1. 从“能控”到“能扛”为什么线性时不变系统需要容错MPC搞控制的人都有过这种体会模型预测控制MPC在仿真里跑得行云流水跟踪精度、约束满足样样漂亮但一放到真实设备上就总有种“纸上学来终觉浅”的落差。原因往往不在MPC本身而是真实系统里藏着各种不确定性尤其是执行器故障和传感器故障。一个阀门卡涩、一个电机绕组短路如果控制器浑然不觉继续按健康模型计算控制量轻则性能退化重则整个回路振荡失稳。这恰恰是容错模型预测控制Fault-Tolerant Model Predictive Control, FT-MPC要解决的问题。它的思路很直接让控制器不仅会算最优控制序列还能感知系统“哪里不对劲”然后自动调整控制策略让系统在一部分组件失效的情况下依然保持稳定、保住关键性能指标。本文围绕线性时不变LTI系统把FT-MPC这件事拆开揉碎讲清楚从故障诊断FDI故障检测与隔离怎么和MPC结合到约束处理、稳定性保证、Matlab仿真实现再到我踩过的坑和调试经验。适合正在做预测控制课题的研究生、做设备健康管理的工程师以及想从理论走向代码实现的入门者。先说一个总体判断FT-MPC在工程上落地最难的不是MPC本身而是故障信息和MPC框架的“缝合”。诊断模块给出故障的大小和位置预测模型要随之修正约束条件和目标函数也得跟着调整。如果只是把MPC和FDI简单拼在一起大概率在故障瞬间出现控制量跳变甚至直接触发输入饱和。2. 容错模型预测控制的整体设计思路2.1 一个被低估的前提先想清楚“故障后系统还剩余什么”在设计FT-MPC之前我建议先做一个“故障后能力盘点”。这听起来像管理学的词但在控制里非常实在。一套完整的执行机构可能有冗余配置某个执行器失效后剩下的执行器能否覆盖原有的控制自由度传感器失效后状态是否仍然可观对线性时不变系统这个问题可以转化为可控性和可观测性的重新校验。以常见的执行器部分失效为例假设标称模型为[ x(k1) Ax(k) Bu(k) ]当第 (i) 个执行器发生部分失效时实际控制输入变为 (\Gamma u(k))其中 (\Gamma) 是一个对角矩阵对角元素 (\gamma_i \in [0,1]) 表示剩余的有效增益。(\gamma_i1) 是健康状态(\gamma_i0) 是完全失效介于两者之间是部分失效。此时系统变为[ x(k1) Ax(k) B\Gamma u(k) ]关键在于MPC的预测模型必须使用 (B\Gamma)而不是标称的 (B)。很多人忽略这一点故障发生时还用旧模型滚动优化相当于拿着过期的地图找路结果自然不可靠。另外还要注意执行器部分失效往往意味着控制能力下降原本能到达的可行域变小。因此即使诊断出了故障MPC的约束可能需要重新调整。比如标称情况下输入约束是 (|u| \leq 1)故障后等效输入变为 (|\gamma_i u_i| \leq 1)如果控制律不修正会出现实际输入受限但控制器认为还在范围内的情况。2.2 FT-MPC的三层架构检测、重构、优化我在项目里习惯把FT-MPC拆成三个层次第一层故障检测与诊断FDD。这一步回答两个问题系统有没有出故障如果出了出在哪里、严重到什么程度常用的手段有基于残差的方法观测器、卡尔曼滤波器、基于参数辨识的方法递推最小二乘、子空间辨识以及基于数据驱动的方法机器学习分类器。对于LTI系统卡尔曼滤波器加残差卡方检验是我最常用的组合计算量小效果稳定。第二层预测模型重构。根据诊断得到的故障信息在线修正MPC内部的预测模型。执行器故障就改 (B\Gamma)传感器故障就需要剔除对应测量通道或者对状态估计进行修正。模型重构是FT-MPC和普通自适应控制的本质区别前者是离散的、基于事件触发的模型切换后者是连续的、渐变的参数更新。第三层约束与目标函数重构。故障后系统的剩余能力下降为了保证递推可行性和闭环稳定性需要调整MPC的约束条件或代价函数。一种做法是在目标函数里加入对控制增量 (\Delta u) 的惩罚避免输入突变另一种做法是采用“部分性能退化”策略正常运行追求最优跟踪精度故障后优先保证稳定性牺牲响应速度。这套三层架构最大的好处是模块化。FDD模块可以独立替换预测模型重构和MPC求解器解耦调试的时候可以单独验证每一层。我在Matlab里的实现就是把这三层分别封装成函数后续换算法只需要替换对应接口。2.3 为什么选择LTI系统作为切入点很多读者可能会想既然要研究容错控制为什么不直接上手非线性系统或复杂工业过程我的建议是先吃透LTI情形。原因有三个第一LTI系统的可观性、可控性、稳定性分析有完备理论工具。故障诊断里的残差生成、MPC里的稳定性证明都依赖这些基础结论。连LTI都没吃透非线性情形更是一团乱麻。第二LTI模型是很多实际系统的良好近似。机电系统在某个工作点附近的小范围运动、热工系统在稳态工况附近的调节都可以建模为LTI。工程中大量MPC应用都是基于LTI模型线性化后做的。第三LTI系统的仿真验证成本低。Matlab里建一个状态空间模型几行代码搞定各种工具箱支持完善便于快速验证算法思路。等到思路清晰了再往非线性、时变方向扩展也不迟。3. FTPC核心算法拆解MPC、FDI与容错机制的协同3.1 标准MPC的数学基础与约束处理在进入容错之前先把标准MPC的数学形式摆清楚。假设LTI系统的离散状态空间模型为[ x(k1) Ax(k) Bu(k) ] [ y(k) Cx(k) ]其中 (x \in \mathbb{R}^n) 是状态(u \in \mathbb{R}^m) 是控制输入(y \in \mathbb{R}^p) 是测量输出。MPC在每个采样时刻 (k) 求解如下有限时域最优控制问题[ \min_{U_k} ; J \sum_{i0}^{N-1} \left( |x(ki|k) - x_{ref}|_Q^2 |u(ki|k)|R^2 \right) |x(kN|k)|{P}^2 ]满足[ x(ki1|k) Ax(ki|k) Bu(ki|k) ] [ x(k|k) x(k) ] [ u_{min} \leq u(ki|k) \leq u_{max}, \quad i0,\dots,N-1 ] [ x(ki|k) \in \mathcal{X}, \quad i1,\dots,N ]其中 (N) 是预测时域(Q) 是状态权重矩阵(R) 是控制权重矩阵(P) 是终端代价矩阵(\mathcal{X}) 是状态约束集合。这里有个关键点\|x(ki|k)\|_Q^2表示加权二次型即 (x^T Q x)。(Q) 和 (R) 的选择直接决定控制性能。(Q) 大意味着重跟踪精度(R) 大意味着重控制能量消耗。MPC求解器的任务是在线解这个二次规划QP问题。Matlab里可以用quadprog也可以用更快的自定义求解器。对于采样周期在毫秒级的系统求解效率就是硬指标后面第5节我会具体介绍怎么在Matlab里搭起来。3.2 故障建模执行器、传感器与系统故障的区别做容错控制第一步是给故障一个形式化的描述。我见过不少初学者在这个环节含糊导致后续诊断算法没有针对性。故障通常分三类执行器故障——最常见的类型表现为控制信号无法完全作用于系统。模型可以写成[ u_{actual}(k) \Gamma u_{commanded}(k) f_u(k) ](\Gamma) 是执行器效率矩阵(f_u(k)) 是加性偏置故障。举例一个液压阀门的增益下降了30%对应 (\gamma 0.7)一个电机控制信号完全断开对应 (\gamma 0)。传感器故障——测量值与真实状态不一致。模型为[ y(k) Cx(k) f_y(k) ]常见的传感器故障有恒定偏差(f_y(k) c)、增益退化(y \alpha Cx)(\alpha 1)、完全失效(y 0)。传感器故障不直接影响系统动力学但会污染状态估计进而误导控制器。系统故障——系统本身参数发生变化比如 (A) 或 (B) 矩阵的元素偏移。这类故障最难处理因为等于系统模型本身错了需要在线参数辨识来修正。在FT-MPC研究中执行器故障是最常被研究的对象因为它的影响最直接而且和MPC的控制重构天然匹配。传感器故障通常放在FDD层面解决比如用状态估计器的残差来识别并剔除故障通道。3.3 容错机制的两种路径主动容错与被动容错容错控制本身有两条流派被动容错和主动容错。我理解这两者的关系就像“兜底”和“修复”的关系。被动容错设计一个固定反馈控制器对一定范围内的故障不敏感。典型方法是(H_\infty)鲁棒控制把故障视为有界扰动通过设计鲁棒控制器来保证最坏情况下的稳定性。优点是响应快、无需FDD模块缺点是保守性大故障程度超出设计范围就无能为力而且性能折损明显。主动容错依赖FDD模块在线识别故障然后重构控制器。FT-MPC属于主动容错因为MPC的预测模型和约束都可以随故障信息在线调整。主动容错的优点是针对性强、性能好缺点是需要FDD模块的准确性和实时性。如果FDD给出错误诊断容错效果会适得其反。在实际工程项目里两者常结合使用。MPC本身有一定鲁棒性能容忍小的模型失配和小幅扰动这是它的“被动容错”基底当FDD检测到显著故障时再启动模型重构这是“主动容错”的体现。这样的双层设计比纯被动或纯主动更抗造。4. 故障诊断在FT-MPC中的角色与实现方案4.1 基于卡尔曼滤波的残差生成与故障检测在LTI系统里卡尔曼滤波是生成残差的黄金标准方案。思路不复杂基于健康模型对状态做最优估计然后将真实测量值与估计值的差作为“残差”。系统健康时残差是零均值白噪声理论上的要求故障发生时残差均值或方差发生变化就像正常情况下水龙头滴水均匀突然水变浑浊了你立刻能察觉到不对劲。离散卡尔曼滤波公式如下——预测步[ \hat{x}(k|k-1) A\hat{x}(k-1|k-1) Bu(k-1) ] [ P(k|k-1) AP(k-1|k-1)A^T Q_{KF} ]更新步[ K(k) P(k|k-1)C^T \left( CP(k|k-1)C^T R_{KF} \right)^{-1} ] [ \hat{x}(k|k) \hat{x}(k|k-1) K(k)\left( y(k) - C\hat{x}(k|k-1) \right) ] [ P(k|k) \left( I - K(k)C \right) P(k|k-1) ]这里残差定义为[ r(k) y(k) - C\hat{x}(k|k-1) ]正常情况下(r(k)) 的协方差理论值为 (S(k) CP(k|k-1)C^T R_{KF})。当执行器故障发生时系统动力学改变残差均值不再为零当传感器故障发生时残差直接表现出异常。4.2 卡方检验与故障隔离的实用策略残差有了怎么从残差里判断是否故障最实用的手段是卡方检验。构造检验统计量[ \eta(k) r(k)^T S(k)^{-1} r(k) ]理论情况下(\eta(k)) 服从自由度为 (p)即输出维度的卡方分布。设定一个置信水平 (\alpha)通常取 0.05 或 0.01查表得到阈值 (\eta_{th})。当 (\eta(k) \eta_{th}) 时判定系统发生故障。这个方案在工程里很可靠但要注意一个实际问题残差是瞬时值单次超限可能是噪声尖峰导致的误报。我的做法是加一个“N中取M”的滑窗判据连续M次采样中有N次超阈值才确认故障发生就像电路里的消抖滤波。故障隔离确定具体哪个执行器/传感器故障可以借助多个观测器构成的滤波器组实现。每个观测器对应一个故障假设观测器1假设执行器1故障观测器2假设执行器2故障以此类推。哪个观测器和实际系统最匹配残差最小就判断哪个故障发生。这种方法叫“多模型自适应估计”MMAE在LTI系统里效果相当不错。4.3 诊断信息如何传递给MPC一种“事件触发”接口FDD模块输出的故障信息要传递给MPC我推荐用“事件触发”的方式而非连续传递。因为MPC是滚动优化每个采样周期更新一次如果FDD频繁改动预测模型很容易导致控制指令抖振。事件触发的逻辑是只有当故障诊断结果发生显著变化时比如执行器效率从0.95降到0.6才触发MPC的模型重构。Matlab里实现这个接口可以用一个简单的结构体fault_info包含字段含义类型fault_type故障类型0-无故障1-执行器故障2-传感器故障intfault_location故障通道编号intfault_extent故障严重程度0~11为完全失效doubletimestamp检测到故障的时间戳doubleMPC求解器每次迭代前检查这个结构体的内容如果fault_extent相对上一次有超过阈值的跳变就重新计算 (B\Gamma) 并重新初始化QP问题否则沿用上一轮的模型只是继续滚动求解。上面这个设计让我踩了好几次坑后面第6节会详细讲跳变处理和约束收缩的问题。5. Matlab仿真实现从零搭建FT-MPC验证平台5.1 仿真对象一个欠阻尼二自由度系统为了兼顾可读性和物理意义我选了一个常见的二自由度质量-弹簧-阻尼系统也是很多控制论文里的标准算例。模型为双积分器加阻尼项[ m_1\ddot{z}_1 c_1(\dot{z}_1 - \dot{z}_2) k_1(z_1 - z_2) u_1 ] [ m_2\ddot{z}_2 c_2(\dot{z}_2 - \dot{z}_1) k_2(z_2 - z_1) u_2 ]设状态 (x [z_1, \dot{z}_1, z_2, \dot{z}_2]^T)控制量为 (u [u_1, u_2]^T)输出为两个质量块的位置。取一组合理参数后离散化得到[ A \begin{bmatrix} 0.9975 0.0332 0.0012 0.0001 \ -0.1502 0.8657 0.1498 0.0167 \ 0.0012 0.0001 0.9975 0.0332 \ 0.1498 0.0167 -0.1502 0.8657 \end{bmatrix}, \quad B \begin{bmatrix} 0.0005 0 \ 0.0331 0 \ 0 0.0005 \ 0 0.0331 \end{bmatrix} ]这个矩阵就是根据实际连续模型在采样时间 (T_s0.01s) 下离散得到带初始阻尼的数值。这个系统的特点是欠阻尼、有振荡、两个通道存在轻微耦合。用它验证FT-MPC能直观看到故障导致振荡加剧后控制器如何处理。5.2 分步实现FDI模块、MPC在线求解器、重构逻辑第一步FDI模块基于卡尔曼滤波function fault_info fdi_kalman(A, B, C, y, u, x_est, P, Q_kf, R_kf, fault_info_prev, params) % 卡尔曼滤波预测 x_pred A * x_est B * u; P_pred A * P * A Q_kf; % 卡尔曼滤波更新 residual y - C * x_pred; S C * P_pred * C R_kf; K P_pred * C / S; x_est x_pred K * residual; P (eye(size(A)) - K * C) * P_pred; % 卡方检验 eta residual / S * residual; eta_th chi2inv(0.995, size(C, 1)); % 99.5%置信度 % 故障确认逻辑连续3次超阈值才触发 persistent counter; if isempty(counter) counter 0; end if eta eta_th counter counter 1; else counter 0; end if counter 3 % 这里简化处理故障定位默认在第一个执行器 % 实际项目可以用MMAE多模型估计做隔离 fault_info struct(fault_type, 1, fault_location, 1, ... fault_extent, 0.5, timestamp, now); else fault_info struct(fault_type, 0, fault_location, 0, ... fault_extent, 1, timestamp, now); end end这个模块的 “persistent counter” 就是前面提到的滑窗判据起到防误报作用。如果想做更精致的故障隔离把这里换成MMAE滤波器组即可。第二步MPC在线求解器基于QPFast简化版在Matlab里我推荐先用quadprog做基准版本调试通过后再换高性能求解器如OSQP、FORCES Pro。基准版本的核心代码如下function u_opt mpc_solve(A, B, C, x0, x_ref, N, Q, R, P, u_min, u_max) % 构建预测矩阵 nx size(A, 1); nu size(B, 2); % 搭建增广系统矩阵 A_aug zeros(nx * N, nx); B_aug zeros(nx * N, nu * N); for i 1:N A_aug((i-1)*nx1:i*nx, :) A^i; for j 1:i B_aug((i-1)*nx1:i*nx, (j-1)*nu1:j*nu) A^(i-j) * B; end end % 构建QP矩阵 Q_bar kron(eye(N), Q); R_bar kron(eye(N), R); P_bar zeros(nx*N, nx*N); P_bar(end-nx1:end, end-nx1:end) P; H B_aug * (Q_bar P_bar) * B_aug R_bar; f B_aug * (Q_bar P_bar) * (A_aug * x0 - x_ref_vec); % 约束 lb repmat(u_min, N, 1); ub repmat(u_max, N, 1); % 求解QP opts optimoptions(quadprog, Display, off, Algorithm, interior-point-convex); U quadprog(H, f, [], [], [], [], lb, ub, [], opts); u_opt U(1:nu); end这里的核心是预测矩阵 (B_{aug}) 的构建。每个块A^(i-j)*B表示第j步的控制量对第i步状态的脉冲响应。时域 (N) 越大矩阵越稠密求解时间越长。我在实际项目中通常取 (N10)在性能和实时性之间比较平衡。第三步容错重构逻辑function [A_m, B_m, u_min_m, u_max_m] reconfigure_model(A, B, fault_info) % 执行器故障修正B矩阵 Gamma eye(size(B, 2)); if fault_info.fault_type 1 loc fault_info.fault_location; Gamma(loc, loc) 1 - fault_info.fault_extent; end B_m B * Gamma; A_m A; % 约束修正故障通道的实际输入上限变小 u_min_m u_min; u_max_m u_max; for i 1:size(B, 2) if Gamma(i,i) 1 u_max_m(i) min(u_max_m(i), 1/Gamma(i,i) * 0.5); % 保守收缩 u_min_m(i) max(u_min_m(i), -1/Gamma(i,i) * 0.5); end end end这里最关键的代码就是B_m B * Gamma。故障程度50%意味着控制效率减半预测模型里的输入增益也必须减半。u_max_m的保守收缩处理则是避免控制器过于乐观地使用故障通道。5.3 两种闭环验证方式对比m脚本 vs Simulink用Matlab做验证有两种路线纯m脚本和Simulink模型。我的经验是纯m脚本适合算法迭代早期。整个仿真就是一个for循环——每个采样周期依次调用FDI、模型重构、MPC求解、状态更新四个函数。调试方便变量都在workspace里打disp就能看中间量。缺点是系统结构不够直观状态方程复杂时容易写错。Simulink适合做最终演示和参数整定。把FDI和MPC封装成MATLAB Function模块被控对象用Continuous/Discrete状态空间模块用Scope观察输出。Simulink的优势是可以直观看到信号流的传递但也容易被模块连接错误折腾。我个人习惯先写纯m脚本跑通逻辑再搭Simulink做演示。6. 典型故障注入实验与仿真结果分析6.1 故障场景1执行器部分失效效率下降50%仿真参数设置采样周期 (T_s 0.01s)预测时域 (N 10)权重矩阵(Q diag(10, 1, 10, 1))(R 0.1I)约束(|u_i| \leq 2)参考轨迹(z_1) 跟踪方波(z_2) 保持零位在 (t 3s) 时刻执行器1的增益突然下降到原来的50%。我做了三组对比无容错FDI不接入MPC、FDIMPC重配置、理想情况已知故障。结果如下场景调节时间超调量控制能量无容错系统振荡持续未收敛32%最大FT-MPC1.8s8%中等理想已知故障1.2s5%最小接近下界数据很能说明问题无容错时MPC按健康模型计算控制量实际控制效果只有预期的一半闭环增益变小等效于系统在低增益反馈下运行于是产生了持续的振荡。FT-MPC因为它预测模型修正及时故障后约0.4s就恢复了稳定跟踪。值得注意的是故障后系统在FDI未确认故障前检测延迟的几拍状态已经偏离了参考轨迹。这个偏差大小取决于FDI检测速度。使用“连续3次超阈”判据时检测延迟大约3~5个采样周期即30-50ms对慢过程影响很小但对快速系统这个延迟可能造成较大超调。处理办法是在FDI判定前就加入一个轻度的鲁棒约束比如在MPC目标函数中增加控制增量惩罚项 (\lambda |\Delta u|^2)这样即使模型失配期间控制器也不会过于激进。6.2 故障场景2传感器恒偏差故障第二个场景传感器1在 (t 5s) 时出现恒定偏差 (0.5)。无容错情况下MPC看到的状态位置有偏差会持续产生一个错误的控制指令导致输出存在稳态误差。FT-MPC的做法是FDI模块检测到传感器残差异常后将该通道从输出矩阵 (C) 中临时剔除改用卡尔曼滤波器的预测值作为该通道的状态估计。观测到的效果FT-MPC能够维持正常工作输出基本无差而在无容错设计里输出直接偏移。这验证了故障诊断在传感器层面的核心价值——不是控制律本身变了而是给控制器的“眼睛”擦亮了。有一点要强调传感器故障时的模型重构不是修改 (B)而是修改状态估计器中的 (C) 和 (R_{KF})。如果错误地把传感器故障当作执行器故障处理会让控制器针对一个根本不存在的执行器问题做补偿系统大概率会失控。因此FDD的隔离精度直接影响容错效果。6.3 结果启示何时该修改模型、何时该修改约束通过这组实验我总结出一个策略矩阵故障类型修改预测模型修改约束/代价函数典型场景执行器效率下降是(B\Gamma)视程度而定阀门堵塞、电机退磁执行器完全卡死是对应列置零是收紧安全约束电机烧毁、传动断裂传感器恒偏差否修正C否靠状态估计器纠偏传感器温漂传感器完全失效否剔除通道可能缩短预测时域传感器断线系统参数漂移是在线辨识 (A)是重新校验稳定性老化、温升这个表可以作为实际项目设计的快速参考。核心原则是先区分故障位置再决定重构策略能修模型就不改约束必须改约束时宁严勿宽。7. 工程落地中常见的坑与排查技巧7.1 坑1故障瞬间的控制量跳变这是FT-MPC最容易出现的问题。原因很好理解FDI模块在某一拍确认故障模型立即从 (B) 切换为 (B\Gamma)MPC计算出的第一个控制量会有明显跳变导致系统产生不必要的瞬态。我推荐的解法是从以下两方面入手在MPC目标函数中加入控制增量权重即 (R_\Delta |\Delta u|^2) 项让控制器自发地限制变化速率对模型切换做“软过渡”——不要把 (B\Gamma) 一锤子切过去而是用一阶惯性滤波[ B_{used}(k) \alpha B_{used}(k-1) (1-\alpha) B\Gamma ]其中 (\alpha) 是平滑系数通常取0.6~0.9。这样模型过渡有个短暂过程控制量不会突然改变。代价是故障完全补偿的速度稍慢但对工程系统来说值得。7.2 坑2故障程度估计不准导致性能恶化FDI模块给出的fault_extent往往有误差。如果估计值比实际值严重控制器会过度缩减有效输入范围性能下降如果估计值比实际值轻模型失配残留可能又回到振荡状态。我踩过这个坑后做了一个“带不确定性的鲁棒重构”不是用点估计 (\hat{\gamma})而是用区间 ([\hat{\gamma}{low}, \hat{\gamma}{high}])。MPC求解时按最保守情况设计即使用较低的增益同时用扩张状态观测器补偿未建模偏差。测试下来即使fault_extent误差达到20%系统仍然稳定。7.3 坑3递归可行性丢失导致QP求解失败这是MPC经典难题时域 (N) 有限、约束太紧时存在无可行解的情况。故障后问题更容易触发。比如执行器故障导致控制能力下降原先可达的目标在未来几步内达不到QP求解器报错。两条实用思路引入软约束把硬状态约束改为带松弛变量的软约束目标函数惩罚松弛量。这个在Matlab里改动很小却能让求解器始终有解是工程MPC的标准操作收缩参考值检测到QP不可行时放弃当前参考轨迹将参考值暂时调整到一个可达的状态比如当前状态附近待系统恢复稳定后再回到原始参考。我在代码里通常“软约束为主、参考收缩为辅”配合使用两条腿走路。7.4 坑4FDI误报vs漏报的权衡FDI的阈值设定直接关系到误报率和漏报率。阈值设得低故障一出现就能检测到但噪声也可能触发报警阈值设得高噪声免疫但小故障可能漏检。这里没有“万能阈值”但有实用的调参方法先采集一段正常运行数据计算残差统计量的实际分布不要只看理论卡方分布因为模型不准会导致残差偏大取95%~99%分位数作为阈值基线然后注入不同类型、不同幅度的故障检查检测延迟和误报率微调阈值。这个流程用Matlab的仿真环境做起来很快比纯靠理论分析靠谱得多。7.5 一个调试技巧给仿真加“状态观测窗口”做FT-MPC仿真时我强烈建议把所有中间量都记录下来模型切换标志、故障估计值、残差统计量、QP求解时间、控制指令增量等。定一个sim_log结构体存下来仿真结束后用tiledlayout画在一张图里就能快速定位问题出在哪一层。很多时候你以为MPC有问题其实FDI误报了你以为FDI误报其实是模型的离散化步长太大。没有统一的观测窗口排查问题全靠猜。8. 代码框架速览与扩展方向8.1 一个完整的仿真主循环伪代码%% FT-MPC 主循环 % 初始化 x x0; u zeros(nu, 1); fault_info struct(fault_type, 0, fault_extent, 1); % 预分配日志 T 10 / Ts; % 仿真时长 log_x zeros(nx, T); log_u zeros(nu, T); log_fault zeros(2, T); for k 1:T % 测量输出真实系统含传感器噪声和故障 y_meas C * x sensor_fault(k); % 1. FDI诊断 fault_info fdi_kalman(A, B, C, y_meas, u, x_est, P, Q_kf, R_kf, fault_info, params); % 2. 模型重构 [B_used, u_min_m, u_max_m] reconfigure_model(A, B, fault_info); % 3. MPC求解 u mpc_solve(A, B_used, C, x_est, x_ref(:,k), N, Q, R, P, u_min_m, u_max_m); % 4. 系统状态更新真实系统含执行器故障 x A * x B * apply_actuator_fault(u, k); % 记录日志 log_x(:,k) x; log_u(:,k) u; log_fault(1,k) fault_info.fault_type; log_fault(2,k) fault_info.fault_extent; end这个主循环结构简单清晰适合在此基础上做各种扩展。如果你想加入传感器故障只需修改y_meas的生成方式并在FDI模块里增加传感器残差的判别逻辑。8.2 从单模型到多模型扩展1——切换系统FT-MPCLTI系统是很好的起点但很多实际系统是多工况运行的。比如飞行器在不同飞行阶段、机床在不同加工模式都对应不同的LTI模型。扩展思路是用多个卡尔曼滤波器并行运行每个滤波器对应一个工况模型FDI不仅诊断故障还要做模型切换决策。MPC层面则要处理“bumpless transfer”问题避免模型切换时控制量跳变用第7.1节里的软过渡方案就能解决。8.3 从线性到非线性扩展2——基于线性化模型的非线性FT-MPC对于弱非线性系统可以考虑“在每个采样点对当前状态做线性化得到时变LTI模型再套用本文框架”。这种方法叫线性时变MPCLTV-MPC。实现上只需要在MPC求解前根据当前状态重新计算 (A(k)) 和 (B(k))预测模型从常值矩阵变为时变矩阵序列。故障诊断部分同样要基于时变模型改造卡尔曼滤波器。整体思路是本文LTI框架的自然推广。8.4 从模型驱动到数据驱动扩展3——引入机器学习故障诊断如果系统复杂到难以精确建模比如非线性摩擦、参数大范围变化可以向数据驱动方法扩展用历史故障数据训练分类器通俗地说就是让机器“见过”各种故障模式在线把实时测量特征送入分类器得到故障类型和程度再做同样的MPC重构。常见的做法是CNNLSTM、attention机制等Matlab的Deep Learning Toolbox可以原生支持。核心界面重要性无论诊断用的什么模型最终输出仍是一个fault_info结构体——这也是模块化设计带来的好处。9. 关于FT-MPC的整体评价与个人使用体会就我自己的实践体验来说FT-MPC的价值不是“万能药”而是一种“边感知边调整”的控制哲学。设计它的过程中我感受最深的是容错能力的上限往往由故障诊断的准确性决定而不是由MPC的优化能力决定。预测控制本身再强给它的模型是错的它也只能在错误的方向上“最优”。因此如果准备在这个方向深耕建议分配60%的精力在FDD上40%留给MPC重构——这与很多人直觉上“MPC是主角”的想法正好相反。在工具链方面Matlab作为研究验证平台仍然是优选。Model Predictive Control Toolbox 和 System Identification Toolbox可以大幅减少代码量但如果你希望吃透每个细节我建议先用quadprog手写一版全部核心逻辑再去用工具箱。亲手从零搭建的代码调试过程中踩过的坑比任何工具箱自带的示例都值钱。另外一个细节想提醒仿真结果和实物实验的差距往往在“故障的实际表现”上。仿真里设置的阶跃突变故障在实物上通常是一个渐变过程比如轴承磨损是缓慢的。这意味着FDI模块不仅要处理突变的“硬故障”还要能检测缓变的“软故障”。处理soft fault的一个有效手段是CUSUM累积和检验它对小幅度渐变比卡方检验更灵敏。这个方向可以在后续研究里专门展开。如果你打算把FT-MPC真正用到一个实际系统上我最后再分享一个经验先做仿真、再做半实物、最后全实物。每一步都要重新标定FDI的阈值和MPC的权重。每一次系统的“去理想化”都可能暴露新的问题但也正因如此容错控制在工程中才显得如此不可替代。这个方向上值得深入的话题还有很多比如随机系统的随机MPC容错、分布式系统的协同容错、以及如何把设备健康度预测与MPC重配置结合起来做预测性维护都是很好的后续方向。希望这篇内容能帮你把FT-MPC的框架搭建起来少走一些我走过的弯路。