4. 模型参考自适应控制（MRAC）：原理、结构、设计方法

各位工程师朋友，咱们今天聊聊MRAC。说实话，我刚入行那会儿，觉得自适应控制这东西挺玄乎的——系统自己就能调参数？那还要我们调试工程师干嘛？后来在高速贴片机项目上被狠狠教育了一回，才明白：有些场景，你不让系统自己学着调，还真搞不定。

4.1 为什么需要MRAC？

先说说痛点。你想想看，传统PID控制有个硬伤：参数一旦整定好，就固定死了。但高速运动系统不一样——

• 负载会变：机械手抓了不同重量的工件
• 摩擦会变：导轨用久了磨损，摩擦力增大
• 温度会变：电机跑热了，电阻、电感参数漂移

这些变化一出现，原来调好的PID参数就不灵了。要么响应变慢，要么开始震荡。怎么办？

MRAC的思路很直接：让系统模仿一个理想模型的行为。你事先定义好一个「参考模型」——这个模型代表了你想要的动态特性。然后控制器实时调整自己的参数，让实际系统的输出尽量贴近参考模型的输出。

4.2 MRAC的基本结构

MRAC的结构，我习惯用四个模块来理解。下面这张图是我自己画的，你看一眼就明白了。

结构其实不复杂。你看：

1. 参考模型：你想要的理想动态特性。比如你希望系统响应像一阶低通滤波器那样平滑，那就把参考模型设成一阶惯性环节。
2. 控制器：参数可调的控制器，通常是PID或者状态反馈。
3. 被控对象：就是你的电机、机械臂、运动平台这些。
4. 自适应律：这是MRAC的灵魂。它根据参考模型输出ym和实际输出yp的误差e，实时调整控制器的参数。

4.3 设计方法：MIT规则

自适应律怎么设计？最经典的方法叫MIT规则（麻省理工学院提出的，不是那个开源协议）。

核心思路是：定义一个损失函数J = e²/2，然后让控制器参数θ沿着J的负梯度方向调整。数学表达式是这样的：

dθ/dt = -γ * ∂J/∂θ = -γ * e * ∂e/∂θ

其中γ是自适应增益，决定了参数调整的快慢。∂e/∂θ这个偏导数，叫做敏感度导数，它告诉你了误差对参数变化的敏感程度。

嗯，这里要注意：敏感度导数的计算依赖于参考模型。所以设计流程一般是：

1. 选定参考模型Gm(s)
2. 设计控制器结构C(θ, s)
3. 推导敏感度导数∂e/∂θ
4. 代入MIT规则，得到参数更新律

4.4 一个具体例子：高速直线电机位置控制

我在做高速贴片机项目时，用过MRAC来控制直线电机。给你看看简化后的设计过程。

第一步：选参考模型

我希望系统响应像二阶系统，阻尼比0.7，自然频率100 rad/s：

Gm(s) = 10000 / (s² + 140s + 10000)

第二步：设计控制器

我用的是可调增益的PD控制器：

u(t) = Kp * e(t) + Kd * de/dt
其中 e(t) = r(t) - yp(t)

这里Kp和Kd是两个可调参数。

第三步：推导自适应律

根据MIT规则，我推导出参数更新公式：

dKp/dt = -γp * e * ym
dKd/dt = -γd * e * dym/dt

你看，这个形式很简洁。γp和γd是自适应增益，需要调试。

4.5 工程实现要点

把MRAC搬到实际控制器上，有几个坑你得注意：

问题	现象	我的建议
自适应增益过大	参数震荡，系统发散	从γ=0.01开始，观察误差收敛速度
参考模型太激进	控制量饱和，执行器损坏	参考模型的带宽设为当前系统的1.2~1.5倍
测量噪声	参数漂移，稳态误差	在敏感度导数路径上加一阶低通滤波
参数初始化	初始阶段超调大	先用离线辨识得到初始参数，再切到自适应

说实话，MRAC不是万能的。它要求参考模型的结构和实际系统匹配，否则自适应律可能不收敛。但如果你面对的是参数缓慢变化的系统——比如温度变化引起的电机参数漂移、机械磨损导致的摩擦力变化——MRAC确实是个好工具。

我在产线上见过太多工程师，遇到参数变化就手动重新整定PID。其实，让系统自己学着调，不是更省心吗？

---

公众号:蓝海资料掘金营，微信deep3321