i,:)); if i Nu J J U(i) * R * U(i); end end end function X predictState(x0, U, params) Np params.Np; Nu params.Nu; Ts params.Ts; X zeros(Np1, length(x0)); X(1,:) x0; u_prev U(1); for i 1:Np if i Nu u_cur U(i); else u_cur U(Nu); % 控制时域外保持最后一个控制量 end % 使用离散非线性模型如RK4进行一步预测 X(i1,:) (nonlinearPendulumDT_RK4(X(i,:), u_cur, Ts, params)); u_prev u_cur; end end这个过程比线性MPC复杂得多计算量也大。在实际应用中需要仔细调整求解器选项、提供良好的初始猜测如热启动来保证实时性。5. 实现要点与性能优化技巧无论是线性还是非线性MPC在Matlab中实现并用于实时或快速仿真时都有一些通用的技巧和需要特别注意的坑。5.1 线性MPC的调试与权重整定线性MPC的性能很大程度上取决于权重矩阵Q,R和预测时域Np。权重整定没有绝对的标准。通常从输出跟踪开始将Q设为单位阵或对角阵R设为一个较小的正数如0.1。观察响应如果控制量变化太剧烈增大R如果跟踪太慢增大Q中对相应输出的权重。控制增量权重R_delta用于平滑控制信号。预测时域选择Np需要足够长以覆盖系统的主要动态。一个经验法则是Np * Ts应大于系统的开环响应时间如上升时间。太短则控制器“短视”可能不稳定太长则增加计算负担且对远处预测不准收益有限。通常通过仿真来折中。终端权重与约束为了保证稳定性理论要求设置终端代价P和/或终端约束集。在Matlab MPC工具箱中可以通过mpcobj.Model.Plant和mpcobj.PredictionHorizon等属性进行更底层的设置或者使用mpcActiveSetOptions配置自定义的QP求解器来加入终端权重。5.2 非线性MPC的实时性挑战与应对非线性MPC最大的挑战是求解速度。以下是一些加速策略实时迭代法不要求每个采样点都完全收敛到最优解。在下一个采样时刻到来时无论当前优化是否收敛都取当前迭代的最好解作为控制量输出。这牺牲了一点最优性换取了固定的计算时间。显式NMPC对于小规模、约束为多面体的系统可以离线求解参数化的非线性优化问题将最优控制律表示为状态和参数的显式分段仿射函数。在线应用时只需要查表或计算简单的函数速度极快。但这依赖于复杂的离线计算和存储。使用更高效的求解器fmincon是通用求解器可能不是最快的。可以考虑专用的NLP求解器如IPOPT通过接口如OPTIToolbox调用、CasADi与Matlab集成良好自动微分生成高效代码或ACADO专门用于最优控制能生成实时性极高的C代码。模型简化与凸化在满足性能要求的前提下尽可能使用更简单的非线性模型如多项式拟合或者将非凸约束松弛为凸约束。5.3 状态估计的重要性MPC依赖于准确的状态反馈x_k。在实际系统中我们可能无法直接测量所有状态比如倒立摆的角速度omega。这时就需要一个状态观测器如卡尔曼滤波器对于线性模型或扩展卡尔曼滤波器EKF、无迹卡尔曼滤波器UKF对于非线性模型来基于输出测量值y估计状态x_hat。在Matlab中kalman函数用于设计线性卡尔曼滤波器而extendedKalmanFilter和unscentedKalmanFilter对象可用于非线性状态估计。将观测器与MPC结合构成输出反馈MPC是实际应用的标配。5.4 仿真验证与代码部署在投入实际应用前充分的仿真验证至关重要。闭环仿真在Simulink中搭建闭环系统将Matlab Function模块或S-Function模块中的MPC控制器与被控对象模型连接。这可以方便地测试参考跟踪、抗干扰加入负载扰动或测量噪声和鲁棒性改变模型参数。代码生成对于需要部署到嵌入式目标如dSPACE、Speedgoat或工业PLC的情况Matlab Coder和Simulink Coder可以将设计好的MPC算法特别是基于QP的线性MPC自动生成C代码。对于非线性MPC如果使用fmincon由于其算法复杂性自动代码生成可能受限此时可能需要手动将优化算法用C实现或采用能生成代码的专用工具如CasADi。避坑指南初始状态与参考轨迹确保MPC优化问题的初始状态猜测准确。对于非线性MPC一个差的初始猜测特别是控制序列的初始猜测可能导致求解器收敛到局部最优甚至发散。采用“热启动”将上一步的解平移后作为下一步的初始猜测是标准做法。采样时间与计算延迟MPC求解需要时间。如果求解时间接近甚至超过采样周期Ts就会引入计算延迟影响性能甚至稳定性。在设计时必须评估最坏情况下的求解时间并确保留有足够余量。对于快速系统线性MPC是更可行的选择。约束可行性当系统受到大的扰动或参考指令突变时优化问题可能变得不可行即没有任何解能满足所有约束。需要在设计时考虑软约束允许约束被轻微违反但在目标函数中施加严厉惩罚或优先级约束策略。数值稳定性在离散化模型、求解QP或NLP时注意数值精度。对于病态矩阵如某些状态量纲差异巨大需要进行缩放。在定义非线性模型时避免除零等奇异点。6. 从仿真到进阶不同模型MPC的对比与选型建议为了更直观地理解四种模型MPC的差异我们可以通过一个简单的对比实验来分析。假设我们的倒立摆系统需要从自然下垂位置theta pi摆动并稳定到竖直向上位置theta 0。6.1 性能对比实验设计我们分别设计四个控制器LMPC基于在平衡点theta0线性化的离散模型设计的线性MPC。LMPC-Multi基于多个工作点线性化模型设计的增益调度线性MPC。NMPC-Euler基于欧拉离散化的非线性模型设计的NMPC。NMPC-RK4基于RK4离散化的非线性模型设计的NMPC。设置相同的预测时域Np20控制时域Nu5采样时间Ts0.05s。权重矩阵Q和R经过初步整定。通过仿真比较它们的摆动上升时间、稳定后的摆角误差、控制能量消耗以及单步平均计算时间。6.2 预期结果与分析通过仿真我们可能会得到如下表所示的定性对比控制器类型模型精度计算复杂度摆动性能稳定精度鲁棒性参数摄动适用场景LMPC (平衡点)工作点附近高大范围差低 (QP)可能无法完成大范围摆动或超调大工作点附近高较差系统运行范围小动态变化平缓LMPC-Multi多个工作点附近高中低 (多QP切换)较好能完成摆动各工作点附近高一般系统非线性可被分段线性较好近似NMPC-Euler取决于离散化精度高 (NLP)较好但可能因精度问题有轻微畸变高较好对实时性要求不高可接受较小TsNMPC-RK4高很高 (NLP)好轨迹平滑高好精度要求高系统动态复杂采样周期相对宽松计算时间LMPC通常在毫秒甚至亚毫秒级NMPC-Euler可能在几十毫秒级NMPC-RK4可能达到几百毫秒或更长严重依赖于模型复杂度、时域长度和求解器设置。摆动性能线性MPC在平衡点设计其模型在大角度下完全不准确因此可能根本无法将摆从下垂位置拉起或者拉起过程非常震荡。而NMPC由于模型全局准确能规划出更优的摆动轨迹。稳定精度在平衡点附近所有设计良好的控制器都应能实现高精度稳定。但NMPC理论上能处理更精确的非线性稳态误差可能更小。6.3 选型决策流程图面对一个具体控制问题如何选择建模方式可以遵循以下决策思路开始 | V 系统非线性是否强烈且工作范围是否宽 | | 否 是 | | V V 考虑线性MPC 考虑非线性MPC | | V | 采样周期是否很短 | | | | 是 否 | | | | V V V 离散线性模型 连续模型离散化 直接离散非线性模型 | | | V V V 设计QP-MPC 设计QP-MPC 设计NMPC | | | V V V 评估计算负载能否满足实时性要求 | | | |-----------|-----------| | V 最终方案核心建议优先尝试线性MPC除非系统非线性非常显著且工作范围大否则线性MPC尤其是增益调度型往往是性价比最高的选择。它成熟、可靠、计算快。非线性MPC是“杀手锏”当线性MPC确实无法满足性能要求时再考虑非线性MPC。先从计算量较小的近似方法如序列线性化开始尝试。模型精度与计算量的平衡在非线性MPC中模型离散化的精度欧拉 vs RK4需要与计算资源权衡。对于大多数工程应用RK4是精度和计算量的良好折中。仿真先行无论如何在硬件实现前必须在Matlab/Simulink中进行充分的非线性闭环仿真测试控制器在不同工况、扰动和模型失配下的表现。7. 常见问题与排查实录在实际实现和调试MPC尤其是自己编写代码时会遇到各种各样的问题。这里记录一些典型问题及其排查思路。7.1 线性MPC问题控制器输出震荡或发散可能原因1权重设置不合理。R值太小导致控制器过于激进控制量变化剧烈或者Q中不同状态量的权重比例失调。排查检查控制量u和状态量x的时域曲线。如果u高频大幅震荡尝试增大R或增加控制增量权重。如果某个状态如角速度震荡明显调整Q中对应状态的权重。可能原因2预测时域Np太短。控制器“短视”无法“看到”当前激进控制带来的远期负面效果。排查逐步增大Np观察震荡是否减弱。注意Np增大会增加计算量。可能原因3模型不准确或离散化错误。这是最常见的问题之一。离散化后的模型动态与连续系统不符。排查对比连续模型和离散模型的开环阶跃响应或脉冲响应。在Simulink中分别用连续和离散模型搭建开环仿真输入相同信号看输出是否一致。检查采样周期Ts是否过大。可能原因4约束过于严格或冲突。导致优化问题频繁处于可行域边界引起“砰砰控制”。排查暂时放宽约束看震荡是否消失。考虑使用软约束来处理可能冲突的输出约束。7.2 非线性MPC问题求解器无法收敛或求解时间过长可能原因1初始猜测太差。对于非凸问题初始点至关重要。排查与解决实施热启动策略。将上一步求解出的最优控制序列[u_k, u_{k1}, ..., u_{kNu-1}]平移作为下一步的初始猜测[u_{k1}, ..., u_{kNu-1}, u_{kNu-1}]。对于第一步可以用一个简单的控制律如PD控制生成一段初始轨迹。可能原因2问题尺度或数值条件太差。决策变量数量多Nu大或者状态/控制量数值差异巨大如角度是弧度制值很小位置是米值较大。排查与解决尝试减小控制时域Nu。对状态和输入进行缩放使其具有相近的数量级。例如将角度从弧度转换为度或者将所有变量除以其典型值。可能原因3模型函数中存在数值问题。例如除零、函数不连续、雅可比矩阵计算错误如果提供了。排查在模型函数f(x,u)中添加断言和边界检查。使用调试模式运行观察在求解器调用模型时输入的x和u是否在合理范围内。对于fmincon设置‘CheckGradients’选项为true来验证梯度。可能原因4求解器选项设置不当。排查与解决尝试不同的算法如‘interior-point’,‘sqp’。调整最优性容差OptimalityTolerance和约束违反容差ConstraintTolerance在可接受范围内适当放宽以加速收敛。增加最大迭代次数MaxIterations。7.3 通用问题稳态存在误差可能原因模型存在未建模动态或稳态偏差。即使是非线性模型也可能存在参数误差、未建模的摩擦等。解决在MPC中引入积分动作。常见方法是在状态空间模型中增加误差的积分状态。例如定义新的状态x_int sum(y - r)并将其纳入预测模型和优化目标中。这样MPC会自动消除稳态误差。7.4 仿真与实机差距大可能原因1未考虑执行器动态和延迟。仿真中的控制器输出是理想信号而实际电机、阀门等有响应时间和延迟。解决在仿真模型中为执行器添加一阶惯性环节1/(tau*s1)或纯延迟环节e^{-Td*s}来模拟。在离散MPC设计中可以将执行器动态也纳入预测模型。可能原因2状态估计误差。仿真中我们通常使用真实状态而实机依赖观测器估计。解决在仿真中接入设计好的状态观测器如卡尔曼滤波器使用观测状态x_hat而非真实状态x进行反馈测试闭环性能。可能原因3计算延迟未补偿。仿真中假设计算瞬时完成实机计算需要时间。解决在仿真中引入一个等于最坏情况计算时间的延迟模块。或者在MPC设计中采用“延迟补偿”技术将计算延迟作为已知输入延迟纳入模型。调试MPC是一个系统性的过程需要从模型、观测器、控制器参数、约束、求解器等多个维度逐一排查。保持耐心充分利用Matlab的仿真和可视化工具记录每次参数变更后的系统响应是快速定位问题的关键。从我个人的经验来看成功实现一个高性能的MPC控制器其过程本身就是对被控对象理解的一次深刻升华。