现代工业生产过程中,控制系统的数字化,促进了采样系统在工业界的广泛应用。因此,采样系统的控制方法研究在控制领域一直是一个热门研究内容。采样器及其采样周期是构成采样控制系统的基本元素。对于一般采样系统,工程师普遍认定所有采样器与零阶或一阶保持器都采用同一周期。但在多传感器融合的情况下,不同传感器确实存在着采样周期不一致的情况。即采样系统的采样器与保持器之间,采样器与采样器之间,保持器与保持器之间都可能存在着周期不一致的情况。存在此现象的采样系统被称为多速率采样系统。本论文主要针对此类多速率采样系统进行数据驱动控制方法的研究。从20世纪50年代至今,多速率采样系统一直吸引着科研工作者的目光,相关控制器设计方法从传统控制方法到先进控制理论都有覆盖。但工业生产过程存在很多难以解决的动态特性,例如强耦合性、强时变性、非线性等。这些特性使科研工作者很难用精确的数学模型去线性化描述。通过公式推导获得控制器参数的方法也很难解决上述工程难题。对于这种难题,一个解决方式是直接利用含多速率采样特性的输入输出数据设计控制算法,即数据驱动控制器。本论文针对多速率采样系统的实际工程难题,逐渐递进地提出多种数据驱动控制器设计方法,进而满足系统递增的复杂度与性能需求。绪言部分叙述了多速率采样系统、数据驱动控制方法的背景与发展现状、分析了当前多速率采样系统控制器设计方法的局限性。论文首先介绍一般性多速率采样系统的建模以及多速率采样特性分析方法,为后续章节数据驱动控制器的设计提供数理基础与知识铺垫。以含多速率采样特性的主动悬架系统为例,论文给出多速率采样系统建模、分析与系统频域控制器设计全过程。通过有限频域H∞输出反馈控制器,主动悬架系统在工作频域段具备更加优良的干扰抑制性能。主动悬架系统的建模与分析也为后续章节中输入输出数据的多速率采样特性分析提供了参考。在数据驱动控制器设计方面,本文首先针对多速率采样自稳定系统,从系统模型回归以及系统辨识两个方面进行了数据驱动控制器的设计。前者将多速率采样特性与偏分最小二乘方法结合,回归出系统预测模型。后者将多速率采样系统与子空间辨识结合,辨识出系统的相关参数,直接推导出预测模型。将这两种模型与模型预测控制方法结合,本文提出了基于偏分最小二乘的多速率采样系统数据驱动模型预测控制算法以及基于子空间辨识的多速率采样系统的数据驱动模型预测控制算法。第三章将算法应用在连续搅拌槽式加热反应器,解决其在系统参数未知情况下的输出跟踪问题。论文进一步针对多速率采样非稳定系统的单性能数据驱动控制问题,通过新式扩维技术,提出快速LQR控制器设计方法。之后基于贝尔曼方程,相继推导出多速率系统在线与离线控制器参数优化算法。利用最小二乘方法,多速率系统控制器的数据驱动参数优化方法可以在离线优化算法的基础上推导得到。将算法应用在含多速率采样特性的三自由度直升机姿态系统,本文解决其在系统参数未知情况下的控制器参数优化问题。通过该算法优化得到的控制器,三自由度直升机在角度跟踪上具有更优秀的性能。针对多速率采样非稳定系统的混合性能数据驱动控制问题,本文结合策略梯度下降算法,提出一种迭代优化的数据驱动控制器设计算法。这此类算法通过设计一个回报函数模块,描述了使用者期望的混合性能指标。回报函数模块会帮助策略梯度下降算法依据混合性能指标优化神经网络控制器,使训练得到的控制器满足期望的控制性能指标。论文将该算法应用在含多速率采样特性的三自由度直升机姿态系统,解决其在系统参数未知,性能需求混合复杂,输入限幅情况下的数据驱动控制器设计问题。通过该算法得到的控制器,三自由度直升机在角度快速跟踪的同时,满足多种性能需求以及限幅条件。在基于策略梯度下降的数据驱动控制器基础上,论文提出了一种数据利用率更高的数据驱动控制器设计算法。该算法利用基于集合概率的神经网络模型估计下一刻状态,并在损失函数下迭代优化该神经网络。训练得到的神经网络模型可以有效地预测下一刻输出。将神经网络模型与预测控制结合可以为多速率采样系统的数据驱动预测控制提供新方法。将该模型与神经网络控制器结合可以得到高数据利用率的数据驱动控制器。通过该算法,强非线性的改进版连续搅拌槽式加热反应器能够在参数未知的情况下,控制液体温度、液体流量、液位高度,快速达到期望稳态。