2. 控制理论基础回顾

模型预测控制（MPC）与自适应鲁棒控制算法的设计，本质上是在状态空间框架下对动态系统进行优化与综合。无论是线性二次调节器（LQR）、模型预测控制中的预测模型，还是自适应控制中的参数估计与鲁棒控制中的不确定性描述，都离不开对系统内在结构的深刻理解。本章作为课程的技术基石，系统梳理控制理论中四个核心支柱：状态空间模型与传递函数的数学描述、系统稳定性的判据与工程意义、能控性与能观性的代数条件及其在控制器设计中的前置作用。这些概念不仅是后续推导MPC优化问题可行性的前提，也是判断自适应律收敛性与鲁棒控制器存在性的关键依据。

上图给出了本章四个核心概念之间的逻辑关系：状态空间模型与传递函数是系统的两种等价数学描述，稳定性是系统内在的动态品质，而能控性与能观性则决定了控制器设计与状态估计的理论可行性。在MPC框架中，预测模型通常采用状态空间形式，稳定性约束被显式或隐式地嵌入优化问题，能控性则直接关系到优化问题是否存在可行解。下面逐一展开论述。

2.1 状态空间模型与传递函数：从微分方程到系统描述

核心原理

状态空间模型是现代控制理论的基础，它以一组一阶微分方程描述系统的内部动态。对于线性时不变（LTI）系统，其标准形式为：

ẋ(t) = A x(t) + B u(t)
y(t) = C x(t) + D u(t)

其中，x(t) ∈ Rⁿ 为状态向量，u(t) ∈ Rᵐ 为输入向量，y(t) ∈ Rᵖ 为输出向量；A、B、C、D 为具有适当维数的常数矩阵。状态变量的选取并非唯一，但必须满足两个条件：一是能够完全描述系统内部动态，二是状态之间线性独立。传递函数则从频域角度描述系统输入输出关系，对零初始条件的LTI系统，传递函数定义为 G(s) = C(sI - A)⁻¹B + D。两者本质等价，但各有适用场景：状态空间模型便于处理多输入多输出（MIMO）系统、时变系统和非线性系统，而传递函数在单输入单输出（SISO）系统的频域分析中更为直观。

判断方法与操作流程

在实际工程中，从物理系统建立状态空间模型通常遵循以下步骤：

1. 机理建模：根据物理定律（牛顿力学、基尔霍夫定律、热力学方程等）列出系统的微分方程或差分方程。
2. 选择状态变量：优先选择储能元件的物理量（如电容电压、电感电流、质量块位移与速度）作为状态变量，确保状态之间线性独立。
3. 整理为标准形式：将高阶微分方程转化为一组一阶微分方程组，并提取A、B、C、D矩阵。
4. 模型验证：通过仿真或实验数据对比，验证模型输出与实际系统的一致性。

当系统模型以传递函数形式给出时，可通过可控标准型或可观标准型实现状态空间与传递函数的相互转换。例如，对于传递函数 G(s) = (s+2)/(s²+3s+2)，其可控标准型为：

A = [[0, 1], [-2, -3]],  B = [[0], [1]],  C = [2, 1],  D = 0

案例拆解：直流电机位置控制系统的建模

考虑一个直流电机驱动负载的位置控制系统。已知电机电枢电感 L = 0.5 H，电枢电阻 R = 2 Ω，电机转矩常数 K_t = 0.1 N·m/A，反电动势常数 K_e = 0.1 V·s/rad，转动惯量 J = 0.02 kg·m²，粘性摩擦系数 b = 0.01 N·m·s/rad。选择状态变量 x₁ = θ（负载转角），x₂ = ω（角速度），x₃ = i（电枢电流），输入 u = V（电枢电压），输出 y = θ。根据电路方程和力学方程可得：

dθ/dt = ω
dω/dt = (K_t/J)·i - (b/J)·ω
di/dt = -(R/L)·i - (K_e/L)·ω + (1/L)·V

写成矩阵形式：

A = [[0, 1, 0],
     [0, -0.5, 5],
     [0, -0.2, -4]]
B = [[0], [0], [2]]
C = [1, 0, 0],  D = 0

该模型完整描述了电机的位置动态，后续设计MPC控制器时，可直接将此离散化作为预测模型。若仅关注转速控制，可降阶忽略电流动态（假设电流环响应远快于机械环），得到二阶简化模型。

常见误区与总结

2.2 稳定性分析：从特征值判据到Lyapunov方法

核心原理

稳定性是控制系统最基本的要求。对于线性时不变系统 ẋ = Ax，其稳定性完全由系统矩阵A的特征值决定：若所有特征值的实部均为负，则系统渐近稳定；若存在实部为正的特征值，则系统不稳定；若特征值实部为零且对应的约当块阶数为1，则系统临界稳定（Lyapunov稳定但非渐近稳定）。对于非线性系统或时变系统，Lyapunov第二方法（直接法）提供了更一般的稳定性判据：若能构造一个正定标量函数 V(x)，其沿系统轨迹的导数 V̇(x) 为负定，则系统在原点渐近稳定。

判断方法与操作流程

在实际工程中，稳定性分析通常按以下流程进行：

1. 线性系统：直接计算A矩阵的特征值，检查实部符号。对于高阶系统，可使用Routh-Hurwitz判据或Jury判据（离散系统）避免直接求特征值。
2. 非线性系统：在平衡点处线性化，得到雅可比矩阵，分析其局部稳定性；若需全局稳定性，则需构造Lyapunov函数。
3. 闭环系统：将控制器代入系统方程后，分析闭环系统矩阵的特征值分布。

在MPC中，稳定性通常通过终端约束或终端代价函数来保证。例如，在预测时域末端强制状态进入一个不变集，或者将终端代价函数选为Lyapunov函数，从而保证闭环稳定性。

案例拆解：倒立摆系统的稳定性分析

考虑一个典型的一阶倒立摆，其线性化模型为：

ẋ = Ax + Bu
A = [[0, 1], [g/l, 0]],  B = [[0], [1/(m·l²)]]

其中 g = 9.8 m/s²，l = 0.5 m。计算A的特征值：λ₁ = √(g/l) ≈ 4.43，λ₂ = -√(g/l) ≈ -4.43。由于存在正实部特征值，开环系统不稳定。若采用状态反馈 u = -Kx，通过极点配置将闭环极点配置在 -2 ± 2j，则闭环系统矩阵 A - BK 的特征值实部均为负，系统渐近稳定。这一分析直接指导了后续MPC控制器中权重矩阵Q、R的选取——Q中对应角度的权重应足够大，以抑制正实部极点带来的发散趋势。

常见误区与总结

2.3 能控性与能观性：控制器设计与状态估计的前提

核心原理

能控性（Controllability）描述的是：是否存在一个无约束的控制输入 u(t)，能在有限时间内将系统从任意初始状态 x(t₀) 驱动到任意期望状态 x(t₁)。对于LTI系统，能控性判据为能控性矩阵 Q_c = [B, AB, A²B, ..., Aⁿ⁻¹B] 满秩（秩为n）。能观性（Observability）描述的是：能否在有限时间内，通过测量输出 y(t) 和输入 u(t) 唯一确定系统的初始状态 x(t₀)。其判据为能观性矩阵 Q_o = [C; CA; CA²; ...; CAⁿ⁻¹] 满秩。

判断方法与操作流程

能控性与能观性的判断步骤如下：

1. 构造能控性矩阵 Q_c 和能观性矩阵 Q_o。
2. 计算矩阵的秩，与系统阶数n比较。
3. 若 rank(Q_c) = n，则系统完全能控；若 rank(Q_o) = n，则系统完全能观。
4. 对于不完全能控/能观的系统，可通过Kalman分解将系统分解为能控能观、能控不能观、不能控能观、不能控不能观四个子空间。

在MPC中，能控性保证了优化问题对任意初始状态都有可行解；能观性则保证了状态观测器（如Kalman滤波器）能够从输出中重构状态，从而实施状态反馈。

案例拆解：卫星姿态控制系统的能控性验证

考虑一个刚体卫星的单轴姿态控制，状态变量为姿态角 θ 和角速度 ω，控制输入为喷气力矩 T。系统模型为：

A = [[0, 1], [0, 0]],  B = [[0], [1/J]]

其中 J = 100 kg·m²。计算能控性矩阵：

Q_c = [B, AB] = [[0, 1/J], [1/J, 0]]

rank(Q_c) = 2 = n，系统完全能控。这意味着通过喷气力矩，可以在有限时间内将卫星姿态调整到任意角度。若仅测量姿态角 θ（C = [1, 0]），则能观性矩阵：

Q_o = [C; CA] = [[1, 0], [0, 1]]

rank(Q_o) = 2，系统完全能观。因此，仅通过姿态角测量即可重构角速度状态，无需额外安装角速度传感器。这一结论直接指导了MPC中状态估计器的设计——可采用降维观测器或Kalman滤波器。

常见误区与总结