1. 状态空间MPC与输入增量的核心概念
在控制工程领域，模型预测控制(MPC)因其处理多变量约束系统的能力而广受青睐。传统MPC直接操作控制输入，而基于输入增量的方法通过处理控制输入的变化率来设计控制器，这种方法在工业实践中展现出独特的优势。
1.1 状态空间模型的基础架构
状态空间表示是现代控制理论的基石，它将系统动态描述为一组一阶微分方程：
code复制ẋ(t) = Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)
其中x∈R^n是状态向量，u∈R^m是控制输入，y∈R^p是系统输出。A,B,C,D是适当维数的系统矩阵。在离散时间域，这个模型变为：
code复制x(k+1) = A_d x(k) + B_d u(k)
y(k) = C_d x(k) + D_d u(k)
1.2 输入增量方法的数学表述
输入增量方法的核心思想是将控制输入的变化量Δu(k) = u(k) - u(k-1)作为优化变量。这种表述带来两个关键优势：
- 自然处理执行器速率限制
- 自动包含积分作用消除稳态误差
对应的增广状态空间模型为：
code复制[x(k+1)] [A_d B_d][x(k)] [B_d]
[u(k) ] = [0 I ][u(k-1)] + [ I ]Δu(k)
输出方程保持不变。这种表示将原n维系统扩展为(n+m)维。
1.3 预测模型构建技巧
在预测时域Np内，系统的预测行为可以表示为：
code复制Y = F x(k) + Φ ΔU
其中：
- Y = [y(k+1|k)^T ... y(k+Np|k)^T]^T
- ΔU = [Δu(k|k)^T ... Δu(k+Nc-1|k)^T]^T
- F和Φ是由系统矩阵构成的预测矩阵
在Matlab中，这些矩阵可以通过迭代计算高效构建。一个实用的实现技巧是预先分配数组空间以避免动态扩展带来的性能损失。
2. Matlab实现的关键步骤解析
2.1 系统建模与离散化
首先需要定义连续时间状态空间模型。对于演示目的，我们考虑一个二阶系统：
matlab复制A = [0 1; -2 -3];
B = [0; 1];
C = [1 0];
D = 0;
sys = ss(A,B,C,D);
离散化采用零阶保持器方法：
matlab复制Ts = 0.1; % 采样时间
sysd = c2d(sys,Ts,'zoh');
[Ad,Bd,Cd,Dd] = ssdata(sysd);
2.2 增广系统构建
构建包含输入增量的增广状态空间模型：
matlab复制[nx,nu] = size(Bd);
A_aug = [Ad Bd; zeros(nu,nx) eye(nu)];
B_aug = [Bd; eye(nu)];
C_aug = [Cd zeros(size(Cd,1),nu)];
2.3 预测矩阵计算
高效计算预测矩阵F和Φ：
matlab复制Np = 20; % 预测时域
Nc = 5; % 控制时域
F = zeros(Np*size(C_aug,1),size(A_aug,1));
Phi = zeros(Np*size(C_aug,1),Nc*nu);
% 构建F矩阵
for i=1:Np
F((i-1)*size(C_aug,1)+1:i*size(C_aug,1),:) = C_aug*A_aug^i;
end
% 构建Phi矩阵
for i=1:Np
for j=1:min(i,Nc)
Phi((i-1)*size(C_aug,1)+1:i*size(C_aug,1),...
(j-1)*nu+1:j*nu) = C_aug*A_aug^(i-j)*B_aug;
end
end
2.4 优化问题构建
MPC的核心是求解如下优化问题：
code复制min ΔU^T H ΔU + 2*x(k)^T F^T Φ ΔU
s.t. ΔU_min ≤ ΔU ≤ ΔU_max
U_min ≤ U(k-1) + cumsum(ΔU) ≤ U_max
Y_min ≤ Fx(k) + ΦΔU ≤ Y_max
对应的Matlab实现：
matlab复制% 权重矩阵
Q = 10*eye(Np*size(C_aug,1)); % 输出权重
R = 0.1*eye(Nc*nu); % 控制权重
H = Phi'*Q*Phi + R;
f = x0'*F'*Q*Phi;
% 约束条件构建
Aineq = []; bineq = [];
Aeq = []; beq = [];
% 输入增量约束
lb = -0.5*ones(Nc*nu,1);
ub = 0.5*ones(Nc*nu,1);
% 求解QP问题
options = optimoptions('quadprog','Display','off');
DeltaU = quadprog(H,f,Aineq,bineq,Aeq,beq,lb,ub,[],options);
% 提取当前控制量
u = u_prev + DeltaU(1:nu);
3. 不同实现方式的对比分析
3.1 标准MPC与增量式MPC比较
标准MPC直接优化控制输入u，而增量式MPC优化输入变化Δu。两种方法的主要区别：
| 特性 | 标准MPC | 增量式MPC |
|---|---|---|
| 优化变量 | u(k)...u(k+Nc-1) | Δu(k)...Δu(k+Nc-1) |
| 积分作用 | 需显式添加 | 内置 |
| 执行器速率约束处理 | 复杂 | 简单 |
| 计算复杂度 | 较低 | 稍高 |
| 抗扰动能力 | 一般 | 优秀 |
3.2 隐式与显式实现
在Matlab中，MPC可以实现为：
-
隐式MPC：每个采样周期在线求解QP问题
- 优点：处理非线性约束能力强
- 缺点：计算负担大
-
显式MPC：离线计算参数分区
- 优点：在线计算简单
- 缺点：维数灾难问题
增量式MPC通常采用隐式实现，因为输入增量方法本身已经简化了约束处理。
3.3 稀疏性利用技巧
预测矩阵Φ具有特殊的下三角块结构。利用这种稀疏性可以显著提升计算效率：
matlab复制% 稀疏矩阵实现
Phi_sparse = sparse(Phi);
H_sparse = Phi_sparse'*Q*Phi_sparse + R;
对于大规模系统，稀疏矩阵运算可以节省50%以上的计算时间。
4. 实际应用中的关键问题
4.1 数值稳定性处理
在构建预测矩阵时，矩阵幂运算可能导致数值不稳定。实用技巧包括：
- 采用Schur分解替代直接幂运算
- 使用增量式矩阵更新：
matlab复制A_power = eye(size(A_aug));
for i=1:Np
A_power = A_aug*A_power;
F_block = C_aug*A_power;
F((i-1)*size(F_block,1)+1:i*size(F_block,1),:) = F_block;
end
4.2 约束软化技术
硬约束可能导致QP问题不可行。引入松弛变量实现约束软化：
matlab复制epsilon = 0.1; % 松弛变量权重
H = [Phi'*Q*Phi+R zeros(size(Phi,2),1);
zeros(1,size(Phi,2)) epsilon];
f = [x0'*F'*Q*Phi 0];
4.3 实时性保障
确保MPC能在采样周期内完成计算的关键措施：
- 热启动QP求解：使用上一步的解作为初始猜测
- 提前终止：设置最大迭代次数
- 代码生成：将Matlab代码转为C代码
matlab复制options = optimoptions('quadprog',...
'Algorithm','active-set',...
'MaxIterations',50,...
'Display','off');
4.4 参数整定经验
基于输入增量的MPC需要调整的参数：
- 预测时域Np：通常选择系统响应时间的1.5-2倍
- 控制时域Nc：3-5步足够，过长增加计算负担
- 权重矩阵：
- 输出权重Q：对角元素与输出变量重要性成正比
- 输入权重R：从大到小调整，平衡响应速度与控制量
一个实用的调试流程：
- 先设R=0，观察无约束最优响应
- 逐步增加R直到获得满意的控制量变化
- 最后调整Q优化输出响应
5. Simulink集成与代码生成
5.1 MPC模块封装
将Matlab实现的MPC封装为可重用子系统：
- 创建Matlab Function块
- 定义清晰的输入输出接口
- 添加配置参数对话框
matlab复制function u = mpc_controller(x,u_prev,y_ref)
%#codegen
persistent controller
if isempty(controller)
controller = setup_mpc();
end
u = step(controller,x,u_prev,y_ref);
end
5.2 代码生成配置
使用Matlab Coder生成可部署代码：
matlab复制cfg = coder.config('lib');
cfg.DynamicMemoryAllocation = 'off';
cfg.GenerateReport = true;
codegen('mpc_controller.m','-config','cfg','-args',...
{coder.typeof(0,[nx 1]),coder.typeof(0,[nu 1]),coder.typeof(0,[Np 1])});
5.3 硬件在环测试
在Simulink中配置硬件在环(HIL)测试：
- 将MPC控制器设为外部模式
- 配置实时目标计算机
- 监测实时性能指标
关键检查点：
- 采样周期抖动小于10%
- QP求解时间小于采样周期的50%
- 内存使用在目标范围内
6. 工业应用案例分析
6.1 温度控制系统
某热处理炉温度控制采用增量式MPC：
- 系统特性：大惯性、大滞后
- 增量式优势：平滑温度变化，避免超调
- 实现细节：
matlab复制% 温度模型离散化 sys = tf(1,[100 1],'InputDelay',20); sysd = c2d(sys,Ts,'zoh'); % 增量式MPC配置 mpcobj = mpc(sysd,Ts,Np,Nc); mpcobj.ManipulatedVariables.RateMin = -0.5; mpcobj.ManipulatedVariables.RateMax = 0.5;
6.2 机器人轨迹跟踪
六轴机械臂关节空间控制：
- 挑战：耦合非线性动力学
- 解决方案：增量式MPC+前馈补偿
- 关键代码段：
matlab复制% 前馈补偿计算 u_ff = inverse_dynamics(q_des,qd_des,qdd_des); % MPC反馈补偿 u_fb = mpc_controller(x,u_prev,y_ref); % 总控制量 u = u_ff + u_fb;
6.3 智能车辆控制
自动驾驶横向控制应用：
- 模型：自行车模型+路径误差模型
- 特殊处理：时变预测模型
- 实现要点：
matlab复制% 根据车速更新模型 function update_model(vx) A(1,2) = vx; B(2,1) = 1/vx; sysd = c2d(ss(A,B,C,D),Ts); end
7. 高级主题与扩展方向
7.1 非线性系统处理
对于非线性系统，增量式MPC的扩展方法：
- 序列线性化：每个采样周期更新线性模型
- 非线性预测：使用Simulink模型进行预测
matlab复制simOut = sim('nonlinear_model','StopTime',num2str(Np*Ts));
7.2 分布式MPC架构
大规模系统分解为多个子系统：
- 协调策略：目标协调、模型协调
- 增量式优势：自然处理子系统耦合
- 实现框架：
matlab复制% 并行优化 parfor i=1:N_subsystems [u_opt{i},info{i}] = solve_local_mpc(x{i}); end
7.3 数据驱动MPC
当精确模型不可得时：
- 子空间辨识获取状态空间模型
matlab复制
[A,B,C,D] = n4sid(iddata(y,u,Ts),nx); - 强化学习优化MPC参数
matlab复制
agent = rlPPOAgent(obsInfo,actInfo);
7.4 鲁棒MPC设计
考虑模型不确定性的增强方法：
- 最小-最大优化框架
- 管式MPC：结合名义MPC与辅助控制器
matlab复制% 不确定参数范围 A_unc = ureal('A',A,'Range',[A_min A_max]);
8. 调试与性能优化实战
8.1 常见问题排查指南
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| QP求解失败 | 约束冲突 | 检查约束一致性，引入松弛变量 |
| 控制量抖动 | R权重太小 | 增大输入权重 |
| 响应迟缓 | Np/Nc选择不当 | 调整时域参数 |
| 稳态误差 | 模型失配 | 重新辨识模型 |
| 计算超时 | 问题规模过大 | 减少Nc，使用稀疏矩阵 |
8.2 性能分析工具
Matlab内置工具帮助优化：
- Profiler识别计算瓶颈
matlab复制
profile on run_mpc_simulation; profile viewer - Memory Viewer监测内存使用
8.3 实时性优化技巧
- 预计算不变项：
matlab复制H = Phi'*Q*Phi + R; % 离线计算 - 使用固定点运算：
matlab复制fi_params = fimath('RoundingMethod','Floor'); DeltaU_fi = fi(DeltaU,1,16,12,fi_params); - 并行计算：
matlab复制parpool(4); spmd local_H = calc_local_H(Phi_local,Q); end H = gplus(local_H);
8.4 数值精度权衡
单精度与双精度比较：
matlab复制% 单精度转换
A_aug_single = single(A_aug);
B_aug_single = single(B_aug);
% 精度影响评估
err = norm(double(A_aug_single*B_aug_single)-A_aug*B_aug);
在资源受限平台，合理降低精度可节省50%计算时间。