2、MPC数学基础：线性系统理论回顾、状态空间模型、离散化方法、约束处理的基本概念
各位同学，欢迎来到第二章。
说实话，很多做MPC的朋友，最后调不通控制器，问题往往不是出在优化求解器上，而是出在模型上。模型不对，后面全白费。这一章，我们就来把MPC的数学地基夯实一下。
2.1 线性系统理论：为什么MPC偏爱线性模型？
MPC的核心思想，是用模型去预测未来。模型越准，预测越靠谱。但为什么工业界用得最多的还是线性模型？
原因很简单：线性模型好算。非线性模型虽然更精确，但求解一个非线性优化问题，计算量是指数级增长的。对于嵌入式控制器，几毫秒的采样周期，根本算不过来。
我个人习惯，在项目初期先用线性模型把框架跑通。等系统稳定了，再考虑要不要加入非线性补偿。这叫「先求稳，再求优」。
核心概念回顾：
- 线性系统：满足叠加性和齐次性。说白了，就是输入加倍，输出也加倍。
- 时不变系统：系统的参数不随时间变化。今天和明天的动态特性是一样的。
- 稳定性：系统受到扰动后，能否回到平衡点。这是MPC设计的前提。
你想想看，如果模型本身不稳定，MPC再怎么优化，也只是在「悬崖边跳舞」。我曾经在一个电机控制项目里，忽略了模型的高频未建模动态，结果MPC算出来的控制量，实际执行时电机直接抖起来了。嗯，那次的教训很深刻。
2.2 状态空间模型：MPC的「标准语言」
MPC几乎清一色使用状态空间模型。为什么不用传递函数？因为状态空间模型能处理多输入多输出（MIMO）系统，而且能直接表达系统的内部状态。
一个标准的离散状态空间模型长这样：
x(k+1) = A * x(k) + B * u(k)
y(k) = C * x(k) + D * u(k)这里：
- x(k)：状态向量。代表系统在k时刻的内部状态，比如电机的位置、速度。
- u(k)：输入向量。就是我们MPC要算的控制量，比如电压、阀门开度。
- y(k)：输出向量。我们能测量到的量，比如编码器读数。
- A, B, C, D：系统矩阵。它们描述了系统的动态特性。
我的小技巧： 在搭建MPC模型时，我建议把D矩阵设为零矩阵。为什么？因为D矩阵代表输入直接前馈到输出，这会让MPC的预测变得「过于乐观」。实际系统中，控制量几乎不可能瞬间影响输出。去掉D矩阵，模型更保守，但更鲁棒。
举个例子，一个简单的直流电机模型：
状态：x = [角度; 角速度]
输入：u = [电压]
输出：y = [角度]
A = [1, dt; 0, 1] // 运动学关系
B = [0; Kt*dt/J] // 电压产生力矩
C = [1, 0] // 只测量角度你看，物理意义非常清晰。这就是状态空间模型的魅力。
2.3 离散化方法：从连续到离散的「翻译」
现实世界是连续的，但控制器是离散的。我们需要把连续模型「翻译」成离散模型。翻译得不好，MPC的预测就会失真。
常用的方法有三种，我分别说说我的使用心得。
2.3.1 零阶保持法（ZOH）
这是工业界最常用的方法。它假设：在采样周期内，控制量保持不变。说白了，就是DAC输出一个电压，然后保持到下一个采样时刻。
数学上，离散化公式为：
A_d = exp(A_c * Ts)
B_d = integral(exp(A_c * tau) * B_c, tau=0 to Ts)其中，exp()是矩阵指数。这个计算在MATLAB里直接用c2d(sys, Ts, 'zoh')就行。
注意： 当采样频率接近系统带宽时，ZOH的近似误差会变大。我曾经在一个高频振动控制项目里，采样频率只比系统谐振频率高5倍，结果ZOH离散化后的模型，相位误差直接导致MPC发散。后来我把采样频率提高了10倍，问题才解决。
2.3.2 双线性变换（Tustin法）
双线性变换的精度比ZOH高，尤其适合频率响应要求高的场景。它的思想是用梯形积分近似连续积分。
公式很简单：
s = (2/Ts) * (z-1)/(z+1)把连续传递函数中的s替换掉，就得到了离散传递函数。
我个人习惯：如果系统是低通特性，用ZOH；如果是带通或高通特性，用双线性变换。为什么？因为双线性变换不会产生频率混叠，而ZOH在高频段会有误差。
2.3.3 前向欧拉法
这个方法最简单，但精度最低。公式是：
x(k+1) = x(k) + Ts * (A_c * x(k) + B_c * u(k))说白了，就是用当前时刻的斜率，去预测下一时刻的状态。
我几乎不用这个方法做MPC。为什么？因为它不稳定。当采样周期较大时，前向欧拉法可能把稳定的连续系统离散成不稳定的离散系统。你想想看，模型都不稳定了，MPC还怎么优化？
选型建议总结：
| 方法 | 精度 | 稳定性 | 推荐场景 |
|---|---|---|---|
| 零阶保持法 | 中等 | 高 | 通用场景，工业首选 |
| 双线性变换 | 高 | 高 | 高频系统、滤波器设计 |
| 前向欧拉法 | 低 | 低 | 不推荐用于MPC |
2.4 约束处理的基本概念：MPC的「灵魂」
MPC和传统PID最大的区别是什么？就是MPC能处理约束。没有约束的MPC，本质上就是一个线性二次型调节器（LQR）。
约束通常分为三类：
- 输入约束：比如电机最大电压、阀门最大开度。这是硬约束，绝对不能违反。
- 输出约束：比如机械臂不能撞到限位开关。这可以是软约束，允许轻微违反。
- 状态约束：比如电池不能过放。这通常也是硬约束。
在MPC中，约束被写成线性不等式：
u_min ≤ u(k) ≤ u_max
y_min ≤ y(k) ≤ y_max然后，这些不等式被嵌入到优化问题中。求解器会在满足约束的前提下，寻找最优控制量。
避坑指南： 我曾经在一个项目中，把输出约束设得太紧。结果MPC为了满足约束，算出来的控制量来回震荡，系统反而更不稳定。后来我引入了「软约束」，允许输出在极端情况下轻微超限，但代价函数里加上惩罚项。这样一来，求解器有了「妥协」的空间，系统反而更平滑了。
嗯，这里要注意：约束越多，优化问题越难解。如果约束过多，可能导致无解。所以，实际项目中，我通常只对最关键的量加约束，比如电流、位置。次要的量，比如温度，用软约束或者干脆不加。
2.5 本章知识体系总览
为了让你更直观地理解本章的知识结构，我画了一张图。它展示了从连续系统到MPC优化问题的完整链路。
从这张图你可以看到，整个MPC的数学基础，就是从连续系统出发，经过离散化，得到离散状态空间模型，然后构建预测模型，最后加上约束，形成优化问题。每一步都环环相扣。
好了，这一章的内容就到这里。记住，模型是MPC的「眼睛」，约束是MPC的「手脚」。眼睛看不清，手脚再灵活也没用。下一章，我们会正式进入优化求解器的世界，看看这些数学公式是怎么变成实际代码的。