鲁棒控制理论是现代控制理论的核心分支，专门研究如何设计在存在模型不确定性和外部扰动情况下仍能保持稳定性和性能的控制系统。与经典控制方法假设精确模型不同，鲁棒控制承认所有模型都是现实的近似，并将这种不确定性作为设计的核心考虑因素。本章将介绍不确定性建模、H∞控制理论、μ综合方法和线性矩阵不等式（LMI）等核心工具，并通过风力发电机组控制案例展示其实际应用。
在实际工程系统中，不确定性无处不在：
传统控制设计基于标称模型，可能在实际系统上失效。鲁棒控制的目标是设计一个控制器，使得对于所有允许的不确定性，闭环系统都能保持稳定并满足性能要求。
实际系统 $G$ 与标称模型 $G_0$ 的关系： \(G = G_0 + \Delta_A\) 其中 $\Delta_A$ 是加性不确定性。
\(G = G_0(1 + \Delta_M) = G_0 + G_0\Delta_M\) 乘性不确定性 $\Delta_M$ 表示相对模型误差。
\(G = \frac{G_0}{1 + G_0\Delta_F}\) 常用于描述被忽略的高频动态。
对于多输入多输出（MIMO）系统，不确定性可能只存在于特定通道： \(G = G_0 + W_1\Delta W_2\) 其中 $W_1$, $W_2$ 是权重函数，$\Delta$ 是归一化不确定性（$|\Delta|_\infty \leq 1$）。
对于所有允许的不确定性 $\Delta \in \mathcal{D}$，闭环系统保持稳定： \(\text{RS}: \quad \forall \Delta \in \mathcal{D}, \quad \text{闭环系统稳定}\)
标称系统（$\Delta = 0$）满足性能指标： \(\text{NP}: \quad \|W_pS_0\|_\infty < 1\) 其中 $S_0 = (1 + G_0K)^{-1}$ 是标称灵敏度函数，$W_p$ 是性能权重。
对于所有允许的不确定性，系统都满足性能要求： \(\text{RP}: \quad \forall \Delta \in \mathcal{D}, \quad \|W_pS_\Delta\|_\infty < 1\)
小增益定理是鲁棒控制的基础定理之一。考虑反馈连接：
┌─────┐
┌──┤ M ├──┐
│ └─────┘ │
│ ↓
│ ┌─────┐ │
└──┤ Δ ├──┘
└─────┘
定理（小增益定理）：如果 $M$ 稳定且 $|\Delta|_\infty \leq 1$，则闭环系统稳定的充分条件是： \(\|M\|_\infty < 1\)
这个定理提供了判断鲁棒稳定性的频域条件。
对于稳定的线性时不变系统 $G(s)$，其H∞范数定义为： \(\|G\|_\infty = \sup_{\omega} \bar{\sigma}[G(j\omega)]\) 其中 $\bar{\sigma}$ 表示最大奇异值。
物理意义：H∞范数表示系统从输入到输出的最大能量增益。对于SISO系统，就是频率响应的最大幅值。
标准H∞控制问题的框架：
w ──→ ┌─────────┐ z
│ │──→
│ P │
u ──→ │ │──→ y
└─────────┘
↑ │
┌──┴───↓──┐
│ K │
└─────────┘
其中：
广义被控对象的状态空间实现： \(P: \begin{cases} \dot{x} = Ax + B_1w + B_2u \\ z = C_1x + D_{11}w + D_{12}u \\ y = C_2x + D_{21}w + D_{22}u \end{cases}\)
闭环传递函数（下线性分式变换）： \(T_{zw} = F_l(P, K) = P_{11} + P_{12}K(I - P_{22}K)^{-1}P_{21}\)
H∞控制问题：找到控制器 $K$ 使得：
实际应用中最常用的H∞设计方法是混合灵敏度方法。考虑反馈系统的三个关键传递函数：
混合灵敏度问题： \(\left\|\begin{bmatrix} W_1S \\ W_2KS \\ W_3T \end{bmatrix}\right\|_\infty < 1\)
其中权重函数的选择：
典型权重函数形式： \(W_1(s) = \frac{s/M + \omega_b}{s + \omega_b\epsilon}\) \(W_2(s) = \frac{s + \omega_{bc}/M_u}{s + \omega_{bc}}\) \(W_3(s) = \frac{s + \omega_{bt}/M_t}{\epsilon_ts + \omega_{bt}}\)
H∞控制器的求解涉及两个代数Riccati方程（ARE）：
控制ARE： \(A^TX + XA + C_1^TC_1 - XB_2B_2^TX + \gamma^{-2}XB_1B_1^TX = 0\)
滤波ARE： \(AY + YA^T + B_1B_1^T - YC_2^TC_2Y + \gamma^{-2}YC_1^TC_1Y = 0\)
存在可行解的条件：
中心控制器： \(K(s) = \begin{bmatrix} A_K & B_K \\ C_K & D_K \end{bmatrix}\)
其中：
H∞控制对所有满足范数界的不确定性提供鲁棒性保证，但这可能过于保守。实际系统的不确定性往往具有特定结构：
┌─────────────────────┐
│ Δ₁ 0 │
Δ = │ Δ₂ │ (块对角结构)
│ ⋱ │
│ 0 Δₙ │
└─────────────────────┘
μ综合考虑不确定性的结构信息，减少保守性。
对于矩阵 $M \in \mathbb{C}^{n×n}$ 和不确定性结构 $\Delta$，结构奇异值定义为： \(\mu_\Delta(M) = \frac{1}{\min\{\bar{\sigma}(\Delta) : \Delta \in \Delta, \det(I - M\Delta) = 0\}\}\)
如果不存在使 $\det(I - M\Delta) = 0$ 的 $\Delta$，则 $\mu_\Delta(M) = 0$。
关键性质：
定理：考虑不确定系统 $F_u(M, \Delta)$，其中 $\Delta$ 具有块对角结构且 $|\Delta|_\infty \leq 1$。系统鲁棒稳定的充要条件是： \(\sup_\omega \mu_\Delta(M(j\omega)) < 1\)
这比小增益条件 $|M|_\infty < 1$ 更不保守。
μ综合问题没有凸优化解，实践中使用D-K迭代：
初始化：设计H∞控制器 $K_0$，令 $k = 0$
D步骤：固定 $K_k$，对每个频率点求解： \(\min_{D(\omega) \in \mathcal{D}} \bar{\sigma}[D(\omega)M(j\omega)D(\omega)^{-1}]\) 其中 $\mathcal{D}$ 是与 $\Delta$ 结构兼容的标度矩阵集合
拟合步骤：将频率相关的 $D(\omega)$ 拟合为有理传递函数 $D(s)$
K步骤：用拟合的 $D(s)$ 构造新的广义被控对象： \(\tilde{P} = \begin{bmatrix} D & 0 \\ 0 & I \end{bmatrix} P \begin{bmatrix} D^{-1} & 0 \\ 0 & I \end{bmatrix}\) 求解H∞问题得到 $K_{k+1}$
终止条件：如果 $\mu$ 值不再显著下降，停止；否则 $k = k + 1$，返回步骤2
线性矩阵不等式是形如下式的约束： \(F(x) = F_0 + \sum_{i=1}^n x_iF_i > 0\) 其中 $F_i = F_i^T \in \mathbb{R}^{m×m}$ 是给定的对称矩阵，$x \in \mathbb{R}^n$ 是决策变量。
LMI的优势：
系统 $\dot{x} = Ax$ 稳定的充要条件是存在 $P > 0$ 使得： \(A^TP + PA < 0\)
这是一个关于 $P$ 的LMI。扩展到不确定系统： \(\dot{x} = (A + \Delta A)x\) 其中 $\Delta A = DF\Delta E$，$|\Delta| \leq 1$。
鲁棒稳定的LMI条件： \(\begin{bmatrix} A^TP + PA + \epsilon E^TE & PD \\ D^TP & -\epsilon I \end{bmatrix} < 0\)
考虑系统： \(\begin{cases} \dot{x} = Ax + Bw \\ z = Cx + Dw \end{cases}\)
$|T_{zw}|_\infty < \gamma$ 的充要条件是存在 $P > 0$ 使得： \(\begin{bmatrix} A^TP + PA & PB & C^T \\ B^TP & -\gamma I & D^T \\ C & D & -\gamma I \end{bmatrix} < 0\)
对于状态反馈 $u = Kx$，闭环系统满足 $|T_{zw}|_\infty < \gamma$ 的条件是存在 $X > 0$ 和 $Y$ 使得： \(\begin{bmatrix} AX + XA^T + B_2Y + Y^TB_2^T & B_1 & (C_1X + D_{12}Y)^T \\ B_1^T & -\gamma I & D_{11}^T \\ C_1X + D_{12}Y & D_{11} & -\gamma I \end{bmatrix} < 0\)
控制器增益：$K = YX^{-1}$
LMI框架的一大优势是可以同时考虑多个性能指标：
问题：设计控制器同时满足：
| 控制约束：$ | u_i | \leq u_{max}$ |
每个约束都可表示为LMI，联合求解： \(\min_{\gamma_\infty, \gamma_2, X, Y} \alpha_1\gamma_\infty + \alpha_2\gamma_2\) subject to 所有LMI约束
对于参数不确定系统： \(\dot{x} = A(\theta)x, \quad \theta \in \Theta\)
传统方法寻找公共Lyapunov函数 $V(x) = x^TPx$，所有 $\theta$ 共用同一个 $P$。
参数依赖方法： \(V(x, \theta) = x^TP(\theta)x\)
对于多胞型不确定性 $A(\theta) = \sum_{i=1}^N \theta_iA_i$，$\sum\theta_i = 1$，$\theta_i \geq 0$：
参数依赖LMI条件： \(A_i^TP_i + P_iA_i < 0, \quad i = 1, ..., N\) \(P(\theta) = \sum_{i=1}^N \theta_iP_i > 0\)
现代风力发电机组是复杂的机电系统，面临多重控制挑战：
典型的5MW风机参数：
在工作点附近线性化，得到状态空间模型： \(\dot{x} = Ax + B_1v + B_2\beta\) \(y = Cx + D_1v + D_2\beta\)
状态变量：
输入：
参数不确定性：
建模为乘性不确定性： \(G = G_0(I + W_m\Delta_m), \quad \|\Delta_m\|_\infty \leq 1\)
权重函数： \(W_m(s) = \frac{0.3s + 1}{s + 100}\)
区域II（部分载荷，$v < 11.4m/s$）：
区域III（满载荷，$v > 11.4m/s$）：
性能权重设计： \(W_1(s) = \frac{0.1s + 1}{s + 0.001} \quad \text{（跟踪性能）}\) \(W_2(s) = \frac{10(s + 0.1)}{s + 100} \quad \text{（控制能量）}\) \(W_3(s) = \frac{s + 0.1}{0.01s + 1} \quad \text{（鲁棒性）}\)
构造广义被控对象：
┌──────────────────────┐
v ───→ │ │ ───→ z₁ (功率误差)
│ Augmented │ ───→ z₂ (桨距速率)
r ───→ │ Plant │ ───→ z₃ (塔架载荷)
│ │
β ───→ │ │ ───→ y (测量输出)
└──────────────────────┘
使用MATLAB求解：
% 构造广义被控对象
P = augw(G0, W1, W2, W3);
% 求解H∞控制器
[K, CL, gamma] = hinfsyn(P, nmeas, ncon);
% 验证性能
gamma % 应该 < 1
考虑结构化不确定性： \(\Delta = \text{diag}(\delta_1I_2, \delta_2, \Delta_m)\)
其中：
D-K迭代结果：
阶跃风速响应（10m/s → 12m/s）：
湍流风况（平均风速15m/s，湍流强度18%）：
疲劳载荷分析（20年寿命）：
实际风场测试（丹麦Høvsøre测试站）：
George Zames是H∞控制理论的创始人，他的工作彻底改变了鲁棒控制的研究范式。
主要贡献：
学术影响： Zames的H∞理论统一了频域和时域方法，为控制理论提供了新的数学框架。他的学生包括Bruce Francis、John Doyle等，继续发展了H∞控制和μ综合理论。
工业应用： H∞控制在航空航天、汽车、过程控制等领域广泛应用。波音777是第一架完全采用鲁棒控制设计的商用飞机，其飞控系统大量使用H∞技术。
哲学思想： “The central issue in control is uncertainty. Without uncertainty, feedback control would be unnecessary.”
积分二次约束提供了分析复杂不确定性和非线性的统一框架。信号对$(v, w)$满足IQC定义为： \(\int_{-\infty}^{\infty} \begin{bmatrix} \hat{v}(j\omega) \\ \hat{w}(j\omega) \end{bmatrix}^* \Pi(j\omega) \begin{bmatrix} \hat{v}(j\omega) \\ \hat{w}(j\omega) \end{bmatrix} d\omega \geq 0\)
其中$\Pi(j\omega)$是Hermitian矩阵，称为乘子。
考虑反馈系统：
┌───┐
┌──┤ G ├──┐
│ └───┘ │
│ ↓w
↑v ┌───┐ │
└───┤ Δ ├─┘
└───┘
如果：
则反馈系统稳定。
范数界：$|\Delta| \leq \gamma$ \(\Pi = \begin{bmatrix} -\gamma^2I & 0 \\ 0 & I \end{bmatrix}\)
扇形界：$\alpha \leq \Delta \leq \beta$ \(\Pi = \begin{bmatrix} -2\alpha\beta & \alpha+\beta \\ \alpha+\beta & -2 \end{bmatrix}\)
速率限制：$|\dot{\Delta}| \leq d$ \(\Pi(s) = \begin{bmatrix} 0 & sX \\ -sX^T & 2d^2X \end{bmatrix}\)
风机系统的非线性可用多个IQC描述：
联合多个IQC可得到更精确的稳定性条件，相比传统方法保守性降低30-50%。
本章系统介绍了鲁棒控制理论的核心内容：
关键概念：
核心定理：
设计流程：
实践要点：
习题7.1 考虑系统$G(s) = \frac{1}{s+a}$，其中$a \in [0.5, 2]$。 (a) 将参数不确定性表示为乘性不确定性 (b) 求权重函数$W_m(s)$使得$|G - G_0| \leq |W_mG_0|$ (c) 画出不确定性的Nyquist图族
习题7.2 给定混合灵敏度权重： \(W_1 = \frac{s/100 + 0.1}{s + 0.001}, \quad W_2 = \frac{s + 1}{100s + 1}, \quad W_3 = \frac{s + 0.1}{0.01s + 1}\) 分析每个权重的作用频段和设计意图。
习题7.3 证明对于SISO系统，灵敏度函数$S$和补灵敏度函数$T$满足： \(S + T = 1\) 这说明了什么设计权衡？
习题7.4 设计一个H∞控制器使得二阶系统 \(G = \frac{1}{s^2 + 2\zeta\omega_ns + \omega_n^2}\) 在参数变化$\zeta \in [0.3, 0.7]$、$\omega_n \in [0.8, 1.2]$时保持鲁棒性能。要求：
习题7.5 考虑具有时滞不确定性的系统： \(G(s) = \frac{e^{-\tau s}}{s + 1}\) 其中$\tau \in [0.1, 0.3]$。 (a) 用Padé近似将时滞转化为乘性不确定性 (b) 设计鲁棒控制器保证稳定性 (c) 分析时滞裕度
习题7.6（开放性思考题）比较以下鲁棒控制方法在风机控制中的优缺点：
错误示例：
W1 = tf([1 10], [1 0.01]); % 积分器+高增益
问题：可能导致控制器含微分项，对噪声敏感。
正确做法：
W1 = tf([1/100 1], [1 0.001]); % 准积分器
问题：Riccati方程求解失败或得到病态解。
检查清单：
症状：
解决方案：
常见错误：
验证方法：
问题：μ值收敛到局部最小值。
改进策略：