自适应控制
自适应控制方法
自适应控制方法引言自适应控制方法是一种应用于控制系统中的技术，旨在使控制系统能够根据外部环境和内部变化自动调整控制策略，以实现系统的稳定性和性能优化。
本文将介绍自适应控制方法的基本原理和常见应用领域，以及其在实际工程中的应用案例。
一、自适应控制方法的基本原理自适应控制方法主要基于系统模型的参数自适应估计和控制器参数的自适应调整。
其基本原理是利用系统的输入和输出数据进行在线辨识和参数估计，然后根据估计结果进行控制器参数的自适应调整，从而实现对系统动态特性的自适应补偿。
自适应控制方法通常包括模型参考自适应控制、模型预测控制和自适应滑模控制等。
二、自适应控制方法的应用领域1. 机器人控制自适应控制方法在机器人控制中得到广泛应用。
例如，在机器人路径规划和轨迹跟踪中，自适应控制方法可以根据环境变化和任务需求，自动调整控制器参数，使机器人能够适应不同的工作环境和工作任务。
2. 智能交通系统自适应控制方法在智能交通系统中也有着重要的应用。
例如，在交通信号控制中，自适应控制方法可以根据交通流量和路况变化，自动调整信号灯的时长和相位，以实现交通流畅和效率最大化。
3. 航空航天领域自适应控制方法在航空航天领域中具有重要的应用价值。
例如，在航空飞行控制中，自适应控制方法可以根据飞行器的动态特性和飞行环境的变化，自动调整飞行控制器的参数，以实现飞行器的稳定性和飞行性能的优化。
4. 工业自动化自适应控制方法在工业自动化领域中也得到了广泛应用。
例如，在工业生产过程中，自适应控制方法可以根据生产工艺和原材料的变化，自动调整控制器的参数，以实现生产过程的稳定性和产品质量的优化。
三、自适应控制方法的应用案例1. 汽车自适应巡航系统汽车自适应巡航系统是一种基于自适应控制方法的智能驾驶辅助系统。
该系统可以根据车辆和前方车辆的相对速度和距离，自动调整车辆的巡航速度和间距，以实现安全驾驶和驾驶舒适性的平衡。
2. 电力系统自适应稳定控制电力系统自适应稳定控制是一种基于自适应控制方法的电力系统稳定控制技术。
《自适应控制》课件
软件实现
01
02
03
控制算法选择
根据被控对象的特性和控 制要求，选择合适的控制 算法，如PID控制、模糊 控制等。
软件开发环境
选择合适的软件开发环境 ，如MATLAB、Simulink 等，进行控制算法的实现 和仿真。
软件集成与调试
将各个软件模块集成在一 起，进行系统调试，确保 软件能够正常工作并满足 控制要求。
直接优化目标函数的自适应系统是一种通过直接优化系统目标函数，对系统参数 进行调整的自适应控制系统。
详细描述
直接优化目标函数的自适应系统根据系统目标函数和约束条件，通过优化算法寻 找最优的系统参数，以实现系统性能的最优。这种系统广泛应用于控制工程、航 空航天等领域。
自校正调节器
总结词
自校正调节器是一种通过实时校正系统参数，实现系统性能提升的自适应控制系统。
要点二
详细描述
在进行自适应控制系统设计时，首先需要对系统进行建模 ，即通过数学模型来描述系统的动态行为。这个模型可以 是线性或非线性的，取决于系统的复杂性和特性。在建立 模型后，需要对模型参数进行估计，这通常涉及到使用各 种算法和优化技术来不断调整和更新系统参数，以使系统 能够更好地适应外界环境的变化。
详细描述
最小均方误差算法基于最小化预测误差的平方和来调整控制参数，通过不断迭代计算，逐渐减小误差 ，使系统输出逐渐接近目标值。该算法具有较好的跟踪性能和鲁棒性，广泛应用于各种自适应控制系 统。
极点配置算法
总结词
极点配置算法是一种自适应控制算法，通过 调整系统参数使系统的极点配置在期望的位 置上，以达到系统稳定和性能优化的目的。
特点
自适应控制具有适应性、实时性和智 能性等特点，能够自动调整控制参数 和策略，以适应不同环境和条件下的 变化。
控制理论中的自适应控制与模糊控制
控制理论中的自适应控制与模糊控制自适应控制与模糊控制是控制理论中的两种重要方法，它们都具有适应性和鲁棒性，并且在不同的工程领域中广泛应用。
本文将分别介绍自适应控制和模糊控制的原理和应用，并比较它们的优缺点。
1. 自适应控制自适应控制是一种实时调节控制器参数的方法，以实现对系统模型和动态特性的跟踪和适应。
自适应控制的基本原理是通过不断观察和检测系统的输入和输出，根据误差的大小来调整控制器的参数，从而实现对系统的控制。
自适应控制的核心是自适应算法，常用的自适应算法有最小均方（LMS）算法、普罗弗洛夫诺夫（P-N）算法等。
通过这些算法，控制系统能够根据实时的输入输出信息，对控制器的参数进行在线调整，从而实现对未知或变化的系统模型的自适应控制。
自适应控制具有以下优点：- 可适应性强：自适应控制能够根据实时的系统输入输出信息调整控制器参数，适应不同的系统模型和工作条件。
- 鲁棒性好：自适应控制对于系统参数的不确定性和变化有很好的鲁棒性，能够有效应对系统参数的变化和干扰。
然而，自适应控制也存在以下缺点：- 算法设计复杂：自适应控制的算法设计和调试较为复杂，通常需要深入了解系统模型和控制理论。
- 需要大量计算资源：自适应控制需要实时处理系统的输入输出信息，并进行参数调整，因此需要较大的计算资源和实时性能。
2. 模糊控制模糊控制是一种基于模糊逻辑的控制方法，它通过建立模糊规则和模糊推理来实现对非精确或模糊信息的处理和控制。
模糊控制的核心是模糊推理机制，通过将输入量和输出量模糊化，使用模糊规则进行推理和控制。
模糊控制的优点包括：- 不需要准确的数学模型：模糊控制可以处理非精确、模糊的输入输出信息，对于某些复杂系统，很难建立准确的数学模型，而模糊控制能够处理这种模糊性。
- 鲁棒性好：模糊控制对于系统参数的变化和干扰有较好的鲁棒性，能够在一定程度上应对不确定性和噪声的干扰。
然而，模糊控制也存在以下缺点：- 规则设计困难：模糊控制的性能很大程度上依赖于设计合理的模糊规则，而模糊规则的设计需要充分的专业知识和经验。
自适应控制
自适应控制什么是自适应控制自适应控制是一种控制系统设计方法，它通过实时监测和调整系统的参数来适应不确定的外部环境和内部系统变化。
自适应控制可以提高控制系统的性能和鲁棒性，使其能够快速、准确地响应不断变化的环境或系统参数。
在传统的控制系统中，通常假设系统的数学模型是已知和固定的。
然而，在实际应用中，系统的动态特性常常受到各种因素的影响，如外部扰动、参数变化、非线性效应等。
这些因素使得传统的控制方法往往无法满足系统的控制要求。
而自适应控制则能够通过不断地观测和在线调整系统参数，使系统能够适应这些变化，并实现良好的控制效果。
自适应控制的基本原理自适应控制的基本原理是根据系统的实时反馈信息来调整控制器的参数。
具体来说，自适应控制系统通常由以下几个部分组成：1.参考模型：参考模型是指描述所期望控制系统输出的理想模型，通常由一组差分方程来表示。
参考模型的作用是指导控制系统的输出，使其能够尽可能接近参考模型的输出。
2.系统模型：系统模型是指描述被控对象的数学模型，包括其输入、输出和动态特性。
系统模型是自适应控制的重要基础，它确定了控制系统需要调整的参数和控制策略。
3.控制器：控制器是自适应控制系统的核心部分，它根据系统输出和参考模型的误差来实时调整控制器的参数。
控制器可以通过不同的算法来实现，如模型参考自适应控制算法、最小二乘自适应控制算法等。
4.参数估计器：参数估计器是自适应控制系统的关键组件，它用于估计系统模型中的未知参数。
参数估计器可以通过不断地观测系统的输入和输出数据来更新参数估计值，从而实现对系统参数的实时估计和调整。
5.反馈环路：反馈环路是指通过测量系统输出并将其与参考模型的输出进行比较，从而产生误差信号并输入到控制器中进行处理。
反馈环路可以帮助控制系统实时调整控制器的参数，使系统能够适应外部环境和内部变化。
自适应控制的应用领域自适应控制在各个领域都有广泛的应用，特别是在复杂和变化的系统中，其优势更为突出。
自适应控制的控制律
自适应控制的控制律全文共四篇示例，供读者参考第一篇示例：自适应控制是一种利用反馈信息来自动调整控制参数以适应系统动态变化的控制方法。
自适应控制的目标是使控制系统能够在系统参数变化或外部干扰的情况下仍能保持良好的控制性能。
在自适应控制中，控制器会根据实时的系统状态和性能指标来调整控制参数，以实现控制系统的自适应性和鲁棒性。
在设计自适应控制律时，可以采用模型参考自适应控制、自适应扰动抑制控制、自抗扰自适应控制等不同的方法。
模型参考自适应控制是一种常用的自适应控制方法，它通过设计一个参考模型来描述所需的系统性能，然后利用参数调整算法来不断地调整控制参数以实现对系统的追踪。
在实际应用中，自适应控制律可以广泛应用于工业控制、航空航天、机器人、汽车等领域。
在工业控制中，自适应控制律可以帮助系统在不同的工况下实现对生产过程的精确控制；在航空航天领域，自适应控制律可以提高飞行器的稳定性和性能；在机器人领域，自适应控制律可以提高机器人的工作效率和灵活性。
自适应控制律是一种重要的控制策略，它能够帮助控制系统实现对系统动态变化的自适应控制，保持系统对目标的精确控制。
随着科学技术的不断进步，自适应控制律将在各个领域发挥越来越重要的作用，为提高系统性能和稳定性提供有力的支持。
第二篇示例：自适应控制是一种智能化的控制方法，它能够根据系统的运行状态和环境变化自动调整控制参数，以实现系统稳定性和性能的最优化。
自适应控制的核心技术就是控制律的设计，控制律是描述控制系统输入和输出之间关系的数学表达式。
在自适应控制中，控制律的设计十分关键，它直接影响到系统的稳定性和性能。
自适应控制的控制律设计通常包括两个部分：参数调节律和自适应规律。
参数调节律用于根据系统的状态变化来调整控制参数，以实现系统的跟踪性能、快速性能和稳定性。
自适应规律则用来根据系统的动态特性和环境变化，自动调整参数调节律，以适应不同的工况和环境条件。
通过这两部分的相互配合，自适应控制系统能够实现对于不确定性和变化的自适应调节，从而提高系统的鲁棒性和性能。
控制系统中的自适应控制与学习控制比较
控制系统中的自适应控制与学习控制比较自适应控制和学习控制是控制系统中两种常见的控制方法。
它们都具有独特的特点和适用的场景，在不同的应用领域中都起着重要的作用。
本文将对自适应控制和学习控制进行比较，探讨它们的异同点以及优缺点。
一、自适应控制自适应控制是一种基于系统模型和反馈信息的控制方法。
它通过实时地对系统进行建模和参数调整，从而实现对系统的自适应调节和优化。
自适应控制的核心思想是通过对系统模型进行辨识和参数估计，不断地调整控制器的参数，以适应系统的动态变化和不确定性。
自适应控制的优点在于对系统参数和动态特性的适应能力强，能够有效地应对系统的变化和干扰。
它能够在未知参数和模型不准确的情况下实现鲁棒控制，提高系统的稳定性和鲁棒性。
然而，自适应控制也存在一些不足之处。
首先，自适应控制对系统模型的要求相对较高，需要准确的系统模型和参数估计方法。
其次，在实际应用中，自适应控制容易受到系统噪声和测量误差的影响，使得控制性能下降。
二、学习控制学习控制是一种基于系统学习和经验积累的控制方法。
它通过对系统的运行数据进行学习和分析，自动地调整控制策略和参数，以实现对系统的优化控制。
学习控制的核心思想是通过在系统运行过程中积累经验数据，不断地更新控制器的策略和参数，以适应系统的变化和优化控制性能。
学习控制的优点在于对系统动态特性的学习能力强，能够快速适应系统的变化和学习到最优的控制策略。
它不需要准确的系统模型，能够在系统模型未知或不准确的情况下实现控制优化。
然而，学习控制也存在一些局限性。
首先，学习控制对系统的运行数据要求较高，需要充分的实验数据和样本点。
其次，在实际应用中，学习控制容易受到噪声和异常数据的干扰，会导致控制性能的下降。
此外，学习过程需要一定的时间，对实时性要求较高的系统可能不适用。
三、自适应控制与学习控制的比较自适应控制和学习控制虽然具有相似的优势，但它们在方法和实现上存在一些差异。
首先，自适应控制主要依赖于模型辨识和参数估计，通过模型的更新和参数的调整来实现控制优化；而学习控制主要依赖于运行数据的学习和分析，通过数据的学习和策略的更新来实现控制优化。
自适应控制的控制律
自适应控制的控制律
自适应控制是一种控制系统，能够根据系统的变化自动调整控制参数以适应不确定性和变化。
自适应控制律是指在自适应控制系统中使用的控制算法或规律，它能够根据系统的实时状态和性能指标来调整控制器的参数，以实现对系统的稳定控制和优化性能。
自适应控制律的设计通常涉及到系统建模、参数识别和控制器设计等方面。
首先，需要对被控对象进行数学建模，以获取系统的动态特性和参数。
然后，通过参数识别技术，可以实时地估计系统的参数，包括未知的环境扰动和参数变化。
最后，基于系统模型和参数估计，设计自适应控制律，使得控制器能够根据实时的参数估计和系统状态来调整控制输入，以实现对系统的稳定控制和性能优化。
自适应控制律可以采用多种控制算法，包括模型参考自适应控制、自适应滑模控制、自适应神经网络控制等。
这些算法在不同的应用领域和系统中具有不同的优势和适用性。
例如，模型参考自适应控制适用于具有较好系统模型的系统，而自适应神经网络控制适用于非线性和复杂系统。
总的来说，自适应控制律通过实时地调整控制器的参数来适应系统的变化，能够提高控制系统对不确定性和变化的鲁棒性，从而在实际工程应用中具有重要的意义和价值。
自动控制原理三种控制方式
自动控制原理三种控制方式在我们的日常生活中，控制的概念无处不在。
比如说，你早上起床后，先给咖啡机设定好时间，让它准时为你煮一杯热腾腾的咖啡，这就是一种控制；又比如说，开车时，你踩油门加速，踩刹车减速，这同样是控制的一部分。
而在自动控制原理中，有三种主要的控制方式，它们分别是开环控制、闭环控制和自适应控制。
今天，我们就来轻松聊聊这三种控制方式，保证让你明白得透彻，像喝水一样简单！1. 开环控制1.1 概念简介首先，咱们从开环控制开始。
这种方式就像你给咖啡机按了个按钮，之后就不管它了。
它只按照你设定的程序运行，不会去检测实际的效果。
就像你放风筝，虽然风很大，但风筝飞不飞起来就全看运气了。
开环控制的优点是简单、成本低，不需要复杂的反馈系统。
1.2 实际例子想象一下你在家里烤蛋糕。
你把材料准备好，调好温度，放进烤箱，然后设定时间。
这个过程就是真正的开环控制。
你不去管蛋糕到底烤得怎么样，只要信任那个设定好的时间和温度就行。
不过，要是你忘了看时间，蛋糕可就可能变成“焦炭”了！哈哈，开环控制就有这样的风险，结果完全依赖于你一开始设定的参数。
2. 闭环控制2.1 概念简介接下来我们聊聊闭环控制。
这种控制方式就像你在开车时注意路况一样，能根据实际情况进行调整。
闭环控制系统会实时监测输出结果，如果结果跟预期不符，系统会自动调整。
就像你在玩游戏，手柄一抖，角色就会跳，马上按回去，避免掉下悬崖，聪明吧？2.2 实际例子想象你在家里养了一盆植物。
你每天都会观察植物的状态，如果发现叶子发黄，就会适当减少浇水或者调整光照。
这个过程就是闭环控制。
你在根据植物的实际情况不断调整自己的行为，确保它能够健康成长。
闭环控制的好处就是能实时反馈，适应变化，但缺点是需要更多的监测和调整，比较麻烦。
3. 自适应控制3.1 概念简介最后，咱们说说自适应控制。
这是一种更加高级的控制方式，它能根据环境的变化主动调整自己，就像是大海中的航行者，根据风向和潮流来调整帆的角度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
10．自适应控制严格地说，实际过程中的控制对象自身及能所处的环境都是十分复杂的，其参数会由于种种外部与内部的原因而发生变化。
如，化学反应过程中的参数随环境温度和湿度的变化而变化（外部原因），化学反应速度随催化剂活性的衰减而变慢（内部原因），等等。
如果实际控制对象客观存在着较强的不确定，那么，前面所述的一些基于确定性模型参数来设计控制系统的方法是不适用的。
所谓自适应控制是对于系统无法预知的变化，能自动地不断使系统保持所希望的状态。
因此，一个自适应控制系统，应能在其运行过程中，通过不断地测取系统的输入、状态、输出或性能参数，逐渐地了解和掌握对象，然后根据所获得的过程信息，按一定的设计方法，作出控制决策去修正控制器的结构，参数或控制作用，以便在某种意义下，使控制效果达到最优或近似更优。
目前比较成熟的自适应控制可分为两大类：模型参考自适应控制（Model Reference Adaptive Control）和自校正控制（Self-Turning）。
10.1模型参考自适应控制10.1.1模型参考自适应控制原理模型参考自适应控制系统的基本结构与图10.1所示：10.1模型参考自适应控制系统它由两个环路组成，由控制器和受控对象组成内环，这一部分称之为可调系统，由参考模型和自适应机构组成外环。
实际上，该系统是在常规的反馈控制回路上再附加一个参考模型和控制器参数的自动调节回路而形成。
在该系统中，参考模型的输出或状态相当于给定一个动态性能指标，（通常，参考模型是一个响应比较好的模型），目标信号同时加在可调系统与参考模型上，通过比较受控对象与参考模型的输出或状态来得到两者之间的误差信息，按照一定的规律（自适应律）来修正控制器的参数（参数自适应）或产生一个辅助输入信号（信号综合自适应），从而使受控制对象的输出尽可能地跟随参考模型的输出。
在这个系统，当受控制对象由于外界或自身的原因系统的特性发生变化时，将导致受控对象输出与参考模型输出间误差的增大。
于是，系统的自适应机构再次发生作用调整控制器的参数，使得受控对象的输出再一次趋近于参考模型的输出（即与理想的希望输出相一致）。
这就是参考模型自适应控制的基本工作原理。
模型参考自适应控制设计的核心问题是怎样决定和综合自适应律，有两类方法，一类为参数最优化方法，即利用优化方法寻找一组控制器的最优参数，使与系统有关的某个评价目标，如：J=⎰te2(t)dt，达到最小。
另一类方法是基于稳o定性理论的方法，其基本思想是保证控制器参数自适应调节过程是稳定的。
如基于Lyapunov稳定性理论的设计方法和基于Popov超稳定理论的方法。
系统设计举例以下通过一个设计举例说明参数最优化设计方法的具体应用。
k，其中K可变，要例10.1设一受控系统的开环传递函数为W a(s)=s(+)1s求用一参考模型自适应控制使系统得到较好的输出。
解：对于该系统，我们选其控制器为PID 控制器，而PID 控制器的参数由自适应机构来调节，参考模型选性能综合指标良好的一个二阶系统：W m (d)=1414.112++s s 自适应津决定的评价函数取minJ =⎰t0e 2(t)dt ，e(t)为参考模型输出与对象输出的误差。
由于评价函数不能写成PID 参数的解析函数形式，因此选用单纯形法做为寻优方法。
（参见有关优化设计参考文献）。
在上述分析及考虑下，可将系统表示具体结构表示如下图10.2所示。
x7x5 x3 x4 x6PID 1/s 1+s K单纯形法寻优图10.2 系统仿真结构图为了进行数字仿真（连续系统离散相似法），图中的模型是采用典型环节（积分环节，惯性环节）型式表示。
对于图5-17所示系统，可写出各类环节的差数方程，其中，PID 控制器的差分方程为：))]2()1(2)(()()1()([)1()(55555533-+--+⨯+--+-=k x k x k x TT k x T T k x k x K k x k x d i p 式中，K p 为比例系数，T I 为积分时间常数，T d 为微分时间常数，它们是自适应津的调整参数，也是单纯形法的寻优参数。
T 是采样周期。
用MATLAB 编写的仿真程序如下，（chp10-1 .m 和suba.m ）,程序中有关离散相似法仿真及单纯形法寻优的原理请参见有关参考书，如参考文献[ ]。
global R I9 L1 L2 L3 x p1 p2 p3global Kp E1 F1 G1 E5 F5 G5 mglobal K1 T4 T5x=zeros(3,7);Q=zeros(1,7);p1=zeros(1000,1);k=zeros(3,1);N=3;E=0.001;R=1;L=0.012;p2=zeros(1000,1);p3=zeros(1000,1);L1=0.05;L2=5;L3=200;m=0;mn=0;Kp1=zeros(100,1);Ti=zeros(100,1);Td=zeros(100,1);Kp=2;E1=1;F1=L1;G1=L1*L1/2;E5=exp(-L1);F5=Kp*(1-E5);G5=Kp*(E5-1)+Kp*L1;I9=0;x(1,1)=1;x(2,1)=0.5;x(3,1)=0.9;for j=2:N+1for i=1:Nif i==j-1x(i,j)=x(i,1)+L;elsex(i,j)=x(i,1);endendendfor j=1:N+1Q(j)=suba(j);endEx=0;while Ex<1Q0=0;for j=1:N+1if Q(j)>Q0Q0=Q(j);j0=j;endendQ1=0;for j=1:N+1if j~=j0if Q(j)>Q1Q1=Q(j);j1=j;endendendQ2=Q0;for j=1:N+1if Q(j)<Q2Q2=Q(j);j2=j;endendmn=mn+1;Kp1(mn,1)=x(1,j2);Ti(mn,1)=x(2,j2);Td(mn,1)=x(3,j2);if Q2<1if (Q0-Q2)<EEx=1;endelseif (Q0-Q2)<(E*Q2)Ex=1;endendfor i=1:Nx(i,N+2)=0;for j=1:N+1x(i,N+2)=x(i,N+2)+x(i,j); endx(i,N+2)=2*(x(i,N+2)-x(i,j0))/N-x(i,j0); endj=N+2;Q(N+2)=suba(j);if Q(N+2)<Q(j1)if (1.5*Q(N+2)-0.5*Q0)<Q2;for i=1:Nx(i,N+4)=1.5*x(i,N+2)-0.5*x(i,j0); endj=N+4;Q(N+4)=suba(j);if Q(N+4)<Q(N+2);for i=1:Nx(i,N+3)=x(i,N+4);endQ(N+3)=Q(N+4);elsefor i=1:Nx(i,N+3)=x(i,N+2);endQ(N+3)=Q(N+2)endelsefor i=1:Nx(i,N+3)=x(i,N+2);endQ(N+3)=Q(N+2);endfor i=1:Nx(i,j0)=x(i,N+3);endQ(j0)=Q(N+3);elseif Q(N+2)>Q(j0)for i=1:Nx(i,N+3)=x(i,N+2);x(i,N+2)=x(i,j0);x(i,j0)=x(i,N+3);endendfor i=1:Nx(i,N+3)=0.3*x(i,j0)+0.7*x(i,N+2);endj=N+3;Q(N+3)=suba(j);if Q(N+3)<Q(j1)for i=1:Nx(i,j0)=x(i,N+3);endQ(j0)=Q(N+3);elsefor j=1:N+1for i=1:Nx(i,j)=(x(i,j)+x(i,j2))/2;endendfor j=1:N+1Q(j)=suba(j);endendendendI9=1;j=j2;Fin=suba(j)x(1,j2),x(2,j2),x(3,j2)figure(1)m1=1:1:m;m1=m1';p1=p1(1:m,1);p2=p2(1:m,1);p3=p3(1:m,1);plot(m1,p1,'r',m1,p2,'B',m1,p3,'g')gridpausefigure(2)m2=1:1:mn;m2=m2';Kp1=Kp1(1:mn,1);Ti=Ti(1:mn,1);Td=Td(1:mn,1); plot(m2,Kp1,'r',m2,Ti,'B',m2,Td,'g')gridfunction resulta=suba(j)global R I9 L1 L2 L3 x p1 p2 p3global Kp E1 F1 G1 E5 F5 G5 mglobal K1 T4 T5T4=x(2,j);T5=x(3,j);x1=0;x2=0;x3=0;x4=0;x6=0;w1=0;w2=0;w4=0;w5=0;u5=0;t=0;F=0;T6=L1*L2;for i1=1:L3x5=R-x6;x3=x3+K1*(x5-w5+T6*x5/T4+T5*(x5-2*w5+u5)/T6); u5=w5;w5=x5;for i2=1:L2x0=R-1.414*x1-x2;u2=x1;u4=x4;v1=(x0-w1)/L1;x1=E1*x1+F1*x0+G1*v1;w1=x0;v2=(u2-w2)/L1;x2=E1*x2+F1*u2+G1*v2;w2=u2;v3=(u4-w4)/L1;x4=E1*x4+F1*x3;x6=E5*x6+F5*u4+G5*v3;w4=u4;x7=x2-x6;t=t+L1;F=F+x7*x7*L1;if I9==1m=m+1;p1(m,1)=x2;p2(m,1)=x6;p3(m,1)=x7;endendend程序运行后，绘制出受控对象和参考模型的输出及两者间的误差曲线如图10.3，控制器的三个参数（K p,T I ,T d）的变化曲线如图10.4所示，图中可以看到，经过一段时间的调整（k d,T I,T d自动调整）后，受控对象输出能很好地接近参考模型的输出。
图10.3 受控对象和参考模型的输出图10.4 K p,T I ,T d的变化曲线及两者间的误差曲线读者可以改变系统的某些参数（如让程序中的ka=1或ka=3等）后再运行程序观看仿真结果。
10.2自校正控制自校正控制技术特别适宜用于结构已知而参数未知但恒定或缓慢变化的随机系统。