本页目录

进阶 II · 鲁棒控制与不确定性

层次：研究生核心 ｜ 承第八页的 Doyle 反例。 第二页说"模型永远是错的"，第八页展示了"最优控制可能完全没有鲁棒裕度"。鲁棒控制的回答是：既然模型有误差，就把误差本身写进设计问题——不再为一个标称模型优化，而是为一族模型保证性能。本页讲这套理论的思想、工具与它在工业中的真实位置。

学习层：给乘法不确定性画出一条可复核的小增益账

1. 具体工程谜题：带积分器的环路，在哪些频段该“少用力”？

考虑标称环路

\[ L(s)=\frac{K}{s(\tau s+1)},\qquad S=\frac{1}{1+L},\qquad T=\frac{L}{1+L}, \]

以及乘法不确定性 \(P=P_0(1+\Delta W_m)\)，其中 \(\|\Delta\|_\infty\le1\)。工程师要把低频模型可信度、高频未建模动态和闭环补灵敏度放在同一张频率账上，并区分不确定性集合到底是完整无结构复数球，还是有实参数/块结构/有限阶约束的物理包络。

预测门，必须先作答：

  1. \(S\) 与 \(T\) 的复数恒等式是什么？
  2. 对标称/内部稳定、稳定权重、完整无结构复数乘法球，严格 \(\|W_mT\|_\infty<1\) 的地位是什么？
  3. 换成结构化、实参数或有限阶物理不确定性包络后，同一个范数条件通常怎样解释？

2. 正式模型：先写清不确定性集合，再解释“证书”

实验使用稳定权重

\[ W_m(s)=\frac{s/\omega_b+w_\ell}{s/\omega_b+1}, \qquad 0\le w_\ell\le1, \]

它在低频约为 \(w_\ell\)，高频趋近 1。频率扫频计算 \(S(j\omega)\)、\(T(j\omega)\)、\(W_m(j\omega)T(j\omega)\) 和复数误差 \(|S+T-1|\)。

对于完整无结构复数 \(\Delta\in H_\infty\)、\(\|\Delta\|_\infty\le1\) 的乘法不确定性球，在标称/内部稳定、权重稳定并满足常见技术条件时，

\[ \|W_mT\|_\infty<1 \]

是标准鲁棒稳定判据；在这组理想集合和前提下可表述为必要充分。只有当真实对象的误差被限制为结构化块、实参数、有限阶动态或其他物理子集时，完整复数球的同一判据通常才是保守的充分证书：它可能拒绝某些实际结构下仍稳定的对象，不能笼统说成“永远只是充分、非必要”。

3. 动手实验：扫频、找峰值，逐项核对复数恒等式

先提交三项预测，再调 \(K,\tau,w_\ell,\omega_b\) 和扫频点数。上图画 \(|S|,|T|,|W_mT|\) 与阈值 1，下图画复数 \(|S+T-1|\)；ledger 保留 \(S,T\) 的实部/虚部、复数误差和有限对数网格上的 \(|W_mT|\) 采样值。证书区同时显示标称稳定性、sampled/grid 峰值和不确定性集合的适用层次。

JavaScript 失效时的静态 fallback：默认取

\[ K=2,\quad \tau=0.4\ \mathrm s,\quad w_\ell=0.08,\quad \omega_b=4\ \mathrm{rad/s}, \]

并在 \(0.01\) 到 \(100\ \mathrm{rad/s}\) 的有限对数频率窗上取 180 点。标称闭环稳定；网格采样峰值为

\[ \max_{\mathrm{grid}}|W_mT|=0.444921\quad\text{at}\quad \omega=2.108737\ \mathrm{rad/s}, \]

所以 sampled/grid 差值 \(1-\max_{\mathrm{grid}}|W_mT|=0.555079\)，复数恒等式在这 180 个点上的最大误差为 \(2.5\times10^{-16}\)。这不是连续 \((0,\infty)\) 上的 \(\|W_mT\|_\infty\) 精确值，可能漏掉网格之间或频窗之外的峰。

| \(i\) | \(\omega\) (rad/s) | \(S(j\omega)\) | \(T(j\omega)\) | \(|S+T-1|\) | \(|W_mT|\) (grid sample) | |---:|---:|---|---|---:|---:| | 0 | 0.010 | \(0.000005+j0.005000\) | \(0.999995-j0.005000\) | 0 | 0.080039 | | 45 | 0.101 | \(0.000518+j0.050725\) | \(0.999482-j0.050725\) | 0 | 0.083950 | | 90 | 1.026 | \(0.109402+j0.578770\) | \(0.890598-j0.578770\) | 0 | 0.276447 | | 135 | 10.393 | \(1.045630+j0.011508\) | \(-0.045630-j0.011508\) | \(2.2\times10^{-16}\) | 0.043939 | | 179 | 100.000 | \(1.000500+j0.000013\) | \(-0.000500-j0.000013\) | 0 | 0.000500 |

理论判据本身仍针对完整无结构复数乘法球；但这张表只是有限网格/有限频窗的数值估计，不能单独宣称连续 \(H_\infty\) 判据已被精确验证，也不能把它当作精确的 \(\mu\) 结果。若把真实误差改成结构化或实参数物理模型，仍需做对应的结构化鲁棒性分析。

4. 误区与模型边界

  • 判据的必要充分性依赖不确定性集合：完整无结构复数球与标称/内部稳定前提下，\(\|W_mT\|_\infty<1\) 是标准判据；物理结构子集上它通常是保守充分证书。
  • 扫频不是连续 \(H_\infty\) 范数的自动证明：有限频率网格可能漏掉窄峰；真实实现还要检查权重稳定性、内部稳定、采样/时延和未建模通道。
  • \(S+T=1\) 是复数恒等式：只比较 \(|S|+|T|\) 或只看幅值会丢掉相位信息，所以 ledger 保留实部与虚部。
  • 标称稳定不等于鲁棒稳定：\(K>0,\tau>0\) 只给出本 toy 闭环的标称二阶稳定；不确定性、传感器动态和执行器饱和需另行纳入。
  • 权重是建模假设：低频小、高频趋 1 的 \(W_m\) 只描述本页假设的相对误差形状，不能替代实验辨识或物理边界。

迁移问题：如果台架数据只支持“质量和刚度各在一个实区间内变化”，而不是任意复数动态扰动，你会怎样把频率权重、结构信息和内部稳定性证据接到同一份鲁棒性报告？哪些结论可以沿用，哪些必须换成结构化分析？

一、把不确定性形式化

第一步是把"模型不准"写成数学。两类描述：

① 参数不确定性：参数在已知区间内变化（质量 \(m \in [0.9, 1.1]m_0\)）。物理意义清楚，但分析可能保守或困难。

② 未建模动态：用范数有界的扰动描述。最常用的是乘性不确定性：

\[P(s) = P_0(s)\left(1 + \Delta(s)W(s)\right), \qquad \|\Delta\|_\infty \le 1\]

\(P_0\) 是标称模型，\(W(s)\) 是权重函数——它描述"在哪个频段、模型有多不准"。

\(W\) 的形状极有工程意义（这是本页最实用的洞察）：

这正式化了第二页与第五页反复出现的直觉——为什么不能无限提高带宽：因为高频处模型不可信，而反馈会把模型误差变成不稳定。

二、鲁棒稳定性条件

对标称/内部稳定、稳定权重以及完整无结构复数乘法不确定性球 \(\|\Delta\|_\infty\le1\)，闭环对该球内所有扰动都稳定的标准判据是：在常见技术条件下，\(\|WT\|_\infty<1\) 可表述为必要充分条件。若真实不确定性是结构化块、实参数或有限阶物理子集，同一范数条件通常退化为保守的充分证书，而不是该物理集合的必要条件：

\[\|W T\|_\infty < 1 \qquad\Longleftrightarrow\qquad |T(j\omega)| < \frac{1}{|W(j\omega)|}\ \ \forall\omega\]

\(T\) 是补灵敏度函数（第一页：\(S+T=1\)）。

读法极其直观：模型越不准的频段（\(|W|\) 大），闭环增益 \(|T|\) 就必须越小。 也就是——在你不了解系统的地方，不要用力推。 这句话是全部鲁棒控制的直觉核心，也是一条很好的工程箴言。

与经典裕度的关系：向量裕度（第五页提到的、到 \(-1\) 点的最短距离）就等于 \(1/\|S\|_\infty\)。所以 \(H_\infty\) 理论是经典稳定裕度的严格推广——它把"离危险有多远"从看一个点变成看整条曲线。

三、混合灵敏度设计

实际设计要同时管性能与鲁棒性，标准做法是混合灵敏度：

\[\left\|\begin{matrix} W_1 S \\ W_2 KS \\ W_3 T\end{matrix}\right\|_\infty < 1\]

三项各有明确含义：

项 管什么 权重形状
\(W_1 S\) 性能：跟踪精度、抗扰 \(W_1\) 低频大（要求低频 \(\lvert S\rvert\) 小）
\(W_2 KS\) 控制量：不超执行器能力 限制控制信号
\(W_3 T\) 鲁棒性：抗未建模动态 \(W_3\) 高频大（要求高频 \(\lvert T\rvert\) 小）

注意 \(S+T=1\) 的约束在此发挥作用：\(S\) 与 \(T\) 不能同时小。这就是水床效应（第五页）在设计问题中的直接体现——权重函数的选择实际上是在分配频段：低频归性能、高频归鲁棒性、穿越区做过渡。

求解：通过 Riccati 方程或线性矩阵不等式（LMI）求解，有成熟的数值工具。设计的艺术不在求解，而在选权重函数——这一步依然需要工程经验与迭代。

四、结构奇异值与 μ 综合

\(H_\infty\) 把所有不确定性当作一个"满块"\(\Delta\) 处理，这对多个独立的不确定源（如三个参数各自变化）是保守的——它把物理上不可能同时发生的最坏组合也算了进去。

结构奇异值 \(\mu\) 考虑 \(\Delta\) 的块对角结构，给出更精确（更不保守）的判据：

\[\text{鲁棒稳定} \iff \sup_\omega \mu_\Delta\big(M(j\omega)\big) < 1\]

代价：\(\mu\) 的精确计算是 NP 难的，实际用上下界近似；μ 综合（D-K 迭代）不保证收敛到全局最优，且得到的控制器阶数很高。

五、鲁棒控制的实际处境（诚实评估）

理论上的成就毋庸置疑：\(H_\infty\) 与 μ 理论是控制学科在 1980–90 年代的重大成果，把"鲁棒性"从经验概念变成了可计算、可保证的设计目标。

但工业部署远少于论文数量，原因具体而现实：

  1. 控制器阶数高：\(H_\infty\) 控制器的阶数至少等于广义对象的阶数（含权重函数），常达十几到几十阶。需要降阶（平衡截断，第七页），而降阶又可能破坏保证；
  2. 权重函数难选：设计质量高度依赖权重的选择，这需要经验，且不像 PID 那样可以现场手调；
  3. 保守性：为最坏情况设计，正常工况下性能可能明显低于针对标称模型的设计。"最坏情况保证"的代价是"典型情况平庸"；
  4. 可解释性差：现场人员难以理解与维护一个二十阶的状态空间控制器（对比第十三页梯形图的可读性优势）；
  5. 多数工业对象不需要：PID + 裕度已经够用。

它真正被使用的场合：航空航天（飞控、柔性结构）、高端伺服与精密运动（光刻机工件台等）、硬盘磁头、汽车某些底盘控制——共同特征是：性能要求逼近极限、模型不确定性显著、且值得投入建模与设计成本。

一个更常见的实用折中：用 \(H_\infty\) 的思想（频段分配、权重塑形）指导经典设计，而不必真的求解 \(H_\infty\) 问题。很多资深工程师是这样用这套理论的——把它当作思维框架而非计算工具。

六、与其他方法的关系

七、要点

下一页：MPC——唯一大规模工业落地的"高级"控制方法。它的成功秘诀只有一个：能显式处理约束。