增量式MPC控制原理与Matlab实现详解

1. 项目背景与核心价值

在控制工程领域，模型预测控制（MPC）因其处理多变量约束优化问题的能力而广受青睐。传统MPC实现通常基于系统状态的绝对量进行预测和优化，而采用输入增量的状态空间MPC公式则提供了一种更灵活的控制框架。这种改进方案特别适合执行机构存在速率限制的场景，比如机械臂关节运动控制、无人机姿态调整等需要平滑控制信号的应用。

我在工业级运动控制系统的开发中发现，直接使用控制量绝对值进行优化的MPC控制器，在面对突发干扰时容易产生控制信号的剧烈跳变。而通过重构状态空间方程引入输入增量作为新状态变量，可以自然地将控制量变化率纳入优化目标，从而获得更平缓的控制轨迹。这个发现促使我系统性地研究了不同增量式MPC的数学表述形式及其实现细节。

2. 增量式MPC的数学基础

2.1 标准状态空间模型重构

考虑离散线性时不变系统：

code复制x(k+1) = A x(k) + B u(k)
y(k) = C x(k)

其中x∈R^n, u∈R^m, y∈R^p。为引入输入增量Δu(k)=u(k)-u(k-1)，我们构建增广状态向量：

code复制ξ(k) = [x(k)^T, u(k-1)^T]^T

得到新的状态空间方程：

code复制ξ(k+1) = Ã ξ(k) + B̃ Δu(k)
y(k) = C̃ ξ(k)

其中：

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

2.2 预测模型构建

基于增广模型，预测时域p内的系统行为可表示为：

code复制Ξ = F ξ(k) + Φ ΔU
Y = Ψ ξ(k) + Θ ΔU

其中：

• Ξ = [ξ(k+1|k)^T, ..., ξ(k+p|k)^T]^T
• Y = [y(k+1|k)^T, ..., y(k+p|k)^T]^T
• ΔU = [Δu(k|k)^T, ..., Δu(k+m-1|k)^T]^T
• F, Φ, Ψ, Θ为相应的系数矩阵

3. Matlab实现关键步骤

3.1 系统建模与参数初始化

matlab复制% 定义原始系统矩阵
A = [1.2 0.1; -0.3 0.8]; 
B = [0.5; 1.2];
C = [1 0];

% 构建增广系统
n = size(A,1); m = size(B,2);
A_tilde = [A B; zeros(m,n) eye(m)];
B_tilde = [B; eye(m)];
C_tilde = [C zeros(size(C,1),m)];

% MPC参数
p = 10; % 预测时域
m_ctrl = 5; % 控制时域
Q = diag([10,5,1]); % 状态权重
R = 0.1*eye(m); % 输入增量权重

3.2 预测矩阵计算

matlab复制% 计算预测矩阵F
F = zeros((p+1)*(n+m), n+m);
for i = 1:p+1
    F((i-1)*(n+m)+1:i*(n+m), :) = A_tilde^(i-1);
end

% 计算预测矩阵Φ
Phi = zeros((p+1)*(n+m), m*m_ctrl);
for i = 1:p
    for j = 1:min(i,m_ctrl)
        Phi(i*(n+m)+1:(i+1)*(n+m), (j-1)*m+1:j*m) = A_tilde^(i-j)*B_tilde;
    end
end

% 输出预测矩阵Ψ和Θ（类似方法构建）

3.3 优化问题求解

matlab复制function [dU, U] = solveMPC(x_k, u_prev, Q, R, F, Phi, ref_traj)
    % 构建增广状态
    xi_k = [x_k; u_prev];
    
    % 构造Hessian矩阵和梯度向量
    H = Phi'*Q*Phi + R;
    f = (F*xi_k - ref_traj)'*Q*Phi;
    
    % 求解QP问题
    options = optimoptions('quadprog','Display','none');
    dU = quadprog(H, f', [], [], [], [], [], [], [], options);
    
    % 计算实际控制量
    U = u_prev + dU(1:length(u_prev));
end

4. 不同公式变体对比研究

4.1 标准增量式MPC

如前述基础实现，特点包括：

• 将Δu作为优化变量
• 需额外存储上一时刻控制量u(k-1)
• 适合控制量变化率受限场景

4.2 混合型MPC公式

结合绝对量和增量：

code复制J = Σ(||x(k+i)-x_ref||²_Q + ||u(k+i)-u_ref||²_S + ||Δu(k+i)||²_R)

实现要点：

• 需调整优化变量为[u(k)^T, Δu(k+1)^T, ..., Δu(k+m-1)^T]^T
• 增加权重矩阵S调节绝对控制量惩罚
• 适合需要同时约束控制量大小和变化率的场景

4.3 增量式经济型MPC

将经济指标直接作为目标函数：

code复制J = Σ(α·能耗 + β·生产效率 + γ·Δu²)

实现差异：

• 需建立能耗等经济指标与状态的映射关系
• 权重系数需根据实际经济效益调整
• 适合过程工业等经济性优先的场景

5. 实际应用中的关键技巧

5.1 权重调整经验

• 控制增量权重R的典型初始值：

matlab复制R = r*eye(m)/norm(B_tilde'*B_tilde);

其中r在0.1-10之间调整，过大导致响应迟缓，过小引起振荡

• 状态权重Q的对角元素应与状态量纲匹配：

matlab复制Q = diag([1/(x1_max^2), 1/(x2_max^2), ...]);

5.2 实时性能优化

1. 热启动策略：用上一时刻的解作为本次优化的初始猜测
2. 稀疏矩阵计算：利用预测矩阵的块对角结构加速计算
3. 提前终止：设置合理的优化精度要求（如1e-4）

5.3 抗积分饱和处理

增量式MPC容易因执行机构饱和导致积分效应，解决方法：

matlab复制% 在QP约束中添加
u_min <= u_prev + cumsum(dU) <= u_max

或采用反计算保护：

matlab复制if any(U > u_max)
    U = min(U, u_max);
    u_prev = U; % 重置历史值
end

6. 典型问题排查指南

6.1 控制器输出振荡

可能原因：

• 预测时域p过短（建议p≥3倍系统主导时间常数）
• 控制增量权重R过小
• 未考虑执行机构延迟

诊断方法：

matlab复制% 检查开环预测响应
Y_ol = F*xi_k + Phi*dU;
plot(Y_ol(1:n:end)); % 查看预测趋势

6.2 稳态误差问题

解决方案：

1. 引入输出偏差积分项：

matlab复制xi_aug = [xi_k; sum(y_ref - y_meas)];

2. 检查系统类型：

matlab复制rank([eye(n)-A B; C 0]) == n+p % 是否能实现无静差跟踪

6.3 计算耗时过长

优化方向：

1. 减少控制时域m（对稳定性影响较小）
2. 使用显式MPC（离线计算参数分区）
3. 采用condensing技术压缩优化变量：

matlab复制H_cond = Phi'*Q*Phi + R; % 离线计算
f_cond = (F*xi_k - ref_traj)'*Q*Phi; % 在线计算

7. 不同应用场景的调整策略

7.1 快速动态系统（如无人机）

• 采样周期：10-50ms
• 典型参数：p=15, m=3
• 特别注意：需包含角速率约束

7.2 慢速过程系统（如温度控制）

• 采样周期：1-10s
• 典型参数：p=20, m=5
• 关键调整：增加输出柔化因子

7.3 多输入多输出系统

• 耦合处理：在Q矩阵中加入交叉项权重
• 优先级管理：通过权重分配实现解耦

matlab复制Q(1:n,1:n) = 100; % 主被控量权重
Q(n+1:end,n+1:end) = 1; % 次要被控量

我在实际开发中发现，对于机械臂轨迹跟踪场景，采用m=4能在计算复杂度和控制性能间取得较好平衡。而过程控制中，将预测时域设置为达到稳态时间的60%左右（通常p=15-30）可获得理想效果。一个容易忽视的细节是，当系统存在明显延迟时，需要在状态增广时额外考虑延迟步数，这会使矩阵维度增大但能显著改善控制品质。