第7章：鲁棒控制理论

本章概述

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。

7.1 不确定性建模与鲁棒性概念

7.1.1 为什么需要鲁棒控制

在实际工程系统中，不确定性无处不在：

1. 参数不确定性：质量、惯性、阻尼系数等物理参数的测量误差或时变特性
2. 未建模动态：高频柔性模态、非线性效应、时滞等被忽略的动态特性
3. 外部扰动：风载、路面不平、负载变化等不可预测的外部输入
4. 传感器噪声：测量误差、量化误差、电磁干扰等

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。

7.1.2 不确定性的数学描述

加性不确定性

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。

乘性不确定性

$$G = G_0(1 + \Delta_M) = G_0 + G_0\Delta_M$$ 乘性不确定性 $\Delta_M$ 表示相对模型误差。

反馈不确定性

$$G = \frac{G_0}{1 + G_0\Delta_F}$$ 常用于描述被忽略的高频动态。

结构化不确定性

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（$|\Delta|_\infty \leq 1$）。

7.1.3 鲁棒稳定性与鲁棒性能

鲁棒稳定性（RS）

对于所有允许的不确定性 $\Delta \in \mathcal{D}$，闭环系统保持稳定： $$\text{RS}: \quad \forall \Delta \in \mathcal{D}, \quad \text{闭环系统稳定}$$

标称性能（NP）

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。

鲁棒性能（RP）

对于所有允许的不确定性，系统都满足性能要求： $$\text{RP}: \quad \forall \Delta \in \mathcal{D}, \quad |W_pS_\Delta|_\infty < 1$$

7.1.4 小增益定理

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。

7.2 H∞控制理论

7.2.1 H∞范数与系统增益

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。

7.2.2 标准H∞控制问题

标准H∞控制问题的框架：

     w ──→ ┌─────────┐ z
           │         │──→
           │    P    │
     u ──→ │         │──→ y
           └─────────┘
              ↑   │
           ┌──┴───↓──┐
           │    K    │
           └─────────┘

其中：

• $w$：外部输入（参考信号、扰动、噪声）
• $z$：被调输出（跟踪误差、控制能量）
• $u$：控制输入
• $y$：测量输出
• $P$：广义被控对象
• $K$：待设计的控制器

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：

1. 闭环系统内部稳定
2. $|T_{zw}|_\infty < \gamma$（最小化 $\gamma$）

7.2.3 混合灵敏度设计

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：

• 灵敏度函数 $S = (I + GK)^{-1}$：扰动抑制
• 补灵敏度函数 $T = GK(I + GK)^{-1}$：噪声抑制、鲁棒稳定性
• 控制灵敏度 $KS = K(I + GK)^{-1}$：控制能量

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：

• $W_1$：低频增益大，要求好的跟踪性能和扰动抑制
• $W_2$：高频增益大，限制控制能量和执行器带宽
• $W_3$：高频增益大，保证鲁棒稳定性

典型权重函数形式： $$W_1(s) = \frac{s/M + \omega_b}{s + \omega_b\epsilon}$$ $$W_2(s) = \frac{s + \omega_{bc}/M_u}{s + \omega_{bc}}$$ $$W_3(s) = \frac{s + \omega_{bt}/M_t}{\epsilon_ts + \omega_{bt}}$$

7.2.4 H∞控制器求解

Riccati方程方法

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：

1. $(A, B_2)$ 可镇定，$(C_2, A)$ 可检测
2. $D_{12}^T[C_1 \quad D_{12}] = [0 \quad I]$
3. $\begin{bmatrix} B_1 \\ D_{21} \end{bmatrix}D_{21}^T = \begin{bmatrix} 0 \\ I \end{bmatrix}$
4. $X \geq 0$, $Y \geq 0$
5. $\rho(XY) < \gamma^2$（谱半径条件）

中心控制器： $$K(s) = \begin{bmatrix} A_K & B_K \\ C_K & D_K \end{bmatrix}$$ 其中：

• $A_K = A + \gamma^{-2}B_1B_1^TX - B_2B_2^TX - YC_2^TC_2$
• $B_K = YC_2^T$
• $C_K = -B_2^TX$
• $D_K = 0$

7.3 μ综合方法

7.3.1 结构奇异值的动机

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。

7.3.2 结构奇异值定义

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：

• $\rho(M) \leq \mu_\Delta(M) \leq \bar{\sigma}(M)$
• 当 $\Delta$ 为全块（无结构）时，$\mu_\Delta(M) = \bar{\sigma}(M)$
• 当 $\Delta$ 为对角复数块时，$\mu_\Delta(M) = \rho(M)$

7.3.3 鲁棒稳定性的μ条件

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。

7.3.4 D-K迭代算法

μ综合问题没有凸优化解，实践中使用D-K迭代：

1. 初始化：设计H∞控制器 $K_0$，令 $k = 0$

2. 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

3. 拟合步骤：将频率相关的 $D(\omega)$ 拟合为有理传递函数 $D(s)$

4. 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 $K_{k+1}$

5. 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

7.4 线性矩阵不等式（LMI）方法

7.4.1 LMI基础

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：

1. 凸性：LMI定义的可行域是凸集
2. 高效求解：内点法可在多项式时间内求解
3. 统一框架：许多控制问题可转化为LMI

7.4.2 Lyapunov稳定性的LMI条件

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： $$\begin{bmatrix} A^TP + PA + \epsilon E^TE & PD \\ D^TP & -\epsilon I \end{bmatrix} < 0$$

7.4.3 H∞性能的LMI表述

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： $$\begin{bmatrix} A^TP + PA & PB & C^T \\ B^TP & -\gamma I & D^T \\ C & D & -\gamma I \end{bmatrix} < 0$$

7.4.4 状态反馈H∞控制的LMI设计

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：$K = YX^{-1}$

7.4.5 多目标控制设计

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：

1. H∞性能：$|T_{zw}|_\infty < \gamma_\infty$
2. H₂性能：$|T_{zw}|_2 < \gamma_2$
3. 极点配置：闭环极点在区域 $\mathcal{D}$ 内
4. 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

7.4.6 参数依赖Lyapunov函数

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： $$A_i^TP_i + P_iA_i < 0, \quad i = 1, ..., N$$ $$P(\theta) = \sum_{i=1}^N \theta_iP_i > 0$$

7.5 案例研究：风力发电机组的鲁棒控制

7.5.1 系统描述与挑战

现代风力发电机组是复杂的机电系统，面临多重控制挑战：

1. 强非线性：空气动力学特性随风速、桨距角变化
2. 参数不确定性：塔架刚度、阻尼随环境变化
3. 未建模动态：叶片柔性、传动链扭转振动
4. 外部扰动：湍流、阵风、风切变
5. 多目标优化：最大功率捕获 vs. 载荷减缓

典型的5MW风机参数：

• 转子直径：126m
• 塔架高度：90m
• 额定功率：5MW
• 额定风速：11.4m/s
• 切入/切出风速：3m/s / 25m/s

7.5.2 线性化模型与不确定性建模

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：

• $x_1$：转子转速
• $x_2$：发电机转速
• $x_3$：传动链扭转角
• $x_4$：塔架前后位移
• $x_5$：塔架前后速度

输入：

• $v$：有效风速（扰动）
• $\beta$：桨距角（控制输入）

参数不确定性：

• 空气动力系数：$\pm20\%$
• 塔架阻尼：$\pm30\%$
• 传动链刚度：$\pm15\%$

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： $$W_m(s) = \frac{0.3s + 1}{s + 100}$$

7.5.3 控制目标与性能权重

区域II（部分载荷，$v < 11.4m/s$）：

• 最大化功率捕获
• 维持最优叶尖速比
• 减小传动链载荷

区域III（满载荷，$v > 11.4m/s$）：

• 调节功率在额定值
• 限制转速波动
• 减缓塔架载荷

性能权重设计： $$W_1(s) = \frac{0.1s + 1}{s + 0.001} \quad \text{（跟踪性能）}$$ $$W_2(s) = \frac{10(s + 0.1)}{s + 100} \quad \text{（控制能量）}$$ $$W_3(s) = \frac{s + 0.1}{0.01s + 1} \quad \text{（鲁棒性）}$$

7.5.4 H∞控制器设计

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

7.5.5 μ综合改进

考虑结构化不确定性： $$\Delta = \text{diag}(\delta_1I_2, \delta_2, \Delta_m)$$ 其中：

• $\delta_1$：空气动力参数不确定性（重复2次）
• $\delta_2$：塔架阻尼不确定性
• $\Delta_m$：高频未建模动态

D-K迭代结果：

• 初始H∞设计：$\mu_{max} = 1.35$（不满足鲁棒性）
• 第1次迭代：$\mu_{max} = 1.12$
• 第2次迭代：$\mu_{max} = 0.95$（满足要求）
• 第3次迭代：$\mu_{max} = 0.92$（改进有限）

7.5.6 仿真结果与实际验证

阶跃风速响应（10m/s → 12m/s）：

• 功率调节时间：< 5s
• 超调量：< 5%
• 转速波动：< 2%

湍流风况（平均风速15m/s，湍流强度18%）：

• 功率标准差：降低23%（相比PI控制）
• 塔架载荷：降低31%
• 桨距活动度：增加15%（可接受）

疲劳载荷分析（20年寿命）：

• 塔架基础弯矩：降低18%
• 叶片根部弯矩：降低12%
• 传动链扭矩：降低25%

实际风场测试（丹麦Høvsøre测试站）：

• 年发电量：提升2.3%
• 停机时间：减少15%
• 维护成本：降低约20%

7.6 历史人物：George Zames (1934-1997)

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：

1. 1981年：提出H∞优化问题，将鲁棒性能转化为范数最小化
2. 输入输出稳定性理论：发展了基于算子理论的稳定性分析方法
3. 小增益定理的推广：将经典结果扩展到非线性时变系统
4. 增量增益概念：为非线性系统鲁棒性分析提供工具

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."

7.7 前沿专题：积分二次约束（IQC）理论

7.7.1 IQC基本概念

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。

7.7.2 IQC稳定性定理

考虑反馈系统：

    ┌───┐
 ┌──┤ G ├──┐
 │  └───┘  │
 │         ↓w
 ↑v  ┌───┐ │
 └───┤ Δ ├─┘
     └───┘

如果：

1. $G$稳定
2. $\Delta$满足IQC集合$\{\Pi_i\}$
3. 存在$\epsilon > 0$使得对所有$\omega$： $$\begin{bmatrix} G(j\omega) \\ I \end{bmatrix}^* \Pi(j\omega) \begin{bmatrix} G(j\omega) \\ I \end{bmatrix} \preceq -\epsilon I$$ 则反馈系统稳定。

7.7.3 常见IQC类型

1. 范数界：$|\Delta| \leq \gamma$ $$\Pi = \begin{bmatrix} -\gamma^2I & 0 \\ 0 & I \end{bmatrix}$$

2. 扇形界：$\alpha \leq \Delta \leq \beta$ $$\Pi = \begin{bmatrix} -2\alpha\beta & \alpha+\beta \\ \alpha+\beta & -2 \end{bmatrix}$$

3. 速率限制：$|\dot{\Delta}| \leq d$ $$\Pi(s) = \begin{bmatrix} 0 & sX \\ -sX^T & 2d^2X \end{bmatrix}$$

7.7.4 IQC在风机控制中的应用

风机系统的非线性可用多个IQC描述：

• 空气动力：扇形界IQC
• 执行器饱和：饱和IQC
• 传感器量化：量化IQC
• 网络延时：延时IQC

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%。

7.8 本章小结

本章系统介绍了鲁棒控制理论的核心内容：

关键概念：

1. 不确定性建模：加性、乘性、结构化不确定性的数学描述
2. H∞控制：基于范数优化的鲁棒控制设计方法
3. μ综合：考虑结构信息减少保守性
4. LMI方法：统一的凸优化框架

核心定理：

• 小增益定理：$|M|_\infty < 1$ 保证鲁棒稳定
• H∞次优条件：Riccati方程解的存在性
• 结构奇异值：$\mu_\Delta(M) < 1$ 的充要条件

设计流程：

1. 建立标称模型和不确定性描述
2. 选择性能权重函数
3. 构造广义被控对象
4. 求解H∞或μ综合问题
5. 验证时域和频域性能

实践要点：

• 权重函数选择决定控制器性能
• D-K迭代通常2-3次即可收敛
• LMI方法适合多目标优化
• 实际应用需要在鲁棒性和性能间权衡

7.9 练习题

基础题

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？

挑战题

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：

• 阶跃响应超调<20%
• 调节时间<5s
• 控制能量受限

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：

• 经典鲁棒性（增益/相位裕度）
• H∞控制
• μ综合
• LMI多目标优化 考虑计算复杂度、保守性、实施难度等因素。

7.10 常见陷阱与错误（Gotchas）

陷阱1：权重函数选择不当

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

陷阱2：忽视数值条件

问题：Riccati方程求解失败或得到病态解。

检查清单：

• 标度：确保系统矩阵元素在同一数量级
• 可镇定/可检测性：检查不稳定模态
• 正则性条件：验证$D_{12}$、$D_{21}$满足假设

陷阱3：过度追求鲁棒性

症状：

• 控制器阶数过高（>20阶）
• 闭环响应过于缓慢
• γ值远小于1（如0.1）

解决方案：

• 适当放松性能要求
• 使用频率权重聚焦关键频段
• 考虑降阶技术

陷阱4：模型不确定性估计错误

常见错误：

• 低估高频不确定性→失稳
• 高估低频不确定性→性能差

验证方法：

• 多模型仿真
• 频率扫描实验
• 鲁棒性分析工具（如$\nu$-gap度量）

陷阱5：D-K迭代局部最优

问题：μ值收敛到局部最小值。

改进策略：

• 不同初始控制器
• 调整D标度拟合阶数
• 使用全局优化方法

7.11 最佳实践检查清单

设计前准备

• [ ] 模型验证
• 频率响应测试匹配度>80%
• 参数不确定性范围有实验支持

• 非线性影响量化评估

• [ ] 性能规范

• 时域指标明确（超调、调节时间）
• 频域要求合理（带宽、裕度）
• 约束条件可行（执行器限制）

设计过程

• [ ] 权重函数设计
• $W_1$低频积分特性（稳态精度）
• $W_2$高频滚降（控制带宽限制）
• $W_3$覆盖不确定性（鲁棒性）

• 交叉频率合理分离

• [ ] 控制器求解

• γ值在合理范围（0.5-2）
• 控制器阶数可接受（<2×植物阶数）
• 数值条件良好（条件数<1000）

验证测试

• [ ] 标称性能
• 阶跃响应满足指标
• 频率响应符合设计

• 扰动抑制达标

• [ ] 鲁棒性验证

• 极端参数组合稳定
• μ分析通过（μ<1）

• 蒙特卡洛仿真（>1000次）

• [ ] 实施考虑

• 采样率足够（>10×带宽）
• 计算延时可接受
• 抗积分饱和措施

部署维护

• [ ] 监控指标
• 闭环稳定性指示器
• 性能退化检测

• 故障切换逻辑

• [ ] 适应性调整

• 增益调度（工作点变化）
• 参数自适应（缓慢时变）

• 在线优化（云端更新）

• [ ] 文档记录

• 设计假设和限制
• 调试参数说明
• 故障处理流程