模型参考自适应控制(MRAC)_直流电机驱动 图一图二分别为负梯度下降法(MIT)和lyapunov稳定性分析法的仿真结果，图三为模型，图四为参考文献。

直流电机驱动中的模型参考自适应控制（MRAC）是个挺有意思的话题。咱们直接拿仿真结果开唠——图一用负梯度下降法（MIT规则）调参时，转速跟踪曲线抖得跟心电图似的，超调量直奔20%去了；而图二用Lyapunov稳定性分析设计的控制器，超调直接压到5%以内，稳得一批。这反差背后藏着自适应控制的灵魂：既要追得快，又要站得稳。

先看系统模型（对应图三）。假设电机转速动力学简化成：

% 被控对象模型
J = 0.01;   % 转动惯量
b = 0.1;    % 阻尼系数
K = 0.01;   % 转矩常数
dt = 0.001; % 采样时间

% 参考模型（期望动态特性）
Am = -5;    % 参考模型极点
Bm = 5;     % 输入增益

参考模型选了个一阶系统，想要让实际电机转速跟踪这个理想动态。重点在于参数自适应律的设计，这俩方法的代码实现差异直接导致性能天差地别。

MIT规则的核心是拿误差的梯度猛踹控制器参数：

% MIT规则参数更新（伪代码）
gamma = 0.8; % 自适应增益
for k = 1:N
    e = ym(k) - y(k);          % 跟踪误差
    theta = theta_prev + gamma * e * u * dt;  % 控制参数更新
    u = theta * (r(k) - y(k)); % 控制量计算
end

这写法看着简单粗暴，但梯度方向可能带偏，就像新手司机猛打方向盘——容易振荡。仿真里出现的超调和抖动用代码解释就清楚了：gamma参数调太大容易发散，调太小收敛慢，得在钢丝上找平衡。

换成Lyapunov稳定性设计，代码立马多了几分哲学意味：

% Lyapunov自适应律（片段）
P = lyap(Am', eye(1)); % 解李雅普诺夫方程
gamma = 0.1;           % 自适应增益

theta_dot = -gamma * Bm' * P * e * phi; % 参数更新率
theta = theta + theta_dot * dt;          % 参数积分

这里的phi是回归向量，相当于给参数更新加了动力学约束。李雅普诺夫函数像给系统套了层能量外壳，参数更新方向必须让这个能量不断衰减。从代码层面看，多出来的P矩阵乘法实际上引入了模型动态特性的先验知识，相当于老司机预判路况提前打方向。

最后说说实际调参时的小技巧。仿真显示MIT方法需要把gamma从0.5逐渐降到0.1才能稳定，而Lyapunov方法gamma=0.1从头到尾稳如狗。这启示我们：鲁棒性好的算法给工程实现省大事儿了——毕竟产线调试时没人想抱着参数手册当八宝粥搅和。

（注：参考文献[4]里Astrom那本自适应控制圣经里详细推导了这两种方法的稳定性条件，想深究的可以翻翻第三章）