3、不确定性建模：参数不确定性、结构不确定性、外部扰动建模方法
做离散系统控制这么多年，我最大的体会就是：模型永远不可能完全准确。你想想看，一个系统从设计到实现，中间要经过多少环节？元件有公差、环境有变化、负载有波动……这些不确定性如果处理不好，再漂亮的控制算法到了现场也是白搭。
所以这一章，咱们就聊聊怎么把这些「不确定的东西」用数学语言描述出来。说白了，就是给系统的不确定性「拍个X光片」，看清楚它到底长什么样。
3.1 参数不确定性
参数不确定性，这是最直观的一种。比如电阻的阻值标称10kΩ，实际可能是9.8kΩ到10.2kΩ之间。在离散系统中，这种参数变化会直接影响传递函数的系数。
我个人习惯把参数不确定性分成两类：
- 有界不确定性：参数在某个区间内变化，比如 \( k \in [k_{\min}, k_{\max}] \)
- 随机不确定性：参数服从某种概率分布，比如高斯分布 \( \mathcal{N}(\mu, \sigma^2) \)
我在项目中遇到过这样一个案例：一个电机驱动系统，标称的电气时间常数是5ms，但实际批量生产时，不同批次的产品时间常数在4.2ms到5.8ms之间波动。如果控制器按5ms设计，那有些产品就会振荡甚至失稳。
处理参数不确定性，常用的建模方法有：
区间模型：把参数表示成 \( p = p_0 + \delta p \)，其中 \( |\delta p| \leq \Delta p \)
举个例子，一个二阶离散系统的传递函数：
G(z) = (b1*z + b0) / (z^2 + a1*z + a0)
标称值：a1 = -1.6, a0 = 0.64, b1 = 0.4, b0 = 0.2
不确定性：Δa1 = 0.1, Δa0 = 0.05, Δb1 = 0.02, Δb0 = 0.01
嗯，这里要注意：参数不确定性建模时，不要只考虑标称值。我见过太多工程师只做标称点设计，结果一到现场就出问题。
3.2 结构不确定性
结构不确定性比参数不确定性更「隐蔽」。它指的是系统模型的结构本身存在误差——比如你用了二阶模型，但实际系统是三阶的；或者你忽略了某些非线性特性。
为什么会这样？说白了，真实系统都是高阶、非线性的，我们为了设计方便，不得不做简化。这个简化过程就引入了结构不确定性。
常见的结构不确定性建模方法：
- 乘性不确定性：\( G_p(s) = G_0(s) \cdot (1 + \Delta(s)) \)
- 加性不确定性：\( G_p(s) = G_0(s) + \Delta(s) \)
- 反馈不确定性：\( G_p(s) = G_0(s) / (1 + \Delta(s) \cdot G_0(s)) \)
我曾经踩过一个坑：设计一个数字滤波器时，我用二阶模型近似了一个四阶系统。仿真时一切完美，但实际测试时高频段出现了意想不到的谐振。后来一查，是忽略的那两个高阶极点在高频区「作怪」。
避坑指南：我曾经以为结构不确定性可以靠「调参数」来弥补，结果折腾了两周也没搞定。后来老老实实做了不确定性建模，用鲁棒控制方法才解决问题。记住：结构不确定性不是参数能补回来的。
3.3 外部扰动建模
外部扰动，说白了就是系统「不想看到」的那些输入。比如传感器噪声、负载突变、电源波动……这些扰动如果不建模，控制器就会「误判」系统状态。
我建议把外部扰动分成三类：
| 扰动类型 | 典型例子 | 建模方法 |
|---|---|---|
| 有界扰动 | 传感器白噪声 | \( |d(k)| \leq D_{\max} \) |
| 谐波扰动 | 电源50Hz纹波 | \( d(k) = A \sin(\omega k T_s + \phi) \) |
| 阶跃扰动 | 负载突变 | \( d(k) = d_0 \cdot 1(k - k_0) \) |
你想想看，如果扰动是有界的，那我们可以用H∞控制来抑制；如果是谐波扰动，可以用内模原理来消除；如果是阶跃扰动，那积分环节就能搞定。
我在做无人机飞控时遇到过：GPS信号偶尔会跳变，这就是典型的脉冲扰动。如果不建模，飞控会误以为无人机在快速移动，然后给出错误的控制指令——结果就是飞机乱晃。
小技巧：实际项目中，我习惯先采集一段扰动数据，看看它的频谱特性。如果是低频扰动，用积分器就能压住；如果是高频噪声，那就得加滤波器了。
3.4 三种不确定性的统一框架
讲到这里，你可能想问：这三种不确定性能不能统一处理？答案是肯定的。
我个人常用的方法是线性分式变换（LFT）。它可以把参数不确定性、结构不确定性和外部扰动都统一成一个框架：
系统 = 标称模型 + 不确定性块 + 扰动输入
其中：
- 不确定性块 Δ 满足 ||Δ||∞ ≤ 1
- 扰动输入 w 满足 ||w||₂ ≤ 某个界
这个框架的好处是：你可以用一套鲁棒控制理论来处理所有的不确定性。比如小增益定理、μ综合等方法，都是基于这个框架的。
下面这张图展示了三种不确定性在控制系统中的位置和关系：
3.5 建模的工程实践建议
讲了这么多理论，最后给点实在的建议：
- 先做实验，后建模：别坐在办公室里猜参数。拿示波器、数据采集卡去现场测，看看实际响应和模型差多少。
- 不确定性要「留余量」：我习惯把不确定性范围放大20%。为什么？因为系统老化、温度变化这些因素，你很难精确预测。
- 从简单开始：先只考虑参数不确定性，把鲁棒控制器调好了，再逐步加入结构不确定性和扰动模型。一口吃不成胖子。
- 验证要闭环：建模完成后，一定要做闭环仿真。看看在最坏情况下，系统还能不能稳定。
核心要点：不确定性建模不是「精确描述」，而是「保守估计」。你建模越准确，控制器就能设计得越「不保守」，性能也就越好。但保守一点总比失稳强——这是我在无数次失败中换来的教训。