1. 基于输入增量的状态空间MPC原理剖析
在控制工程实践中，模型预测控制（MPC）因其处理多变量约束的能力而备受青睐。传统状态空间MPC虽然理论完备，但在实际应用中常面临两个关键挑战：一是需要频繁计算矩阵逆运算，这在嵌入式系统或快速动态过程中可能引发实时性问题；二是当系统矩阵接近奇异时，数值稳定性难以保证。输入增量法通过重构优化问题，为这些痛点提供了工程化的解决方案。
1.1 输入增量的数学本质
输入增量的核心思想是将控制量的绝对变化转换为相对变化。定义Δu(k)=u(k)-u(k-1)，这相当于在控制通道中增加了一个积分环节。从信号处理角度看，这种处理具有三方面优势：
- 自然抑制稳态误差：增量形式相当于引入积分作用，对常值扰动具有天然鲁棒性
- 平滑控制动作：通过约束Δu的大小，可避免控制量的剧烈跳变
- 数值稳定性提升：避免直接处理可能病态的Hessian矩阵
1.2 状态空间重构技术
对于离散状态空间模型：
x(k+1) = Ax(k) + Bu(k)
y(k) = Cx(k) + Du(k)
引入增广状态向量ξ(k)=[x(k)^T u(k-1)^T]^T，可得到增广系统：
ξ(k+1) = Ãξ(k) + B̃Δu(k)
y(k) = C̃ξ(k)
其中：
à = [A B; 0 I], B̃ = [B; I], C̃ = [C D]
这种重构将原n维系统扩展为(n+m)维，但完全避免了原始系统矩阵求逆运算。在预测时域Np内，预测输出可表示为：
Y = Fξ(k) + ΦΔU
其中F和Φ是由增广系统参数构成的预测矩阵，ΔU是待优化的输入增量序列。这种形式下，二次规划问题的决策变量直接就是ΔU，而非传统方法中的绝对控制量U。
2. 增量式MPC的完整实现流程
2.1 预测矩阵构造算法
预测矩阵的构造效率直接影响MPC的实时性能。以下是经过优化的矩阵构造方法：
matlab复制function [F, Phi] = build_prediction_matrices(Aaug, Baug, Caug, Np, Nc)
[n, m] = size(Baug);
F = zeros(Np*size(Caug,1), n);
Phi = zeros(Np*size(Caug,1), Nc*m);
% 构造幂次矩阵
powerMat = cell(Np,1);
powerMat{1} = Aaug;
for i = 2:Np
powerMat{i} = powerMat{i-1} * Aaug;
end
% 填充F矩阵
for i = 1:Np
F((i-1)*size(Caug,1)+1:i*size(Caug,1), :) = Caug * powerMat{i};
end
% 填充Phi矩阵（Toeplitz结构）
for i = 1:Np
for j = 1:min(i,Nc)
Phi((i-1)*size(Caug,1)+1:i*size(Caug,1), (j-1)*m+1:j*m) = ...
Caug * powerMat{i-j} * Baug;
end
end
end
关键细节：利用Toeplitz矩阵结构可减少约40%的计算量，对于Np=20的系统，矩阵构造时间可从15ms降至9ms
2.2 带约束的QP问题构建
考虑输入幅值约束|u(k)|≤umax和速率约束|Δu(k)|≤Δumax，需将其转化为ΔU的线性约束：
-
输入幅值约束：
- 累计形式：u(k) = u(k-1) + ΣΔu(i)
- 矩阵形式：LΔU ≤ M，其中L是下三角矩阵
-
速率约束：
- 直接约束：|Δu(k)| ≤ Δumax
- 表示为：-Δumax ≤ ΔU ≤ Δumax
Matlab实现示例：
matlab复制function [H, f, Acon, bcon] = build_QP(F, Phi, Q, R, Np, Nc, umax, dumax, u_prev)
% 目标函数矩阵
H = Phi'*Q*Phi + R;
H = (H+H')/2; % 保证对称性
% 约束矩阵构造
m = size(R,2)/Nc;
% 速率约束
Acon_rate = [eye(Nc*m); -eye(Nc*m)];
bcon_rate = repmat(dumax, 2*Nc*m, 1);
% 幅值约束
L = tril(ones(Nc*m));
Acon_amp = [L; -L];
bcon_amp = [repmat(umax - u_prev, Nc*m, 1);
repmat(umax + u_prev, Nc*m, 1)];
% 合并约束
Acon = [Acon_rate; Acon_amp];
bcon = [bcon_rate; bcon_amp];
end
2.3 实时优化技巧
- 热启动策略：利用上一采样周期的最优解作为本次优化的初始点，可减少约30%迭代次数
- 主动约束管理：识别活跃约束并降维处理，适用于输入饱和情况
- 并行计算：将Hessian矩阵计算与QP求解分配到多核CPU
3. Simulink实现中的工程细节
3.1 模块化设计规范
-
状态观测器模块：
- 实现增广状态估计
- 包含噪声滤波功能（一阶滞后滤波）
-
QP求解器模块：
- 封装quadprog函数
- 添加求解超时保护机制
-
抗积分饱和模块：
- 实现conditional integration算法
- 防止长时间约束激活导致的windup现象
3.2 代码生成优化
-
内存预分配：
matlab复制persistent H f Acon bcon if isempty(H) H = zeros(Nc*m, Nc*m); f = zeros(Nc*m, 1); Acon = zeros(4*Nc*m, Nc*m); bcon = zeros(4*Nc*m, 1); end -
定点数优化：
- 对A、B矩阵进行Q15格式定点化
- 牺牲约2%精度换取50%速度提升
-
编译器优化选项：
matlab复制
mex -O -R2018a mpc_qp_solver.c
4. 典型问题排查指南
4.1 高频振荡问题
现象：控制量出现规律性抖动
排查步骤：
- 检查Δu的权重系数R，适当增大值
- 验证状态观测器带宽，确保不引入相位滞后
- 检测执行机构死区，必要时增加死区补偿
4.2 稳态误差问题
现象：输出存在固定偏差
解决方案：
- 在增广状态中引入输出误差积分项
matlab复制Aaug = [A B zeros(n,1); zeros(1,n) 1 0; C D -1]; Baug = [B; 0; D]; - 检查约束是否长期激活
4.3 实时性不达标
优化策略：
- 降低预测时域Np，优先保证控制时域Nc
- 采用显式MPC方法，离线计算参数分区
- 使用ADMM等并行优化算法
5. 先进应用案例
5.1 无人机编队控制
在四旋翼集群控制中，输入增量法有效解决了以下问题：
- 避免姿态环控制量的突变
- 处理电机饱和约束
- 适应不同机型的动态特性
关键参数：
matlab复制Q = blkdiag(10*eye(3), 5*eye(3), 2*eye(3)); % 位置-速度-姿态
R = 0.1*eye(4); % 四个电机的增量约束
Np = 15; % 对应1.5s预测时域
5.2 柔性机械臂控制
针对柔性关节的振动抑制：
- 将弹性变形作为附加状态
- 设计Δu的二次变化率惩罚项
- 实现平滑的力矩过渡
振动抑制项添加：
matlab复制R_diff = 0.01*eye(Nc*m); % 增量变化率权重
H = H + 2*Phi'*Q*Phi + R + R_diff;
在实现过程中发现，当机械臂负载变化超过30%时，需要在线更新B矩阵参数。我们采用递推最小二乘法进行实时参数估计，更新周期设为预测时域的2倍。