模型预测控制(MPC)建模实战：从离散/连续到线性/非线性模型详解

1. 项目概述：从“预测”到“控制”的桥梁

在工业自动化、机器人控制乃至自动驾驶领域，我们常常面临一个核心挑战：如何让一个系统不仅对当前状态做出反应，还能“预见”未来几步，并据此做出最优决策？这就是模型预测控制（Model Predictive Control, MPC）要解决的问题。它不像传统的PID控制器那样，只盯着当前的误差进行修正；MPC更像一个下棋高手，会推演未来几步棋的走势，选择一条最优路径，然后只执行第一步，下一时刻再重新推演，如此循环。这种“滚动优化”的策略，使其在处理多变量、有约束的复杂系统时，展现出无与伦比的优势。

然而，MPC的魅力与挑战并存，其核心就在于这个“模型”。模型是MPC预测未来的“水晶球”，模型的精度和形式直接决定了控制性能的上限。很多初学者在接触MPC时，往往被各种模型类型搞得晕头转向：我的系统该用离散模型还是连续模型？线性模型够用吗，还是必须上非线性？在Matlab里又该如何把这些抽象的数学模型“落地”成可运行的代码？

本文将围绕“使用离散、连续、线性或非线性模型对预测控制进行建模”这一核心，结合Matlab实现，为你彻底拆解MPC的建模内核。我不会只给你一堆公式和代码，而是会带你理解每种模型选择背后的“为什么”，分享在实际编码和调试中踩过的坑和总结的技巧。无论你是正在做课程设计的学生，还是需要在项目中快速应用MPC的工程师，这篇文章都将提供一条从理论到实践的清晰路径。

2. 模型预测控制的核心思想与工作流程

在深入模型细节之前，我们必须先统一对MPC基本框架的认识。很多人一上来就钻研模型和优化算法，却忽略了MPC作为一个闭环策略的整体逻辑，这容易导致“只见树木，不见森林”。

2.1 “滚动时域”优化：MPC的灵魂

想象一下自动驾驶汽车在弯道行驶。一个糟糕的司机可能只盯着车头前方几米，发现偏离车道了才猛打方向盘，结果就是车辆画龙。而一个优秀的司机会提前观察整个弯道的曲率，在心中规划出一条平滑的轨迹，然后沿着这条轨迹行驶，并随时根据实际情况微调。

MPC就是那个“优秀的司机”。它的工作流程可以概括为以下四步，这是一个在每个控制周期都会重复的循环：

1. 状态估计/测量：在当前时刻k，通过传感器获取系统当前的实际状态x(k)。对于无法直接测量的状态，需要使用状态观测器（如卡尔曼滤波器）进行估计。
2. 预测：基于当前状态x(k)和系统数学模型，预测在未来一段有限时间（预测时域Np）内，系统在不同控制输入序列U(k) = [u(k), u(k+1), ..., u(k+Nc-1)]作用下的状态轨迹X(k) = [x(k+1|k), ..., x(k+Np|k)]。这里的(k+i|k)表示在k时刻对k+i时刻的预测。
3. 优化：在预测时域内，求解一个带约束的优化问题。其目标函数通常是让预测输出尽可能跟踪期望的参考轨迹，同时控制量变化平滑、能耗最小。约束则包括控制输入u的幅值/速率限制、状态x的安全范围等。通过优化算法，找到最优的未来控制输入序列U*(k)。
4. 执行与滚动：只取最优控制序列中的第一个元素u*(k)施加给实际系统。到下一个采样时刻k+1，系统状态更新，重复步骤1，基于新的状态重新进行预测和优化。

这个“预测-优化-执行-滚动”的过程，就是“滚动时域优化”。它用开环优化（在每个时刻求解一个开环最优问题）的方法，实现了闭环反馈控制的效果，并且天然地处理了多变量和约束。

2.2 目标函数与约束：优化问题的“指挥棒”

MPC的优化问题通常表述如下：

min J = Σ [ (y(k+i|k) - r(k+i))^T * Q * (y(k+i|k) - r(k+i)) ] // 跟踪误差惩罚 + Σ [ Δu(k+i)^T * R * Δu(k+i) ] // 控制增量惩罚 + Σ [ u(k+i)^T * S * u(k+i) ] // 控制量惩罚 (可选) s.t. x(k+i+1|k) = f( x(k+i|k), u(k+i) ) // 系统动力学模型（等式约束） y(k+i|k) = h( x(k+i|k) ) // 输出方程 u_min ≤ u(k+i) ≤ u_max // 控制输入约束 Δu_min ≤ Δu(k+i) ≤ Δu_max // 控制增量约束 x_min ≤ x(k+i|k) ≤ x_max // 状态约束

• 目标函数 J：由三部分组成。
  • 跟踪项：最核心的部分，惩罚预测输出y与参考轨迹r之间的偏差。权重矩阵Q决定了我们对不同输出变量跟踪精度的重视程度。Q越大，跟踪越紧，但可能导致控制动作剧烈。
  • 控制增量项：惩罚控制量u的变化率Δu。权重矩阵R用于抑制控制量的剧烈波动，使控制过程更平滑。这是保证实际物理系统稳定、减少执行器磨损的关键。
  • 控制量项（可选）：有时为了将控制量稳定在某个工作点附近，会直接惩罚控制量u本身。
• 约束：这是MPC相比传统控制器的最大优势之一，它能将物理限制直接纳入控制器设计。
  • 等式约束：即系统的动力学模型f(·)和输出方程h(·)。这是预测的基础。
  • 不等式约束：包括输入/输出的幅值限制、变化率限制、状态安全区域等。例如，阀门的开度有0-100%的限制，电机的扭矩和转速有上限，机器人的关节角度有机械限位。

一个关键的实操心得：权重矩阵Q和R的调节是MPC调试的“艺术”。通常的起点是：Q的对角线元素设为1（或输出量纲倒数的平方，以归一化），R的对角线元素设为一个较小的数（如0.1）。调试时，遵循“先稳后准”的原则：先增大R让控制动作平滑、系统稳定；再逐步增大Q以提高跟踪性能。如果出现震荡，往往是R太小；如果响应迟钝，则是Q太小或R太大。

3. MPC的基石：四种模型类型的深度解析与选型指南

模型是MPC预测未来的依据。选择哪种模型，取决于你的系统特性、你对精度的要求以及你对计算复杂度的容忍度。下面我们逐一拆解。

3.1 连续 vs. 离散：时间域的抉择

这是一个关于“控制器如何在时间上运作”的根本选择。

• 连续时间模型：用微分方程描述系统动态，时间变量t是连续的。例如，一个简单的质量-弹簧-阻尼系统：m * d²x/dt² + c * dx/dt + k * x = F(t)。这种模型更贴近物理世界的本质，在理论分析和某些高级控制算法（如基于微分平坦度的控制）中很常见。

  • 优点：模型形式优雅，物理意义清晰，便于理论分析。
  • 缺点：数字控制器（计算机）无法直接处理连续信号。必须对其进行离散化，才能进行数值计算和滚动优化。
  • 何时用：当你从第一性原理（物理定律）推导模型时，自然得到连续模型。或者，当你的采样频率非常高，可以近似认为连续时。

• 离散时间模型：用差分方程描述系统动态，时间变量k是离散的（第k个采样时刻）。例如，x(k+1) = A * x(k) + B * u(k)。这是数字控制器的“母语”。

  • 优点：可直接用于计算机实现，无需额外的离散化步骤。与MPC的滚动优化流程（在每个采样时刻求解）天然契合。
  • 缺点：离散化过程会引入误差，特别是当采样周期Ts较大或系统动态较快时。
  • 何时用：绝大多数实际MPC应用的首选。特别是当你通过系统辨识（如利用输入输出数据）来获取模型时，得到的直接就是离散模型。

核心结论与实操建议：对于工程实现，我们几乎总是在离散时间域设计和实施MPC。即使你拥有一个漂亮的连续模型，最终也需要将其离散化。在Matlab中，对于线性系统，可以使用c2d函数进行离散化。选择离散化方法（如零阶保持ZOH、一阶保持FOH、双线性变换Tustin）时，ZOH是最常用且物理意义明确（假设控制输入在采样周期内保持恒定）的选择。

注意：离散化时，采样时间Ts的选择至关重要。一个经验法则是：它应小于系统最快动态时间常数的1/10。Ts太大会导致离散化误差大，甚至造成系统不稳定；Ts太小则会增加不必要的计算负担。

3.2 线性 vs. 非线性：复杂度与精度的权衡

这是关于“模型如何描述系统动态”的选择，对MPC的计算复杂度和性能影响最大。

• 线性模型：系统动态由线性微分/差分方程描述。状态空间形式最为常见：x(k+1) = A*x(k) + B*u(k),y(k) = C*x(k) + D*u(k)。

  • 优点：
    1. 计算高效：对于线性模型和二次型目标函数、线性约束的MPC问题（即线性二次型调节器LQR的带约束扩展），优化问题是一个凸的二次规划（QP）问题。QP有成熟、快速且可靠的求解算法（如内点法、有效集法），能保证在有限时间内找到全局最优解，满足实时控制要求。
    2. 理论成熟：稳定性、鲁棒性分析有坚实的理论支撑。
  • 缺点：只能描述系统在工作点附近的小范围动态。如果实际工况偏离线性化点较远，控制性能会严重下降甚至失稳。
  • 何时用：系统本质上是线性的，或者在工作点附近运行且动态范围不大。这是工业应用中最主流的选择，因为其可靠性和实时性至关重要。

• 非线性模型：系统动态由非线性方程描述。例如，无人机动力学、化学反应过程、机器人动力学等。

  • 优点：精度高，能在大范围工况下准确描述系统行为，理论上能获得全局最优的控制性能。
  • 缺点：
    1. 计算复杂：优化问题变为非线性规划（NLP）问题。NLP的求解难度呈指数级增长，可能陷入局部最优，求解时间不可预测，难以满足实时控制要求。
    2. 实现复杂：需要更专业的优化求解器和更仔细的初始化。
  • 何时用：系统非线性非常强，线性模型完全无法满足性能要求，并且你有足够的计算资源和对实时性要求不那么苛刻。

一个关键的折中方案：线性变参数（LPV）模型与序列线性化在实际中，纯非线性MPC应用较少。更常见的策略是：

1. 序列线性化（Successive Linearization）：在每个MPC采样时刻，围绕当前估计状态x(k)对非线性模型进行线性化，得到一个局部的线性模型A(k), B(k)。然后在当前时刻用这个线性模型构建QP问题并求解。下一时刻，重新线性化。这样，你将一个非线性问题转化为一系列在线更新的线性QP问题，兼顾了精度和计算效率。这是处理温和非线性系统的实用方法。
2. 线性变参数（LPV）模型：将非线性模型表示为系统矩阵A(θ), B(θ)随某个可测调度变量θ（如工作点、速度等）变化的线性模型。MPC在线根据当前的θ调用对应的线性模型。这需要离线建立好一系列模型。

实操心得：不要盲目追求非线性MPC。首先尝试用线性模型或序列线性化。只有当线性方法确实无法满足性能指标（例如，跟踪误差始终很大，或者需要跨越多个截然不同的工作点），且经过充分评估确认有足够的计算余量时，再考虑非线性MPC。在Matlab中，Model Predictive Control Toolbox主要面向线性MPC，而Nonlinear MPC Toolbox则用于非线性MPC。

4. 在Matlab中实现MPC：从模型建立到闭环仿真

理论说得再多，不如一行代码。我们以最典型的离散线性模型为例，展示在Matlab中实现MPC的完整流程。这里假设我们要控制一个直流电机的转速（状态x为角速度，控制输入u为电压）。

4.1 步骤一：定义离散线性模型

首先，我们需要系统的状态空间模型(A, B, C, D)。假设我们通过机理建模或系统辨识得到：

% 假设电机参数：时间常数 Tau=0.5s，增益 K=10 rad/s/V Tau = 0.5; K = 10; Ts = 0.1; % 采样时间，应远小于Tau % 连续时间状态空间模型：dx/dt = Ac*x + Bc*u, y = Cc*x + Dc*u % 简单一阶系统：Tau * dx/dt + x = K * u Ac = -1/Tau; Bc = K/Tau; Cc = 1; Dc = 0; sysc = ss(Ac, Bc, Cc, Dc); % 离散化（使用零阶保持器） sysd = c2d(sysc, Ts, 'zoh'); [A, B, C, D] = ssdata(sysd); disp('离散系统矩阵 A:'); disp(A); disp('离散系统矩阵 B:'); disp(B);

4.2 步骤二：创建MPC控制器对象

使用Model Predictive Control Toolbox中的mpc函数。

% 定义采样时间（必须与离散模型一致） mpc_Ts = Ts; % 创建MPC控制器对象 % 参数：离散模型、采样时间、预测时域、控制时域 prediction_horizon = 20; control_horizon = 5; mpcobj = mpc(sysd, mpc_Ts, prediction_horizon, control_horizon); % 设置约束（非常重要！） % 输入电压限制：-10V 到 10V mpcobj.ManipulatedVariables.Min = -10; mpcobj.ManipulatedVariables.Max = 10; % 输入电压变化率限制：每秒变化不超过 5V mpcobj.ManipulatedVariables.RateMin = -5 * mpc_Ts; mpcobj.ManipulatedVariables.RateMax = 5 * mpc_Ts; % 设置权重 % 输出权重（跟踪误差）：默认是1，这里我们加大权重以紧密跟踪 mpcobj.Weights.OutputVariables = 10; % 输入增量权重（控制平滑性）：默认是0.1，这里保持以平滑控制 mpcobj.Weights.ManipulatedVariablesRate = 0.1; % 输入权重（可选，这里设为0） mpcobj.Weights.ManipulatedVariables = 0; % 设置参考信号类型（默认是输出跟踪，即ysetpoint） % 这里我们期望转速（输出y）跟踪一个给定的参考值

4.3 步骤三：进行闭环仿真

使用sim函数进行闭环仿真，验证控制器性能。

% 仿真时间 Tf = 5; % 秒 steps = ceil(Tf / mpc_Ts); % 仿真步数 % 创建参考信号：前2秒为0，之后阶跃到5 rad/s ref_signal = zeros(steps, 1); ref_signal(ceil(2/mpc_Ts):end) = 5; % 初始化状态和输入记录 x = 0; % 初始状态（转速为0） u_history = zeros(steps, 1); y_history = zeros(steps, 1); x_history = zeros(steps, 1); % 手动实现仿真循环，以便观察每一步 for k = 1:steps % 当前参考值 r = ref_signal(k); % 使用MPC控制器计算最优控制量 % 注意：mpcobj是控制器对象，它内部会维护状态估计（这里我们使用完美状态反馈，即x） % 在实际中，需要用状态观测器估计x [u, info] = mpcmove(mpcobj, x, r); % 记录 u_history(k) = u; y_history(k) = C * x; % 当前输出 x_history(k) = x; % 使用离散模型更新系统状态（模拟被控对象） x = A * x + B * u; end % 绘制结果 time = (0:steps-1)' * mpc_Ts; figure; subplot(2,1,1); plot(time, ref_signal, 'r--', 'LineWidth', 1.5, 'DisplayName', '参考转速'); hold on; plot(time, y_history, 'b-', 'LineWidth', 1.5, 'DisplayName', '实际转速'); xlabel('时间 (s)'); ylabel('转速 (rad/s)'); title('MPC控制效果 - 输出跟踪'); legend('Location', 'best'); grid on; subplot(2,1,2); stairs(time, u_history, 'k-', 'LineWidth', 1.5); xlabel('时间 (s)'); ylabel('控制电压 (V)'); title('控制输入'); grid on;

这段代码的几点关键解释和避坑指南：

1. mpc函数参数：prediction_horizon（预测时域）通常设为系统过渡过程时间的1.5-2倍。control_horizon（控制时域）可以小于预测时域，以降低优化问题维度。通常，控制时域后的控制量假设保持不变。
2. 状态反馈：例子中我们假设状态x可直接测量（y = x）。现实中，更多状态不可测，必须设计状态观测器（如卡尔曼滤波器）。mpc对象可以配置内置的观测器，这是实际应用中的关键一步。
3. mpcmove函数：这是MPC的核心计算函数。每次调用，它都会基于内部维护的模型和状态估计，求解一个QP问题，并返回当前时刻的最优控制量u。info结构体包含了优化问题的详细信息，如是否可行、性能指标值等，调试时务必检查info.ExitFlag，确保优化求解成功（通常为正值）。
4. 约束违反：如果优化问题因约束过紧而不可行，mpc对象会尝试放松约束（如果配置允许）或返回错误。在调试初期，可以适当放宽约束，确保控制器能正常工作，再逐步收紧。

5. 进阶话题：非线性MPC与自定义优化求解

当你不得不面对非线性系统时，Matlab提供了nlmpc对象。其使用流程与线性MPC类似，但需要你提供描述系统动力学的非线性函数句柄。

5.1 非线性MPC对象创建与配置

% 定义状态数、输入数、输出数 nx = 2; nu = 1; ny = 1; % 创建非线性MPC对象 nlobj = nlmpc(nx, ny, nu); % 配置参数 nlobj.Ts = Ts; % 采样时间 nlobj.PredictionHorizon = 20; nlobj.ControlHorizon = 5; % 指定状态函数和输出函数（需要单独编写函数文件） nlobj.Model.StateFcn = @myStateFcn; % 描述 x(k+1) = f(x(k), u(k)) nlobj.Model.OutputFcn = @myOutputFcn; % 描述 y(k) = h(x(k)) % 设置约束 nlobj.ManipulatedVariables.Min = -10; nlobj.ManipulatedVariables.Max = 10; % 设置权重 nlobj.Weights.OutputVariables = 10; nlobj.Weights.ManipulatedVariablesRate = 0.1; % 验证模型函数（重要步骤！） x0 = [0; 0]; % 初始状态 u0 = 0; % 初始输入 validateFcns(nlobj, x0, u0);

其中，myStateFcn.m和myOutputFcn.m需要你根据非线性系统编写。

5.2 非线性MPC的求解挑战与技巧

非线性MPC的求解通常使用序列二次规划（SQP）或内点法。在Matlab中，可以通过nlmpcmove或nlmpcmoveForces（如果使用FORCES Pro求解器）函数进行计算。

非线性MPC的三大挑战与应对策略：

1. 实时性：NLP求解耗时远大于QP。必须仔细选择预测时域和控制时域，不宜过长。使用更高效的求解器（如fmincon的特定配置，或第三方求解器如IPOPT、FORCES Pro）并利用代码生成技术。
2. 局部最优：NLP可能收敛到局部最优解，而非全局最优。提供良好的初始猜测（例如，使用上一时刻的解作为当前时刻优化的初始点）至关重要。nlmpcmove的x0和mv0参数就是用于此目的。
3. 数值稳定性：非线性函数的雅可比矩阵（导数）如果计算不准确或条件数很差，会导致求解失败。确保你的状态函数和输出函数是平滑可导的，并考虑使用自动微分工具来提供精确的导数。

一个重要的调试技巧：在正式闭环运行前，先在一个开环的环境下测试你的非线性MPC控制器。给定一个初始状态和一系列参考值，调用nlmpcmove并检查其计算时间、退出标志和生成的控制序列是否合理。这能帮助你提前发现模型函数或配置中的问题。

6. 模型失配与鲁棒性：当模型不完美时怎么办？

我们之前讨论都基于一个理想假设：模型完全精确。但现实中，模型失配（Model-Plant Mismatch）无处不在——参数漂移、未建模动态、外部扰动等。一个优秀的MPC设计必须考虑鲁棒性。

6.1 模型失配的典型影响

1. 稳态误差：即使有积分动作，模型增益不准确也可能导致输出无法精确跟踪参考值。
2. 性能下降：响应变慢、超调增大或出现振荡。
3. 约束违反：基于错误模型的预测可能使控制器低估或高估某些变量，导致实际运行中突破安全约束，这是非常危险的。
4. 不稳定：严重的模型失配可能导致闭环系统不稳定。

6.2 增强MPC鲁棒性的实用方法

1. 状态估计与扰动模型：这是最有效的手段之一。在状态观测器（如卡尔曼滤波器）中，不仅估计状态x，还额外估计一个输出扰动（Output Disturbance）或输入扰动（Input Disturbance）。这个估计的扰动项会被反馈到MPC的预测模型中，用于补偿模型误差和慢变扰动。Matlab的MPC工具箱默认就包含一个扰动模型。
2. 软约束（Soft Constraints）：对于关键的状态或输出约束，将其设为“软约束”。这意味着允许约束被轻微违反，但在目标函数中会对违反程度施加一个很大的惩罚。这样，当模型失配或突发扰动导致约束冲突时，优化问题仍然是可行的，控制器会尽力满足约束，但优先保证问题可解，避免控制律中断。在Matlab中，可以通过设置mpcobj.Constraints中相关属性的MinECR,MaxECR（约束松弛优先级）来实现。
3. 鲁棒MPC（Robust MPC）：这是一种更高级的方法，它 explicitly 考虑模型的不确定性（例如，参数在一个区间内变化），并求解一个 min-max 优化问题，保证在最坏情况下的性能。但这会极大地增加计算复杂度，实际应用较少。
4. 自适应MPC：在线更新模型参数。这需要一套可靠的系统辨识算法，实时根据输入输出数据修正模型A, B的参数。复杂度高，仅适用于参数缓慢变化且激励充分的场景。

在实际项目中，我的经验是：优先采用“状态估计（含扰动模型）+ 软约束”的组合。这能解决90%以上的模型失配和抗干扰问题。务必在仿真中测试控制器在不同程度的模型误差（如将B矩阵放大或缩小20%）和加入阶跃扰动下的表现，这是检验控制器鲁棒性的必要环节。

7. 从仿真到部署：工程化实现的考量

让MPC在Matlab里跑起来只是第一步，让它在一个真实的嵌入式系统或工业PLC上稳定运行，是另一回事。

1. 代码生成：Matlab Coder和Simulink Coder可以将设计好的MPC控制器（特别是线性MPC）生成高效的C/C++代码。这是部署到实时系统的标准路径。生成代码前，务必用buildInstrumentedMex和showInstrumentationResults分析数值范围，为定点化做准备。
2. 定点化：许多嵌入式处理器不支持浮点运算或浮点运算较慢。需要将生成的浮点代码转换为定点（Fixed-Point）代码。这需要仔细分析所有变量的动态范围，选择合适的字长和小数位，以避免溢出和精度损失。Matlab Fixed-Point Designer工具箱可以辅助完成这项工作。
3. 求解器选择与集成：对于线性MPC，生成的代码会嵌入一个QP求解器（通常是mpcQPSolver）。确保目标平台有足够的计算能力和内存来运行它。对于非线性MPC，可能需要集成第三方NLP求解器（如ACADO、FORCES Pro的嵌入式版本），这更具挑战性。
4. 采样时间同步：确保控制器的执行周期严格与物理世界的采样时间同步。在实时操作系统中，这通常通过高精度定时器或中断服务程序来实现。
5. 安全与监控：部署的控制器必须包含完善的监控逻辑：检查优化求解器是否成功退出（info.ExitFlag）、控制输出是否在安全范围内、执行器是否故障等。一旦异常，应能无缝切换到备份的安全控制器（如简单的PID或保位模式）。

从离散线性模型到非线性模型，从理论推导到Matlab实现，再到鲁棒性设计和工程部署，模型预测控制是一个环环相扣的体系。成功的MPC应用，始于一个“足够好”的模型，成于对约束和权重的精心调节，终于稳定可靠的工程实现。希望这篇结合了原理与实战、经验与代码的梳理，能为你搭建一座通往MPC自如应用的坚实桥梁。记住，多仿真、多调试、从小系统开始积累经验，是掌握这门控制艺术的不二法门。