基于模糊系统逼近的自适应控制 — 理论与 MATLAB 仿真

bubiyoushang8882026-06-21 23:44

1. 核心思想

当被控对象的数学模型未知或高度非线性时，我们可以用 模糊系统 作为万能逼近器，在线估计未知的非线性函数，并据此设计自适应控制器，使系统输出跟踪期望轨迹。

  • 模糊系统：通过 IF-THEN 规则和隶属函数，能够以任意精度逼近紧集上的连续函数。
  • 自适应律：根据 Lyapunov 稳定性理论，在线调整模糊系统的参数（如结论参数），保证闭环信号有界且跟踪误差收敛。

2. 问题描述

考虑一类二阶 SISO 非线性系统：

x¨=f(x,x˙)+g(x,x˙) u\ddot{x} = f(x,\dot{x}) + g(x,\dot{x})\,ux¨=f(x,x˙)+g(x,x˙)u

其中：

  • xxx 为系统输出，uuu 为控制输入；
  • f(⋅)f(\cdot)f(⋅) 为未知光滑非线性函数；
  • g(⋅)g(\cdot)g(⋅) 为已知或符号已知的函数（本文假设 g=1g=1g=1 以便聚焦模糊逼近）；
  • 状态 x1=xx_1 = xx1=x, x2=x˙x_2 = \dot{x}x2=x˙ 可测。

控制目标 ：设计控制律 uuu，使系统输出 x(t)x(t)x(t) 跟踪给定的参考轨迹 xd(t)x_d(t)xd(t)，且所有信号有界。

3. 模糊系统设计

采用 Takagi-Sugeno 零阶模糊系统（也称模糊基函数网络）：

f^(z∣θ)=θTξ(z)\hat{f}(z|\theta) = \theta^T \xi(z)f^(z∣θ)=θTξ(z)

其中：

  • z=x1,x2Tz = x_1, x_2^Tz=x1,x2T 为输入向量；
  • θ∈RM\theta \in \mathbb{R}^Mθ∈RM 为可调参数向量；
  • ξ(z)=ξ1(z),...,ξM(z)T\xi(z) = \\xi_1(z), \\dots, \\xi_M(z)^Tξ(z)=ξ1(z),...,ξM(z)T 为模糊基函数向量，定义为：

ξi(z)=∏j=12μAji(zj)∑k=1M∏j=12μAjk(zj)\xi_i(z) = \frac{\prod_{j=1}^2 \mu_{A_j^i}(z_j)}{\sum_{k=1}^M \prod_{j=1}^2 \mu_{A_j^k}(z_j)}ξi(z)=∑k=1M∏j=12μAjk(zj)∏j=12μAji(zj)

  • μAji(zj)\mu_{A_j^i}(z_j)μAji(zj) 为高斯隶属函数（中心 cjic_{ji}cji，宽度 σji\sigma_{ji}σji）：

μAji(zj)=exp⁡(−(zj−cji)22σji2)\mu_{A_j^i}(z_j) = \exp\left(-\frac{(z_j - c_{ji})^2}{2\sigma_{ji}^2}\right)μAji(zj)=exp(−2σji2(zj−cji)2)

模糊系统万能逼近性质 ：对任意连续函数 f(z)f(z)f(z)，存在最优参数 θ∗\theta^*θ∗ 使得逼近误差有界。

4. 自适应控制器设计

4.1 误差动态

定义跟踪误差：

e=xd−x,e˙=x˙d−x˙e = x_d - x, \quad \dot{e} = \dot{x}_d - \dot{x}e=xd−x,e˙=x˙d−x˙

定义滤波误差：

s=e˙+λe,λ>0s = \dot{e} + \lambda e, \quad \lambda > 0s=e˙+λe,λ>0

则：

s˙=x¨d−x¨+λe˙=x¨d−f−u+λe˙\dot{s} = \ddot{x}_d - \ddot{x} + \lambda \dot{e} = \ddot{x}_d - f - u + \lambda \dot{e}s˙=x¨d−x¨+λe˙=x¨d−f−u+λe˙

4.2 控制律与自适应律

取控制律：

u=x¨d+λe˙+ks−f^(z∣θ),k>0u = \ddot{x}_d + \lambda \dot{e} + k s - \hat{f}(z|\theta), \quad k > 0u=x¨d+λe˙+ks−f^(z∣θ),k>0

其中 f^\hat{f}f^ 为模糊系统对 fff 的估计。

代入 s˙\dot{s}s˙：

s˙=−ks+(f^−f)=−ks+θ~Tξ(z)−w\dot{s} = -k s + (\hat{f} - f) = -k s + \tilde{\theta}^T \xi(z) - ws˙=−ks+(f^−f)=−ks+θ~Tξ(z)−w

其中 θ~=θ^−θ∗\tilde{\theta} = \hat{\theta} - \theta^*θ~=θ^−θ∗，w=f−θ∗Tξw = f - \theta^{*T}\xiw=f−θ∗Tξ 为最小逼近误差（假设有界 ∣w∣≤wˉ|w| \leq \bar{w}∣w∣≤wˉ）。

4.3 Lyapunov 分析与自适应律

选取 Lyapunov 函数：

V=12s2+12γθ~Tθ~,γ>0V = \frac{1}{2}s^2 + \frac{1}{2\gamma}\tilde{\theta}^T\tilde{\theta}, \quad \gamma > 0V=21s2+2γ1θ~Tθ~,γ>0

求导：

V˙=ss˙+1γθ~Tθ^˙=s(−ks+θ~Tξ−w)+1γθ~Tθ^˙=−ks2−sw+θ~T(sξ+1γθ^˙)\dot{V} = s\dot{s} + \frac{1}{\gamma}\tilde{\theta}^T \dot{\hat{\theta}} = s(-k s + \tilde{\theta}^T\xi - w) + \frac{1}{\gamma}\tilde{\theta}^T \dot{\hat{\theta}} = -k s^2 - s w + \tilde{\theta}^T\left(s\xi + \frac{1}{\gamma}\dot{\hat{\theta}}\right)V˙=ss˙+γ1θ~Tθ^˙=s(−ks+θ~Tξ−w)+γ1θ~Tθ^˙=−ks2−sw+θ~T(sξ+γ1θ^˙)

为使 V˙≤0\dot{V} \leq 0V˙≤0（忽略 www 时），取自适应律：

θ^˙=−γsξ(z)\dot{\hat{\theta}} = -\gamma s \xi(z)θ^˙=−γsξ(z)

则：

V˙=−ks2−sw≤−ks2+∣s∣wˉ\dot{V} = -k s^2 - s w \leq -k s^2 + |s|\bar{w}V˙=−ks2−sw≤−ks2+∣s∣wˉ

当 ∣s∣>wˉ/k|s| > \bar{w}/k∣s∣>wˉ/k 时 V˙<0\dot{V}<0V˙<0，因此 sss 一致最终有界，进而 e,e˙e,\dot{e}e,e˙ 有界。

注：实际应用中常加入 σ‑修正或死区以避免参数漂移。

5. MATLAB 仿真示例

5.1 被控对象

考虑 Duffing 混沌系统（未知 fff）：

x¨=−0.1x˙−x3+12cos⁡(t)+u\ddot{x} = -0.1\dot{x} - x^3 + 12\cos(t) + ux¨=−0.1x˙−x3+12cos(t)+u

即 f(x,x˙)=−0.1x˙−x3+12cos⁡(t)f(x,\dot{x}) = -0.1\dot{x} - x^3 + 12\cos(t)f(x,x˙)=−0.1x˙−x3+12cos(t)，g=1g=1g=1。

我们假装不知道 fff 的表达式，用模糊系统逼近。

5.2 仿真代码

matlab 复制代码 
%% 基于模糊系统逼近的自适应控制仿真
clear; clc; close all;

%% 参数设置
dt = 0.001;                     % 仿真步长
T = 20;                         % 总时间
t = 0:dt:T;
N = length(t);

% 控制器参数
lambda = 5;
k = 10;
gamma = 50;                     % 自适应增益

% 模糊系统参数
% 输入范围：x1 ∈ [-3,3], x2 ∈ [-5,5]
% 每个维度划分 5 个隶属函数 → 共 25 条规则
numMF = 5;
x1_range = linspace(-3, 3, numMF);
x2_range = linspace(-5, 5, numMF);
sigma = 0.8;                    % 高斯宽度

% 生成所有规则的隶属函数中心和宽度
[c1, c2] = meshgrid(x1_range, x2_range);
centers = [c1(:), c2(:)]';      % 2×M
M = size(centers,2);

% 初始化参数 theta
theta = zeros(M,1);

% 参考轨迹
xd = @(t) sin(t);
dxd = @(t) cos(t);
ddxd = @(t) -sin(t);

% 状态初始化
x1 = 0; x2 = 0;
x1_history = zeros(1,N);
x2_history = zeros(1,N);
u_history = zeros(1,N);
theta_history = zeros(M,N);
s_history = zeros(1,N);

%% 仿真循环
for i = 1:N
    % 当前时间
    ti = t(i);
    
    % 参考信号及其导数
    xd_val = xd(ti);
    dxd_val = dxd(ti);
    ddxd_val = ddxd(ti);
    
    % 误差
    e = xd_val - x1;
    de = dxd_val - x2;
    s = de + lambda * e;
    
    % 计算模糊基函数
    z = [x1; x2];
    xi = zeros(M,1);
    for j = 1:M
        mu1 = exp(-(z(1)-centers(1,j))^2/(2*sigma^2));
        mu2 = exp(-(z(2)-centers(2,j))^2/(2*sigma^2));
        xi(j) = mu1 * mu2;
    end
    xi = xi / sum(xi);          % 归一化
    
    % 模糊系统输出
    f_hat = theta' * xi;
    
    % 控制律
    u = ddxd_val + lambda*de + k*s - f_hat;
    
    % 自适应律（欧拉法）
    theta = theta + dt * (-gamma * s * xi);
    
    % 施加控制到系统（真实动力学）
    % 真实 f = -0.1*x2 - x1^3 + 12*cos(ti)
    f_real = -0.1*x2 - x1^3 + 12*cos(ti);
    x2_dot = f_real + u;
    x1_dot = x2;
    
    % 更新状态（欧拉积分）
    x1 = x1 + dt * x1_dot;
    x2 = x2 + dt * x2_dot;
    
    % 记录
    x1_history(i) = x1;
    x2_history(i) = x2;
    u_history(i) = u;
    theta_history(:,i) = theta;
    s_history(i) = s;
end

%% 绘图
figure('Position', [100 100 900 800]);

subplot(3,1,1);
plot(t, xd(t), 'k--', 'LineWidth', 1.5); hold on;
plot(t, x1_history, 'r-', 'LineWidth', 1);
xlabel('Time (s)'); ylabel('x');
legend('Reference', 'Output');
title('跟踪性能');
grid on;

subplot(3,1,2);
plot(t, x1_history - xd(t)', 'b-', 'LineWidth', 1);
xlabel('Time (s)'); ylabel('Tracking error');
title('跟踪误差');
grid on;

subplot(3,1,3);
plot(t, u_history, 'g-', 'LineWidth', 1);
xlabel('Time (s)'); ylabel('Control input');
title('控制信号');
grid on;

figure;
% 显示部分参数收敛情况（取前5个规则）
plot(t, theta_history(1:5,:)');
xlabel('Time (s)'); ylabel('\theta');
title('模糊系统参数收敛（前5个规则）');
legend(arrayfun(@(i)sprintf('Rule %d',i),1:5,'UniformOutput',false));
grid on;

% 模糊逼近效果对比（在最后时刻）
z_test = [-2:0.1:2; -2:0.1:2];  % 测试点
f_true = -0.1*z_test(2,:) - z_test(1,:).^3 + 12*cos(T);
xi_test = zeros(M, length(z_test));
for j = 1:M
    mu1 = exp(-(z_test(1,:)-centers(1,j)).^2/(2*sigma^2));
    mu2 = exp(-(z_test(2,:)-centers(2,j)).^2/(2*sigma^2));
    xi_test(j,:) = mu1 .* mu2;
end
xi_test = xi_test ./ sum(xi_test,1);
f_approx = theta' * xi_test;

figure;
plot(z_test(1,:), f_true, 'b-', 'LineWidth', 1.5); hold on;
plot(z_test(1,:), f_approx, 'r--', 'LineWidth', 1.5);
xlabel('x_1'); ylabel('f(x, \dot{x})');
legend('True f', 'Approximated f');
title('模糊系统逼近效果（固定 \dot{x}=-2 截面）');
grid on;

参考代码 基于模糊系统逼近的自适应控制 www.youwenfan.com/contentcsv/81427.html

5.3 运行结果说明

  • 跟踪性能：输出很快跟上参考信号，稳态误差很小。
  • 模糊逼近 ：随着自适应进行，模糊系统参数收敛，对未知 fff 的逼近逐渐准确。
  • 控制信号：初期因参数未收敛有较大波动，后期趋于平稳。

6. 扩展讨论

6.1 如何处理未知 g(x)g(x)g(x)？

若 ggg 未知但符号已知（例如 g>0g>0g>0），可采用：

u=1g^(z∣θg)(x¨d+λe˙+ks−f^(z∣θf))u = \frac{1}{\hat{g}(z|\theta_g)}\left( \ddot{x}_d + \lambda\dot{e} + k s - \hat{f}(z|\theta_f) \right)u=g^(z∣θg)1(x¨d+λe˙+ks−f^(z∣θf))

并对 θf\theta_fθf 和 θg\theta_gθg 分别设计自适应律（需注意避免除零，可加正则项）。

6.2 如何提高逼近精度？

  • 增加隶属函数数量（规则数）；
  • 采用在线聚类或自适应网格划分；
  • 结合神经网络（如 RBF 网络）作为逼近器。

6.3 鲁棒性增强

  • 加入 σ\sigmaσ-修正：θ^˙=−γsξ−σθ^\dot{\hat{\theta}} = -\gamma s\xi - \sigma\hat{\theta}θ^˙=−γsξ−σθ^；
  • 使用死区技术：当 ∣s∣|s|∣s∣ 小于阈值时不更新参数。

7. 总结

本方案利用模糊系统的万能逼近特性，结合 Lyapunov 自适应律，实现了对未知非线性系统的跟踪控制。仿真表明，该方法能有效补偿未知动力学，具有良好的瞬态和稳态性能。代码可直接复制运行，适用于教学和初步研究。

热门推荐
012026年6月AI行业全景：从百模大战到Agent元年，这30天发生了什么？022026年6月AI大模型全景报告：GPT-5.6、Claude Opus 4.8、Gemini 3.5，中美AI三足鼎立谁主沉浮？03GitHub 镜像站点04【AI】2026 年具身智能模型和世界模型总结052026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf06AI科技热点日报 | 2026年6月1日07AI一周事件 · 2026-06-03 至 2026-06-0908Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析09上线仅72小时被强制下架：Claude Fable 5 的短命10Snowflake (SNOW) 可比公司分析报告