随着软件与硬件技术的发展,越来越多的工业设备进行智能化升级。在大多数实际工业场景下,非线性、不确定性以及级联一直是实际场景普遍存在的特性,因此将该类系统归类于不确定级联非线性系统。考虑到实际场景的实际需求,将先进的控制算法用于提高不确定级联系统的控制品质是重要的研究方向。本文提出使用RBF神经网络逼近理论解决实际场景的数学模型中不可测量参数的问题,从而得到精准的数学模型。由于实际场景的复杂性进而导致预估参数存在一定误差,使用Backstepping自适应控制方法设计控制器,从而提高此类系统的抗干扰能力及控制品质。本文选择不确定级联系统中的两个实际场景,即电厂过热汽温系统与风扰条件下四旋翼无人飞行器,并围绕两个实际系统的不确定参数预测、不确定级联系统机理建模、控制器设计等方面展开相关研究。主要研究内容与结论概括如下:1)不确定参数预测:对两个实际系统的不确定参数进行分析,确定了影响风速大小的关键气象因素,如日平均温度、平均气压、平均湿度、日期;确定了直接影响烟气侧放热量的关键参数,如发电负荷、主汽流量、主汽温度等。利用RBF神经网络方法,分别建立烟气侧放热量和风场风速的神经网络模型,将辨识实验结果与实际结果进行对比分析,得到的两个模型能够较好的反映系统的特点,解决了参数不可测不确定的关键性问题。2)不确定级联系统机理建模:在实际系统中,每个实际场景的机理建模方法均不相同,因此本文根据两个实际系统特性、控制器设计的实际需要以及算法验证需求,采用详细的建模方法,分别建立减温器与过热器以出口工质参数为集总参数的机理模型以及在风场扰动下四旋翼飞行器的飞行动力学机理模型,即建立了两个实际场景的机理模型,并将两个实际应用场景的机理模型总结为不确定级联系统。所建模型为后续控制器设计与仿真研究提供了强有力的理论基础和仿真验证平台。3)控制器设计:实际场景的机理模型虽然可归属于不确定级联系统,但由于控制器设计的需要,因而将数学模型转换为参数严格反馈仿射形式。本文过热汽温系统机理模型为非仿射形式,而旋翼飞行器属于参数严格反馈系统。因此为便于控制器设计,将减温器输出量即过热汽温温度转换为过热汽温焓值,此时该过热汽温系统数学模型转换为严格反馈形式。考虑到RBF神经网络所预估的不确定参数在实际场景中仍会存在误差,因此分别设计出两个系统的反推自适应控制器和不确定参数自适应率。仿真实验证明该反推自适应控制方法比反推控制更适用于实际场景中的不确定级联系统,且具备更优的鲁棒性能。