1. MPC模型预测控制基础解析
模型预测控制（Model Predictive Control, MPC）作为现代控制理论中的重要分支，在工业过程控制、机器人运动规划等领域展现出显著优势。与传统PID控制不同，MPC通过在线求解有限时域内的优化问题来生成控制指令，这种"滚动优化"的特性使其能够显式处理多变量耦合、约束条件等复杂场景。
1.1 MPC核心原理剖析
MPC控制器的核心工作机制包含三个关键环节：
- 预测模型：建立被控对象的数学模型（如状态空间方程、传递函数），用于预测未来时域内的系统行为
- 滚动优化：在每个控制周期求解目标函数的最小化问题，考虑系统约束条件
- 反馈校正：将实际输出与预测值比较，通过误差补偿提高鲁棒性
以离散状态空间模型为例：
code复制x(k+1) = Ax(k) + Bu(k)
y(k) = Cx(k)
其中A、B、C为系统矩阵，k为离散时间步。MPC通过该模型预测未来N步的系统状态，形成预测方程：
code复制Y = F·x(k) + Φ·U
其中Y为输出预测序列，U为控制输入序列，F和Φ为由系统矩阵构成的预测矩阵。
1.2 MATLAB在MPC实现中的优势
MATLAB为MPC研究提供了完整的工具链支持：
- Control System Toolbox：提供ss、tf等模型构建函数
- Model Predictive Control Toolbox：专用工具箱包含mpc对象生成、仿真函数
- Optimization Toolbox：求解二次规划(QP)问题的quadprog函数
- Simulink：可视化仿真环境支持MPC控制器部署
实际工程中，80%的MPC问题可通过MATLAB内置函数解决，剩余20%需要自定义优化算法。建议优先掌握官方工具箱的使用方法。
2. MPC仿真程序架构设计
2.1 系统建模与参数配置
典型单输入单输出(SISO)系统的建模流程：
matlab复制% 连续系统传递函数
G = tf([1],[1 2 1]);
% 转换为离散状态空间
Ts = 0.1; % 采样时间
sysd = c2d(G, Ts, 'zoh');
% 提取状态空间矩阵
[A,B,C,D] = ssdata(sysd);
关键参数设置建议：
| 参数 | 作用 | 典型取值 | 调整原则 |
|---|---|---|---|
| 预测时域Np | 预测步长 | 20-50 | 覆盖系统主要动态 |
| 控制时域Nc | 优化步长 | 5-10 | ≤Np的1/3 |
| 采样时间Ts | 离散化间隔 | 0.1-1s | 小于系统最快时间常数1/10 |
2.2 目标函数构建
标准二次型目标函数：
matlab复制Q = diag([10,1]); % 状态权重
R = 0.1; % 控制量权重
N = 20; % 预测时域
function J = mpcCost(U, x0, A, B, Q, R, N)
x = x0;
J = 0;
for k = 1:N
u = U(k);
x = A*x + B*u;
J = J + x'*Q*x + u'*R*u;
end
end
权重选择经验：先设R=1，调整Q使状态误差与控制量变化达到平衡。实际工程中常通过试凑法确定。
3. MATLAB实现详解
3.1 基础实现方案
完整仿真代码框架：
matlab复制% 系统建模
sys = tf(1,[1 1.5 1]);
sysd = c2d(sys, 0.1, 'zoh');
[A,B,C,D] = ssdata(sysd);
% MPC参数
Np = 20; Nc = 5;
Q = C'*C; R = 0.1;
u_min = -2; u_max = 2; % 控制约束
% 仿真设置
T = 10; x = [0;0]; u = 0;
X = []; Y = []; U = [];
for k = 1:T/0.1
% 实时优化
opt = optimoptions('fmincon','Display','none');
U_opt = fmincon(@(U)mpcCost(U,x,A,B,Q,R,Np),...
zeros(Nc,1),[],[],[],[],...
u_min*ones(Nc,1),u_max*ones(Nc,1),[],opt);
% 应用首个控制量
u = U_opt(1);
% 系统响应
x = A*x + B*u;
y = C*x;
% 记录数据
X = [X; x']; Y = [Y; y]; U = [U; u];
end
% 可视化
subplot(2,1,1); plot(Y); title('系统输出');
subplot(2,1,2); stairs(U); title('控制信号');
3.2 使用MPC工具箱实现
专业工具箱简化开发流程：
matlab复制% 创建MPC对象
mpcobj = mpc(sysd, Ts, Np, Nc);
% 设置约束
mpcobj.MV.Min = -2;
mpcobj.MV.Max = 2;
% 仿真
Tf = 10;
r = ones(Tf/Ts,1); % 阶跃参考
sim(mpcobj, Tf, r);
工具箱函数关键参数说明：
mpcweights：设置输出、控制量的权重比mpcmove：在线计算控制指令sim：闭环仿真函数支持参考跟踪
4. 典型问题排查指南
4.1 数值不稳定现象
症状：仿真中出现NaN或异常震荡
解决方案：
- 检查系统矩阵A的特征值：
matlab复制eig(A) % 模应小于1 - 增加状态权重Q的对角元素
- 减小控制时域Nc
4.2 优化求解失败
错误提示："QP solver failed to converge"
处理步骤：
- 放宽控制约束u_min/u_max
- 调整optimoptions：
matlab复制opt = optimoptions('fmincon','MaxIterations',1000); - 尝试不同求解算法：
matlab复制opt.Algorithm = 'sqp';
4.3 实时性不足
表现：单步计算超时
优化方案：
- 减少预测时域Np
- 使用显式MPC（离线计算最优解集合）
- 采用快速QP求解器如OSQP：
matlab复制
[x,fval,exitflag] = osqp(H,f,Aineq,bineq,Aeq,beq);
5. 进阶应用实例
5.1 轨迹跟踪控制
车辆横向控制案例：
matlab复制% 车辆动力学模型（自行车模型）
m = 1500; lf = 1.2; lr = 1.6;
Caf = 80000; Car = 80000;
A = [0 1 0 0;
0 -(Caf+Car)/m 0 -lf*Caf+lr*Car;
0 0 0 1;
0 -(lf*Caf-lr*Car)/Iz 0 -(lf^2*Caf+lr^2*Car)/Iz];
B = [0; Caf/m; 0; lf*Caf/Iz];
% 参考轨迹生成
t = 0:0.1:10;
ref = 0.1*sin(0.5*t);
% MPC跟踪控制器
mpcobj = mpc(ss(A,B,eye(4),0), 0.1, 30, 10);
mpcobj.Weights.OutputVariables = [100 1 10 1];
5.2 多变量解耦控制
温度-压力系统控制：
matlab复制% 耦合系统模型
G11 = tf(1,[10 1]);
G12 = tf(0.2,[5 1]);
G21 = tf(-0.1,[8 1]);
G22 = tf(1,[15 1]);
G = [G11 G12; G21 G22];
% 多变量MPC
mpcobj = mpc(G, 1, 25, 5);
mpcobj.MV(1).Min = 0; % 温度控制量下限
mpcobj.MV(2).Max = 10; % 压力控制量上限
% 交互抑制设置
mpcobj.Weights.MVRate = [0 1; 1 0];
在实现过程中，我发现MPC参数整定需要平衡三个关键点：预测精度、计算效率和鲁棒性。对于快速动态系统，建议采用较小的采样时间（Ts≤0.1s）配合短控制时域（Nc=3~5）；而对于慢过程如化工反应，可增大Ts到数秒并延长Np至50步以上。实际调试时，先用阶跃响应测试基本性能，再逐步添加约束条件和干扰测试鲁棒性。