状态空间MPC与输入增量控制：MATLAB实现与应用

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备受青睐。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，这种方法在工业过程控制中尤为常见。

状态空间模型为MPC提供了自然的数学框架。一个离散时间线性时不变系统的状态空间表示通常写作：

code复制x(k+1) = Ax(k) + Bu(k)
y(k) = Cx(k) + Du(k)

其中x是状态向量，u是控制输入，y是系统输出。当采用输入增量方法时，我们需要将系统方程重新表述为包含控制输入变化量Δu(k)=u(k)-u(k-1)的形式。

提示：输入增量公式特别适合处理执行器有速率限制的场景，如机械臂控制、化工过程等需要平滑控制信号的应用。

2. 增量型MPC的数学推导

2.1 系统模型的增量形式重构

将原状态空间模型扩展为包含输入增量的形式，需要引入增广状态向量：

code复制ξ(k) = [x(k)^T, u(k-1)^T]^T

新的状态空间方程变为：

code复制ξ(k+1) = Ãξ(k) + B̃Δu(k)
y(k) = C̃ξ(k)

其中：

code复制Ã = [A B; 0 I], B̃ = [B; I], C̃ = [C D]

这种表示将系统动力学转化为以Δu为输入的形式，为后续优化问题奠定基础。

2.2 预测方程构建

基于增广模型，我们可以推导未来N步的状态预测：

code复制Ξ = Fξ(k) + ΦΔU

其中Ξ是预测状态序列，ΔU是待优化的输入增量序列，F和Φ是由Ã和B̃构成的预测矩阵。

2.3 目标函数设计

典型的目标函数包含输出跟踪误差和输入增量惩罚：

code复制J = Σ(||y(k+i)-r(k+i)||_Q^2) + Σ(||Δu(k+i)||_R^2)

其中Q和R是权重矩阵，r是参考轨迹。这个凸二次规划问题的解给出了最优输入增量序列。

3. MATLAB实现细节

3.1 基础框架搭建

首先建立增广状态空间模型：

matlab复制A = [...]; % 原系统矩阵
B = [...]; 
C = [...];
D = [...];

% 构建增广系统
A_tilde = [A, B; zeros(size(B,2), size(A,2)), eye(size(B,2))];
B_tilde = [B; eye(size(B,2))];
C_tilde = [C, D];

3.2 预测矩阵生成

编写函数生成预测矩阵F和Φ：

matlab复制function [F, Phi] = build_prediction_matrices(A_tilde, B_tilde, Np)
    [n, m] = size(B_tilde);
    F = zeros(n*Np, size(A_tilde,1));
    Phi = zeros(n*Np, m*Np);
    
    % 填充F矩阵
    for i = 1:Np
        F((i-1)*n+1:i*n, :) = A_tilde^i;
    end
    
    % 填充Phi矩阵
    for i = 1:Np
        for j = 1:i
            Phi((i-1)*n+1:i*n, (j-1)*m+1:j*m) = A_tilde^(i-j)*B_tilde;
        end
    end
end

3.3 优化问题求解

使用quadprog求解二次规划问题：

matlab复制function [dU, U] = solve_mpc(Q, R, F, Phi, xi, ref_traj, u_prev, du_max)
    H = Phi'*Q*Phi + R;
    f = (F*xi - ref_traj)'*Q*Phi;
    
    % 输入增量约束
    A_con = [eye(size(Phi,2)); -eye(size(Phi,2))];
    b_con = [repmat(du_max, size(Phi,2)/size(u_prev,1), 1); 
             repmat(du_max, size(Phi,2)/size(u_prev,1), 1)];
    
    options = optimoptions('quadprog', 'Display', 'none');
    dU = quadprog(H, f', A_con, b_con, [], [], [], [], [], options);
    
    U = u_prev + dU(1:size(u_prev,1));
end

4. Simulink集成与实时控制

4.1 MATLAB Function模块封装

将MPC算法封装为MATLAB Function模块：

1. 在Simulink库中添加MATLAB Function模块
2. 定义输入端口：当前状态x(k)、上一控制输入u(k-1)、参考轨迹ref
3. 定义输出端口：最优控制量u(k)
4. 将前述代码整合到函数内部

4.2 速率限制处理

在Simulink模型中添加Rate Limiter模块，确保控制输入变化率不超过物理执行器的能力：

code复制Max rate of change: 根据执行器规格设置
Sample time: 与控制器周期一致

4.3 闭环测试配置

构建完整的闭环测试环境：

1. 被控对象模型（State-Space或Transfer Function模块）
2. MPC控制器（封装的MATLAB Function）
3. 参考信号生成（Signal Builder或From Workspace）
4. 示波器模块用于监控关键信号

5. 实际应用中的调参经验

5.1 权重矩阵选择

Q和R的选择直接影响控制性能：

• 增大Q对角线元素：加强输出跟踪，但可能导致控制动作剧烈
• 增大R对角线元素：平滑控制输入，但可能降低响应速度
• 初始建议：从Q=eye(p), R=0.1*eye(m)开始，p是输出维数，m是输入维数

5.2 预测时域选择

预测步长Np的权衡：

• 过小：预见性不足，可能导致不稳定
• 过大：计算负担增加，可能引入不必要的远未来信息干扰
• 经验法则：Np应覆盖系统主要动态，通常选为系统阶跃响应达到稳态的20-90%时间

5.3 数值稳定性处理

改善计算精度的技巧：

1. 对状态变量进行缩放，使各状态量级相近
2. 在quadprog中添加小的正则化项：H = H + 1e-6*eye(size(H))
3. 使用更稳定的求解器如OSQP替代quadprog

6. 扩展应用：四轮车辆动力学控制

将增量MPC应用于车辆控制时，需特别注意：

1. 模型线性化：在工作点附近线性化非线性动力学模型
2. 时变参考：处理轨迹跟踪时的时变参考信号
3. 约束处理：显式考虑转向角速率限制和加速度限制

核心调整包括：

matlab复制% 时变参考处理
for i = 1:Np
    ref_traj((i-1)*ny+1:i*ny) = reference(k+i);
end

% 状态约束添加
A_con = [A_con; Phi; -Phi];
b_con = [b_con; x_max - F*xi; -x_min + F*xi];

我在实际车辆控制项目中发现，将纵向和横向动力学解耦处理，然后分别设计MPC控制器，往往比单一集中式控制器更容易调试和实现。