自适应控制——让系统自己\"学\"

原创

代码小铺
代码小铺

代码小铺

2026年6月27日 13:51
湖北

在小说阅读器读本章

去阅读

一架飞机的困惑

1960年代，NASA设计了一架实验飞行器X-15。它要在从大气层到近太空的广阔空域飞行——空气密度变化数百倍，飞行速度从亚音速到高超音速。

问题是：飞行器的气动参数（升力系数、阻力系数等）在不同高度和速度下完全不同。你不可能在地面设计出\"一个控制器管到底\"的方案。

解决方案：让控制器在飞行过程中自己学习气动参数，并根据学到的参数实时调整控制策略。这就是自适应控制的早期应用之一。

参数不确定时的挑战

传统控制器设计假设系统的模型参数是已知且固定的。但现实中：

• • 机器人的负载可能变化（抓了个重物，惯量变了）
• • 化学反应器的参数随催化剂老化而漂移
• • 电机的电阻随温度变化
• • 飞行器的气动参数随高度和速度变化

面对参数不确定性，有三种策略：

1. 1. 鲁棒控制：设计一个\"万金油\"控制器，在所有可能的参数范围内都能用——但性能往往保守。
2. 2. 增益调度：预先设计多套控制器，根据当前工况切换——需要大量离线设计。
3. 3. 自适应控制：让控制器在线学习参数并实时调整——最灵活，但设计也最复杂。

模型参考自适应控制（MRAC）

MRAC是自适应控制的两大流派之一，直觉非常清晰：

1. 1. 先定义一个参考模型——你希望系统表现成什么样（比如响应快、无超调）。
2. 2. 让实际系统的输出跟踪参考模型的输出。
3. 3. 如果跟踪有误差，说明参数不对——用误差来修正控制器参数。

整个系统有三个循环在同时运行：

• • 内环：控制器控制系统（和常规控制一样）
• • 外环：自适应律根据跟踪误差调整控制器参数
• • 参考模型：始终告诉你\"理想的输出应该是什么\"

比喻：就像一个学员（实际系统）跟着教练（参考模型）学开车。教练演示标准操作，学员尽力模仿。如果做得不对（跟踪误差），教练指出问题（自适应律修正参数），学员逐渐学会了正确的方法。

MIT规则

MIT规则是MRAC中最早、最直观的自适应律，诞生于麻省理工学院（MIT）的仪表实验室。

原理很简单：定义跟踪误差 $e = y - y\_m$（实际输出减参考输出），然后沿使误差平方减小最快的方向调整参数：

$$\dot{\theta} = -\gamma \frac{\partial e}{\partial \theta} \cdot e$$

其中 $\theta$ 是控制器参数，$\gamma$ 是自适应增益（学习率）。

直觉上：如果增大 $\theta$ 能减小误差，就增大它；反之就减小。$\gamma$ 控制学习的速度——太大学会振荡，太小学得太慢。

MIT规则的缺点是：它不保证闭环稳定性（在某些情况下参数可能发散）。后来发展出的基于李雅普诺夫理论的自适应律解决了这个问题。

自校正调节器（STR）

自适应控制的另一大流派是自校正调节器。

STR的思路分两步：

1. 1. 在线辨识：用输入输出数据实时估计系统参数（通常用递推最小二乘法）。
2. 2. 重新设计控制器：把估计出的参数当作\"真实参数\"，用标准方法（如极点配置或LQR）重新计算控制器。

这两步在每个采样时刻重复进行——就像一个控制器在不断地\"认识系统\"和\"调整自己\"。

比喻：STR就像一个调音师。他先听一下乐器的声音（辨识），判断音准偏差多少，然后拧一下弦轴（调整控制器），再听一下，再拧……直到音准完美。

参数在线估计

自适应控制的基础是参数在线估计。最常用的方法是递推最小二乘法（RLS）：

每收到一组新数据 $(u\_k, y\_k)$，不是把所有历史数据重新算一遍，而是在上一次的估计结果基础上做一个\"小修正\"：

$$\hat{\theta}k = \hat{\theta} + K\k (y\_k - \phi\_k^T \hat{\theta}\)$$

其中 $K\_k$ 是增益向量，$\phi\_k$ 是回归向量。

遗忘因子：如果参数是缓慢变化的（而非恒定），可以给老数据逐渐降低权重——\"忘记\"久远的过去，更重视近期数据。这就像你对一个人的判断：最近的行为比十年前的行为更有参考价值。

工程应用

飞行器控制

现代战斗机和导弹在大攻角、高机动飞行时，气动参数剧烈变化。自适应控制让飞行控制系统能够实时跟踪参数变化，保持操控品质。F/A-18等战机就使用了自适应飞行控制律。

机器人控制

工业机器人抓取不同重量的工件时，负载惯量可能变化数倍。自适应控制器能够在线估计负载参数，自动调整关节力矩，保证运动精度和速度。

过程控制

化工反应器的参数随催化剂活性下降、原料成分变化而漂移。自适应控制器持续跟踪参数变化，保持产品质量稳定。

自适应控制的挑战

自适应控制虽然强大，但也有自己的难题：

• • 参数收敛性：参数估计是否最终收敛到真实值？需要\"持续激励\"条件——输入信号要足够丰富。
• • 鲁棒性：如果存在未建模动态或外部干扰，自适应律可能不稳定。鲁棒自适应控制是当前的研究热点。
• • 实现复杂度：自适应算法的计算量比固定控制器大得多，对处理器要求更高。

系列小结

从最基础的PID控制，到频域分析、状态空间法，再到最优控制、卡尔曼滤波、非线性控制和自适应控制——我们走过了一段不短的旅程。这些工具构成了现代控制工程的核心武器库。

真正的工程实践中，这些方法往往是组合使用的：一个飞行器可能同时用到LQR（最优控制）、卡尔曼滤波（状态估计）、增益调度或自适应（应对参数变化），以及非线性补偿。控制工程师的工作，就是根据具体问题的特点，选择和组合这些工具，设计出可靠、高效的控制系统。