第4章模型预测控制(MPC)原理

第4章：模型预测控制(MPC)原理

各位同行，今天我们来聊聊MPC。说实话，我在DCS上做MPC落地也有十来年了，从最开始觉得这东西太玄乎，到现在天天离不开它。模型预测控制，说白了就是让控制器学会「未雨绸缪」。

4.1 MPC的核心思想

传统的PID控制器，你想想看，它只看当前偏差。好比开车时只看眼前一米的路，拐弯全靠临时反应。MPC不一样，它像老司机一样，会提前看前方几百米的路况，提前打方向盘。

MPC的核心思想就三句话：

基于模型预测未来——用数学模型推算系统未来一段时间的走向
滚动优化——每走一步，重新算一遍最优路径
反馈校正——实际值和预测值有偏差？赶紧修正模型

我记得刚入行时，师傅跟我说：「MPC不是神仙，它只是比PID多看了几步棋。」嗯，这句话我一直记着。

核心比喻：PID是近视眼开车，MPC是戴了望远镜开车。但望远镜也可能看错，所以需要不断擦镜片——这就是反馈校正。

4.2 预测模型

预测模型是MPC的「眼睛」。没有模型，你拿什么预测？

常见的预测模型有几种：

阶跃响应模型——工业现场最常用，测一次阶跃响应就能建出来
状态空间模型——理论性强，适合多变量耦合系统
ARX模型——用历史数据拟合，适合数据驱动场景

我在一个炼油项目上遇到过这种情况：装置有强非线性，用阶跃响应模型怎么调都不准。后来我改用分段线性化，把操作区间分成三段，每段建一个模型，效果立竿见影。说白了，模型不怕简单，就怕不准。

实战建议：现场建模型，别追求复杂。能用一阶加纯滞后解决的，就别上二阶。模型越简单，鲁棒性越好。我曾经见过一个工程师，非要用十阶模型，结果现场一跑就发散。

4.3 滚动优化

滚动优化是MPC的「大脑」。它每时每刻都在做一件事：算未来几步的最优控制量。

具体流程是这样的：

当前时刻k，用模型预测未来P步的输出
设定一个目标函数（比如让输出尽量靠近设定值，同时控制量变化尽量小）
求解这个优化问题，得到未来M步的控制量序列
只执行第一步的控制量
到下一时刻k+1，重复以上步骤

你可能会问：为什么只执行第一步？这不是浪费吗？

嗯，这里有个关键点。模型不可能100%准确，外部干扰也随时存在。如果一股脑把未来M步的控制量全执行了，一旦模型偏差，后面几步全错。只执行第一步，到了下一时刻重新算，这就是「滚动」的含义——永远只看眼前一步，但每一步都重新规划全局。

注意：优化问题的求解速度很关键。DCS的扫描周期通常是1秒，如果优化算法跑3秒，那就没法用了。我建议用二次规划（QP）求解器，效率高。实在不行，可以离线算好查表。

4.4 反馈校正

反馈校正是MPC的「纠错机制」。模型预测得再准，也架不住现场有干扰。

反馈校正的做法很简单：

在k时刻，用模型预测k+1时刻的输出
到了k+1时刻，测量实际输出
计算预测误差：e = 实际值 - 预测值
把这个误差加到后续的预测中，作为补偿

说白了，就是「错了就改，改了再算」。我见过一些新手，把MPC的模型调得特别准，但一投用就崩。为什么？因为模型太准了，反而对干扰敏感。反馈校正的作用就是给模型加一个「安全垫」。

避坑指南：我曾经在一个项目上，反馈校正系数设得太大，结果系统出现振荡。后来我把校正系数从0.8降到0.3，系统才稳定下来。记住：反馈校正不是越大越好，过犹不及。

4.5 一个简单的MPC示例

下面我用一个单变量系统的例子，展示MPC的基本计算过程。假设被控对象是一阶惯性加纯滞后：

% 模型参数
K = 2;      % 增益
T = 5;      % 时间常数（秒）
tau = 2;    % 纯滞后（秒）

% MPC参数
P = 10;     % 预测时域
M = 3;      % 控制时域
Q = 1;      % 输出权重
R = 0.1;    % 控制量权重

% 设定值
sp = 1;

% 当前时刻k
y_k = 0;    % 当前输出
u_k = 0;    % 当前控制量

% 预测未来P步的输出
for i = 1:P
    y_pred(i) = K * (1 - exp(-i/T)) * u_k;
end

% 优化目标：min (sp - y_pred)^2 + R * delta_u^2
% 这里用简单枚举法求解（实际工程用QP）
best_u = 0;
best_cost = inf;
for u_candidate = -1:0.1:1
    cost = (sp - y_pred(1))^2 + R * (u_candidate - u_k)^2;
    if cost < best_cost
        best_cost = cost;
        best_u = u_candidate;
    end
end

% 执行第一步控制量
u_k = best_u;

% 下一时刻，测量实际输出，计算反馈校正
y_actual = 0.5;  % 假设测量值
e = y_actual - y_pred(1);  % 预测误差
% 将误差补偿到后续预测中
y_pred = y_pred + e;

这个例子虽然简单，但把MPC的四个要素都体现出来了：预测模型、滚动优化、反馈校正、只执行第一步。实际工程中，多变量MPC的优化问题要复杂得多，但核心思想是一样的。

4.6 MPC在DCS中的实现要点

要点	说明	我的经验
扫描周期	通常1-5秒	太快了优化算不完，太慢了控制效果差
模型更新	建议每周重新辨识一次	装置老化后模型会漂移，不更新就废了
约束处理	控制量、控制量变化率、输出都要加约束	软约束比硬约束更实用，避免无解
故障切换	MPC失效时自动切回PID	这是保命设计，必须做

最后说一句：MPC不是万能药。如果PID能解决的问题，别上MPC。我见过太多项目，明明一个串级就能搞定，非要上MPC，结果运维成本翻倍。选型要务实，别为了用技术而用技术。

好了，这一章就到这里。下一章我们聊聊MPC在精馏塔上的实战案例，到时候我会分享一个我踩过的坑——模型失配导致塔压差失控，差点把塔冲翻。敬请期待。

📚 课程目录