1 基本概念
1.1 定义
自适应控制是指控制器能够依据被控对象的运行状态、参数变化和环境扰动，在系统运行过程中自动调整自身参数，从而维持预期控制性能的一类控制方法。与固定参数控制相比，它不依赖于对象模型在全工况下完全准确，而是通过在线修正来弥补模型偏差。
1.2 发展背景
自适应控制起源于对复杂工业系统控制需求的回应。早期控制理论多以线性、定常和参数已知对象为基础，但在航空、航天、化工和机械系统中，实际对象往往存在时变、非线性和不确定性，传统方法难以长期保持性能。为此，研究者逐步将系统辨识、参数估计和优化思想引入控制设计，形成了自适应控制的理论框架。
1.3 研究目标
自适应控制的主要目标包括：在模型不完全准确的条件下保持闭环稳定；在参数变化或外部扰动存在时尽量减小跟踪误差；提高控制系统对工况变化的容忍度；以及在满足安全约束的前提下尽可能改善响应速度和稳态精度。
1.4 基本特征
自适应控制通常具有在线修正、参数补偿和动态匹配等特征。其核心不是一次性求得固定控制律，而是根据实时信息持续修正控制参数，使控制器与对象特性相互适配。
1.4.1 在线调整
在线调整是自适应控制最显著的特点。控制参数并非预先完全确定，而是随运行数据不断更新。这种机制使控制器能够在系统进入新工况后较快修正行为，减少模型失配带来的影响。
1.4.2 参数不确定性处理
许多实际对象的关键参数难以精确测得，或会因磨损、温度、负载等因素发生变化。自适应控制通过估计这些未知量，并据此调整控制作用，从而减弱参数不确定性对系统性能的影响。
1.4.3 动态适应能力
动态适应能力指控制器对时变环境和对象漂移的响应能力。它不仅要在初始阶段工作正常，还要在长期运行中持续跟踪变化，避免因对象逐渐偏离设计条件而导致性能下降。
2 理论基础
2.1 控制理论基础
自适应控制建立在反馈控制与稳定性分析之上。反馈用于形成误差闭环，稳定性分析则用于判断参数更新过程中系统是否会失稳。
2.1.1 反馈控制
反馈控制通过测量输出与期望值之间的偏差来修正控制输入，是自适应控制的基本结构。自适应机制通常嵌入反馈回路中，使控制增益或参数能够随误差变化而改变。
2.1.2 稳定性分析
由于控制参数是时变的，系统稳定性不能仅依靠固定模型推导。通常需要借助Lyapunov稳定性、输入输出稳定性或有界性分析，证明参数更新不会破坏闭环系统的基本安全性。
2.2 系统辨识
系统辨识用于从输入输出数据中提取对象动态特征，是自适应控制的重要支撑。它帮助控制器认识“对象是什么样的”，并为参数更新提供依据。
2.2.1 参数估计
参数估计的任务是根据实时数据推断对象模型中的未知参数，例如惯量、阻尼、增益或时常数。估计结果可直接用于控制律修正，也可用于进一步的模型更新。
2.2.2 状态观测
状态观测用于重建难以直接测量的系统内部状态。通过观测器或滤波器，可以在传感器信息有限的情况下获得更完整的动态信息，为自适应决策提供支持。
2.3 最优化理论
最优化理论为自适应控制提供性能评价和参数更新规则。控制器往往被设计为在一定约束下最小化误差、能量消耗或综合代价。
2.3.1 性能指标
性能指标一般用于描述系统控制效果，如跟踪误差、超调量、调节时间、控制能量和稳态偏差等。不同任务会侧重不同指标，控制律设计也据此有所区别。
2.3.2 自适应律设计
自适应律是决定参数如何更新的规则。设计时通常要兼顾收敛速度、稳态误差和鲁棒性，避免参数振荡或过快变化引起不稳定。
3 主要类型
3.1 模型参考自适应控制
模型参考自适应控制通过设定一个理想参考模型，让实际系统输出逐步逼近期望动态。控制器的参数根据实际输出与参考输出的偏差在线调整。
3.1.1 连续时间模型参考自适应控制
连续时间模型参考自适应控制适用于连续动态过程，常见于飞行控制和机械伺服系统。其参数更新方程通常以微分形式给出，便于分析瞬态过程。
3.1.2 离散时间模型参考自适应控制
离散时间模型参考自适应控制适用于采样系统和数字控制平台。它以离散采样数据为基础进行参数修正，更适合计算机实现和实时采集环境。
3.2 自校正控制
自校正控制强调先估计对象模型，再依据估计结果重新计算控制参数。它常用于对象参数变化较慢、但模型结构相对明确的场景。
3.2.1 直接自校正
直接自校正不显式求解完整对象模型参数，而是根据输出误差直接更新控制器参数。其优点是结构较简洁，适合对模型要求不高的应用。
3.2.2 间接自校正
间接自校正先辨识对象模型，再根据辨识结果求取控制器参数。该方法逻辑清晰，便于结合成熟控制设计公式，但对辨识精度依赖较大。
3.3 增益调度控制
增益调度控制根据工况变化切换或调整控制参数，常用于工作范围较宽、但各局部区域特性相对明确的系统。
3.3.1 基于工况切换的调度
这种方式按照速度、负载、温度或高度等工作状态选择不同控制器，类似预先编制好的控制“档位”。实现简单，工程上应用较多。
3.3.2 基于参数插值的调度
参数插值调度在多个已知工作点之间平滑过渡，通过插值生成连续变化的控制参数。它能减小切换突变带来的冲击，使系统响应更平稳。
3.4 鲁棒自适应控制
鲁棒自适应控制将自适应机制与鲁棒设计结合，既追求参数调整能力，也强调在扰动和建模误差存在时的稳定性。
3.4.1 抗扰动设计
抗扰动设计通过抑制外界干扰对系统的影响，减少自适应过程中的误差放大。常见做法包括误差滤波、增益限制和补偿项设计。
3.4.2 不确定性补偿
不确定性补偿用于对模型偏差、参数漂移或未建模动态进行修正。该类方法往往在控制律中引入额外补偿项，以增强整体鲁棒性。
4 关键方法
4.1 自适应律
自适应律决定了控制参数随误差变化的更新方式，是自适应控制实现的核心环节之一。
4.1.1 梯度型自适应律
梯度型自适应律以误差函数的下降方向作为参数更新依据，形式直观，便于实现。它常用于求解简单、计算资源有限的场景。
4.1.2 最小二乘法自适应律
最小二乘法自适应律通过最小化预测误差来更新参数，通常具有较快收敛特性。其效果依赖于输入信号的激励程度和数据质量。
4.2 参数估计方法
参数估计方法用于从观测数据中提取模型信息，为控制器调整提供依据。
4.2.1 递推最小二乘
递推最小二乘可以在新数据到来时逐步更新参数估计，无需反复处理全部历史样本，因此适合在线应用。它在工程中使用广泛，计算效率较高。
4.2.2 卡尔曼滤波
卡尔曼滤波可在噪声环境下对状态或参数进行递推估计，兼顾预测与修正。对于随机扰动明显的系统，它具有较强的数据融合能力。
4.3 稳定性保证
自适应控制的设计不能只追求快速收敛，还必须确保闭环稳定。为此，常引入专门的稳定性约束机制。
4.3.1 Lyapunov方法
Lyapunov方法通过构造能量函数证明系统误差有界或逐渐减小，是自适应控制中最常见的理论工具之一。它可用于推导自适应律并验证稳定性结论。
4.3.2 投影算法
投影算法用于限制参数估计值落在预定范围内，避免估计漂移到不合理区域。它能提高算法安全性，减少异常数据带来的风险。
4.3.3 死区机制
死区机制在误差较小时暂停或减弱参数更新，防止噪声导致控制参数频繁抖动。它常用于抑制小幅波动，提高长期运行的平稳性。
5 系统实现
5.1 传感器与数据采集
自适应控制依赖实时数据，因此传感器精度、采样频率和抗干扰能力十分重要。采集到的信号通常包括位置、速度、压力、温度或电流等，用于反映对象状态和控制效果。
5.2 控制器结构设计
控制器结构设计需要在模型复杂度、计算负担和控制性能之间取得平衡。实际系统中常将基础控制、参数估计和安全保护分层组合，以提高可实施性。
5.3 实时计算与硬件实现
由于自适应算法需要在线更新，实时计算能力成为关键条件。嵌入式处理器、工业控制器和专用计算硬件常被用于保证采样、估计和控制输出能够同步完成。
5.4 软件平台与仿真环境
在工程部署前，通常先借助仿真平台验证算法有效性。软件环境可用于测试不同扰动、噪声和参数变化条件下的系统表现，从而降低实机试验风险。
6 工业应用
6.1 航空航天控制
在航空航天领域，飞行器质量、气动特性和载荷条件会随任务变化而改变，自适应控制可用于提升姿态控制、轨迹跟踪和飞行稳定性。
6.2 机器人控制
机器人系统中存在关节摩擦、负载变化和结构柔性等问题。自适应控制可帮助机械臂在抓取、搬运和协作任务中保持较高精度。
6.3 过程工业控制
在化工、冶金和能源等过程工业中，温度、流量、压力等变量具有明显滞后和时变特征。自适应控制有助于改善慢动态对象的调节性能。
6.4 机械制造系统
机械加工、数控平台和伺服驱动系统对响应速度与定位精度要求较高。自适应控制能够在负载波动或机构磨损时维持较稳定的加工质量。
6.5 汽车与移动系统
在车辆悬架、动力系统和移动平台控制中，道路条件、载荷和速度变化较大。自适应控制可提高乘坐舒适性、操纵稳定性和能耗表现。
7 优点与局限
7.1 优点
自适应控制最突出的优势在于能够面对不确定对象持续工作，而不是依赖固定工况下的静态设计。
7.1.1 适应性强
它可以自动跟踪参数变化，对工况切换和长期漂移具有较好容忍度，因此适合复杂环境中的动态系统。
7.1.2 对未知对象友好
在对象模型不完全已知时，自适应控制仍可借助在线估计维持性能，这使它在新设备调试或对象特性难以精确建模时具有实用价值。
7.2 局限
尽管适应能力较强，自适应控制的工程实现并不总是简单，尤其在数据质量和稳定性要求较高时更为明显。
7.2.1 设计复杂
自适应控制往往需要同时考虑建模、估计、稳定性和实时计算，设计流程比常规控制更繁琐，对工程经验要求较高。
7.2.2 对噪声敏感
如果测量信号噪声较大，参数估计可能受到干扰，导致控制量波动或更新失真，因此通常需要滤波与保护机制配合使用。
7.2.3 稳定性分析困难
由于参数随时间变化，系统行为更复杂，理论证明和边界分析往往比固定参数系统更困难，需要更严格的数学工具支撑。
8 典型问题
8.1 参数漂移
参数漂移是指对象特性在长期运行中缓慢改变，例如磨损、老化或环境变化引起的偏移。自适应控制可对其进行跟踪，但若变化过快，估计可能滞后。
8.2 执行器饱和
执行器存在输出上限时，控制指令可能无法完整执行，进而影响参数更新与误差消除。为避免饱和引发性能恶化，常需加入限幅和抗饱和设计。
8.3 测量噪声
噪声会干扰误差计算和参数估计，造成控制器参数抖动。工程中通常通过滤波、死区或鲁棒估计方法减轻其影响。
8.4 外部扰动
风载、冲击、负载突变等外部扰动会破坏系统平衡。自适应控制一般能够部分补偿这类影响，但在强扰动下仍需结合鲁棒机制。
8.5 时滞与非线性
许多实际系统存在传输时滞和明显非线性，使控制问题更加复杂。自适应方法在这类场景中通常需要与非线性控制、预测控制或补偿结构联合使用。
9 发展与趋势
9.1 智能自适应控制
智能自适应控制将规则推理、模糊逻辑和优化搜索等方法融入传统自适应框架，用于提升复杂系统中的决策能力和调节效率。
9.2 数据驱动方法融合
随着工业数据获取能力增强，数据驱动方法开始与自适应控制结合，通过历史数据和在线数据共同改进模型与控制律设计。
9.3 深度学习辅助控制
深度学习可用于特征提取、状态估计和模型近似，为自适应控制提供更强的非线性表达能力。不过在工程应用中，通常仍需配合稳定性约束使用。
9.4 网络化与分布式自适应控制
在多节点协同系统中，控制对象往往通过通信网络连接。分布式自适应控制强调各子系统在局部信息基础上协同调整，以适应网络延迟、通信限制和规模扩展需求。