K3-06 · 控制、软件与标定 / 控制策略与算法
待认领listed
→
众筹中recruiting
→
已开课open · Course 售卖
一课题可并存多讲师版本
课程大纲
学完能做什么
- 能说清MPC相对PID解决了热管理里哪类问题（大迟延/多约束/多目标）
- 能搭出一个热管理MPC问题的状态空间模型骨架与代价函数结构
- 能判断一个热管理场景是否值得上MPC：先做通道配对与耦合强度评估（前指K3-14），配对＋解耦前馈解决不了时，再比算力/建模成本 vs 收益
- 能看懂MPC在预测时域、控制时域、约束集上的关键设计取舍
内容大纲
- MPC解决什么问题，以及上之前的前置筛
- PID/前馈/增益调度（前指K3-05）在大迟延、多约束、多变量耦合场景下的局限
- MPC核心思想：滚动时域优化，每步预测未来N步、只执行第一步
- 热管理里MPC的典型候选场景：电池预热/预冷、快充温控、多热源分配
- 上MPC之前先做通道配对与耦合强度评估（前指K3-14）：若RGA显示存在可接受的配对方案，多数场景用配对＋解耦前馈即可收敛，不必付建模与算力代价——耦合不是只能靠MPC解，这是「是否值得上MPC」的前置判据
- 控制导向的状态空间模型
- 从物理模型/一维仿真模型降阶得到控制导向的状态空间模型（前指J7-02模型降阶ROM）
- 状态变量、输入变量、可测/不可测扰动的划分
- 模型精度与MPC鲁棒性的权衡：模型太粗预测失真，太细算不动
- 不可测状态从哪来：观测器/软测量的估计器接口、估计误差界与退出条件（前指K3-10）——估计误差必须计入约束裕度（承接B4-04的误差带—裕度关系），否则MPC按「真值」求解、实车按估计值执行，硬约束在边缘工况被悄悄吃掉
- 代价函数与约束的数学表达
- 代价函数典型构成：跟踪误差项+控制量变化率惩罚项+终端代价
- 硬约束（如电芯温度上限、阀开度范围）vs 软约束（松弛变量处理不可行解）
- 多目标场景下代价函数各项权重的整定思路
- 硬约束的数值不是拍出来的：u的上下界来自K3-01的执行器权限表（死区/最小可控输出/最大出力/速率限），x的上下界来自电芯与部件的温度限值——本课只负责约束在优化框架内的数学表达，数值来源与合成不重讲
- 预测/控制时域、在线求解与限值保护层
- 预测时域N_p与控制时域N_c的选取：越长越“聪明”但算力代价越高
- 在线QP求解与嵌入式算力约束（车规ECU算力有限，衔接K4-01嵌入式架构）
- 显式MPC/简化在线求解等降低算力开销的工程折中
- 优化器内部的硬约束表达u_min ≤ u[k] ≤ u_max并不等于限值保护层：前者是求解器为算出可行解而写的数学约束，后者是求解器之外、指令下发前无条件执行的独立结构；MPC的输出与PID的输出一样都要过限值层，且QP不可行/不收敛/超时时限值层必须仍独立生效（standards挂的ISO 26262兜底要求就落在这里）
- 落地评估与边界
- MPC相对PID+前馈+增益调度的实际收益量级评估方法，不是理论上更优就该上
- 模型失配、传感器噪声与状态估计误差对MPC鲁棒性的影响（估计器整定、置信度与退出条件前指K3-10）
- 与K7-01预测性热管理（外部预测信息源）的分工：K3-06是控制算法本身
关键公式
x[k+1] = A·x[k] + B·u[k] + E·d[k]，y[k] = C·x[k]
控制导向的离散状态空间模型，d为可测扰动（如环境温度）
J = Σ_{i=1}^{N_p} ‖y[k+i]−y_ref‖²_Q + Σ_{i=0}^{N_c−1} ‖Δu[k+i]‖²_R
跟踪误差与控制量变化率的加权代价，Q/R为权重矩阵
min_u J，s.t. 状态方程与约束，仅执行u[k]，下一步重新求解
MPC核心机制——滚动优化+只用第一步
x_min ≤ x[k] ≤ x_max，u_min ≤ u[k] ≤ u_max
电芯温度上限、阀开度范围等硬约束的显式表达
关键概念
滚动时域优化状态空间模型预测时域控制时域代价函数硬约束/软约束松弛变量模型降阶ROM在线QP求解显式MPC模型失配终端代价限值保护层执行器权限表通道配对/RGA
推荐工具与标准
Matlab MPC Toolbox GT-SUITE/KULI（提供降阶模型来源的联合仿真） Simulink（MPC控制器建模与代码生成，衔接K4-02） dSPACE/HIL（算力与实时性验证）
ISO 26262（MPC约束失效/求解不收敛时的功能安全兜底要求） IEC 61508（通用功能安全体系，复杂算法安全论证参考）——本课安全论证的边界：MPC约束失效/求解不收敛属26262兜底（本课已覆盖）；若MPC的预测输入来自数据驱动件，其「能力不足型」风险不在26262问题域内，走K2-05预期功能安全（SOTIF/ISO 21448）
工程案例
某纯电平台快充前电池预热场景：MPC同时考虑加热功率上限、电芯温度上限约束与到达目标温度的代价，相比固定功率+PID方案，能在满足温度硬约束前提下更贴近按时到达目标温度、减少过冲能耗，但依赖降阶模型精度，需定期用实测数据校核。
动手做
交付物 · 针对一个电池预热或快充温控场景，①写出一个简化的状态空间模型骨架（1-2个状态变量即可）；②设计代价函数与至少一条硬约束；③定性分析该场景相对PID+前馈方案，MPC的收益点和额外成本各是什么，给出是否值得上MPC的判断依据。
常见误区
- 为了用MPC而用MPC，场景本身用PID+前馈已经够用，徒增建模与算力成本却没有可衡量收益
- 降阶模型精度不够就直接上车，预测严重失真，MPC给出的“最优解”反而比PID更差
- 代价函数权重凭感觉调，不同目标（跟踪精度 vs 能耗 vs 平顺）之间的权衡没有量化验证
- 预测/控制时域设得过长，嵌入式ECU算力扛不住，实车丢帧或降频运行，实际效果打折
- 只做硬约束不设软约束/松弛变量，模型误差导致优化问题无可行解时控制器直接失效
- u_min直接写0：忽略死区与最小可控输出，优化器给出的低开度指令实车执行不出来，模型与实车从第一步就脱节
- 把硬约束写进代价函数就以为保护做完了：松弛变量一放开约束就成了软的，边缘工况下优化器会自己把限值让掉，真正的限值保护层必须独立于求解器
相关课题