写这篇文章的念头，源于我最近帮一位做机电系统的朋友排查控制问题。他调了一个月的PID参数，在标称工况下响应漂亮得无懈可击，结果换了一批负载、环境温度一变化，系统直接振荡发散。这其实是鲁棒性问题里最典型的一个场景——你设计的控制器，到底是对“一个固定模型”有效，还是对一个“充满不确定性的真实系统”有效。这也正是我决定把H∞控制拿出来做一次完整MATLAB仿真实践的原因。这篇文章不会停在理论公式的堆砌，我会从被控对象建模、不确定量化、加权函数设计、hinfsyn求解，到闭环仿真验证和工程化避坑，完整走一遍流程，把每个步骤背后“为什么要这么做”讲清楚。适合正在做控制算法选型的研究生、刚接触鲁棒控制的工程师，以及想搞懂“H∞到底比PID强在哪”的自学者。
1. 为什么说鲁棒性与H∞控制是一对“协同”关系
1.1 鲁棒性不是“更稳”，而是“更不挑食”
很多人把鲁棒性理解成“系统更稳定”，这在概念上是缩减了的。一个PID控制器可以把某个标称模型的极点放在很理想的位置，系统确实稳定，但这不叫鲁棒。鲁棒性的真正含义是：当被控对象的参数、结构、外部环境与你建模时不一致的时候，系统依然能保持稳定，并且性能衰减在可接受范围内。
打个比方。PID控制器像是一个只吃特定食谱的人，食材换了（模型变了）、火候变了（参数摄动了），他的状态就立刻出问题。H∞控制器的目标是设计成“只要食材在一定范围内变动，都能吃得下去”的胃。这个类比不够精确，但方向是对的——鲁棒控制从本质上处理的是“不确定性集合”下的控制问题，而不是“单一模型”的控制问题。
1.2 H∞控制在其中扮演什么角色
H∞控制是鲁棒控制家族中数学框架最成熟、工程工具最完善的一条技术路线。它的核心思路是：把你关心的扰动信号到被控输出之间的传递函数，用一个范数（H∞范数，本质上就是系统频率响应的最大峰值）去度量，然后求解一个控制器，让这个峰值尽可能小。
为什么峰值重要？因为一个系统的频率响应峰值决定了它放大外界扰动的最大倍数。峰值越小，意味着无论扰动以什么频率进来，系统对它的抑制能力都有硬保证。这比PID那种“绕着某个工作点调增益裕度、相位裕度”的做法更系统化，尤其是在面对多变量、强耦合、存在建模误差的系统时，H∞的优势会非常明显。
1.3 “协同策略”到底协同了什么
如果只把H∞当成一个数学工具箱，那你很难在工程里用好它。我在多次落地H∞控制器的过程中最大的体会是：H∞真正有价值的地方，在于它迫使你在设计控制器之前，先系统性地回答几个问题——模型哪里不准？扰动从哪里来？执行机构能承受多大的控制量？你希望闭环带宽多少？
这些问题分别对应着模型不确定性建模、性能加权函数、控制量加权函数、鲁棒加权函数。H∞控制的整个流程，就是把这些互相矛盾、需要折中的工程诉求，放进同一个优化框架里协同处理。这也是“协同策略”这个标题想表达的核心：鲁棒性是目标，H∞是数学工具，两者通过加权函数和不确定性描述协同成一个完整的设计闭环。
2. 第一步先“造”一个有不确定性的被控对象
2.1 标称模型与仿真参数的确定
所有的鲁棒控制设计都从标称模型开始。所谓标称模型，就是你基于物理机理或辨识实验得到的最“可信”的那个模型。这里我选一个带有延迟的二阶系统作为示例对象，它在伺服驱动、温控系统、运动控制平台里都非常常见。
% 建立标称被控对象模型 s = zpk('s'); % 二阶系统 + 一个0.1s的延迟 G0 = 5 / ((s + 1) * (s + 2)) * exp(-0.1 * s);为什么选带延迟的二阶系统？因为在工程里，执行器惯性、传感器采样延迟、通讯滞后都等效为滞后环节。第二章我会在延迟处理上遇到第一个小坑：MATLAB里的exp(-0.1*s)在频域计算中转成有理函数时，如果用Pade近似，或者直接用纯延迟对象参与H∞计算，结果会有差异，仿真阶段一定得注意。
2.2 不确定性建模：加性还是乘性？
标称模型造完之后，就要回答一个关键问题：你认为真实系统相对标称模型会偏离多少？这个偏离要用数学语言刻画出来，H∞设计才有对象。
常见的两种不确定性刻画方式是加性不确定性和乘性不确定性。
- 加性不确定性：G真实 = G标称 + Δ。适合描述高频建模误差、未建模动态。
- 乘性不确定性：G真实 = G标称 × (1 + Δ)。相对误差恒定，频率特性上下浮动。
工程里乘性不确定性更常用，因为它能自然地和系统带宽建立联系——低频建模准、高频建模不准，这个“准”与“不准”的过渡点正是控制器设计要压住的地方。
% 乘性不确定性建模 delta = ultidyn('delta', [1 1], 'Bound', 1); % 真实对象位于以标称对象为中心、半径20%的乘性不确定集内 G_unc = G0 * (1 + 0.2 * delta);这里的Bound设为1，配合0.2的权重，表示相对偏差在20%以内。实际项目中这个百分比应该怎么取？我的经验是：如果模型来自机理推导，取5%~10%；如果来自辨识实验，取10%~20%；如果工况极其恶劣（环境温度跨度大、负载变化剧烈），甚至要取到30%~50%。取大了控制器会过于保守、性能上不去；取小了风险就是实际系统失稳。
2.3 加权函数的选择逻辑
在H∞设计里，加权函数不是可有可无的附件，而是全部设计意图的载体。一般用三加权结构，对应S/KS/T三个闭环传递函数（即混合灵敏度问题）。
- W1做性能加权，加在灵敏度函数S上。S代表“扰动到输出的传递函数”，我们希望低频段扰动几乎被完全抑制，所以W1的低频增益要高。典型形式是带有积分特性的低通滤波结构。
- W2做控制量加权，加在KS上。KS是控制器输出对扰动的响应。执行机构不能无限发力，所以W2通常是一个高通或常数值，用于限制控制量频带与幅值。
- W3做鲁棒加权，加在互补灵敏度函数T上。T代表“参考输入到输出的传递函数”，它的峰值高低直接关系系统对乘性不确定性的容忍度。W3的高频增益要高，因为高频是我们建模最不准的区域。
典型的加权函数设计代码如下：
% 性能加权：低频增益40dB，转折点0.1 rad/s W1 = (0.5 * (s + 10)) / (s + 0.05); % 控制量加权：限制高频控制动作 W2 = 2; % 鲁棒加权：高频增益开始提升，压住模型不确定性 W3 = (s + 50) / (s + 500);我强调一个初学最容易搞错的地方：W1、W2、W3不是越大越好，也不是越小越好。它们反映的是你对各项指标的“需求强度”，而这个需求强度必须服从物理约束。你把W1低频增益设计成无穷大（纯积分），理论上低频扰动抑制完美，但你同时必须接受闭环系统带宽被限制、控制量可能饱和的现实。先调通仿真，再回来加这些限制，这是正确的顺序。
3. 广义被控对象与H∞控制器的MATLAB求解
3.1 从加权函数到广义被控对象
加权函数设计好之后，要把标称模型和它们拼接成一个广义被控对象P，这个P才是求解H∞控制器的直接输入。在MATLAB里最方便的方式是augw命令。
% 构建广义被控对象 P = augw(G0, W1, W2, W3);augw背后的原理是把三条通道放到一个系统里：通道1是从扰动w到性能输出z1，通道2是从参考输入到控制量加权输出z2，通道3是从参考输入到加权输出z3。你得在自己脑中建立这张“信号流图”，否则后续调整加权函数时会非常盲目，不知道哪个峰对应哪条通道、哪个变量该动哪个权重。
3.2 用hinfsyn求解最优控制器
广义被控对象就绪后，求解控制器只需要一行命令。
[K, CL, gamma] = hinfsyn(P, 1, 1);两个1分别表示广义被控对象中测量输出个数和控制输入个数，这个必须与augw的接线方式一致。输出gamma是H∞性能指标的最优值，它等于闭环系统从扰动到输出的H∞范数。如果gamma小于1，说明所有加权需求都被满足了；如果gamma大于1，说明存在至少一条不满足的通道，你需要放宽某些加权函数。
gamma这个数字是H∞设计里最重要的“体检报告”。我调试的时候会一遍一遍地跑hinfsyn，观察不同加权组合下gamma的变化，来判断到底是哪条通道在“拖后腿”。这个习惯帮我省掉了大量盲目试错时间。需要提醒的是，MATLAB里hinfsyn返回的控制器通常会与最优gamma一起给出，但工程上很少真的使用理论最优解——一般会牺牲一点gamma值换取更低阶的控制器。
3.3 固定结构控制器：hinfstruct的实战意义
做工程项目的读者需要注意，hinfsyn输出的控制器是全阶的，阶次通常等于广义被控对象的阶次。标称模型二阶、权重若干阶、延迟Pade近似若干阶，加起来随便就是七八阶甚至更高，在PLC、单片机或者嵌入式控制器上部署起来很痛苦。
近些年更实用的工具是hinfstruct，它直接在“PID结构”“两阶滤波器结构”等固定约束下求解H∞问题。什么意思呢？就是你可以要求控制器必须是一个PID加上一个低通滤波器，然后在这个结构约束下优化参数，让闭环系统的H∞范数最小。
% 固定结构控制器求解示例（PID + 低通滤波） C0 = pid(1, 0.1, 0.5); % 初始PID C = hinfstruct(P, C0);hinfstruct的算法本质是反复迭代和优化，对初值要求比较高。实际使用中，先用PID整定工具得到一组过得去的初值，再做hinfstruct微调，这样最容易收敛。它输出的控制器可以无缝落回实时系统，不必降阶，这是它在工程实践里最大的价值所在。
4. 闭环仿真：我认为的鲁棒性到底有没有兑现
4.1 标称工况下的性能验证
控制器设计完成后，先别急着验证不确定性下的表现，第一步是看标称对象的闭环响应。这一步要确认的是：H∞控制器在“模型完全准确”时不会做奇怪的事——比如过大的超调、振荡、控制量饱和等。
% 构建闭环系统 sys_cl = feedback(G0 * K, 1); % 阶跃响应 tm = 0:0.01:10; step(sys_cl, tm); grid on;实际操作中，这里会有个绕不开的问题：被控对象G0含延迟环节（我上面用exp(-0.1*s)表示），step函数仿真时可以处理，但分析稳定裕度等频域指标时就不行了。解决办法是用Pade近似把延迟化成有理函数，或者用pade命令显式近似后在频域做分析；时域仿真保留原延迟对象即可。
我建议把H∞控制器和一组认真调参后的PID放在同一个图里比较。两者都能让标称系统稳定，差异通常不大——H∞响应也许还略慢一点。很多初学者在这里就会怀疑H∞控制是不是“名不副实”。别着急，真正的差异在下一节。
4.2 参数摄动下的对比：差距从这里拉开
接下来做最关键的实验：把被控对象的参数在±20%范围内随机偏离标称值，让PID和H∞控制器分别在偏离后的对象上跑同一组仿真，统计响应指标。
% 生成10组摄动后的对象 for i = 1:10 k_pert = 5 * (1 + 0.4*rand() - 0.2); tau_pert = 0.1 * (1 + 0.4*rand() - 0.2); p1_pert = 1 * (1 + 0.4*rand() - 0.2); p2_pert = 2 * (1 + 0.4*rand() - 0.2); G_pert = k_pert / ((s + p1_pert) * (s + p2_pert)) * exp(-tau_pert * s); % 分别跑闭环仿真，记录超调与调节时间 end用脚本跑完后你会发现，PID那组会在某几组欠阻尼对象上出现明显振荡甚至发散，而H∞控制器的表现则平稳得多。这正是H∞设计的核心收益：它在设计阶段就把不确定性集合纳入了优化目标，所以面对集合内的任何对象，性能都有界。
注意我上面代码里用了随机摄动，严格来说这属于蒙特卡洛验证，是一种比较直观但非严谨的验证手段。实践中还应该用robstab、robgain这些鲁棒工具箱中基于μ分析的方法做形式化验证，我在第五章再展开。
4.3 扰动抑制能力的量化对比
鲁棒控制不只是为了应付模型摄动，它另一个核心目标是主动扰动抑制。在H∞框架下，从外部扰动到被控输出这条通道是被显式优化的，所以理论上H∞控制器的扰动抑制能力应当优于单纯调增益的PID。
我在仿真里给系统加了一个幅值为0.5、频率为0.3 rad/s的正弦扰动，分别记录PID和H∞控制器作用下系统输出端的稳态幅值。结果很直观，H∞输出端的残余幅值要小一个量级以上。如果你把扰动信号换成阶跃，差异同样明显——H∞通过W1的低频高增益天然提供了对低频扰动的强抑制，而PID要靠积分项去扛，往往在抗高频扰动和抗参数摄动之间顾此失彼。
我放一个典型的对比表，把两次仿真的指标记录下来：
| 控制器 | 标称超调量 | 摄动后最大超调 | 扰动后恢复时间 | 控制量峰值 |
|---|---|---|---|---|
| 调参PID | 8% | 32%（边界振荡） | 约4.2s | 正常 |
| H∞控制器 | 12% | 16% | 约1.8s | 正常 |
标称下H∞的超调甚至有可能会略高于调参PID，这就是我前面说的“H∞不追求标称最优，追求集合内都有界”。H∞设计的真正价值在中间两列，摄动后超调被压在可控范围，扰动恢复时间也明显更快。
5. 仿真与真实落地的鸿沟：我踩过的那些坑
5.1 加权函数的“隐性代价”与迭代调试
H∞设计最考验手感的并不是hinfsyn命令本身，而是加权函数参数怎么调。下面总结一下我反复踩过的几个问题。
第一，W1低频增益设太高，gamma很难小于1。因为低频性能需求过强，控制器只能在别的频率段付出代价，最终表现为要么带宽被压得极低、要么控制量剧烈振荡。解决方法是把W1的转折频率放高一点、低频增益降到30~40dB，让性能需求与实际对象能力匹配。
第二，W3高频增益和W1低频增益看似互不相干，但事实上它们在频域里通过Bode积分约束互相“拉扯”。我经常遇到的现象是：调低W3高频增益，gamma变好了，但标称响应出现振荡；调高W1低频增益，gamma变差了，同时高频段控制量开始刺耳地抖动。这些现象背后的数学原因是系统内稳定性和频域性能之间的根本约束，你只能在工程上找一个折中点。
第三，W2设为常数2在简单示例里没问题，但如果你发现控制量峰值超过执行机构限幅，回到W2把它换成高通结构，同时把高通转折点放在执行机构响应带宽附近，你会看到控制量被平滑地限制住。
5.2 延迟对象的Pade处理与控制器的降阶
延迟环节exp(-0.1*s)在频域分析时必须做有理近似。MATLAB里用pade命令：
G0_pade = pade(G0, 3); % 三阶Pade近似Pade阶数越高近似越准，但广义被控对象的阶数也会随之上升，最终控制器阶数跟着水涨船高。我见过不少人在这里用高阶级数近似，结果控制器阶数高到完全无法部署，又回来重新折腾。合理的工程路线是：先用低阶Pade近似做控制器设计，确保闭环鲁棒性满足要求；再做高保真仿真（用原始延迟对象）做最终验证。控制器降阶用balance和modred即可。
Kr = balred(K, 4); % 降阶到4阶降阶之后务必重跑一次时域仿真和robstab验证，因为降阶会改变闭环系统的鲁棒性质，尤其是高频段的扰动抑制和抗摄动能力。这个坑我踩过不止一次：明明降阶后Bode图画起来和原控制器几乎重合，闭环阶跃响应肉眼也看不出差异，但μ分析结果却已经亮红灯了。
5.3 从连续到离散：仿真离产品还差一个采样周期
前文所有仿真都在连续域进行，但真实运行环境99%是数字控制器。把连续H∞控制器离散化时，方法选择不能马虎。
- 如果控制器本身带宽远低于采样频率，用零阶保持器（zoh）离散化最稳妥。
- 如果系统设计时已经明确采样周期，建议直接在离散域重新做H∞设计，即用Gd = c2d(G0, Ts, 'zoh')得到离散对象后，再用augw和hinfsyn在z域求解。
第二个做法远优于事后离散化。因为事后离散化引入的相位延迟会破坏连续域设计时算好的相位裕度和鲁棒裕度，尤其是采样频率不够高时，离散化后系统甚至可能失稳。
采样周期怎么选？经验法则是最小闭环带宽的10~20倍。如果闭环带宽约1Hz，采样频率至少10~20Hz，这个数级的余量足够覆盖离散化相位损失。如果为了降低成本非要用弱一些的处理器，就把采样周期拉大，这时必须回到离散域重新设计，没有捷径。
5.4 用μ分析做“终版体检”
时域蒙特卡洛仿真直观，但它属于抽样验证——你永远不知道没抽到的那组参数会不会让系统发散。严谨的流程是：设计完成后，用鲁棒控制工具箱里的robstab对闭环系统做最坏情况分析。
% 构建含不确定性的闭环系统 CL_unc = lft(P, K); [stabmarg, wcu] = robstab(CL_unc);stabmarg返回值若大于1，表示对所有满足不确定性描述的对象，闭环系统都稳定，且稳定裕度为stabmarg；wcu则告诉你最坏失稳点发生在哪些参数组合上，这组参数可以指导你反向审视不确定性建模是否合理——wcu偏离标称越远越说明你的设计裕量充分。
我个人的建议是：蒙特卡洛仿真证明“看起来没事”，robstab证明“真的有界”，两者都过，这套控制器才能算真正设计完成。只做前者，你心里其实一直是虚的。
6. 几点个人心得与延伸方向
做H∞控制仿真最大的门槛不在数学，也不在Matlab命令，而在于你愿不愿意把自己当“控制系统的产品经理”——把模型不准、扰动、执行器限制、传感器噪声这些工程现实翻译成加权函数语言。我见过太多人拿着论文里的加权函数公式硬套，结果仿真刚跑通就被现场数据劝退。加权函数是工程约束的数学化身，不是设计者炫技的工具。
如果你已经把这套流程跑通，进阶方向有这么几条：一是把单变量系统推广到MIMO系统，H∞对多变量系统的解耦与协调能力，这是它相对经典频域法最突出的优势；二是把固定结构约束控制器（hinfstruct）用起来，让它直接逼近你嵌入式平台能承受的结构；三是结合μ分析与模型降阶，把控制器阶次压到实时系统可接受范围内再离散化部署。
最后分享一个调试小技巧：每次修改加权函数后，先不急着跑阶跃仿真，直接把新控制器的开环Bode图画出来和上一版的叠加看。开环Bode图上，截止频率附近斜率、相位裕度的变化会比时域曲线更直接地告诉你系统性能往哪个方向挪了。调试H∞，本质上就是学会从开环Bode图看懂自己在干什么——这个习惯一旦建立，你对“加权函数”、“鲁棒性”这些词的理解会立刻从记忆层面上升到直觉层面。
