10．自适应控制 严格地说，实际过程中的控制对象自身及能所处的环境都是十分复杂的，其参数会由于种种外部与内部的原因而发生变化。如，化学反应过程中的参数随环境温度和湿度的变化而变化（外部原因），化学反应速度随催化剂活性的衰减而变慢（内部原因），等等。如果实际控制对象客观存在着较强的不确定，那么，前面所述的一些基于确定性模型参数来设计控制系统的方法是不适用的。 所谓自适应控制是对于系统无法预知的变化，能自动地不断使系统保持所希望的状态。因此，一个自适应控制系统，应能在其运行过程中，通过不断地测取系统的输入、状态、输出或性能参数，逐渐地了解和掌握对象，然后根据所获得的过程信息，按一定的设计方法，作出控制决策去修正控制器的结构，参数或控制作用，以便在某种意义下，使控制效果达到最优或近似更优。目前比较成熟的自适应控制可分为两大类：模型参考自适应控制（Model Reference Adaptive Control）和自校正控制（Self-Turning）。 10.1模型参考自适应控制 10.1.1模型参考自适应控制原理 模型参考自适应控制系统的基本结构与图10.1所示： 10.1模型参考自适应控制系统 它由两个环路组成，由控制器和受控对象组成内环，这一部分称之为可调系统，由参考模型和自适应机构组成外环。实际上，该系统是在常规的反馈控制回路上再附加一个参考模型和控制器参数的自动调节回路而形成。
在该系统中，参考模型的输出或状态相当于给定一个动态性能指标，（通常，参考模型是一个响应比较好的模型），目标信号同时加在可调系统与参考模型上，通过比较受控对象与参考模型的输出或状态来得到两者之间的误差信息，按照一定的规律（自适应律）来修正控制器的参数（参数自适应）或产生一个辅助输入信号（信号综合自适应），从而使受控制对象的输出尽可能地跟随参考模型的输出。 在这个系统，当受控制对象由于外界或自身的原因系统的特性发生变化时，将导致受控对象输出与参考模型输出间误差的增大。于是，系统的自适应机构再次发生作用调整控制器的参数，使得受控对象的输出再一次趋近于参考模型的输出（即与理想的希望输出相一致）。这就是参考模型自适应控制的基本工作原理。 模型参考自适应控制设计的核心问题是怎样决定和综合自适应律，有两类方法，一类为参数最优化方法，即利用优化方法寻找一组控制器的最优参数，使与系统有关的某个评价目标，如：J=? t o e 2(t)dt ，达到最小。另一类方法是基于稳 定性理论的方法，其基本思想是保证控制器参数自适应调节过程是稳定的。如基于Lyapunov 稳定性理论的设计方法和基于Popov 超稳定理论的方法。 系统设计举例 以下通过一个设计举例说明参数最优化设计方法的具体应用。 例10.1设一受控系统的开环传递函数为W a (s)=) 1(+s s k ，其中K 可变，要求 用一参考模型自适应控制使系统得到较好的输出。 解：对于该系统，我们选其控制器为PID 控制器，而PID 控制器的参数由自适应机构来调节，参考模型选性能综合指标良好的一个二阶系统： W m (d)= 1 414.11 2 ++s s 自适应津决定的评价函数取 minJ =?t e 2 (t)dt ，e(t)为参考模型输出与对象输出的误差。 由于评价函数不能写成PID 参数的解析函数形式，因此选用单纯形法做为寻优方法。（参见有关优化设计参考文献）。 在上述分析及考虑下，可将系统表示具体结构表示如下图10.2所示。
无模型自适应（MFA）控制 无模型自适应控制的概念和意义 无模型自适应控制系统应具有如下属性或特征： ? 无需过程的精确的定量知识； ?系统中不含过程辨识机制和辨识器； ?不需要针对某一过程进行控制器设计； ? 不需要复杂的人工控制器参数整定； ? 具有闭环系统稳定性分析和判据，确保系统的稳定性。 下面结合燃烧过程的控制详细讨论以下五个问题，阐述无模型自适应控制理论的精髓： 过程知识 大多数先进控制技术都需要对过程及其环境有较深的了解，一般用拉普拉斯变换或动态微分方程来描述过程动态特性。然而在过程控制领域，许多系统过于复杂，或者其内在规律难以了解，因此很难得到过程的定量知识，这通常称为“黑箱”问题。 在许多情况下，我们可能掌握了一些过程知识但是不知道这些知识是否精确。在包括燃烧控制的过程控制中，经常碰到进料的波动，燃料类型和热值的改变，下游需求不可预测的变化以及产品尺寸、配方、批次和负荷等频繁的切换。这些就导致一个问题：即无法确定所掌握的过程知识的精确程度。这种现象通常被叫做“灰箱”问题。 如果能掌握过程的大量知识，那就是一个“白箱”问题。在这种情况下，基于对过程的了解，利用成熟的控制方法及工具设计控制器就容易多了。 尽管无模型自适应控制器可以解决黑箱、灰箱和白箱问题，但更适用于灰箱问题，事实上大多数工业过程都是灰箱问题。 过程辨识 对于传统的自适应控制方法，如果不能获得过程的定量信息，一般需要采用某种辨识机制，以在线或离线的方式获得系统的动态特性。由此产成了以下一些难以解决的问题： ? 需要离线学习； ?辨识所需的不断的激励信号与系统平稳运行的矛盾； ?模型收敛和局部最小值问题； ? 系统稳定性问题。 基于辨识的控制方法不适用于过程控制的主要原因是控制和辨识是一对矛盾体。好的控制使系统处于一个稳定状态，这种情况下设定值（SP）、控制器输出（OP）和过程变量（PV）在趋势图中显示出来的都是直线。任何稳定系统都会达到另一个稳定状态，而其中的过程动态特性的变化却不能被察觉，因此通常需要施加激励信号来进行有效的过程辨识。然而，实际生产过程很难容许这样做。 MFA控制系统中没有辨识环节因此可以避免上述问题。一旦运行，MFA控制器就可立刻接管控制。MFA控制器中
系统辨识与自适应控制 学院： 专业： 学号： 姓名：
系统辨识与自适应控制作业 一、 对时变系统进行参数估计。 系统方程为：y(k)+a(k)y(k-1)=b(k)u(k-1)+e(k) 其中：e(k)为零均值噪声，a(k)= b(k)= 要求：1对定常系统（a=0.8,b=0.5）进行结构（阶数）确定和参数估计； 2对时变系统，λ取不同值（0.9——0.99）时对系统辨识结果和过程进行 比较、讨论 3对辨识结果必须进行残差检验 解：一（1）： 分析：采用最小二乘法（LS ）：最小二乘的思想就是寻找一个θ的估计值θ? ， 使得各次测量的),1(m i Z i =与由估计θ? 确定的量测估计θ??i i H Z =之差的平方和最小，由于此方法兼顾了所有方程的近似程度，使整体误差达到最小，因而对抑制误差是有利的。在此，我应用批处理最小二乘法，收敛较快，易于理解，在系统参数估计应用中十分广泛。 作业程序： clear all; a=[1 0.8]'; b=[ 0.5]'; d=3; %对象参数 na=length(a)-1; nb=length(b)-1; %na 、nb 为A 、B 阶次 L=500; %数据长度 uk=zeros(d+nb,1); %输入初值：uk(i)表示u(k-i) yk=zeros(na,1); %输出初值 x1=1; x2=1; x3=1; x4=0; S=1; %移位寄存器初值、方波初值 xi=randn(L,1); %白噪声序列 theta=[a(2:na+1);b]; %对象参数真值 for k=1:L phi(k,:)=[-yk;uk(d:d+nb)]'; %此处phi(k,:)为行向量，便于组成phi 矩阵 y(k)=phi(k,:)*theta+xi(k); %采集输出数据 IM=xor(S,x4); %产生逆M 序列 if IM==0 u(k)=-1; else u(k)=1; end S=not(S); M=xor(x3,x4); %产生M 序列
无模型自适应控制方法的应用研究 XXX （北京化工大学自动化系，北京100029） 摘要：概述了一种新型的控制方法无模型自适应控制。目的是对当前无模型自 适应控制有一个总体的认识, 它是一种无需建立过程模型的自适应控制方法。与传统的基于模型的控制方法相比，无模型控制既不是基于模型也不是基于规则，它是一种基于信息的控制方法。无模型控制器作为一种先进的控制策略，具有很强的参数自适应性和结构自适应性。基于以上背景，首先介绍了无模型自适应控制的性质及特征，结合对北京化工大学405仿真实验室三级液位控制系统的仿真研究，并将其与PID控制器的效果进行了对比。仿真表明, 无模型控制器具有良好的抗干扰能力、参数自适应性和结构自适应性。 关键字：无模型；自适应；控制； Model Free Adaptive Control Theory and its Applications XXX (Department of Automation, Beijing University of Chemical Technology Beijing 100029) Abstract: A new kind of control method model-free adaptive control is given. The purpose is to make MFA to be understood. Model free adaptive control(MFAC)theory is an adaptive control method which does not need to model the industrial process．Compared with traditional control methods based on modeling，MFAC is an advanced control strategy which based on information of Input／Output Data．It has parameter adaptability and structure adaptability．Based on the background，First the property and character of MFA are introduced, Then Combining 405 Simulation Laboratory of Beijing University of Chemical technology three- level control system simulation．The simulation results show that MFAC controller has excellent robustness，anti-jamming capability, parameter and structure adaptability．
XXXXXXXXXX 系统辨识与自适应控制课程论文 题目：自适应控制综述与应用 课程名称：系统辨识与自适应控制 院系：自动化学院 专业：自动化 班级：自动化102 姓名： XXXXXX 学号: XXXXXXXXX 课程论文成绩： 任课教师： XXXXX 2013年 11 月 15 日
自适应控制综述与应用 一．前言 对于系统辨识与自适应控制这门课，前部分主要讲了系统辨识的经典方法（阶跃响应法、频率响应法、相关分析法）与现代方法（最小二乘法、随机逼近法、极大似然法、预报误差法）。对于系统辨识，简单的说就是数学建模，建立黑箱系统的输入输出关系；而其主要分为结构辨识（n）与参数辨识（a、b）这两个任务。 由于在课上刘老师对系统辨识部分讲的比较详细，在此不再赘述，下面讨论自适应控制部分的相关内容。 对于自适应控制的概念，我觉得具备以下特点的控制系统，可以称为自适应控制系统： 1、在线进行系统结构和参数辨识或系统性能指标的度量，以便得到系统当前状态的改变情况。 2、按一定的规律确定当前的控制策略。 3、在线修改控制器的参数或可调系统的输入信号。 二．自适应控制综述 1.常规控制系统与自适应控制系统比较 （1）控制器结构不同 在传统的控制理论与控制工程中，常规控制系统的结构主要由控制器、控制对象以及反馈控制回路组成。 而自适应控制系统主要由控制器、控制对象、自适应器及反馈控制回路和自适应控制回路组成。 （2）适用的对象与条件不同 传统的控制理论与控制工程中，当对象是线性定常、并且完全已知的时候，才能进行分析和控制器设计。无论采用频域方法，还是状态空间方法，对象一定是已知的。这类方法称为基于完全模型的方法。在模型能够精确地描述实际对象时，基于完全模型的控制方法可以进行各种分析、综合，并得到可靠、精确和满意的控制效果。 然而,有一些实际被控系统的数学模型是很难事先通过机理建模或离线系统辨识来确知的,或者它们的数学模型的某些参数或结构是处于变化之中的.对于这类事先难以确定数学模型的系统,通过事先整定好控制器参数的常规控制往往难以对付。 面对上述系统特性未知或经常处于变化之中而无法完全事先确定的情况,如何设计一个满意的控制系统,使得能主动适应这些特性未知或变化的情况,这就 是自适应控制所要研究解决的问题.自适应控制的基本思想是:在控制系统的运行过程中,系统本身不断地测量被控系统的状态、性能和参数,从而“认识”或“掌握”系统当前的运行指标并与期望的指标相比较,进而作出决策,来改变控制器的结构、参数或根据自适应规律来改变控制作用，以保证系统运行在某种意义下的最优或次优状态。按这种思想建立起来的控制系统就称为自适应控制系统。
一 原理及方法 模型参考自适应系统，是用理想模型代表过程期望的动态特征，可使被控系统的特征与理想模型相一致。一般模型参考自适应控制系统的结构如图1所示。 图1 一般的模型参考自适应控制系统 其工作原理为，当外界条件发生变化或出现干扰时，被控对象的特征也会产生相应的变化，通过检测出实际系统与理想模型之间的误差，由自适应机构对可调系统的参数进行调整，补偿外界环境或其他干扰对系统的影响，逐步使性能指标达到最小值。 基于这种结构的模型参考自适应控制有很多种方案，其中由麻省理工学院科研人员首先利用局部参数最优化方法设计出世界上第一个真正意义上的自适应控制律，简称为MIT 自适应控制，其结构如图2所示。 图2 MIT 控制结构图 系统中，理想模型Km 为常数，由期望动态特性所得，被控系统中的增益Kp 在外界环境发生变化或有其他干扰出现时可能会受到影响而产生变化，从而使其动态特征发生偏离。而Kp 的变化是不可测量的，但这种特性的变化会体现在广义误差e 上，为了消除或降低由于Kp 的变化造成的影响，在系统中增加一个可调增益Kc ，来补偿Kp 的变化，自适应机构的任务即是依据误差最小指标及时调整Kc ，使得Kc 与Kp 的乘积始终与理想的Km 一致，这里使用的优化方法为最优梯度法，自适应律为： ??+=t m d y e B Kc t Kc 0)0()(τ Yp Ym e +__ + R 参考模型 调节器被控对象 适应机构 可调系统 ———kmq(s) p(s) Kc Kp q(s)-----p(s)适应律 R ym yp e +-
MIT 方法的优点在于理论简单，实施方便，动态过程总偏差小，偏差消除的速率快，而且用模拟元件就可以实现；缺点是不能保证过程的稳定性，换言之，被控对象可能会发散。 二 对象及参考模型 该实验中我们使用的对象为： 1 22) ()()(2 ++= =s s s p s q K s G p p 参考模型为： 1 21) ()()(2 ++= =s s s p s q K s G m m 用局部参数最优化方法设计一个模型参考自适应系统，设可调增益的初值Kc(0)=0.2，给定值r(t)为单位阶跃信号，即r(t)=A ×1(t)。A 取1。 三 自适应过程 将对象及参考模型离散化，采样时间取0.1s ，进而可得对象及参考模型的差分方程分别为： )2(0044.0)1(0047.0)2(8187.0)1(8079.1)(-+-+---=k r k r k y k y k y m )2(0088.0)1(0094.0)2(8187.0)1(8097.1)(-+-+---=k u k u k y k y k y p p p 其中u 为经过可调增益控制器后的信号。编程进行仿真，经大量实验发现，取修正常数B 为0.3，可得较好的动态过度过程，如下图3所示：
Harbin Institute of Technology 系统辨识与自适应控制 实验报告 题目：渐消记忆最小二乘法、MIT方案 与卫星振动抑制仿真实验 专业：控制科学与工程 姓名： 学号： 15S004001 指导老师： 日期： 2015.12.06 哈尔滨工业大学 2015年11月
本实验第一部分是辨识部分，仿真了渐消记忆递推最小二乘辨识法，研究了这种方法对减缓数据饱和作用现象的作用； 第二部分是自适应控制部分，对MIT 方案模型参考自适应系统作出了仿真，分别探究了改变系统增益、自适应参数的输出，并研究了输入信号对该系统稳定性的影响； 第三部分探究自适应控制的实际应用情况，来自我本科毕设的课题，我从自适应控制角度重新考虑了这一问题并相应节选了一段实验。针对挠性卫星姿态变化前后导致参数改变的特点，探究了用模糊自适应理论中的模糊PID 法对这种变参数系统挠性振动抑制效果，并与传统PID 法比较仿真。 一、系统辨识 1. 最小二乘法的引出 在系统辨识中用得最广泛的估计方法是最小二乘法(LS)。设单输入-单输出线性定长系统的差分方程为： ()()()()()101123n n x k a x k a k n b u k b u x k n k +-+?+-=+?+-=，，，， (1.1) 错误！未找到引用源。 式中:()u k 错误！未找到引用源。为控制量；错误！未找到引用源。为理论上的输出值。错误！未找到引用源。只有通过观测才能得到，在观测过程中往往附加有随机干扰。错误！未找到引用源。的观测值错误！未找到引用源。可表示为： 错误！未找到引用源。 (1.2) 式中:()n k 为随机干扰。由式(1.2)得 错误！未找到引用源。 ()()()x k y k n k =- (1.3) 将式(1.3)带入式(1.1)得 ()()()()()()()101111()n n n i i y k a y k a y k n b u k b u k b u k n n k a k i n =+-+?+-=+-+?+ -++-∑ (1.4) 我们可能不知道()n k 错误！未找到引用源。的统计特性，在这种情况下，往往把()n k 看做均值为0的白噪声。 设 错误！未找到引用源。 (1.5)
自适应控制习题 (徐湘元，自适应控制理论与应用，电子工业出版社， 2007) 【2-1】 设某物理量丫与XI 、X2、X3的关系如下：丫=0 1X1 + 0 2X2+0 3X3 由试验获得的数据如下表。试用最小二乘法确定模型参数 0 1、0 2和0 3 X1:0.620.4 0.420.820.660.720.380.520.450.690.550.36 X2:12.014.214.612.110.88.2013.010.58.8017.014.212.8 X3:5.206.100.328.305.107.904.208.003.905.503.806.20 Y: 51.649.948.550.649.748.842.645.937.864.853.445.3 【2-3】 考虑如下模型 其中w(t)为零均值、方差为1的白噪声。根据模型生成的输入/输出数据u(k)和y(k), 分别采用批处理最小二乘法、具有遗忘因子的最小二乘法(入 =0.95)和递推最小二乘法 估计模型参数(限定数据长度 N 为某一数值，如N=150或其它数值)，并将结果加以比 较。 【2-4】 对于如下模型 (1 _0.8z 1 0.15z 2 )y(k) 一(z 2 0.5z 3 )u(k) - (1 - 0.65z 1 - 0.1z 2 )w(k) 其中w(k)为零均值、方差为1的白噪声。根据模型生成的输入/输出数据u(k)和y(k), 分别采用增广最小二乘法和随机逼近法进行模型参数估计，并比较结果。 (提示：w(t)可以用MATLAB^的函数“ randn ”产生)。 【3-1】 设有不稳定系统: (1z 1)y(k) - z ^(10.9z 1)u(k) 期望传递函数的分母多项式为 Amz z m r 且无稳态误差。试按照极点配置方法设计控制系统，并写出控制表达式。 【3-2} 设有被控过程：一 - _ (1 1.7z 1 0.6z 2)y(k)z 2(11.2z 1 )u(k) 一 ~ - 一 - -1.3z 0.5z u(t)w(t) I 0.3z 2 1 - - T ()(10.5 )，期望输出y 跟踪参考输入y , y(t)
%以下是侯忠生教授无模型自适应控制中的一个简单例子，在网上找了很多参考程序没找到，故而自己简单写了下，运行没问题，欢迎探讨。 clc,clear for k=1:1000 if k<=300 ys(k)=0.5*(-1)^round(k/100); elseif 300
自适应控制习题 （徐湘元，自适应控制理论与应用，电子工业出版社，2007） 【2-1】 设某物理量Y 与X1、X2、X3的关系如下：Y=θ1X 1+θ2X 2+θ3X 3 由试验获得的数据如下表。试用最小二乘法确定模型参数θ1、θ2和θ3 X1: 0.62 0.4 0.42 0.82 0.66 0.72 0.38 0.52 0.45 0.69 0.55 0.36 X2: 12.0 14.2 14.6 12.1 10.8 8.20 13.0 10.5 8.80 17.0 14.2 12.8 X3: 5.20 6.10 0.32 8.30 5.10 7.90 4.20 8.00 3.90 5.50 3.80 6.20 Y: 51.6 49.9 48.5 50.6 49.7 48.8 42.6 45.9 37.8 64.8 53.4 45.3 【2-3】 考虑如下模型 )()(3.03.115.0)(212 1t w t u z z z z t y ++-+=---- 其中w(t)为零均值、方差为1的白噪声。根据模型生成的输入/输出数据u(k)和y(k),分别采用批处理最小二乘法、具有遗忘因子的最小二乘法（λ=0.95）和递推最小二乘法估计模型参数（限定数据长度N 为某一数值，如N=150或其它数值），并将结果加以比较。 【2-4】 对于如下模型 )()1.065.01()()5.0()()15.08.01(213221k w z z k u z z k y z z ------+-++=+- 其中w(k)为零均值、方差为1的白噪声。根据模型生成的输入/输出数据u(k)和y(k),分别采用增广最小二乘法和随机逼近法进行模型参数估计，并比较结果。 （提示：w(t)可以用MATLAB 中的函数“randn ”产生）。 【3-1】 设有不稳定系统： )()9.01()()1(111k u z z k y z ---+=- 期望传递函数的分母多项式为)5.01()(11---=z z Am ，期望输出m y 跟踪参考输入r y ，且无稳态误差。试按照极点配置方法设计控制系统，并写出控制表达式。 【3-2】 设有被控过程： )()2.11()()6.07.11(1221k u z z k y z z ----+=+- 给定期望传递函数的分母多项式为)08.06.01()(211---+-=z z z A m ，试按照极点配置方法设计控制系统，使期望输出无稳态误差，并写出控制表达式u(k)。
系统辨识考点 1、辨识定义： 是在输入和输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型。 2、系统辨识步骤 辨识目的及 先验知识 试验设计 输入输出数据 采集、处理 模型结构选取 与辨识 模型参数辨识 模型验证 合格？ 最终模型Y N 3、递推最小二乘辨识模型 4、广义最小二乘和增广最小二乘的区别 广义最小二乘法是对系统过程模型的输入、输出和过程噪声加以变换（滤波）变成一般最小二乘法的标准格式，再用一般最小二乘法()1111???T N N N N N N y ++++=+-θθK φθ()111111T N N N N N N -++++=+K P φφP φ111T N N N N N +++=-P P K φP
对系统的参数进行估计。 增广矩阵法就是使系统模型变成符合一般最小二乘法的标准格式的，并将模型参数和噪声模型参数同时估计出来的方法。 增广矩阵法用近似估计的噪声序列代替白噪声序列。这和广义最小二乘法的不同点在于：后者噪声模型参数的估计和系统模型参数的估计是交替地进行的。 5、数据饱和的原因和解决方法 ① 参数缓慢变化（易产生数据饱和现象） 解决方法：渐消记忆最小二乘、限定记忆最小二乘 ② 参数突变但不频繁？？？？？ 6、自适应系统定义、分类 自适应控制系统是一种特殊形式的非线性控制系统。系统本身的特性(结构和参数)、环境及干扰的特性存在各种不确定性。在系统运行期间，系统自身能在线地积累与实行有效控制有关的信息，并修正系统结构的有关参数和控制作用，使系统处于所要求的(接近最优的)状态。 ?????????????????????????????????增益列表补偿法最小方差控制算法预测控制算法随机自适应控制系统极点配置控制算法控制算法参数最优化设计方法模型参考自适应控制系统李亚普诺夫稳定性理论设计方法波波夫超稳定性理论设计方法PID
电加热炉的系统辨识与自适应控制
目录 一、电加热炉的先验知识 (1) 1.1 电加热炉的工作原理 (1) 1.2 电加热炉温度控制系统的硬件构成 (2) 二、电加热炉系统辨识 (3) 2.1 电加热炉温度系统模型 (3) 2.2 最小二乘估计的递推算法 (4) 2.3 最小二乘估计的递推算法辨识及仿真 (5) 三、电加热炉系统的自适应控制算法及仿真 (8) 3.1 电加热炉系统控制问题的提出 (8) 3.2 广义最小方差间接自校正控制算法 (8) 3.3 广义最小方差间接自校正控制仿真 (9) 参考资料 (15)
电加热炉的系统辨识与自适应控制 一、电加热炉的先验知识 1.1 电加热炉的工作原理 我选择电加热炉作为辨识和自适应控制设计与仿真实验的对象。 电加热炉的工作原理为：布置在炉内的加热元件将电能转化为热能，通过辐射或对流的方式将热能传递给加热对象，从而改变对象的温度。 通常的工业过程都对炉温的控制提出了一定的要求，这就需要对电加热炉的进行控制，调节它的通电时间或通电强度来改变它输出的热能。传统的控制方法 有两种：第一种就是手动调压法，即是依靠人的经验直接改变电加热炉的输入电压，其控温效果依赖于人为的调节，控制精度不高，且浪费人力资源。第二种控制方法在主回路中采取可控硅装置，并结合一些简单的仪表，保温阶段自动调节，升温过程仍依赖于试验者的调节，它属于半自动控制。随着微型计算机、可编程逻辑控制器的出现和迅速更新换代，智能温度控制仪表、工业控制计算机在电加热炉温度控制领域日益得到广泛地应用。借助计算机强大的数据处理和运算能力，引入反馈的思想，运用现代控制理论，实现对炉温的全自动化控制[1]。 以常用的恒温箱式电加加热炉为例，采用反馈控制。该控制系统的目的是要实现炉内的温度与给定温度值一致，即保持温度恒定，是一个典型的自动控制系统。 当然，系统给定的不是具体的期望温度值，而是通过给定电位器给定一个电压sT U 。电加热炉内的实际温度由热电偶转换为对应的电压T U f 。给定电压信号 sT U 与实际温度所对应的电压T U f 比较得温度偏差信号U ?经放大器放大后,用以 驱动执行电动机，并通过传动机构拖动调压器动触头。当温度偏高时,动触头向减小电压的方向运动,反之加大电压,直到温度达到给定值为止,此时,偏差0=?U ,电机停止转动。 上面只是一个比较简单的闭环温度控制系统。
自动化专业综合设计报告 设计题目： 基于RBFNN的直接模型参考自适应控制所在实验室：matlab仿真实验室 指导教师：杜 学生姓名 班级文自112-2 学号201190 成绩评定：
仿真截图
三角输入 clear all; close all; u_1=0; y_1=0; ym_1=0; x=[0,0,0]'; c=[-3 -2 -1 1 2 3; -3 -2 -1 1 2 3; -3 -2 -1 1 2 3]; b=2*ones(6,1); w=[ 0.8283 0.3887 -0.8872 -0.3668 0.8233 0.8274]; xite=0.45; alfa=0.05; h=[0,0,0,0,0,0]'; c_1=c;c_2=c; b_1=b;b_2=b; w_1=w;w_2=w; ts=0.001; for k=1:1:4000 time(k)=k*ts; r(k)=0.2*sawtooth(2*pi*k*ts,0.5); ym(k)=0.6*ym_1+r(k); y(k)=(-0.1*y_1+u_1)/(1+y_1^2); %Nonlinear plant for j=1:1:6 h(j)=exp(-norm(x-c(:,j))^2/(2*b(j)*b(j))); end u(k)=w'*h; ec(k)=ym(k)-y(k); dyu(k)=sign((y(k)-y_1)/(u(k)-u_1)); d_w=0*w; for j=1:1:6 d_w(j)=xite*ec(k)*h(j)*dyu(k); end w=w_1+d_w+alfa*(w_1-w_2); d_b=0*b; for j=1:1:6 d_b(j)=xite*ec(k)*w(j)*h(j)*(b(j)^-3)*norm(x-c(:,j))^2*dyu(k); end
1 辨识的对象模型 假设有一理想数学模型，它的离散化方程如下式所示： () 1.8(1)0.3(2) 1.2(1)(2)()y k y k y k u k u k e k +-+-=-+-+ 式中，()e k 是服从正态分布的白噪声)1,0(N ，()k u 为系统输入，()k y 为系统输出。 现在输入信号采用4阶M 序列，其幅值为1。假设系统的模型阶次是已知的，即 1212()(1)(2)(1)( 2)()y k a y k a y k bu k b u k e k +-+-=-+-+。 下面采用递推最小二乘参数辨识。 2 递推最小二乘参数辨识方法 简单的最小二乘参数辨识一次性方法计算复杂，不能够进行在线辨识，而且 所需要的计算存储空间很大，而很多计算都是重复的计算。为了解决这个问题，并实现在线的实时辨识，引入递推的最小二乘参数辨识。 递推最小二乘参数辨识的整体思想是，最新辨识出来的参数是建立在上次辨识的参数基础上，根据最新得到的辨识数据，对辨识的参数添加了一个参数增量。下面利用数学语言对递推最小二乘参数辨识方法进行描述。 根据最小二乘原理，用N 次观测数据，得出参数向量θ的最小二乘估计l θ? 1()()T T N N N H H H Y N θ-= (1) 其中，?N θ表示根据N 次观测数据所得到的最小二乘值计量，下表N 表示该符号代表N 次观测数据构成的矩阵。 ()[(1),(2),...,()]T Y N y y y N = (2) N H =(0) .....(1)(0).....(1)(1).....(2)(1).....(2). .(1).....()(1).....()y y n u u n y y n u u n y N y N n u N u N n ----????----?? ???? ?? ??------?? （3）然后令1()T N N N P H H -=，且N P 是一方阵，它的维数取决于未知数的个数，而与观 测次数无关。则 1 1111T N N N N P P h h --+++??=+? ? （4） 式中1N h +表示第1N +次观测数据。 利用矩阵反演公式计算（4）式
第八章 系统辨识在自适应控制中的应用-自校正调节器（ Self-Tuning Requlator 简称 STR ） §8 —1 最小方差控制器 ( Minimal Variance Control 简称 MVC ) 1. 考虑 CARMA 过程 A(z -1) ?y(k) = z -d B(z -1) ?u(k)+λ C (z -1) ?ε(k) 式（8-1-1） { ε(k) } 为 N (0,1) 白噪声，滞后量 d ≥ 1 。 A(z - 1) = 1+ a 1z - 1 +…+ a n z - n B(z - 1) = b 0+b 1z - 1 +…+ b n z - n （b 0 ≠ 0） C(z - 1) = 1+ c 1z - 1 +…+ c n z - n 设A 、B 、C 均为稳定多项式(过程稳定且逆稳定)。 有： 式（8-1-2） 2. 将C /A 分解成两部分 令： 式（8-1-3） 其中：F(z - 1) 为d 项的商多项式 C A F z G A d =+-. ) ()() ()()() ()(1111k z A z C k u z A z B z k y d ελ-----+=
F(z - 1) = 1+ f 1z - 1 +…+ f d -1 z - d+1 ( d 项 ) G (z - 1) 为余数多项式，有n 项 G(z - 1) = g 0+g 1z - 1 +…+ g n -1 z - n+1 ( n 项 ) 例：A = 1-1.7 z - 1+0.7 z - 2 ; C = 1+1.5 z - 1+0.9 z - 2 ；d=2 ; n=2 3. 证明以下多项式恒等式成立 式（8 -1- 4） 证明： 式（8-1-3） 将左右同 ? A 同 ÷ C 同 ÷ A 同 ? B 4． 向前d 步最优预报 y * ( k+d ∣k ) 由式（8-1-2）向前移d 步，有： B F C B A z G C d .(.)=--1 C A F z G A A F C z G A F C z G C F C A z G C B F C B A z G C d d d d d =+??=-??=-?=-??=-?-----1111()() y k z B z A z u k C z A z k d ()() ()()() ()()=+-----1111λε
自适应控制 作业二：模型参考自适应系统(MRAS) 姓名： 学号： Tasks a) Under what circumstances does the model have the property of perfect following? 原系统： y ay bu ? =-+ 参考模型： y a y b u m m m m c ? =-+ 控制信号为：12 u y c θθ-u= 我们总是希望原系统的输出y 能跟参考模型的输出y m 一致，即希望y 与y m 有如下关系式： y y m y y m ?? =???= ?? 那么，将12 u y c θθ-u=代入到y ay bu ? =-+中，再让y y m ? ? =可得： () )1221 y ay bu ay b u y a b y b u c c θθθθ? =-+=-+-=-++（ a y b u y m m m c ? =-+= 若要上式成立，只需要令 /11()/2 2b b b b m m a b a a a b m m θθθθ==??????? +==-???? 所以当选择/1()/2 b b m a a b m θθ=???=-??时，参考模型和原系统的输入输出关系是完全一样的。 b) Design an adaption law using MIT rule so that the error between plant output and model output goes to zero. Draw a block diagram of such MRAS design scheme. Tracking error ： e y y m =- Choose cost function : 2 1()()2J e θθ= Update rule : d J e e dt θδδγγδθδθ =-=- 对于此系统：)21 y a y b u m m m m c y a b y b u c θθ? ??=-+???=-++?（ 可见θ仅与y 有关，与y m 无关。
第九章 模型参考自适应控制（Model Reference Adaptive Control ）简称MRAC 介绍另一类比较成功的自适应控制系统，已有较完整的设计理论和丰富的应用成果（驾驶仪、航天、电传动、核反应堆等等）。 §9 —１MRAC 的基本概念 系统包含一个参考模型，模型动态表征了对系统动态性能的理想要求，MRAC 力求使被控系统的动态响应与模型的响应相一致。与STR 不同之处是MRAC 没有明显的辨识部分，而是通过与参考模型的比较，察觉被控对象特性的变化，具有跟踪迅速的突出优点。 设参考模型的方程为 式(9-1-1) 式(9-1-2) 被控系统的方程为 式(9-1-3) 式(9-1-4) 两者动态响应的比较结果称为广义误差,定义输出广义误差为 e = y m – y s 式(9-1-5)； X A X Br y CX m m m m m ? =+= X A B r y CX S S S S S ? =+=
状态广义误差为 ε = X m – X s 式(9-1-6)。 自适应控制的目标是使得某个与广义误差有关的自适应控制性能指标J 达到最小。J 可有不同的定义，例如单输出系统的 式 (9-1-7) 或多输出系统的 式(9-1-8) MRAC 的设计方法目的是得出自适应控制率，即沟通广义误差与被控系统可调参数间关系的算式。有两类设计方法：一类是“局部参数最优化设计方法”，目标是使得性能指标J 达到最优化；另一类是使得自适应控制系统能够确保稳定工作，称之为“稳定性理论的设计方法。 §9 —2 局部参数最优化的设计方法 一、利用梯度法的局部参数最优化的设计方法 这里要用到非线性规划最优化算法中的一种最简单的方法—— J e d t = ?20 ()ττ J e e d T t = ?()()τττ
《系统辨识与自适应控制》 课程论文 基于Matlab的模糊自适应PID控制器仿真研究 学院：电信学院 专业： 姓名： 学号：
基于Matlab的模糊自适应PID控制器仿真研究 王晋 （辽宁科技大学电信学院鞍山） 摘要：传统PID在对象变化时，控制器的参数难以自动调整。将模糊控制与PID控制结合，利用模糊推理方法实现对PID参数的在线自整定。使控制器具有较好的自适应性。使用MATLAB对系统进行仿真，结果表明系统的动态性能得到了提高。 关键词:模糊PID控制器；参数自整定；Matlab；自适应 0引言 在工业控制中，PID控制是工业控制中最常用的方法。但是，它具有一定的局限性:当控制对象不同时，控制器的参数难以自动调整以适应外界环境的变化。为了使控制器具有较好的自适应性，实现控制器参数的自动调整，可以采用模糊控制理论的方法[1]模糊控制已成为智能自动化控制研究中最为活跃而富有成果的领域。其中，模糊PID控制技术扮演了十分重要的角色，并目仍将成为未来研究与应用的重点技术之一。到目前为止，现代控制理论在许多控制应用中获得了大量成功的范例。然而在工业过程控制中，PID类型的控制技术仍然占有主导地位。虽然未来的控制技术应用领域会越来越宽广、被控对象可以是越来越复杂，相应的控制技术也会变得越来越精巧，但是以PID为原理的各种控制器将是过程控制中不可或缺的基本控制单元。本文将模糊控制和PID控制结合起来，应用模糊推理的方法实现对PID参数进行在线自整定，实现PID参数的最佳调整，设计出参数模糊自整定PID控制器，并进行了Matlab/Simulink仿真[2]。仿真结果表明，与常规PID控制系统相比，该设计获得了更优的鲁棒性和动、 静态性及具有良好的自适应性。 1 PID控制系统概述 PID控制器系统原理框图如图1所示。将偏差的比例（K P）、积分(K I)和微分(K D)通过线性组合构成控制量，对被控对象进行控制，K P、K I和K D 3个参数的选取直接影响了控制效果。 图1 PID控制器系统原理框图
自适应控制系统 班级： 姓名： 学号：
自适应控制 自适应控制包括模型参考自适应控制和自校正控制两个分支。前者是20世纪50年代建立起来的，它是通过自适应机构来克服系统模型参数的不确定性；后者是瑞典学者Astrom1973年提出的，它是通过在线估计系统模型参数，进而修改控制器的参数，以使系统适应环境的变化。到70年代末和80年代初，李推普诺夫稳定性理论和轶收敛定理在自适应控制中的成功应用，使得基于稳定性分析的模型参考自适应控制系统的设计得到了蓬勃发展，形成模型参考自适应控制的完整理论体系和设计方法；秋收敛定理由于在研究自校正控制系统的稳定性有独到之处，使得基于参数估计的自校正控制系统研究取得了突破性进展。 自适应控制的概念 在反馈控制和最优控制中，都假定被控对象或过程的数学模型是已知的，并且具有线性定常的特性。实际上在许多工程中，被控对象或过程的数学模型事先是难以确定的，即使在某一条件下被确定了的数学模型，在工况和条件改变了以后，其动态参数乃至于模型的结构仍然经常发生变化。在发生这些问题时，常规控制器不可能得到很好的控制品质。为此，需要设计一种特殊的控制系统，它能够自动地补偿在模型阶次、参数和输入信号方面非预知的变化，这就是自适应控制。 自适应控制简介 自适应控制的研究对象是具有一定程度不确定性的系统，这里所谓的“不确定性”是指描述被控对象及其环境的数学模型不是完全确定的，其中包含一些未知因素和随机因素。 任何一个实际系统都具有不同程度的不确定性，这些不确定性有时表现在系统内部，有时表现在系统的外部。从系统内部来讲，描述被控对象的数学模型的结构和参数，设计者事先并不一定能准确知道。作为外部环境对系统的影响，可以等效地用许多扰动来表示。这些扰动通常是不可预测的。此外，还有一些测量时产生的不确定因素进入系统。面对这些客观存在的各式各样的不确定性，如何设计适当的控制作用，使得某一指定的性能指标达到并保持最优或者近似最优，这就是自适应控制所要研究解决的问题。 自适应控制和常规的反馈控制和最优控制一样，也是一种基于数学模型的控制方法，所不同的只是自适应控制所依据的关于模型和扰动的先验知识比较少，需要在系统的运行过程中去不断提取有关模型的信息，使模型逐步完善。具体地说，可以依据对象的输入输出数据，不断地辨识模型参数，这个过程称为系统的在线辩识。随着生产过程的不断进行，通过在线辩识，模型会变得越来越准确，