3. MPC基本原理

模型预测控制（Model Predictive Control, MPC）之所以能在工业过程控制、无人驾驶、机器人运动控制以及能源系统中获得广泛应用，其核心在于它并非一种“事后纠偏”的控制策略，而是一种“事前规划+滚动修正”的优化控制框架。与经典PID控制依赖误差反馈不同，MPC利用被控对象的显式动态模型，预测系统在未来有限时域内的行为，并通过在线求解一个带约束的优化问题，确定当前时刻的最优控制输入。这种“向前看”的机制赋予了MPC处理多变量耦合、硬约束以及非线性问题的天然优势。要深入理解MPC，必须把握其三大核心要素：预测模型、滚动优化与反馈校正，并理解它们如何在一个典型的闭环结构中协同工作。

上图清晰地展示了MPC闭环控制系统的信息流与物理结构。从图中可以看出，MPC控制器并非一个孤立的算法模块，而是由“预测模型”、“滚动优化”和“反馈校正”三个环节构成的闭环智能体。下面我们将逐一深入剖析这三个要素的数学本质与工程实现，并探讨它们之间的耦合关系。

3.1 预测模型：MPC的“水晶球”

核心原理：预测模型是MPC区别于传统控制方法最根本的特征。它承担着描述被控对象动态行为的重任，其精度直接决定了MPC控制性能的上限。预测模型的形式可以多种多样，既可以是基于物理定律的白箱模型（如机理建模的状态空间方程），也可以是通过系统辨识得到的黑箱模型（如ARX模型、阶跃响应模型、脉冲响应模型），还可以是结合先验知识与数据的灰箱模型。在工程实践中，线性时不变（LTI）状态空间模型因其结构紧凑、便于处理多变量系统且能直接嵌入优化问题而成为最常用的形式。

数学描述：考虑一个离散时间线性系统，其状态空间表达式为：

x(k+1) = A·x(k) + B·u(k) + w(k)
y(k)   = C·x(k) + v(k)

其中，x(k) ∈ Rⁿ 为状态向量，u(k) ∈ Rᵐ 为控制输入向量，y(k) ∈ Rᵖ 为被控输出向量，w(k) 和 v(k) 分别表示过程噪声和测量噪声。基于当前时刻的状态 x(k)，我们可以递推地计算出未来 Np 步（预测时域）内的输出预测值 ŷ(k+i|k)，其中 i = 1, 2, ..., Np。这一预测过程相当于为控制器提供了一个“水晶球”，使其能够预见到在当前候选控制序列作用下，系统未来的输出轨迹。

3.2 滚动优化：在线求解的“决策引擎”

核心原理：滚动优化（也称在线优化或后退时域控制）是MPC的“大脑”。在每个采样时刻 k，MPC控制器都会基于当前的预测模型和系统状态，在线求解一个有限时域内的约束优化问题。该优化问题的目标函数通常包含两部分：一是使预测输出 ŷ 尽可能接近参考轨迹 r，二是使控制增量 Δu 的变化尽量平缓，以避免执行机构剧烈动作。优化问题的决策变量是未来 Nc 步（控制时域）的控制增量序列 Δu(k), Δu(k+1), ..., Δu(k+Nc-1)。

优化问题标准形式：

min J = Σ_{i=1}^{Np} ‖ŷ(k+i|k) - r(k+i)‖²_Q + Σ_{j=0}^{Nc-1} ‖Δu(k+j|k)‖²_R

s.t.  u_min ≤ u(k+j|k) ≤ u_max,  j = 0, 1, ..., Nc-1
      Δu_min ≤ Δu(k+j|k) ≤ Δu_max
      ŷ(k+i|k) = f(x(k), u(k+j|k))  (预测模型约束)

其中，Q 和 R 分别为输出权重矩阵和控制增量权重矩阵，它们的设计直接影响了控制系统的跟踪速度与能耗。求解上述优化问题后，MPC只将最优控制序列中的第一个元素 u(k) = u(k-1) + Δu(k) 作用于被控对象。等到下一个采样时刻 k+1，控制器会利用最新的测量信息重新刷新优化问题并再次求解。这种“求解一次、施加一步、滚动推进”的策略，使得MPC具备了应对模型失配和未知扰动的鲁棒性。

3.3 反馈校正：闭环稳定的“压舱石”

核心原理：由于预测模型不可能完全精确，且系统不可避免地受到外部扰动，基于开环模型计算出的预测输出 ŷ(k+i|k) 与实际输出 y(k+i) 之间必然存在偏差。如果忽视这种偏差，MPC的控制性能将大幅下降，甚至导致系统失稳。反馈校正机制正是为了解决这一问题而设计的。它在每个采样时刻，利用最新的实测输出 y(k) 与上一时刻的预测值 ŷ(k|k-1) 之间的误差 e(k)，对未来预测进行修正。

工程实现方式：最常见的反馈校正策略是误差反馈修正。具体操作如下：

1. 计算预测误差： e(k) = y(k) - ŷ(k|k-1)。该误差包含了模型失配、未测扰动等综合信息。
2. 修正未来预测：将误差 e(k) 通过一个校正系数 h（通常取0~1之间的值，或设计为卡尔曼滤波器增益）叠加到未来的预测输出上，即 ŷ_corr(k+i|k) = ŷ(k+i|k) + h·e(k)。对于稳态误差，这种常数修正方式即可消除；对于动态误差，可采用卡尔曼滤波或扰动观测器进行更优的估计与补偿。
3. 更新状态初值：在状态空间MPC中，更严谨的做法是利用状态观测器（如龙伯格观测器或卡尔曼滤波器）根据测量输出 y(k) 重新估计系统状态 x̂(k)，并以 x̂(k) 作为下一轮预测的初始条件。

3.4 典型结构中的协同机制与案例拆解

在典型的MPC结构中，三大要素并非孤立运行，而是形成了“预测-优化-校正”的紧密循环。为了更直观地理解这一过程，我们通过一个工业加热炉温度控制的案例来拆解其协同工作流程。

案例背景与目标：假设某化工反应釜需要将温度严格控制在 80°C ± 1°C，执行机构为加热功率（0~100kW），且功率变化率受硬件限制（≤ 10kW/min）。过程具有大惯性、纯滞后特性（滞后时间 τ = 2min），且进料流量波动会引入不可测扰动。

MPC实施步骤与协同分析：

结果与复盘：通过上述协同，温度在15分钟内平稳升至目标值，超调量 0.5°C，且功率变化率始终未超限。若没有反馈校正，由于模型滞后参数不准确，系统很可能出现持续振荡；若没有滚动优化，则无法处理功率变化率的硬约束。此案例表明，预测模型提供了“预见性”，滚动优化提供了“最优性”，而反馈校正则保证了“现实性”。