DT-MPC中如何处理模型失配问题？

Question

在离散时间模型预测控制（DT-MPC）中，模型失配会导致预测与实际系统行为偏差，进而影响控制性能和闭环稳定性。一个常见问题是：当实际系统动态与设计所用的标称模型存在参数误差或未建模动态时，如何保证MPC控制器的鲁棒性与控制精度？尤其在快速采样或存在非线性特性的情况下，微小的模型失配可能累积成显著的预测误差，导致约束违反或性能退化。因此，亟需在控制策略中引入对模型不确定性的补偿机制。

Answer 1

离散时间模型预测控制中的模型失配问题与鲁棒性增强策略

1. 问题背景与基本概念

在离散时间模型预测控制（DT-MPC）中，控制器依赖于系统动态的数学模型进行未来状态的预测，并基于优化目标求解最优控制输入。然而，实际工业系统往往存在参数不确定性、外部扰动以及未建模动态，导致标称模型与真实系统之间出现模型失配。

这种失配会引发预测轨迹偏离实际轨迹，尤其在快速采样或非线性系统中，误差可能迅速累积，造成约束违反、性能下降甚至闭环不稳定。

2. 模型失配的主要来源

• 参数误差：如质量、阻尼系数等物理参数测量不准或随时间漂移。
• 未建模动态：高频模态、执行器延迟、传感器噪声等未被纳入模型的部分。
• 非线性效应：系统工作点变化导致线性化模型失效。
• 外部扰动：环境干扰、负载突变等不可测输入。
• 采样周期影响：高频率采样放大离散化误差和数值不稳定性。

3. 常见技术应对方法分类

方法类别	代表技术	适用场景	优势	局限性
鲁棒MPC	min-max MPC	有界不确定性	保证最坏情况性能	保守性强，计算复杂
随机MPC	SMPC	概率分布已知扰动	允许轻微约束违反	依赖统计假设
自适应MPC	在线参数估计	慢时变系统	动态修正模型	收敛速度有限
数据驱动MPC	子空间方法	黑箱系统	无需先验模型	数据需求大
学习增强MPC	高斯过程回归	非线性残差建模	提升预测精度	实时推理开销高
Tube-MPC	名义轨迹+偏差管	有界扰动系统	分离设计简化问题	需精确扰动上界
经济MPC	动态优化目标	能效优化场景	兼顾经济性与稳定性	稳定性分析复杂
多模型MPC	增益调度	多工况切换系统	覆盖宽操作范围	切换逻辑设计难
混合MPC	符号逻辑集成	含离散事件系统	处理模式跳变	组合爆炸风险
分布式MPC	ADMM协调	大规模耦合系统	降低计算负担	通信延迟敏感

4. 分析过程：从误差传播到性能退化

1. 设定标称系统模型：x_{k+1} = A x_k + B u_k
2. 引入真实系统：x_{k+1}^{true} = (A+\Delta A)x_k^{true} + (B+\Delta B)u_k + w_k
3. 定义预测误差：e_k = x_k^{pred} - x_k^{true}
4. 分析误差递推关系：e_{k+1} ≈ A e_k + \Delta A x_k^{true} + \Delta B u_k - w_k
5. 若A谱半径接近1，则误差易发散
6. 预测 horizon 越长，误差累积越严重
7. 约束条件在预测中被“虚假满足”，实际运行中突破边界
8. 代价函数最小化基于错误模型，导致次优甚至有害控制动作
9. 反馈校正机制若滞后，无法及时抑制偏差增长
10. 最终可能导致闭环系统极限环或失稳

5. 解决方案演进路径

graph TD
    A[标称MPC] --> B{是否考虑不确定性?}
    B -->|否| C[标准QP求解]
    B -->|是| D[鲁棒/随机MPC]
    D --> E[Tube-MPC: 构建偏差管]
    D --> F[Min-Max MPC: 最坏情况优化]
    D --> G[SMPC: 概率约束处理]
    E --> H[结合在线学习更新管边界]
    F --> I[采用滚动式信息集缩小保守性]
    G --> J[融合贝叶斯滤波估计扰动分布]
    H --> K[学习增强型Tube-MPC]
    I --> L[基于历史数据的情境依赖优化]
    J --> M[自适应SMPC框架]

6. 典型代码实现片段（Python伪代码）

import numpy as np
from scipy.optimize import minimize

def tube_mpc_control(x_real, x_nominal, A_nom, B_nom, disturbance_bound):
    # Step 1: 在名义模型上求解标准MPC
    u_nom = solve_nominal_mpc(x_nominal, A_nom, B_nom)
    
    # Step 2: 计算实际控制输入：u = u_nom + K(x_real - x_pred)
    error_estimate = x_real - predict_nominal_trajectory(x_nominal, u_nom)
    feedback_gain = compute_tube_feedback_gain(A_nom, disturbance_bound)
    u_actual = u_nom[0] + feedback_gain @ error_estimate
    
    # Step 3: 更新名义状态（开环推进）
    x_nominal_next = A_nom @ x_nominal + B_nom @ u_nom[0]
    
    return u_actual, x_nominal_next

# 扰动观测器辅助版本
class DisturbanceObserver:
    def __init__(self, A, B, C):
        self.L = observer_gain_design(A, C)
        self.x_hat = np.zeros(A.shape[0])
        self.d_hat = 0.0
    
    def update(self, y_measured, u_input):
        y_pred = self.C @ self.x_hat
        residual = y_measured - y_pred
        self.x_hat += self.A @ self.x_hat + self.B @ u_input + self.L @ residual
        self.d_hat = self.L @ residual  # 近似等效扰动
        return self.d_hat