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。
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：
\(P_0\) 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）：
- 低频 \(|W|\) 小：低频行为建模较准（稳态增益容易测准）；
- 高频 \(|W|\) 大且趋于 1 甚至更大：高频完全不可信（未建模的共振、执行器动态、时滞的高频行为）。
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
对乘性不确定性，闭环对所有 \(\|\Delta\|_\infty\le1\) 都稳定的充要条件是：
\(T\) 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：
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 $ |
| \(W_2 KS\) | 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 $ |
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：
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：
- 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；
- 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；
- 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"；
- 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）；
- 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
- 与 LQG：LQG 是 \(H_2\) 最优（最小化随机扰动下的均方响应），\(H_\infty\) 最小化最坏情况增益。\(H_2\) 关心"平均表现"，\(H_\infty\) 关心"最坏表现"——这个区分在统计学、优化、机器学习中同样存在（期望风险 vs 最坏情况风险）；
- 与 MPC（下一页）：MPC 处理约束极强但标称鲁棒性需额外保证；有鲁棒 MPC / 管道 MPC（tube MPC）把二者结合；
- 与自适应控制（第十八页）：鲁棒控制假定不确定性有界且固定地设计一个控制器；自适应控制则在线估计并调整。二者哲学不同：一个"以不变应万变"，一个"随机应变"，也各有失效模式。
七、要点
- 鲁棒控制把模型误差写进设计问题，用权重函数 \(W(j\omega)\) 描述"哪个频段有多不准"；
- 核心条件 \(\|WT\|_\infty<1\) 的直觉：在你不了解系统的地方，不要用力推；
- 混合灵敏度 = 用权重给频段分工，受 \(S+T=1\)（水床效应）约束；
- \(\mu\) 综合减少保守性，代价是计算与阶数；
- 工业部署有限，原因是阶数高、权重难选、保守、难维护；
- 把它当思维框架用，比当计算工具用更普遍。
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。