解析-基于梯度法的模型参考自适应控制

最新推荐文章于 2025-03-05 20:46:15 发布

ayuan0211

最新推荐文章于 2025-03-05 20:46:15 发布

阅读量1.3k

点赞数

分类专栏：基于MATLAB控制系统辨识系列文章标签：开发语言 matlab 学习算法

本文链接：https://blog.csdn.net/weixin_38342580/article/details/128329481

版权

基于MATLAB控制系统辨识系列专栏收录该内容

8 篇文章

订阅专栏

该博客详细介绍了基于MIT律的可调增益模型参考自适应控制(MRAC)原理，包括系统结构、实现步骤和MATLAB代码实现。通过仿真展示了不同参考输入信号幅值对系统输出的影响，强调了参考输入幅值与系统收敛速度和稳定性之间的关系。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

0.一些名词解释

模型参考自适应控制：MRAC

梯度法及MIT自适应控制律：查看上期博客，链接：直观理解-梯度下降及MIT自适应控制律_ayuan0211的博客-CSDN博客https://blog.csdn.net/weixin_38342580/article/details/128302263?spm=1001.2014.3001.5502

以单一可调参数的可调增益为例，进行梯度法模型参考自适应解析。

1、基于MIT 律可调增益MRAC的原理

设被控对象为 $k_pG(s)$

式中 $k_p$ 为增益，位置或慢时变； $G(s)$ 为已知的传递函数，且是稳定和最小相位的。（需要保证参考模型是稳定的）

则参考模型可取为 $k_mG(s)$ ，式中 $k_m$ 为已知的参考模型增益。

辨识被控对象参数的结构如图：

可调增益MIT-MRAC系统结构

$e(t)=y_m(t)-y_p(t)=k_mG(p)y_r(t)-k_c(t)k_pG(p)y_r(t)$

式中， $G(p)$ 中的 $p=\frac{\mathrm{d} }{\mathrm{d} t}$ 为微分算子。

取性能指标函数为 $J=J(\theta)=\frac{1}{2}e(t)^2$

求J关于kc(t)的导数，即可得可调增益自适应律为：

$\frac{\partial J}{\partial kc}={\color{Magenta}-1\cdot \frac{1}{2} \cdot 2 e(t)}\cdot [-k_pG(p)y_r(t)]=e(t)\frac{k_p}{{\color{Green} k_m}}\cdot {\color{Green} k_m}{\color{Blue} G(p)}y_r(t)=e(t)\frac{k_p}{k_m}\cdot{\color{Blue} y_m(t)}$

确定学习步长为 $\gamma$ ，则自适应律为 $\frac{\partial J}{\partial k_c}=\gamma e(t)y_m(t),\gamma ={\gamma}'\frac{k_p}{k_m},\gamma>0$ 。

由图可知，系统的控制律为 $u(t)=k_c(t)y_r(t)$

2、MIT-MRAC实现步骤

已知G(s)

Step1 选择参考模型，即 $k_mG(s)$

Step2 选择参考输入信号 $y_r(t)$ 和自适应增益 $\gamma$

Step3 采样当前参考模型输出 $y_m(t)$ 和系统实际输出 $y_p(t)$

Step4 计算u(t)

Step5 $t\rightarrow t+h$ ，返回Step3，继续循环。

3、代码实现

设稳定被控对象

$k_pG(s)=\frac{k_p}{s^2+a_1s+a_0},a_1=a_0=1$

$k_p$ 未知，取仿真初始值为1。

选择参考模型为

$k_mG(s)=\frac{k_m}{s^2+a_1s+a_0},a_1=a_0=k_m=1$

取自适应增益 $\gamma = 0.1$ ，参考输入 $y_r$ 为方波信号，其幅值r=0.6=，采用可调增益MIT-MRAC算法。

Matlab代码如下：

%可调增益MIT_MRAC chap3——02——MIT
clear all;
close all;

h=0.1;%积步步长
L=100/h;%仿真步数
num=[1];
den=[1,1,1];
n=length(den)-1;%被控对象阶次
kp=1;
[Ap,Bp,Cp,Dp]=tf2ss(kp*num,den);%传递函数转换为状态空间型
km=1;
[Am,Bm,Cm,Dm]=tf2ss(km*num,den);%参考模型

gamma=0.1;%自适应增益、调节步长
yr0=0;u0=0;e0=0;ym0=0;%初值
xp0=zeros(n,1);xm0=zeros(n,1)%状态向量初值
kc0=0;%可调节增益
for m=1:3
    switch m
        case 1
            r=0.6;
        case 2
            r=1.2;
        case 3
            r=4.8;
    end
    yr=r*[ones(1,L/4) -ones(1,L/4) ones(1,L/4) -ones(1,L/4)];%输入信号
for k=1:L
    time(k)=k*h;
    xp(:,k)=xp0+h*(Ap*xp0+Bp*u0);
    yp(k)=Cp*xp(:,k)+Dp*u0;%计算yp
    
    xm(:,k)=xm0+h*(Am*xm0+Bm*yr0);
    ym(k)=Cm*xm(:,k)+Dm*yr0;%计算ym
    
    e(k)=ym(k)-yp(k);%e=ym-yp
    
    kc=kc0+h*gamma*e0*ym0;%MIT自适应律
    u(k)=kc*yr(k);%控制量
    
    %更新数据
    yr0=yr(k);
    u0=u(k);
    e0=e(k);
    ym0=ym(k);
    xp0=xp(:,k);
    xm0=xm(:,k);
    kc0=kc;
end
figure(m)
plot(time,ym,'r',time,yp,'g');
xlabel('t');
ylabel('y_m(t)、y_p(t)');
%axis([0 L*h -10 10]);
legend('y_m(t)','y_p(t)');
title(['r=',num2str(r)],'Color', 'm');
end