二、控制理论基础回顾：状态空间模型、传递函数、稳定性、可控性与可观测性

模型预测控制（MPC）的本质是一个基于模型的优化控制问题，其性能上限直接取决于所依赖的数学模型是否准确、是否便于在线计算。在进入MPC算法推导之前，必须夯实控制理论的核心基石：状态空间模型与传递函数提供了两种互补的系统描述方式；稳定性决定了系统在开环与闭环下的基本行为边界；可控性与可观测性则回答了“能否通过输入改变所有状态”以及“能否从输出中重构全部状态”这两个根本性问题。本节将系统梳理这些概念，并重点说明它们如何直接映射到MPC的预测模型构建、约束可行性分析以及状态估计器设计之中。

上图展示了本章四个核心概念与MPC之间的逻辑关系：状态空间模型为MPC提供了递推预测的数学载体，传递函数则用于频域分析与模型降阶验证；稳定性是MPC设计的前提约束，而可控性与可观测性直接决定了MPC能否通过输入改变系统行为、能否通过输出估计不可测状态。下面逐一展开。

2.1 状态空间模型与传递函数：两种视角，同一系统

2.1.1 核心原理：从微分方程到状态空间

对于线性时不变连续系统，状态空间模型的标准形式为：

dx/dt = A·x + B·u
y = C·x + D·u

其中 x 为n维状态向量，u 为m维输入向量，y 为p维输出向量；A为系统矩阵（n×n），B为输入矩阵（n×m），C为输出矩阵（p×n），D为前馈矩阵（p×m）。在MPC中，通常使用离散化形式：

x(k+1) = A_d·x(k) + B_d·u(k)
y(k) = C_d·x(k) + D_d·u(k)

离散化方法包括零阶保持器（ZOH）、一阶保持器或双线性变换（Tustin），其中ZOH是MPC中最常用的方法，因为它精确对应了数字控制中DAC的保持特性。离散化步长 Δt 的选择直接影响模型精度与数值稳定性——步长过大则丢失高频动态，步长过小则增加计算负担。

传递函数则从频域视角描述系统：G(s) = C(sI - A)⁻¹B + D。它适用于SISO系统的频域分析、稳定性裕度计算以及模型降阶验证。在MPC工程实践中，传递函数常用于离线辨识（如阶跃响应法、频率响应法），而状态空间模型则更适合在线优化计算。

2.1.2 判断方法：如何选择模型形式

在MPC中，几乎总是以状态空间模型作为主模型，传递函数作为辅助分析工具。若系统为SISO且需要快速验证稳定性裕度，可先辨识传递函数，再转换为状态空间实现（如可控标准型、可观测标准型）。

2.1.3 案例拆解：DC电机速度控制模型

考虑一个直流电机速度控制问题，其连续时间状态空间模型为：

d/dt [ω; i] = [-b/J  K/J; -K/L  -R/L]·[ω; i] + [0; 1/L]·V
y = [1 0]·[ω; i]

其中 ω 为角速度，i 为电枢电流，V 为输入电压。参数：J=0.01 kg·m²，b=0.1 N·m·s，K=0.01 N·m/A，R=1 Ω，L=0.5 H。取采样时间 Δt=0.01s，使用ZOH离散化后得到 A_d、B_d。在MPC中，我们以该离散模型预测未来N=10步的速度响应，并优化电压输入以跟踪目标速度，同时限制电流不超过2A。若忽略电流状态（仅用传递函数描述速度），则无法在MPC中直接约束电流，可能导致实际运行中过流——这正是状态空间模型在MPC中不可替代的原因。

2.1.4 常见误区与总结

2.2 稳定性分析：MPC可行性的前提

2.2.1 核心原理：Lyapunov与特征值判据

对于连续系统 dx/dt = A·x，若A的所有特征值实部均为负，则系统渐近稳定。对于离散系统 x(k+1)=A_d·x(k)，若所有特征值模小于1，则系统稳定。在MPC中，稳定性不仅指开环系统，更关键的是闭环系统（包含MPC控制器）的稳定性。MPC通过滚动优化和反馈校正，通常能保证闭环稳定，但前提是：预测模型必须稳定或可控，且优化问题的代价函数满足一定条件（如终端代价函数为Lyapunov函数）。

2.2.2 判断方法：从特征值到Lyapunov方程

• 特征值判据：计算 eig(A) 或 eig(A_d)，检查实部/模值。
• Lyapunov方程：对连续系统，求解 AᵀP + PA = -Q（Q为正定），若存在正定解P，则系统稳定。离散系统对应 A_dᵀPA_d - P = -Q。
• BIBO稳定性：传递函数的所有极点位于左半平面（连续）或单位圆内（离散）。

在MPC中，即使开环系统不稳定，只要系统可控，MPC仍可通过反馈镇定。但此时预测模型的数值敏感性会增加，需要更短的预测时域或额外的约束。

2.2.3 实战场景：倒立摆的MPC镇定

倒立摆线性化模型在垂直位置是不稳定的（特征值含正实部）。设计MPC时，我们首先验证系统可控性（见2.3），然后设置预测时域 N=20，控制时域 M=5，代价函数中状态权重 Q=diag(100,10)，输入权重 R=0.1。仿真表明，MPC能在0.5秒内将摆角从0.1 rad镇定到零，且控制电压不超过±5V。若将预测时域缩短至N=5，则闭环系统出现振荡——因为MPC的“视野”太短，无法有效预见不稳定动态。

2.2.4 常见误区与总结

2.3 可控性与可观测性：MPC能力的边界

2.3.1 核心原理：秩判据与Gramian矩阵

连续系统可控性矩阵 Q_c = [B, AB, A²B, ..., Aⁿ⁻¹B]，若 rank(Q_c)=n，则系统完全可控。可观测性矩阵 Q_o = [C; CA; CA²; ...; CAⁿ⁻¹]，若 rank(Q_o)=n，则系统完全可观测。在MPC中，可控性决定了我们能否通过输入序列将系统状态驱动到期望值；可观测性决定了能否从输出测量中重构全部状态（用于状态估计器设计）。

2.3.2 判断方法：从秩判据到PBH检验

• 秩判据：直接计算Q_c和Q_o的秩，最常用。
• PBH检验：对每个特征值λ，检查 rank([A-λI, B]) = n（可控），rank([A-λI; C]) = n（可观测）。
• Gramian矩阵：可控Gramian W_c = ∫₀^∞ e^{Aτ}BBᵀe^{Aᵀτ}dτ，若W_c正定则可控。离散系统类似。

在MPC中，若系统不完全可控，则某些状态无法通过输入改变，MPC的优化问题可能无解或只能达到次优。若不完全可观测，则状态估计器（如Kalman滤波）无法收敛到真实状态，导致MPC基于错误的状态反馈。

2.3.3 案例拆解：化工反应器温度控制

一个连续搅拌反应釜（CSTR），状态为浓度C_A和温度T，输入为冷却水流量F_c，输出为温度T。通过线性化得到A、B、C矩阵。计算可控性矩阵Q_c的秩为2（满秩），说明浓度和温度均可通过冷却水流量控制；可观测性矩阵Q_o的秩为2，说明从温度测量可以重构浓度状态。因此，MPC可以设计为：以温度测量为反馈，通过Kalman滤波估计浓度，然后优化冷却水流量以同时控制温度和浓度。若仅测量温度且系统不可观测，则浓度漂移无法被估计，MPC将失去对反应进程的控制。

2.3.4 常见误区与总结

2.4 从理论到MPC：模型、约束与估计的衔接

2.4.1 核心原理：MPC中的模型角色

MPC的预测模型直接采用离散状态空间形式，用于计算未来N步的状态轨迹和输出轨迹。约束（如输入限幅、输出安全限）以线性不等式形式附加到优化问题中。状态估计器（如Kalman滤波）利用可观测性设计，从噪声测量中重构状态。稳定性则通过选择合适的权重矩阵Q、R以及终端代价函数来保证。

2.4.2 操作流程：MPC设计中的理论检查清单

1. 建立机理模型或辨识模型，得到连续状态空间(A,B,C,D)。
2. 选择采样时间Δt，使用ZOH离散化得到(A_d,B_d,C_d,D_d)。
3. 计算特征值，判断开环稳定性；若不稳，确认可控性。
4. 计算可控性矩阵秩，确认所有状态可控；若否，调整输入或状态定义。
5. 计算可观测性矩阵秩，确认所有状态可观测；若否，增加传感器或设计降维观测器。
6. 设计Kalman滤波或龙伯格观测器，验证估计误差收敛。
7. 设置MPC参数（N, M, Q, R），仿真验证闭环稳定性。

2.4.3 实战场景：四旋翼无人机姿态MPC

四旋翼姿态动力学包含滚转、俯仰、偏航三个通道，状态为姿态角和角速度（6维），输入为四个电机转速（4维）。系统是可控的（秩为6），但偏航通道与滚转/俯仰通道耦合较弱，导致可控性矩阵条件数较大。在MPC中，我们使用完整的6状态模型，但将预测时域设为N=15，控制时域M=3，权重矩阵Q对角元素根据通道重要性设置（滚转/俯仰权重高于偏航）。仿真显示，MPC能在强风扰动下保持姿态误差小于2°，而传统PID在同样扰动下误差达5°。关键点在于：MPC利用了模型预测能力，提前响应扰动，而PID只能事后反应。

2.4.4 常见误区与总结