4. 生物过程MPC的数学表述

模型预测控制（MPC）在生物过程中的落地，最终都要归结为一组可计算、可求解的数学表达式。理解这套数学表述，是判断控制器能否稳定运行、能否处理约束、能否在有限算力下实时求解的前提。本节围绕四个核心要素展开：状态空间模型、目标函数、约束条件与优化求解框架，并说明它们之间的耦合关系。

一、状态空间模型：被控对象的数学骨架

生物过程具有强非线性、时变参数和显著的操作约束，因此MPC通常采用离散时间状态空间模型描述对象动态。一般形式为：

x(k+1) = f(x(k), u(k), d(k))
y(k)   = g(x(k), u(k))

其中 x 为状态向量，u 为操纵变量，d 为可测扰动，y 为输出。对于工程实现，常在工作点附近线性化，得到线性时变模型：

x(k+1) = A x(k) + B u(k) + B_d d(k)
y(k)   = C x(k)

以重组大肠杆菌高密度发酵为例，状态可选取生物量 X、底物浓度 S、产物浓度 P、溶解氧 DO 和体积 V；操纵变量为补料流率 F、搅拌转速 N 和通气量 Q；输出为 X、P、DO。若采用线性化模型，A、B、C 矩阵需在每个采样时刻根据当前工作点重新计算，或采用分段线性化模型集。对于非线性较强的过程，也可直接使用扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）配合非线性模型进行状态估计，再送入MPC求解。

二、目标函数：把控制意图写成可优化的标量

MPC的目标函数通常由跟踪误差、控制增量和控制量惩罚三部分组成，标准二次型形式为：

J = Σ_{i=1}^{Np} ||y(k+i|k) - r(k+i)||_Q^2
  + Σ_{j=0}^{Nc-1} ||Δu(k+j|k)||_R^2
  + Σ_{j=0}^{Nc-1} ||u(k+j|k) - u_ref||_S^2

其中 Np 为预测时域，Nc 为控制时域，Q、R、S 为权重矩阵。Q 越大，跟踪越紧；R 越大，控制动作越平滑；S 用于将操纵变量拉向期望工作点。在补料分批发酵中，若产物 P 的跟踪优先级高于生物量 X，可将 Q 中对应 P 的权重设为 X 的 5～10 倍。预测时域 Np 通常取 10～30 个采样周期，控制时域 Nc 取 2～5，以平衡计算量与控制性能。

三、约束条件：生物过程的物理与安全边界

约束是MPC区别于常规PID的核心优势。生物过程常见约束包括：

• 操纵变量幅值约束：0 ≤ F ≤ F_max，例如补料流率不超过 200 L/h；
• 操纵变量速率约束：|ΔF| ≤ 20 L/h，防止补料冲击；
• 状态/输出约束：DO ≥ 20% 空气饱和度，防止缺氧；S ≤ 0.5 g/L，避免底物抑制；
• 体积约束：V ≤ V_max，例如发酵罐有效容积 500 L。

这些约束在优化问题中通常写成线性不等式组：

u_min ≤ u(k+j) ≤ u_max
Δu_min ≤ Δu(k+j) ≤ Δu_max
y_min ≤ y(k+i|k) ≤ y_max

当输出约束与状态相关时，需通过模型预测未来输出，再施加约束。若约束不可行，需引入软约束（松弛变量）以保证求解器始终有解。

四、优化求解框架：从数学描述到可执行算法

将上述模型、目标函数和约束组合，MPC在每个采样时刻求解如下有限时域优化问题：

min_{Δu} J
s.t. x(k+1) = A x(k) + B u(k) + B_d d(k)
     y(k)   = C x(k)
     u_min ≤ u ≤ u_max
     Δu_min ≤ Δu ≤ Δu_max
     y_min ≤ y ≤ y_max

对于线性模型和二次型目标，该问题转化为二次规划（QP），可用有效集法或内点法求解。对于非线性模型，则转化为非线性规划（NLP），常用序列二次规划（SQP）或内点法。求解得到的最优控制序列中，仅第一个控制量 u(k) 施加到过程，下一时刻重新测量、重新预测、重新求解，形成滚动时域策略。

五、四要素的耦合关系

状态空间模型决定预测精度，目标函数决定控制方向，约束条件决定可行域，优化求解框架决定实时性。四者相互制约：模型越精确，预测越可靠；目标函数权重越合理，控制越平稳；约束越贴近实际，安全性越高；求解框架越高效，采样周期越短。实际调试时，通常先固定模型和约束，再调整 Q、R、S 权重，最后根据求解时间调整 Np 和 Nc。

六、一个可执行的参数配置示例

以下给出一个补料分批发酵MPC的初始参数配置，供实际调试时参考。假设采样周期 Ts = 1 min，发酵罐有效容积 500 L，初始体积 300 L。

调试时，先以该配置运行，观察产物跟踪误差和补料曲线。若跟踪滞后明显，可适当增大 Q（P）或 Np；若补料波动剧烈，可增大 R 或减小 ΔF_max；若求解时间超过采样周期，可减小 Np 或 Nc，或改用更高效的QP求解器。每次调整后，记录超调量、调节时间和约束违反次数，作为下一步调整依据。

综上，生物过程MPC的数学表述并非孤立公式，而是一个从模型、目标、约束到求解的完整闭环。掌握四要素的物理含义与耦合关系，才能在实际发酵、细胞培养或酶反应过程中，把控制性能和安全边界同时管住。