第3章：不确定性建模

各位工程师朋友，大家好。今天我们聊聊不确定性建模。说实话，这是鲁棒控制里最「绕」的一块，但也是最有意思的一块。你想想看，我们设计的控制器，最终要装到真实的车上。可真实的车辆模型，跟我们在电脑里仿真用的模型，能完全一样吗？

答案显然是否定的。轮胎的刚度会变，悬挂的阻尼会老化，传感器的噪声会漂移。这些差异，就是「不确定性」。我刚开始做EPS（电动助力转向）项目时，就吃过这个亏。仿真跑得飞起，一上车就抖得跟筛子似的。后来才明白，是没把不确定性建模搞扎实。

好，我们一步步来。不确定性建模，主要分两大类：参数不确定性和动态不确定性。另外还有一个很强大的工具叫LFT（线性分式变换），能把它们统一起来。

3.1 参数不确定性

参数不确定性，说白了就是模型的结构我知道，但里面的具体数值拿不准。比如我知道车辆的二自由度模型长什么样，但质心侧偏刚度到底是多少？这玩意儿跟路面附着系数、轮胎温度都有关系，不可能是一个定值。

处理这种问题，我们有两种常用方法：区间模型和多面体模型。

3.1.1 区间模型

区间模型是最直观的。你给每个不确定参数一个范围就行。比如：

• 前轮侧偏刚度 C_f ∈ [40000, 60000] N/rad
• 后轮侧偏刚度 C_r ∈ [35000, 55000] N/rad
• 车辆质量 m ∈ [1200, 1600] kg

嗯，就这么简单。每个参数都在一个区间里独立变化。我习惯用这种模型做初步的鲁棒性分析，因为它计算量小，物理意义也清楚。

但要注意，区间模型有个隐含假设：参数之间是独立的。可实际上，C_f 和 C_r 往往是一起变的——路面滑了，两个都变小。这时候区间模型就会过于保守，把所有极端组合都考虑进去了。

3.1.2 多面体模型

多面体模型比区间模型更精细。它允许你描述参数之间的耦合关系。数学上，它把不确定参数表示成一个凸多面体的顶点组合。

举个例子，假设有两个不确定参数 p₁ 和 p₂，它们的变化范围是一个平行四边形，而不是一个矩形。那么多面体模型就可以用四个顶点来描述：

顶点1: (p₁_min, p₂_min)
顶点2: (p₁_max, p₂_min)
顶点3: (p₁_min, p₂_max)
顶点4: (p₁_max, p₂_max)

但如果你知道 p₁ 和 p₂ 是正相关的，比如 p₂ ≈ 0.8 * p₁，那实际的变化区域就是一个狭长的椭圆。多面体模型可以用更少的顶点来逼近这个区域，从而降低保守性。

我个人建议，在做鲁棒控制器综合时，优先考虑多面体模型。虽然建模过程稍微复杂一点，但换来的性能提升是值得的。

3.2 动态不确定性

参数不确定性处理的是「数值不准」的问题。但有时候，模型的结构本身就有误差。比如，你用一个线性模型近似一个非线性系统，或者你忽略了一些高频动态。这时候，就需要动态不确定性上场了。

动态不确定性，说白了就是用一个「不确定的传递函数」来描述我们不知道的那部分动态。常用的有两种：乘性不确定性和加性不确定性。

3.2.1 乘性不确定性

乘性不确定性，形式是这样的：

G_real(s) = G_nominal(s) * (1 + Δ(s) * W(s))

其中 G_nominal 是标称模型，Δ(s) 是归一化的不确定块（||Δ||∞ ≤ 1），W(s) 是权重函数，用来描述不确定性随频率的变化。

为什么叫「乘性」？因为不确定性和标称模型是相乘的关系。我一般在处理高频未建模动态时用这个。比如，你用一个二阶模型近似一个实际的高阶系统，那高频部分的误差就可以用乘性不确定性来覆盖。

你想想看，实际系统在高频段往往有谐振峰，而你的标称模型没有。这时候乘性不确定性就能告诉你：嘿，高频别太自信，留点余量。

3.2.2 加性不确定性

加性不确定性长这样：

G_real(s) = G_nominal(s) + Δ(s) * W(s)

和乘性的区别在于，不确定性和标称模型是相加的关系。我一般在处理低频建模误差时用这个。比如，你忽略了一个小时间常数，或者你简化了一个非线性环节。

举个例子，我在做主动悬架控制时，发现标称模型和实际系统的稳态增益差了10%。这时候用加性不确定性就很合适，直接加一个Δ来覆盖这个误差。

3.3 LFT（线性分式变换）表示

好了，前面讲了参数不确定性和动态不确定性。但实际系统中，这两种不确定性往往是混在一起的。有没有一种统一的数学工具，能把它们都表示出来？

有，就是LFT（线性分式变换）。

LFT的核心思想，是把不确定参数从系统模型中「抽」出来，形成一个上LFT结构：

G_real = F_u(M, Δ) = M₂₂ + M₂₁ * Δ * (I - M₁₁ * Δ)⁻¹ * M₁₂

看着有点复杂，对吧？其实说白了，就是把系统分成两部分：

• M：已知的标称部分，包含所有确定性信息
• Δ：不确定部分，是一个块对角矩阵，里面可以放参数不确定性、动态不确定性、甚至时滞

这样做的好处是什么？

1. 统一性：不管什么类型的不确定性，都可以塞进Δ里
2. 模块化：M和Δ分开处理，设计控制器时只需要针对M，鲁棒性分析时再考虑Δ
3. 计算友好：很多鲁棒控制工具（比如μ综合）都是基于LFT的

我记得有一次做线控制动系统的鲁棒性分析，系统里有参数不确定性（制动盘摩擦系数变化），也有动态不确定性（液压执行器的未建模动态）。用LFT把它们统一建模后，整个分析过程清晰了很多。

3.4 小结

好，我们来捋一捋今天的内容：

• 参数不确定性：数值不准，用区间模型（简单但保守）或多面体模型（精细但复杂）
• 动态不确定性：结构误差，用乘性（高频）或加性（低频）
• LFT表示：统一框架，把各种不确定性塞进Δ里

说实话，不确定性建模这部分，理论看着不难，但真正用起来还是有很多坑的。我建议各位在项目初期，先花点时间把不确定性来源梳理清楚。哪些参数是关键的？哪些动态是可以忽略的？权重函数W(s)怎么选？这些问题想明白了，后面的鲁棒控制器设计才能事半功倍。

下一章，我们会讲鲁棒稳定性分析。到时候你会发现，今天学的不确定性建模，就是那块最重要的基石。好，今天就到这里，有问题随时交流。