【MFAC】基于偏格式动态线性化的无模型自适应控制

来源：侯忠生教授的《无模型自适应控制：理论与应用》（2013年科学出版社）。

👉对应书本 3.3 单输入单输出系统(SISO)偏格式动态线性化(PFDL) 和 4.3 单输入单输出系统(SISO)偏格式动态线性化(PFDL)的无模型自适应控制(MFAC)

PFDL

偏格式动态线性化
(partial form dynamic linearization)

数据模型：
$\Delta y\left(k+1\right)={\varphi }_{p,L}^T(k)\Delta U_L(k)$

伪偏导(PPD) ${\varphi }_{p,L}(k)$ 的下标 p 表示partial。
整数L为控制输入线性化长度常数，当 L=1 时，PFDL数据模型可变为CFDL数据模型。

${\varphi }_{p,L}(k)={\left[{\varphi }_1(k),{\varphi }_2(k),\dots {,\varphi }_L(k)\right]}^T$
$\Delta U_L(k)={\left[\Delta u(k),\dots ,\Delta u\left(k-L+1\right)\right]}^T$

SISO-PFDL-MFAC

学习控制律

$u(k)=u\left(k-1\right)+\frac{{\rho }_1{\varphi }_1(k)\left[y^{\ast }\left(k+1\right)-y(k)\right]}{{|{\varphi }_1(k)|}^2+\lambda }-\frac{{\varphi }_1(k)\sum _{i=2}^L{\rho }_i{\varphi }_i(k)\Delta u(k-i+1)}{{|{\varphi }_1(k)|}^2+\lambda }$

为了让控制算法更具一般性，引入步长因子 ρ∈(0,1] (i= 1,2, .… , L)

PPD参数估计算法

$\widehat{{\varphi }_{p,L}}(k)=\widehat{{\varphi }_{p,L}}\left(k-1\right)+\frac{\eta \Delta U_L\left(k-1\right)}{\mu +{||\Delta U_L\left(k-1\right)||}^2}\left[\Delta y(k)-\widehat{{\varphi }_{p,L}^T}(k-1)\Delta U_L\left(k-1\right)\right]$

其中，μ>0为权重因子，为了让控制算法更具一般性，引入步长因子 η∈(0,2] .

PFDL-MFAC需要在线调整的是一个L维的向量，即PPD的估计值 ${\varphi }_{p,L}$，并且控制输入线性化长度常数L可人为选择，可设定为从1到 $n_y+n_u$ 以内的任一整数，对于简单的系统，可以设 L=1.

相比于CFDL-MFAC，更多步长因子${\rho }_1,{\rho }_2,...,{\rho }_L$的引入，使得PFDL-MFAC具有更多的可调自由度以及更强的设计灵活性。

PPD参数重置算法

如果
$\Vert \widehat{{\varphi }_{p,L}}(k)\Vert \le \epsilon$
或
$\Vert \Delta U_L\left(k-1\right)\Vert \le \epsilon$
或
$sign\left(\widehat{{\varphi }_{p,L}}(k)\right)\ne sign\left(\widehat{{\varphi }_{p,L}}(1)\right)$
则
$\widehat{{\varphi }_{p,L}}(k)=\widehat{{\varphi }_{p,L}}(1)$

算法重置机制的引入是为了使PPD估计算法具有更强的对时变参数的跟踪能力。

仿真实验

【MFAC】基于偏格式动态线性化的无模型自适应控制（Matlab代码）