4. 自校正调节器（STR）基础：原理与结构
好，咱们进入自适应控制里最经典的一个分支——自校正调节器，简称STR。说实话，我刚接触这个概念时，觉得它挺玄乎的。什么叫「自校正」？难道控制器还能自己改自己？
嗯，还真能。而且它改得还挺聪明。
4.1 什么是自校正调节器？
先给你一个直观的画面。你设计了一个PID控制器，调好参数，系统跑得挺好。突然有一天，负载变了——比如机械臂末端抓了个重物。原来的PID参数就不灵了，系统开始抖，甚至发散。
传统做法是什么？停机，重新整定参数。但STR不这么干。它一边运行，一边在线辨识系统的模型，然后根据模型自动更新控制器参数。说白了，它把「建模」和「控制」揉在了一起，形成一个闭环。
核心思想：STR = 在线参数估计 + 控制器设计准则
它不需要你事先知道精确的数学模型。系统变，它也跟着变。
我在一个伺服电机项目里遇到过这种情况。电机空载时响应很漂亮，但一加上惯性负载，速度就出现低频振荡。当时我手动调参数调了一下午，后来换成STR，它自己就收敛到了合适的增益。说实话，那感觉挺爽的。
4.2 STR的基本结构
STR的结构其实不复杂。我习惯把它拆成三个模块来看：
- 被控对象——就是你的电机、液压缸、机械臂，随便什么。
- 在线参数估计器——实时估算对象的模型参数。
- 控制器设计模块——根据估计出的参数，重新计算控制器参数。
这三者形成一个循环：对象输出 → 估计器更新模型 → 设计模块更新控制器 → 控制器输出新的控制量 → 对象响应。
你想想看，这就像你一边开车，一边根据路况调整方向盘的手感。路滑了，手感变紧；路干了，手感变松。STR干的就是这个事。
这张图我建议你多看两眼。它把STR的骨架画出来了。实际项目中，你只要把这三个模块填上具体的算法，STR就能跑起来。
4.3 在线参数估计：STR的「眼睛」
STR能不能工作，关键看参数估计准不准。我常用的方法是递推最小二乘法，简称RLS。为什么用它？因为它计算量小，适合实时系统。
RLS的基本思路是这样的：每来一个新数据点，就用它修正一下当前的参数估计值。公式如下：
θ̂(k) = θ̂(k-1) + K(k) * [y(k) - φᵀ(k)θ̂(k-1)]
其中：
θ̂(k) —— 当前时刻的参数估计向量
K(k) —— 增益矩阵（决定修正速度）
y(k) —— 当前输出测量值
φ(k) —— 回归向量（包含历史输入输出）
说白了，就是拿「预测误差」去修正参数。预测对了，修正量就小；预测错了，修正量就大。
我的经验：RLS里有个遗忘因子λ，取值范围0.95~0.99。λ越小，算法对最新数据越敏感，适合快速变化的系统。但λ太小，估计值容易抖动。我一般从0.98开始试，效果不好再调。
4.4 控制器设计：STR的「大脑」
参数估计出来了，下一步就是设计控制器。STR里最常用的设计方法有两种：
| 方法 | 原理 | 适用场景 |
|---|---|---|
| 极点配置 | 根据估计的模型，计算控制器参数，使闭环极点落在期望位置 | 对动态响应有明确要求的系统 |
| 最小方差控制 | 最小化输出方差，让输出尽可能接近设定值 | 对稳态精度要求高的系统 |
我个人更偏爱极点配置。为什么？因为它直观。你告诉系统：「我希望闭环响应像二阶系统，阻尼比0.7，自然频率5 rad/s。」然后STR就帮你算出来控制器参数。这在运动控制里特别好用。
我曾经在一个位置伺服系统里用过极点配置。负载从空载到满载变化时，系统响应几乎没变。这就是STR的威力——它把变化「吃」掉了。
4.5 一个简单的STR实现流程
光讲理论不过瘾，我给你一个实际的操作步骤。假设你有一个直流电机速度控制系统：
- 初始化：设定模型阶次n=2，遗忘因子λ=0.98，初始参数θ̂(0)=[0,0,0]ᵀ
- 采集数据：读取当前速度y(k)和上一时刻控制量u(k-1)
- 构造回归向量：φ(k) = [-y(k-1), -y(k-2), u(k-1)]ᵀ
- 计算预测误差：e(k) = y(k) - φᵀ(k)θ̂(k-1)
- 更新参数：用RLS公式计算θ̂(k)
- 设计控制器：根据θ̂(k)和期望极点位置，计算控制器参数
- 计算控制量：u(k) = 控制器输出
- 重复：k = k+1，回到第2步
你看，就这么简单。每个采样周期跑一遍，系统就能自适应。
注意：STR启动初期，参数估计还不准，控制器输出可能比较激进。我建议加一个「软启动」阶段——前几十个采样周期用固定参数，等估计值稳定后再切换到自适应模式。否则，系统可能一开始就发散。
4.6 STR的局限与应对
STR不是万能的。我踩过几个坑，分享给你：
- 持续激励问题：如果系统一直处于稳态，输入输出变化太小，参数估计会失效。解决办法是注入一个小的激励信号，比如叠加一个高频低幅的抖动。
- 模型阶次选择：阶次选低了，模型不准；选高了，计算量大，还容易过拟合。我一般先用阶次测试法，从低阶开始试，直到残差不再明显下降为止。
- 数值稳定性：RLS的协方差矩阵可能随时间变得病态。我习惯用UD分解或平方根滤波来保证数值稳定。
我曾经在一个液压系统中吃过亏。系统长时间处于恒压状态，RLS的参数估计完全跑偏了。后来我加了一个小幅的伪随机信号作为激励，问题就解决了。嗯，这个教训挺深刻的。
4.7 小结
STR的核心就三件事：在线辨识、控制器重设计、闭环运行。它让控制器有了「自适应」的能力，特别适合负载变化频繁的运动控制系统。
你如果现在要上手STR，我建议先搭一个仿真环境，用简单的二阶对象试试。把RLS和极点配置写出来，看看参数收敛过程。等仿真跑通了，再往实际硬件上移植。这样风险最小。
一句话总结：STR = 递推参数估计 + 在线控制器设计。它让系统自己学会应对变化。
公众号:蓝海资料掘金营，微信deep3321