3. 模型参考自适应控制（MRAC）
各位工程师朋友，咱们今天聊聊MRAC。说实话，我刚入行那会儿，觉得自适应控制是个挺玄乎的东西。系统自己调整参数？听起来像是有生命一样。后来真正上手做了几个项目，才发现——嗯，其实没那么神秘，核心思想很朴素。
3.1 MRAC的基本原理
模型参考自适应控制，英文叫Model Reference Adaptive Control，简称MRAC。说白了，就是给系统找个“榜样”。
你想想看，我们设计控制器，最理想的情况是什么？是系统能按照我们期望的方式去响应。那怎么定义这个“期望的方式”呢？最简单的方法——造一个理想模型出来。
MRAC的结构其实就三块：
- 参考模型：你希望系统变成什么样，它就长什么样
- 被控对象：就是那个实际干活、但参数可能飘来飘去的家伙
- 自适应机构：负责盯着两者的误差，实时调整控制器参数
我做过一个电机调速的项目，电机带负载后特性变化很大。当时我就用MRAC，参考模型设成一个标准的二阶系统，超调5%，调节时间0.5秒。实际电机跟着这个模型跑，效果出奇的好。
核心思想一句话：让实际系统的输出，去跟踪参考模型的输出。两者误差趋近于零，控制目标就达成了。
这里我画了一张MRAC的结构图，帮你理清信号流向：
3.2 MIT规则
MIT规则是MRAC里最早、也最直观的一种参数调整方法。它来自麻省理工，所以叫MIT规则。名字挺唬人，但原理其实很简单——用梯度下降的思想去减小误差。
具体怎么做的呢？我直接给你看公式：
dθ/dt = -γ * e(t) * ∂e/∂θ其中：
- θ 是控制器中需要调整的参数
- γ 是自适应增益，你可以理解为“学习率”
- e(t) 是参考模型输出与实际输出的误差
- ∂e/∂θ 是误差对参数的敏感度
说白了，就是往误差减小的方向去调整参数。梯度下降嘛，搞过机器学习的应该不陌生。
我的经验：MIT规则实现起来确实简单，代码也就十几行。但我曾经在一个温控系统里吃过亏——增益γ设得太大，系统直接震荡发散。后来我学乖了，γ从0.01开始试，慢慢往上加。
MIT规则的优点是计算量小、实现方便。但缺点也很明显——它不能保证系统始终稳定。你想想看，梯度下降只能保证局部最优，不能保证全局稳定。所以后来才有了李雅普诺夫方法。
3.3 李雅普诺夫稳定性设计
李雅普诺夫稳定性设计，说白了就是给自适应控制上了个“安全锁”。它不光是让误差变小，还保证整个系统不会跑飞。
核心思路是这样的：
- 构造一个能量函数V(x)，这个函数要满足：V(0)=0，且V(x)>0（x≠0）
- 让这个函数的导数dV/dt < 0，也就是能量一直在衰减
- 能量衰减到零，系统就稳定了
我举个例子你就明白了。假设你有一个弹簧振子系统，它的总能量是动能加势能。如果系统有阻尼，能量就会不断耗散，最终停下来。李雅普诺夫方法就是干这个事的——找一个能代表系统“能量”的函数，然后保证它不断减小。
关键点：李雅普诺夫方法不要求你解微分方程，只需要找到一个合适的V函数，然后验证它的导数是否负定。这在实际工程中非常实用。
对于MRAC系统，我们通常这样设计：
1. 定义误差状态 e = ym - yp
2. 构造李雅普诺夫函数 V = e² + (θ - θ*)²
3. 求导，设计自适应律使 dV/dt < 0
4. 得到参数调整规则注意：李雅普诺夫方法虽然稳定，但设计V函数需要技巧。我刚开始做的时候，经常构造了半天，求导后发现不满足条件。后来我总结了一个经验——先从简单的二次型开始试，不行再加交叉项。
两种方法对比一下：
| 对比项 | MIT规则 | 李雅普诺夫设计 |
|---|---|---|
| 稳定性保证 | 无严格保证 | 严格保证 |
| 实现复杂度 | 低 | 中等 |
| 计算量 | 小 | 中等 |
| 适用场景 | 简单系统、调试阶段 | 对稳定性要求高的系统 |
| 参数整定难度 | 需要试凑增益γ | 需要构造V函数 |
我个人习惯是：前期快速验证用MIT规则，看看效果。等方案定型了，再换成李雅普诺夫方法做最终设计。这样既快又稳。
嗯，MRAC的基本内容就这些。记住三个关键词：参考模型、误差驱动、参数自适应。搞懂了这三样，MRAC你就入门了。
公众号:蓝海资料掘金营，微信deep3321