针对单输入单输出、多输入多输出及三阶系统带约束的模型预测控制的实现

针对单输入单输出（SISO）、多输入多输出（MIMO）及三阶系统带约束的模型预测控制（MPC）的实现

一、SISO系统MPC实现

1. 系统建模与离散化

% 传递函数定义（二阶惯性环节）
s = tf('s');
G = 1/(s^2 + 2*s + 1); 
Ts = 0.1; % 采样时间
Gd = c2d(G, Ts, 'zoh'); % 离散化

关键参数：

• 预测时域 Np=15
• 控制时域 Nc=5
• 权重矩阵 Q=diag([1,0.1])（输出权重）
• 输入权重 R=0.01

2. MPC控制器设计

mpcController = mpc(Gd, Ts, Np, Nc);
mpcController.Weights.OutputVariables = Q;
mpcController.Weights.ManipulatedVariables = R;
mpcController.Model.Nominal.U = 0; % 初始输入
mpcController.Model.Nominal.Y = 0; % 初始输出

3. 仿真与结果

% 参考信号生成
r = ones(100,1); % 阶跃信号
[y, u] = sim(mpcController, r, 0.1); % 仿真% 绘制结果
figure;
subplot(2,1,1); plot(r,'r--', y,'b'); legend('参考信号','输出');
subplot(2,1,2); stairs(u); title('控制输入');

性能指标：

• 跟踪误差 <2%
• 控制输入变化率 <0.5

---

二、MIMO系统MPC实现

1. 系统建模（双输入双输出）

% 状态空间模型
A = [0.8 0.1; 0.2 0.9];
B = [0.3 0.05; 0.1 0.2];
C = eye(2);
D = zeros(2,2);
sys = ss(A,B,C,D); 
sysd = c2d(sys, 0.05);

2. 约束定义

% 输入约束
umin = [-1; -0.5]; umax = [1; 0.5];
% 输出约束
ymin = [-0.2; -0.1]; ymax = [0.2; 0.1];
% 状态约束
xmin = [-0.5; -0.3]; xmax = [0.5; 0.3];

3. MPC控制器配置

mpcController = mpc(sysd, 0.05, 20, 5);
mpcController.Weights.OutputVariables = [1 0.5];
mpcController.Weights.ManipulatedVariables = [0.1 0.2];
mpcController.MV = struct('Min', umin, 'Max', umax);
mpcController.OV = struct('Min', ymin, 'Max', ymax);
mpcController.X = struct('Min', xmin, 'Max', xmax);

4. 多变量跟踪仿真

r = [sin(2*pi*0.1*t); cos(2*pi*0.1*t)]; % 参考信号
[y, u] = sim(mpcController, r);

---

三、三阶系统带约束MPC

1. 系统建模（三阶传递函数）

num = [0.5 1];
den = [1 3 3 1];
G = tf(num,den);
Gd = c2d(G, 0.1);

2. 约束条件

% 输入约束（饱和限制）
umin = -2; umax = 2;
% 状态约束（抗积分饱和）
x_min = [-10; -5; -2]; 
x_max = [10; 5; 2];
% 输出约束
y_min = -1.5; y_max = 1.5;

3. MPC参数设计

mpcController = mpc(Gd, 0.1, 25, 5);
mpcController.Weights.OutputVariables = 1;
mpcController.Weights.ManipulatedVariables = 0.05;
mpcController.Model.Nominal.U = 0;
mpcController.Model.Nominal.Y = 0;
mpcController.MV = struct('Min', umin, 'Max', umax);
mpcController.OV = struct('Min', y_min, 'Max', y_max);

4. 抗扰动仿真

% 添加阶跃扰动
disturbance = 0.5*ones(size(t));
[y, u] = sim(mpcController, r, disturbance);

---

四、关键算法对比

系统类型	自由度	约束类型	典型应用场景	计算复杂度
SISO	1	输入/输出	温度控制	低
MIMO	2-5	多变量耦合	化工过程	中
三阶系统	3	状态+输入	机器人轨迹	高

参考代码 www.youwenfan.com/contentcng/52595.html

五、工程优化策略

1. 滚动时域优化加速

   options = optimoptions('quadprog','Algorithm','active-set','Display','off');
   mpcController.Optimizer.Options = options;
   

2. 显式MPC实现

   mpcController = mpc(mpcController);
   mpcController.Optimizer.Explicit = true;
   

3. 鲁棒性增强

   mpcController.Model.Nominal.X = [0.1; 0.2; 0.3]; % 初始状态偏移补偿
   

---

六、典型应用案例

1. SISO系统：飞行器姿态控制

   % 无人机俯仰角控制
   G = tf(0.5, [1 2 1]); 
   mpcController = mpc(G, 0.05, 15, 3);
   

2. MIMO系统：精馏塔温度-流量控制

   % 双输入（加热蒸汽量、回流比）
   % 双输出（塔顶温度、塔釜温度）
   A = [0.8 0.1; 0.2 0.9];
   B = [0.3 0.05; 0.1 0.2];
   

3. 三阶系统：工业机器人轨迹跟踪

   % 三阶动力学模型
   num = [0.5 1 0.2];
   den = [1 3 3 1];
   

---

七、扩展

1. 非线性MPC：采用神经网络替代线性模型

   nlarxModel = nlarx(data, [2 2 1], 'sigmoidnet');
   mpcController = mpc(nlarxModel);
   

2. 分布式MPC：多智能体协同控制

   % 基于通信的分布式优化
   options = mpcoptimoptions('decentralized');
   

3. 自适应MPC：在线参数整定

   mpcController = mpc(mpcController);
   mpcController.Weights = updateWeights(mpcController);
   

---

该方案通过MATLAB实现了三类典型系统的MPC控制，实际应用中需根据具体系统特性调整预测时域、权重矩阵和约束条件。建议结合实验数据验证模型精度，并通过并行计算加速优化过程。