1. 课程导入
预测控制（Model Predictive Control, MPC）是工业过程控制中应用最广泛的高级控制策略之一。它之所以能在化工、电力、冶金、汽车、机器人等领域长期占据核心地位，根本原因在于它把“未来”纳入了当前决策：控制器不再只根据当前误差做反应，而是基于系统模型预测未来一段时间内的输出轨迹，并在满足约束的前提下求解一组最优控制量。理解这一思想，是学习后续约束处理与代价函数整定的前提。
一、预测控制的基本思想
预测控制的核心可以概括为“预测—优化—滚动”三步循环。首先，利用被控对象的数学模型，根据当前状态和未来控制输入，预测未来有限时域内的输出；其次，构造一个代价函数，衡量输出跟踪设定值的偏差与控制量变化的代价，并在约束条件下求解最优控制序列；最后，只实施该序列中的第一个控制量，下一时刻重新测量状态并重复上述过程。这种“滚动时域”机制使控制器具备反馈校正能力，即使模型存在失配，也能通过不断更新状态来维持闭环稳定。
从信号链角度看，预测控制包含四个关键环节：参考轨迹、预测模型、滚动优化和反馈校正。参考轨迹给出期望输出；预测模型负责推演未来；滚动优化在约束内寻找最优解；反馈校正则利用实际测量修正预测偏差。四者缺一不可，而约束与代价函数正是连接“期望”与“可行”的桥梁。
二、约束与代价函数整定的重要性
在实际工业过程中，几乎不存在“无约束”的控制问题。执行器有物理限幅，阀门有开度范围，温度、压力、液位有安全边界，控制量的变化率也受机械寿命限制。如果忽略这些约束，控制器可能给出理论上最优但物理上不可行的解，轻则导致执行器饱和、控制性能下降，重则引发安全事故。因此，约束处理是预测控制区别于传统 PID 的关键能力之一。
代价函数则决定了“什么算好”。它通常由跟踪误差项和控制量变化项组成，有时还加入终端惩罚项或经济指标项。权重系数的大小直接影响闭环响应：跟踪权重过大，控制动作会过于激进，容易激发振荡；控制权重过大，响应会变得迟缓，抗扰能力下降。整定的本质，就是在快速性、平稳性、鲁棒性和经济性之间寻找平衡。
核心判断：约束决定“能不能做”，代价函数决定“做得多好”。两者共同构成预测控制器的行为边界与优化方向。
三、课程整体框架与学习目标
本课程共 30 章，围绕“约束”与“代价函数整定”两条主线展开。前半部分建立预测控制的基础认知，包括预测模型、滚动优化、反馈校正、约束类型与数学描述；中段深入代价函数的结构、权重参数、终端代价、经济型代价以及整定方法；后段结合工程案例，讨论约束冲突、不可行问题、软约束与硬约束的取舍、参数灵敏度分析和现场调试经验。
| 模块 | 主要内容 | 学习目标 |
|---|---|---|
| 基础篇 | 预测控制原理、模型形式、滚动时域 | 理解预测—优化—滚动闭环机制 |
| 约束篇 | 输入/输出/状态约束、硬约束与软约束 | 能正确建模约束并判断可行性 |
| 代价函数篇 | 跟踪项、控制项、终端项、经济项 | 掌握权重物理意义与整定方向 |
| 整定与实战篇 | 参数灵敏度、冲突处理、现场调试 | 能针对典型工况完成整定与复盘 |
四、典型场景与常见误区
以一个加热炉温度控制为例：设定值为 850℃，执行器为燃气阀门，阀门开度限制在 0～100%，变化率不超过 5%/s。若代价函数只关注温度跟踪，控制器可能在升温阶段要求阀门瞬间全开，但变化率约束会将其限制住，导致实际升温变慢。此时若把控制量变化权重调得过小，控制器会持续要求大幅动作，形成“饱和—等待—再饱和”的锯齿响应；若调得过大，则升温缓慢、能耗增加。整定过程必须结合约束边界一起考虑，而不是单独调权重。
常见误区：把预测控制当成“更复杂的 PID”，只调权重不看约束；或者认为约束越多越安全，导致优化问题频繁不可行。正确做法是先确认约束的物理必要性与优先级，再设计代价函数，最后通过仿真和现场数据迭代整定。
学习本课程后，你应当能够：读懂一个预测控制器的代价函数与约束集；判断参数变化对闭环性能的影响方向；在约束冲突时给出合理的软化或优先级方案；并能够用仿真与现场数据完成一轮可解释的整定。接下来，我们将从预测模型与滚动优化开始，逐步建立完整的知识体系。