CFDL-MFAC无模型自适应控制仿真全解析：从伪偏导数估计到参数整定

说实话，第一次真正跑通CFDL-MFAC的闭环仿真时，我花了整整一个周末。原因不是理论难读，而是论文里很少告诉你伪偏导数在线估计在代码里该按什么时序更新、重置机制在什么条件下触发、rho和lambda到底怎么配对才能让输出既快又不抖。这篇博客我就把自己的仿真研究过程完整拆开来讲：紧格式动态线性化的无模型自适应控制（CFDL-MFAC）到底在干什么、伪偏导数估计的Matlab代码怎么写、Simulink模型怎么搭、参数怎么整定、结果怎么看，最后再说说从CFDL走向PFDL/FFDL的扩展思路。内容定位是控制方向的研究生和刚接触无模型自适应控制的工程师，代码思路可以直接复现。

1. CFDL-MFAC到底“无模型”在哪儿：设计逻辑与紧格式线性化

1.1 从对象模型到数据模型

传统自适应控制的第一步通常是辨识对象模型，或者基于机理建模。你拿到一个二阶水箱、一台伺服电机，先写微分方程，再定阶、辨识参数，然后设计控制器。问题是：很多被控对象机理不清、参数时变、还有未建模动态，这时候你花大力气建的模型，可能比对象本身还难伺候。

MFAC的思路是完全绕开机理模型。它不关心被控对象是几阶的、是线性的还是强非线性的，只关心一件事：在每一个采样周期，用输入输出数据构造一个“等效的动态线性化模型”。这个模型只在这个工作点附近有效，随着系统工作点移动，模型参数也在线更新。所以叫“无模型”，并不是说控制系统中没有模型，而是说没有需要先验辨识的固定机理模型。

我在实际仿真中最直观的感受是：你只要给控制器输入“参考值、当前输出、上一拍控制量”，它就能自己把增益方向、动态滞后这些信息慢慢“学”出来，很有点自适应PID的味道，但理论基础更统一。

1.2 紧格式动态线性化的推导思路

考虑一个SISO离散时间非线性系统：

y(k+1) = f(y(k), ..., y(k-n_y), u(k), ..., u(k-n_u))

这里f未知。MFAC的做法不是直接去逼近f，而是利用一个关键假设：系统输出关于控制输入满足广义Lipschitz条件——也就是说，当输入变化不是太大时，输出变化也不会无限大。在这个前提下，对于任意两个时刻k和k+1，存在一个时变标量φ_c(k)，使得：

Δy(k+1) = φ_c(k) · Δu(k)

其中Δy(k+1) = y(k+1) - y(k)，Δu(k) = u(k) - u(k-1)。这个φ_c(k)就是伪偏导数（PPD）。

这个式子看着很简单，但它不是普通的差分方程，而是一个“增量等价模型”。它的意思是：在当前工作点附近，输出增量可以表示成输入增量乘以一个时变系数。这个系数既包含了对象的静态增益，也吸收了动态滞后、非线性、甚至外部干扰的影响。正因为只有当前一拍输入增量参与建模，没有引入更多历史时刻输入，所以叫“紧格式动态线性化”。

我自己理解时用了一个类比：φ_c(k)就像是你开车时方向盘转角到车身横向位移之间的“等效传动比”。这个传动比不是恒定的，高速时灵敏、低速时迟钝，转弯半径、路面附着力都会影响它。你不知道它的精确表达式，但可以通过方向盘和车身位移的实测数据，在线把它估出来。

1.3 伪偏导数到底在估计什么

伪偏导数这个名字容易让人误解，以为它是某个偏导数。其实它就是上面那个增量等式里的一个时变系数，物理上更像“等效增益”。它不需要和对象的任何机理参数对应，也不需要唯一。

举个例子，对象如果是y(k+1)=0.6y(k)+0.4u(k)，那PPD大概会在0.4附近。但如果对象是非线性的，比如y(k+1)=y(k)/(1+y(k)^2)+0.8u(k)-0.3u(k-1)，PPD就不再是某个固定常数，它会随工作点变化而漂移。漂移的方向和幅度，反映了对象增益和动态特性的“当前状态”。

有了这个增量模型，控制目标就变得很直接：我们希望y(k+1)尽量贴近参考值y*(k+1)。把Δy(k+1)=φ_c(k)Δu(k)代入，求解最小化问题：

min J = (y*(k+1) - y(k+1))² + λ(Δu(k))²

前一项是跟踪误差，后一项是控制增量惩罚，λ用来约束控制量的变化幅度，防止执行机构过猛。对Δu(k)求导等于零，得到控制律：

u(k) = u(k-1) + ρ · φ_c(k) · e(k) / (λ + φ_c(k)²)

其中e(k) = y*(k) - y(k)。ρ是额外加入的步长因子，用于调节控制强度。这个式子就是CFDL-MFAC的控制核心。注意这里的φ_c(k)是未知的，所以实际实现中必须用在线估计的伪偏导数φ_hat(k)代替，让控制律和估计器构成一个闭环自适应系统。

2. 伪偏导数在线估计的Matlab实现：时序、代码与重置机制

2.1 估计律怎么从目标函数落到递推公式

既然φ_c(k)未知，就要在线估计。最经典的做法是梯度下降：我们希望找到一个φ_hat(k)，使得用φ_hat(k-1)代入增量模型后能尽量复现上一拍实际测得的输出增量Δy(k)。

定义估计误差：

ε(k) = Δy(k) - φ_hat(k-1)·Δu(k-1)

由此构造准则函数：

J_φ = (Δy(k) - φ_hat(k-1)·Δu(k-1))² + μ(φ_hat(k-1) - φ_hat(k-2))²

第一项是模型拟合误差，第二项是惩罚伪偏导数突变的正则项，μ是权重系数。对φ_hat求梯度下降，整理后得到标准的PPD估计算法：

φ_hat(k) = φ_hat(k-1) + η·Δu(k-1)·(Δy(k) - φ_hat(k-1)·Δu(k-1)) / (μ + Δu(k-1)²)

其中η是估计器步长，μ又是分母中的正则项，防止Δu(k-1)=0时分母为零导致估计值爆炸。这个公式看起来简单，但实现时有几个细节直接决定仿真能不能跑通。

先说分母里的μ。当系统接近稳态时，Δu很小，如果μ取太小比如0.0001，那么整个修正项会被放大，φ_hat会出现尖峰。我在第一版代码里设μ=0.01，η=1，结果PPD曲线全是毛刺，控制量也跟着抖。后来把μ调大到1，毛刺立刻消失。μ不是越大越好，太大了PPD更新迟钝，对象增益突变时跟不上去。

再说η。η控制估计器的学习快慢。η太大，估计值对噪声敏感；η太小，PPD更新太慢，对象快速变化时会有一段控制性能恶化。我常用的范围是0.2到0.9，先取0.5起步比较稳。

2.2 可运行的CFDL-MFAC仿真循环代码

下面给一个完整的Matlab单步循环实现。这里被控对象我放了一个典型的非线性差分方程，你可以换成自己的对象模型。代码的关键是时序：先算控制量，再进对象，最后更新伪偏导数。

%% CFDL-MFAC 离散仿真主循环 clear; clc; Ts = 0.01; % 采样周期 N = 3000; % 仿真步数 % 被控对象参数（示例：带输出非线性的差分方程） alpha = 0.6; beta = 0.4; % 控制器与估计器参数 rho = 0.5; % 控制步长 lambda = 0.01; % 控制增量惩罚 eta = 0.8; % 伪偏导数估计步长 mu = 1.0; % 估计器正则项 phi0 = 0.5; % 伪偏导数初始值 epsilon_phi = 1e-4; % 重置阈值 epsilon_du = 1e-4; % 输入增量阈值 % 状态初始化 y = 0; y_prev = 0; u = 0; u_prev = 0; phi = phi0; % 参考输入：方波 ref = ones(N, 1); ref(1500:end) = 0.5; % 日志 logs = zeros(N, 5); for k = 1:N r = ref(k); % 第一步：用当前伪偏导数估计值计算控制增量 e = r - y; phi_current = phi; % 当前拍使用的PPD u = u_prev + rho * phi_current * e / (lambda + phi_current^2); % 第二步：被控对象输出（把这里替换成你的对象模型） y_next = alpha * y / (1 + y^2) + beta * u - 0.1 * u_prev; % 第三步：伪偏导数在线估计 du = u - u_prev; dy = y_next - y; phi_new = phi_current + eta * du / (mu + du^2) * (dy - phi_current * du); % 第四步：重置机制 if abs(phi_new) <= epsilon_phi || abs(du) <= epsilon_du || sign(phi_new) ~= sign(phi0) phi_new = phi0; end % 第五步：状态滚动 y_prev = y; y = y_next; u_prev = u; phi = phi_new; logs(k, :) = [ref(k), y, u, phi_current, e]; end %% 画图 t = (0:N-1) * Ts; figure; subplot(3, 1, 1); plot(t, logs(:, 1), 'r--', t, logs(:, 2), 'b-', 'LineWidth', 1.2); legend('参考值', '输出 y'); ylabel('y'); grid on; subplot(3, 1, 2); plot(t, logs(:, 3), 'LineWidth', 1.2); ylabel('控制量 u'); grid on; subplot(3, 1, 3); plot(t, logs(:, 4), 'LineWidth', 1.2); ylabel('伪偏导数 phi'); grid on; xlabel('时间 (s)');

这段代码跑下来，你大概率会看到输出能无静差跟踪方波，控制量平滑变化，伪偏导数稳定在一个合理范围。如果你的对象增益方向是负的，记得把phi0设成负值，否则符号方向错了，系统会一开始就往反方向猛打控制量。

2.3 重置机制与初值符号：多数仿真发散的根源

第一次调CFDL-MFAC仿真发散，不用怀疑是自己公式抄错了，先检查重置机制。重置机制是MFAC理论分析里的关键一环，也是工程实现里最容易漏掉的一步。

为什么要重置？因为PPD估计是一个在线递推过程，它依赖输入信号持续激励。如果系统进入稳态，Δu几乎为0，估计器的修正项很小，PPD就停在了某个值。等参考值突然变化时，这个停滞的PPD可能已经不符合新工作点的增益特性，控制量第一拍就会给大或给小。更危险的是，如果估计器在某一拍因为噪声或数值误差把φ_hat推到了零附近甚至改变符号，控制律中的符号就会反转，系统直接发散。

常见的重置条件是三类：

• |φ_hat(k)|小于阈值ε，说明估计值失效；
• |Δu(k-1)|小于阈值ε，说明当前数据没有激励信息，估计不可信；
• sign(φ_hat(k))与初始符号不一致，说明方向反了。

满足任意一个，就强制把φ_hat恢复为初始值φ0。我代码里就是这么做的。别小看这一步，我试过把这个判断注释掉，同一个对象、同一组参数，原来是收敛的，2000步后突然失控。原因就是符号翻转了一次。

初值φ0的选择也有讲究。最省事的做法是取与被控对象静态增益同数量级的数，符号要一致。比如对象是u到y增益0.4，φ0取0.5就挺好。如果完全不知道增益，就取1试试，系统一般也能靠在线估计慢慢修正。但如果对象增益是负的而你给了正的φ0，那么第一拍控制方向就错了，很可能一开始就发散。

提示：重置机制在理论上看是“防止PPD越界”的兜底，在工程上其实是MFAC的保命机制。凡是有人说MFAC仿真发散，我第一反应就是问他有没有写重置判断。

3. Simulink仿真搭建：两个关键模块和一条干净的信号流

3.1 控制器与PPD估计器：拆成两个模块更好用

从Matlab纯代码转到Simulink模型时，不同的封装方式差距很大。我最早把所有逻辑写进一个MATLAB Function块，输入err和y，输出u，函数内部用persistent变量维护phi、u_prev。功能上没错，但调试非常痛苦，因为你没法单独观察伪偏导数中间值，也没法分别验证控制器和估计器的行为。一旦曲线不对，你不知道是控制律写错了还是估计器发散。

后来我改成拆成两个模块，信号流非常清楚：

• CFDL_Controller：输入是参考值ref、当前输出y、伪偏导数phi_hat，输出是控制量u。
• PPD_Estimator：输入是当前控制量u_k、上一拍控制量u_prev、当前输出y_k、上一拍输出y_prev，输出是phi_hat。

两个模块之间再放Unit Delay保存历史值。搭建顺序是：先写控制器模块，用一个常量phi_hat=0.5测试能否镇定对象；然后加入估计器，观察phi_hat是否收敛。这样分步调试，出问题的定位成本低得多。

控制器模块内部的MATLAB Function代码大致是：

function u = CFDL_Controller(ref, y, phi_hat) persistent u_prev if isempty(u_prev) u_prev = 0; end rho = 0.5; lambda = 0.01; e = ref - y; u = u_prev + rho * phi_hat * e / (lambda + phi_hat^2); u_prev = u; end

估计器模块内部大致是：

function phi_hat = PPD_Estimator(u_k, u_prev, y_k, y_prev) persistent phi_hat_old if isempty(phi_hat_old) phi_hat_old = 0.5; end eta = 0.8; mu = 1.0; du = u_k - u_prev; dy = y_k - y_prev; phi_new = phi_hat_old + eta * du / (mu + du^2) * (dy - phi_hat_old * du); if abs(phi_new) < 1e-4 || abs(du) < 1e-4 || sign(phi_new) ~= sign(phi_hat_old) phi_new = phi_hat_old; end phi_hat = phi_new; phi_hat_old = phi_new; end

这里要注意，估计器的y_k应该是对象当前输出，y_prev是上一拍输出。Unit Delay的初始条件要设置成和仿真初始状态一致，否则第一拍dy会是个错误的大跳变。

3.2 被控对象离散化与求解器设置

在Simulink里，被控对象如果直接用连续传递函数，那整个系统就是一个混合仿真：控制器是离散的，对象是连续的。这种结构理论上有意思，但仿真设置没做好就容易出现各种诡异现象。

我的建议是：先在Matlab里把连续对象用c2d离散化，然后在Simulink里用Discrete Transfer Fcn块或离散差分方程实现。比如：

Ts = 0.01; Gc = tf(1, [1 1]); % 一阶惯性对象 Gz = c2d(Gc, Ts, 'zoh'); % 零阶保持器离散化

得到的Gz就是Simulink里可直接拖入的离散传递函数。这样整个闭环从控制器到对象全是离散的，采样逻辑清晰，不需要考虑连续求解器的小步长问题。

如果你必须保留连续对象，那求解器建议用固定步长，步长取采样周期的1/5到1/10左右，比如Ts=0.01，求解器步长设0.002。还要注意在对象输出后接零阶保持器或直接把采样时间设置到控制器模块上，确保离散控制器按固定周期读取对象输出。

3.3 代数环和因果时序：最常见的仿真卡壳点

第一次在Simulink里搭MFAC，很容易遇到“代数环”报错或仿真速度极慢。原因是这样的：控制器算u需要phi_hat和y，y是被控对象的输出，而被控对象下一步又依赖u。如果信号回路里没有任何延迟，Simulink解算器就要在一个步长内解一个隐式方程，这就是代数环。

解决思路无非两条：一是把被控对象离散化，用离散差分方程描述，这样y_k只依赖上一拍的u，天然从因果上断开了代数环；二是在反馈通道上插入Unit Delay或Memory块，人为延迟一拍。对MFAC来说，延迟一拍完全不影响算法，因为PPD估计本身就需要历史数据。

实际操作中，最干净的信号流是这样的：

ref ---> [CFDL_Controller] ---> u ---> [被控对象] ---> y ---+--- [Scope] ^ | | | +---> [Unit Delay u_prev] | | +---> [PPD_Estimator] <----- [Unit Delay y_prev] +----------------- phi_hat <-----------------------+

控制器使用当前y和估计器输出的phi_hat，估计器使用当前u、u_prev、y、y_prev。由于估计器内部有persistent存储，输入回路中u和y都经过至少一个采样周期才回到控制器，代数环自然不存在。

注意：如果你的被控对象是连续传递函数，且控制器输出直接进对象、对象输出又直接进控制器，Simulink可能不会报错但会迭代很多次。你可以在仿真统计里看有没有代数环警告。有警告就说明因果时序有问题，别硬着头皮继续跑。

4. 参数整定与实验设计：从阶跃到增益突变

4.1 基准测试：阶跃、方波与正弦跟踪

参数整定之前，先建立三个基础实验场景，用来快速判断一套参数是否合理。

第一个是阶跃跟踪：参考值从0跳变到1。这个场景主要看超调、上升时间和稳态误差。CFDL-MFAC本质上是增量式控制器，u由累加而成，所以对常数参考值有天然的积分作用，稳态误差理论上是零。如果看到稳态偏差不为零，优先怀疑是仿真时间不够长，或者是λ太大了导致跟踪太慢。

第二个是方波跟踪：参考值在1和0.5之间交替变化。这个场景能暴露控制器在参考突跳时的动态表现，以及PPD在两次阶跃之间的重置情况。我用上面代码跑方波时，输出会在参考跳变瞬间出现一个小超调，然后迅速回落，超调量一般能控制在10%以内。

第三个是正弦跟踪：参考值例如r=0.5·sin(0.5π·t)。MFAC对慢变正弦信号跟踪效果还可以，但因为控制律依赖当前误差，本质上有滞后。λ调小、ρ调大能减小相位滞后，代价是控制量更活跃。我实测下来，正弦跟踪的相位滞后基本没法完全消除，这也符合MFAC作为数据驱动控制器的特性。

4.2 参数表与整定经验

下面这张表是我实际反复调参后总结出来的，先看作用，再看调大后的现象，比单纯给一组参数有用得多。

我的整定顺序是：先把eta固定0.5、mu固定1，把控制侧参数调稳。具体说，phi0按对象增益粗略估计取一个数，rho先取0.5，lambda从0.01开始试。如果输出振荡，就增大lambda，比如0.05、0.1，直到振荡消失。如果响应太慢，就增大rho到0.7或0.8，同时微调lambda保持镇定。控制侧稳了，再回头调估计侧：看phi曲线毛不毛，毛就减小eta或增大mu；phi跟不跟得上对象增益变化，跟不上就增大eta。

这整套流程下来，大多数简单对象都能在几十次仿真内找到可用的参数组合。每次只改一个参数，别同时动两个，否则你根本分不清是哪个参数导致的曲线变化。

4.3 一个能体现PPD价值的实验：对象增益突变

MFAC真正的价值体现在对象参数变化时。我常做的一个实验是：在第1500步，把被控对象y(k+1)=α·y(k)/(1+y(k)^2)+β·u(k)-0.1·u_prev中的β从0.4变为0.8。

在PID控制器下，这相当于对象增益突然翻倍，固定参数的PID通常要重新整定。在CFDL-MFAC下，由于PPD在在线估计，它会自动感知到输出增量对输入增量的比例变大，然后把估计值从0.4附近逐渐调到0.8附近。具体表现是：增益突变的瞬间，输出会有一个短暂凸起，但很快被拉回参考值；控制量u会自动降下来，因为同样的u现在会产生更大的输出增量。注意观察phi曲线，会看到一个平滑爬升的过程，这就是伪偏导数“在线估计”的实时证据。

这个实验做完，你会直观理解为什么MFAC适合参数时变系统。它没有去辨识一个固定模型，而是让模型参数跟着对象跑。PPD曲线本质上就是被控对象在某条工作轨迹上的“等效增益轨迹”。

4.4 怎么读伪偏导数曲线

很多人做完仿真只看输出，不看PPD，这是最可惜的。伪偏导数曲线其实是系统健康状况的仪表盘。

正常状态：phi曲线平缓，数值在对象等效增益量级，偶有小幅波动；控制量和输出平稳。异常状态：phi高频抖动，说明eta偏大或mu偏小，估计器在追噪声；phi持续单调增大到失控，说明对象有积分特性或控制量激励不足；phi反复触发重置，说明估计器在“翻跟头”，多半是初值方向不对或mu太小；phi基本不变但输出跟踪差，说明估计器停摆，原因大概率是du长期为零，缺乏激励。

我在实际调试中的一个习惯是：先把phi曲线画出来，和输出曲线上下对齐看。每次参考突变那几拍，phi通常会有一个小波动，这是正常的，相当于估计器在“重新校准”。如果这个波动幅度过大，甚至改变了符号，那就是重置机制在起作用，需要回头看是不是参数太激进。

5. 进阶扩展与实战心态：从CFDL走向PFDL/FFDL

5.1 单步紧格式的边界：什么时候该换成PFDL

CFDL只使用了当前拍输入增量Δu(k)来解释输出增量。对很多低阶系统，这个模型够用。但如果你想控制的对象相对阶较高、有较大纯滞后，或者你发现无论怎么调rho和lambda，输出总要慢半拍甚至振荡，那就要考虑扩展模型的输入信息宽度。

偏格式动态线性化（PFDL）把最近L个输入增量组成了向量：

ΔU_L(k) = [Δu(k), Δu(k-1), ..., Δu(k-L+1)]^T

增量模型变成：

Δy(k+1) = Φ_p(k)^T · ΔU_L(k)

这里的Φ_p(k)是一个L维时变向量，相当于给系统增加了“输入记忆”。对存在滞后或高阶动态的对象，这种扩展能明显改善PPD对输出响应的解释能力。代价是待估计参数从1个变成L个，需要更强的持续激励条件，仿真时du的波动数据必须足够丰富，否则有些分量估计不出来。

全格式动态线性化（FFDL）更彻底，同时把输出增量和输入增量的历史都放进去，参数规模更大。我的经验是：工程仿真优先试CFDL，如果不行就PFDL（L取2或3），一般很少一上来就要FFDL。PFDL的代码实现并不复杂，只需要把标量du换成向量，控制律中的惩罚项改成向量范数平方即可。真到这一步，建议再回头翻侯忠生教授关于无模型自适应控制的专著，里面的推导细节更完整。

5.2 工程约束、测量噪声与弱激励问题

仿真跑通只是第一步，真要考虑工程应用，有几个坑是躲不开的。

第一个是执行器饱和。MFAC控制律算出来的u如果超过了实际执行机构的限幅，实际施加的u会和计算u不一致。这会导致PPD估计器用错数据：它以为对象输入是计算u，实际却收到了饱和后的u，等价模型瞬间失真。我的处理办法是：检测到饱和时，暂停PPD估计，等退出饱和后再恢复。简单说就是“数据不可信就别用来更新模型”。如果必须持续估计，也可以考虑把饱和环节建模成被控对象的一部分，但这会让PPD的性质变差。

第二个是测量噪声。输出y上的噪声会直接进入dy，进而影响PPD估计。最直接的办法是在y进入控制器前加一阶低通滤波，但滤波会带来相位滞后，需要折中。另一个思路是把PPD估计从梯度法换成带遗忘因子的递推最小二乘，它对噪声的容忍度更高，代价是计算量稍大、代码更复杂。

第三个是弱激励问题。前面提到过，稳态时du接近0，PPD基本不更新。这在恒定参考值下是好事，因为估计值已经稳定；但一旦参考变化，旧的PPD未必立即匹配新工作点。所以有些应用会在控制输入上叠加一个微小的周期扰动信号，保持持续的激励。这确实能改善估计器的响应速度，但输出也会出现小幅纹波。是否值得，看你的控制精度要求。

5.3 最后几句操作习惯

做MFAC仿真做到现在，我最大的体会是：这套方法看着公式少，但真正的坑都在那些“论文省略掉”的细节里。重置机制、采样周期的选取、被控对象的离散化方式、估计器与控制器的时序拆分，任何一个没处理好，结果都可能差之千里。

所以我建议你拿到一个新对象时，不要急着上最优参数。第一步，先用固定phi_hat开环或闭环跑一遍，确认控制律本身没问题；第二步，加入估计器，观察phi曲线是否收敛，这一步可以容忍粗糙参数；第三步，再按我上面给的整定顺序去优化rho、lambda、eta、mu四个参数。每一步只用一张图说话，输出曲线和phi曲线对齐看。这套流程我用了很多次，每次都能把问题定位到具体模块，比盲目调参高效得多。

CFDL-MFAC不是一个需要海量算力的算法，它真正的门槛在于理解“数据模型”和“在线估计”之间的耦合关系。希望这篇分享能帮你把仿真跑通，少踩几个我已经替你踩过的坑。