1. 课程导入
现代工业控制系统的复杂度正在快速攀升：从风力发电机的变桨距控制、无人驾驶车辆的轨迹跟踪，到半导体制造中的温度/流量精密调节，传统PID控制往往在强非线性、参数时变和外部扰动面前显得力不从心。模型预测控制（Model Predictive Control, MPC）与自适应鲁棒控制（Adaptive Robust Control, ARC）作为两类先进控制方法，分别从"前瞻优化"和"在线辨识+鲁棒补偿"两个维度提供了系统性解决方案。本章作为全课程的开篇，旨在帮助学习者建立完整的知识地图——明确学完本课程后能解决什么问题、需要哪些数学与控制理论基础、MPC与ARC在整个控制理论谱系中的位置，以及两者如何互补与融合。
1.1 学习目标：从理论到工程落地的能力闭环
本课程的学习目标不是简单地"听懂"MPC和ARC的数学表达式，而是建立一套完整的、可迁移到实际工程项目中的控制算法设计与实施能力。具体而言，完成本课程后，学习者应当具备以下五个层面的能力：
| 能力层级 | 具体目标 | 验证方式 |
|---|---|---|
| 理论理解 | 能推导线性MPC的二次规划形式，理解预测时域、控制时域、约束矩阵的物理含义；能解释ARC中参数自适应律与鲁棒项的Lyapunov稳定性证明逻辑 | 课后习题：给定状态空间模型，写出MPC优化问题标准形式 |
| 算法设计 | 能针对具体被控对象（如电机、无人机、热力系统）选择合适的MPC变体（如显式MPC、鲁棒MPC）或ARC结构（如不匹配扰动ARC） | 课程项目：为四旋翼高度控制设计MPC+ARC复合控制器 |
| 仿真验证 | 熟练使用MATLAB/Simulink或Python（CasADi、do-mpc）搭建MPC仿真环境，能通过蒙特卡洛方法验证ARC在不同参数摄动下的鲁棒性 | 仿真作业：对比PID、MPC、ARC在参数时变下的跟踪性能 |
| 代码实现 | 能将MPC的QP问题转化为C代码（使用OSQP、qpOASES等嵌入式求解器），能将ARC的自适应律离散化并部署到STM32或DSP | 硬件实验：在永磁同步电机实验平台上实现MPC电流控制 |
| 系统调优 | 掌握MPC权重矩阵Q/R、预测时域Np、控制时域Nc的整定规律；理解ARC中自适应增益Γ与鲁棒项系数ε的权衡关系 | 调参报告：分析不同参数组合对闭环带宽和鲁棒性的影响 |
1.2 核心概念：MPC与ARC的本质特征
在深入细节之前，必须先厘清两个核心概念的数学本质和适用边界。MPC的核心思想是"基于模型的滚动时域优化"——在每个采样时刻，基于当前状态测量值，求解一个有限时域的开环最优控制问题，但只执行第一个控制量，下一时刻重新求解。ARC则源于对系统不确定性的显式处理——将参数不确定性分为"已知界"和"未知但有界"两部分，分别通过自适应律和鲁棒项来应对。
1.2.1 模型预测控制（MPC）的三要素
- 预测模型：用于预测系统未来动态的数学模型，可以是线性状态空间模型、阶跃响应模型或非线性机理模型。预测精度直接影响控制性能的上限。
- 滚动优化：每一采样时刻在线求解一个有限时域优化问题，目标函数通常包含输出跟踪误差和控制增量惩罚。滚动机制赋予MPC处理约束和时变特性的能力。
- 反馈校正：通过实际测量值与预测值的偏差来修正预测模型或补偿扰动，增强算法的抗干扰能力。常见方式包括状态估计（Kalman滤波）或输出误差反馈。
1.2.2 自适应鲁棒控制（ARC）的双通道架构
ARC将控制器设计为两个通道的叠加：自适应通道负责在线估计未知参数（如负载惯量、摩擦系数），并基于估计值调整控制律；鲁棒通道则处理参数估计误差和未建模动态，通过滑模项或高增益项保证系统状态始终在预定边界内。这种"估计+补偿"的结构使得ARC在参数大范围变化时仍能保持一致的瞬态性能。
1.3 整体框架：30章课程的知识脉络
本课程共30章，按"基础-进阶-融合-实战"四个阶段组织。前6章聚焦MPC的线性理论与求解方法；第7-12章转向非线性MPC与快速算法；第13-18章系统讲解ARC的理论框架与设计方法；第19-24章探讨MPC与ARC的融合策略（如鲁棒MPC、自适应MPC）；最后6章为工程实践专题，包括嵌入式实现、硬件在环仿真和行业案例。
| 阶段 | 章节范围 | 核心主题 | 关键技能 |
|---|---|---|---|
| 基础篇 | 第1-6章 | MPC基本原理、QP求解、约束处理、状态估计 | MATLAB MPC工具箱、OSQP求解器 |
| 进阶篇 | 第7-12章 | 非线性MPC、显式MPC、鲁棒MPC、分布式MPC | CasADi、自动微分、多参数规划 |
| 自适应鲁棒篇 | 第13-18章 | 参数自适应律、不匹配扰动ARC、L1自适应控制 | Lyapunov稳定性分析、Backstepping |
| 融合与实战篇 | 第19-30章 | MPC+ARC复合控制、嵌入式C代码生成、行业应用 | Simulink Coder、硬件在环测试、现场调试 |
1.4 适用对象与预备知识要求
本课程面向具有工科背景、希望深入掌握先进控制算法的研究生、工程师和科研人员。考虑到MPC和ARC的数学门槛，课程在推导关键定理时会补充必要的数学基础，但学习者仍需具备以下预备知识：
- 线性代数：矩阵运算、特征值分解、奇异值分解、向量范数。MPC的QP问题本质上是线性代数中的凸优化问题，ARC的稳定性分析依赖矩阵不等式。
- 自动控制原理：传递函数、状态空间表示、能控性/能观性、Lyapunov稳定性定理。建议至少完成本科《自动控制原理》课程。
- 最优化基础：凸集与凸函数、KKT条件、拉格朗日对偶。如果未系统学习过，建议先阅读Boyd的《Convex Optimization》前3章。
- 编程能力：MATLAB/Simulink是主要仿真平台，Python（NumPy、SciPy、CasADi）作为备选。需要能编写简单的脚本和函数，理解面向对象编程的基本概念。
- 概率论基础：随机变量、期望、方差、高斯分布。ARC中的随机鲁棒分析和MPC中的随机MPC会用到。
1.5 案例拆解：一个典型的MPC+ARC应用场景
为了帮助学习者建立直观印象，这里给出一个贯穿全课程的参考案例——永磁同步电机（PMSM）高精度速度控制。该案例具有以下特点：强耦合非线性（d-q轴电流耦合）、参数时变（定子电阻随温度变化）、负载扰动未知（突加负载）。
初始现象：采用传统PI控制时，当电机从低速（100 rpm）阶跃到高速（3000 rpm）时，转速超调量达到15%，调节时间约0.8s；当负载转矩从0.5 N·m突变到2 N·m时，转速跌落达120 rpm，恢复时间超过1s。
控制目标：将超调量控制在2%以内，调节时间小于0.2s，负载突变时转速跌落不超过30 rpm，恢复时间小于0.1s。
MPC+ARC复合控制方案：
- MPC层：基于PMSM的dq轴电流模型，设计预测控制器，预测时域Np=10，控制时域Nc=3，权重矩阵Q=diag([100, 100])，R=diag([0.1, 0.1])。MPC负责处理电流约束（最大电流30A）和电压约束（直流母线电压310V）。
- ARC层：针对转速外环，设计自适应鲁棒控制器。自适应律在线估计转动惯量J和负载转矩TL，鲁棒项补偿估计误差。自适应增益Γ=50，鲁棒项系数ε=0.01。
实施步骤：
- 在MATLAB/Simulink中搭建PMSM矢量控制模型，验证MPC电流控制器的可行性。
- 将转速环替换为ARC控制器，通过Lyapunov分析保证闭环稳定性。
- 进行蒙特卡洛仿真（200次随机参数摄动），统计超调量和恢复时间的分布。
- 生成C代码，部署到TI C2000 DSP平台，进行硬件在环测试。
结果对比：采用MPC+ARC复合控制后，转速超调量降至1.8%，调节时间缩短至0.15s；负载突变时转速跌落仅25 rpm，恢复时间0.08s。相比PI控制，综合性能提升约5倍。
复盘经验：MPC的预测时域不宜过大，否则在线计算量激增且对模型误差敏感；ARC的自适应增益过大可能导致参数估计振荡，需要配合死区或σ修正。该案例将在第24章（MPC与ARC融合设计）中详细展开。