01 / OVERVIEW
概况
当 PID 撞上"约束"和"耦合"这两堵墙
MPC 的诞生有明确的工程动机：1970 年代末，炼油厂的精馏塔控制遇到两个 PID 解决不了的问题——多个变量互相耦合（调温度会影响压力，调压力又反过来影响温度），以及大量硬约束（阀门开度上限、温度安全限幅、设备负荷极限）。单回路 PID 在这种场合顾此失彼。
1978 年，法国学者 Richalet 等人提出动态矩阵控制（DMC），用对象的阶跃响应模型预测未来输出，配合滚动优化处理约束与耦合。此后 MPC 成为流程工业的标准配置，如今全球数千套大型装置运行着 MPC——从乙烯裂解炉到常减压蒸馏塔。
和 PID 的关系：MPC 不是来"取代"PID 的，而是和它分层协作——MPC 在上层算设定值，PID 在内层把执行器稳稳兜住。理解这个分工，比理解算法本身更重要。
02 / PRINCIPLE
原理
三个要素：预测模型、滚动优化、反馈校正
① 预测模型
用对象的数学模型，根据当前状态和未来控制量，预测未来 N 步的输出走势。模型可以是传递函数、状态空间，或工业上常用的阶跃响应/脉冲响应数据模型。
② 滚动优化
每个采样时刻求解一个带约束的优化问题：在满足所有约束的前提下，让未来输出尽量接近期望轨迹，同时让控制量变化尽量平缓。
③ 反馈校正
优化出一整串控制量，但只执行第一步。下一时刻重新测量实际输出、修正预测偏差、重新求解——用实测不断纠偏模型的不准确。
图 1 · 滚动优化：求解一整串控制量，只执行第一步，下一时刻窗口右移重新求解
为什么"滚动"是关键
如果一次性算出未来所有控制量并照着执行，模型稍有不准，后面积累的偏差就会越来越大。MPC 的做法是：只相信最近的一步。每次执行前都用实测数据重新校正，把模型误差的影响限制在单步之内——这就是"滚动"二字的工程价值。
min Σ‖y(k+i) − r(k+i)‖²Q + Σ‖Δu(k+i)‖²R
s.t. umin ≤ u ≤ umax , ymin ≤ y ≤ ymax
左半是目标：输出贴近设定值、控制量变化平缓（Q、R 是权重）。右半是约束：所有变量的上下限，直接写进优化问题，而不是像 PID 那样事后打抗饱和补丁。
03 / TRADE-OFF
优势与缺点
能力是用"模型 + 算力"换来的
✓ 优势
- 显式处理约束——核心能力。阀门开度、温度安全限幅、变化率限制直接写进优化问题，系统始终在可行域内运行，不会越界。
- 天然处理多变量耦合。一次优化所有回路，不存在 PID 那种"回路互相打架"的问题，是解耦控制的标准方案。
- 可以带经济指标。不只是"稳住"，而是"在约束内找最省的操作点"——这直接带来经济收益，是工厂愿意花大价钱部署它的原因。
- 前馈特性。模型能预测未来设定值变化的影响，提前做出反应，而不是等误差出现才动作。
- 处理大纯滞后的天然优势。预测机制本身就涵盖了延迟，不像 PID 需要额外的史密斯预估器。
✕ 缺点
- 必须有数学模型。模型不准，预测就不准，控制品质直接下降——这是它和 PID 最大的门槛差异。
- 计算量大。每个采样时刻都要解一个约束优化问题，对算力有要求，微控制器上难以实现，通常需要工控机。
- 整定体系庞大。预测时域、控制时域、权重矩阵、约束优先级……参数远多于 PID 的三个，且物理意义不如 Kp/Ki/Kd 直观。
- 工程实施成本高。需要系统辨识建模、需要持续的模型维护，通常要专业团队或商业软件（如 Aspen DMC、Honeywell RMPCT）。
- 不适合快动态对象。采样周期需远大于求解时间，毫秒级响应的场合（如电力电子开关）仍是 PID 的天下。
04 / APPLICATIONS
使用场景
约束多、耦合强、慢过程——MPC 的主场
🛢️炼油与石化
常减压蒸馏塔、催化裂化、乙烯裂解炉。多变量耦合 + 严格安全约束，MPC 最早也最成熟的战场。
DMC 的起源地
🧪化工过程
反应器温度压力控制、聚合物质量指标控制。处理进料波动等可测干扰的前馈补偿。
多变量解耦
📄造纸与钢铁
纸机定量水分控制、加热炉炉膛温度。长流程、大惯性、多约束的典型场景。
长过程控制
🚗自动驾驶轨迹跟踪
无人车路径跟踪、避障轨迹规划。约束就是车辆物理极限（转向角、加速度），预测时域覆盖几秒内的路径。
新兴主力
🤖机器人运动规划
机械臂轨迹跟踪、足式机器人步态。约束是关节限位与力矩上限，采样周期需压到毫秒级。
实时 MPC
🔋能源与电力
微电网能量调度、储能充放电优化、电池 BMS。核心诉求就是"在约束内找经济最优"。
经济寻优
一句话记住它：当对象多变量耦合 + 有严格约束 + 过程较慢，且你愿意为建模付出成本时，MPC 才划算。日常的电机、温度、流量单回路，用 PID 就够了——杀鸡不必用牛刀。