MFAC无模型自适应控制：动态线性化三种方法的非线性系统应用

看到“MFAC无模型自适应控制CFDL+PFDL+FFDL三个非线性系统动态线性研究”这个标题，第一反应就是：又有人在啃硬骨头了。MFAC这个名字在控制圈里出现过不少次，但真正动手复现过的人才明白，它有多“简单粗暴”又有多“拧巴”。简单在于整个控制器连对象的数学模型都不需要，拧巴在于三套动态线性化方法——CFDL、PFDL、FFDL——看起来都是同一个套路，实际仿真平台上的表现却天差地别。

我前阵子正好用Matlab把这三种方法在三个非线性系统上完整跑了一遍，从理论公式往下落到代码再落到曲线，整个过程踩了不少坑。这篇就把我的复现思路、参数设定、踩坑记录和调试技巧一次说透，有代码、有参数、有曲线判断方法，想入坑无模型自适应控制的朋友可以直接照着搭。

1. 从“复现”说起：MFAC到底是个什么东西

1.1 为什么叫“无模型”，它真的不需要模型吗

先把这层窗户纸捅破。“无模型”不是指系统没有动力学方程，而是指控制器设计过程中完全不依赖被控对象的数学模型。传统PID虽然也不依赖模型，但它本质上是基于误差反馈的调节器，而MFAC走的是另一条路：利用被控对象实时输入输出数据，在线估计一个“伪偏导数”，在当前工况附近把非线性系统动态线性化，然后基于这个局部线性模型设计控制律。

打个比方，传统自适应控制就像拿着对象的精确设计图纸来施工，而MFAC更像是瓦工在现场用靠尺和水平仪一点点找平——不需要图纸，只要实时测量，每一锤都能根据当前墙面状态调整。这里的关键在于“局部动态线性化”这个操作，它允许我们在一个很小的邻域内，用一个线性关系去近似原本非线性的输入输出关系，并且随着工作点移动，这个线性关系也在不断更新。

1.2 三种动态线性化方法的定位

标题里的CFDL、PFDL、FFDL，其实是三种不同“尺度”的动态线性化方式：

• CFDL，紧格式动态线性化，只用当前时刻输入变化量来线性化输出增量，伪偏导数是一个标量，参数最少，实现最简单；
• PFDL，偏格式动态线性化，把滑动时间窗口内多个输入变化量一起纳入线性化模型，伪梯度是一个向量，能承载更多动态特征；
• FFDL，全格式动态线性化，输入输出两路历史变化量同时参与线性化，信息最全，但需要在线估计的未知量也最多。

这三个兄弟的关系很像数学里的函数逼近：CFDL是用一个点去拟合，PFDL是用一小段历史去拟合，FFDL则是同时看输入和输出两端的历史来拟合。都要做，但适配的工况完全不同。

• 适合速览：复现工程并不强迫你读懂所有数学证明，但要分清“控制律”和“参数估计律”两条主线。CFDL适合拿来理解框架，PFDL适合拿来理解滑窗机制，FFDL适合拿来理解信息融合与控制自由度之间的取舍。

2. 三种动态线性化的原理拆解与选择依据

2.1 CFDL：动态线性化最紧凑的形式

CFDL的核心假设是：在当前时刻，系统输出增量与输入增量之间存在一个线性关系，即Δy(k+1) = φ(k)Δu(k)。这里的φ(k)就是伪偏导数。它不像真实偏导数那样要求系统可微，而是作为一种综合补偿系数存在，把所有未建模动态、非线性、扰动都吸收进这个时变系数里。

控制律的设计其实是一步最优化问题。目标函数取：

J = [y*(k+1) - y(k+1)]² + λ[u(k) - u(k-1)]²

其中第一项逼近期望输出，第二项惩罚控制量变化幅度，防止执行机构剧烈跳动。λ是惩罚因子，它越大，控制变化越柔和，但跟踪速度也会变慢。求导令∂J/∂u(k)=0，得到控制律：

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

其中ρ是步长因子，e(k+1)=y*(k+1)-y(k)是当前跟踪误差。分母里的λ+φ(k)²是标准的正则化项，作用有两个：一是防止φ(k)过小时分母接近零导致控制量爆掉，二是限制控制增益不会无限大。

由于真实φ(k)未知，还需要估计值。这一步同样用最速下降法去逼近，估计律一般写作：

φ̂(k) = φ̂(k-1) + η·Δu(k-1)·[Δy(k) - φ̂(k-1)Δu(k-1)] / (μ + Δu(k-1)²)

μ是另一层防除零保护。整个估计过程不需要任何系统信息，只要用上一时刻的输入输出变化量就能更新伪偏导数。

2.2 PFDL：把“滑窗”引入输入历史

CFDL的局限很明显：它对“输入变化量”只用当前一拍，如果对象本身惯性偏大、时滞明显，或者阶次较高，一拍输入变化量根本承载不了足够的动态信息。PFDL的做法是向前看一个窗口：取Lu个历史输入变化量Δu(k-Lu+1), ..., Δu(k)组成伪梯度向量φ(k)，动态线性化模型写为：

Δy(k+1) = φ(k)ᵀ·ΔU(k)

这里ΔU(k)是输入增量组成的列向量，φ(k)是对应长度的伪梯度向量。控制律还是带惩罚项的二次优化，只是和目标有关的梯度项变成了向量内积形式。实现时相当于控制信号由滑窗内的多个历史输入增量共同加权，Lu越大，控制可以依赖的历史信息越多，对时滞和惯性的补偿越充分。

但天下没有免费午餐，PFDL的待估计参数从1个变成Lu个，每一个伪梯度分量都存在在线辨识误差。Lu选得过大，系统会被不必要的振荡拖垮；选得过小，又体现不出偏格式的优势。通常Lu取3到5之间比较稳。

2.3 FFDL：输入输出历史同时纳入

FFDL进一步扩展：把“输出变化量”也纳入线性化模型。在非线性程度很严重、输出反馈对动态特征影响明显的系统里，只靠输入历史信息往往不够。FFDL的模型形式上同时开两个窗口：

Δy(k+1) = φ_y(k)ᵀ·ΔY(k) + φ_u(k)ᵀ·ΔU(k)

其中ΔY(k)是Ly个历史输出变化量向量，ΔU(k)是Lu个历史输入变化量向量，整体拼接成一个大维数的伪梯度向量。

从控制律推导看，FFDL本质上和PFDL没有区别，只是信息维度更高。控制器每拍都要处理(Ly+Lu)个未知参数的估计与更新，设计自由度大了不少，但必须时刻注意参数漂移问题。仿真里有个很典型的想象：当被控系统输出方向在某段轨迹上快速反转时，没有加入重置机制的FFDL伪梯度分量很容易被历史信息“带偏”，导致控制量符号翻转，输出曲线出现毛刺。

2.4 三种方法对比怎么选

三种方法我都跑过，用同一套参考轨迹和同一类非线性对象去对比，总结出一张参考表：

有一次我做CSTR温度控制的复现，系统本身就明显带时滞，CFDL跑出来的曲线控制量频繁小幅振荡，切换到PFDL（Lu=4）之后跟踪误差直接降了一个数量级。这说明方法本身没有绝对好坏，关键是你手里这个对象到底给了控制器多少可用的动态信息。

3. Matlab仿真实操：从建对象到调参数

3.1 工程架构：一个主程序加三个核心文件

我建议不要把三套算法揉在同一个脚本里，不然改参数的时候代码会改得你想砸电脑。推荐结构：

MFAC_Project/ ├── main_CFDL.m % CFDL控制器仿真主程序 ├── main_PFDL.m % PFDL控制器仿真主程序 ├── main_FFDL.m % FFDL控制器仿真主程序 ├── model_sys1.m % 非线性对象1 ├── model_sys2.m % 非线性对象2 ├── model_sys3.m % 非线性对象3 ├── plot_results.m % 曲线绘制函数 └── reset_phi.m % 伪偏导数/伪梯度重置函数

主程序内部走一个固定流水线：参数初始化 -> 循环控制（每拍：调用对象模型 -> 计算误差 -> 更新伪偏导数 -> 计算控制量） -> 结果保存 -> 绘图。这样三个算法一改文件名就能套用同一个对象做横向对比。

3.2 关键代码解析：PPD估计与控制律

以CFDL为例，核心循环长这样：

%% 主循环 for k = 3 : N % 当前输出 y(k) = feval(model_name, y(k-1), u(k-1), k); % 期望输出 yd(k) = 0.5 * sin(2*pi*k/T) + 0.3 * sin(2*pi*k/(T/2)); % 误差 e(k) = yd(k) - y(k); % 伪偏导数更新（加了一项重置判断） delta_u_prev = u(k-1) - u(k-2); phi_hat(k) = reset_phi(phi_hat(k-1), delta_u_prev); phi_hat(k) = phi_hat(k-1) + eta * delta_u_prev * ... (y(k) - y(k-1) - phi_hat(k-1) * delta_u_prev) / ... (mu + delta_u_prev^2); % 控制律更新 u(k) = u(k-1) + rho * phi_hat(k) * e(k) / (lambda + phi_hat(k)^2); end

代码看似简单，但一个极其容易被忽略的点是：控制律里要用的是e(k) = yd(k) - y(k)，也就是“当前拍”误差，而不是“下一拍”误差。虽然理论上控制的目的是minimize下一拍的误差，但可用的最新测量值只有当前拍输出，所以工程上这一步直接采用当前拍误差。很多刚上手的人想当然地写成e(k+1)，导致控制量总慢半拍，振荡加剧。

伪偏导数重置函数reset_phi是CFDL/PFDL/FFDL都能共用的一条保命线。规则很简单：如果伪偏导数符号翻转（比如跟踪正斜率时突然变负），或者数值超过某个阈值，就把它拉回初值：

function phi = reset_phi(phi, delta_u) if abs(phi) > Phi_max || sign(phi) ~= sign(delta_u + eps) phi = Phi0; else phi = phi; % 保持原值 end end

PFDL和FFDL的代码结构一样，只是把标量φ换成了向量φ̂，delta_u换成滑窗向量。

3.3 三个非线性对象的搭建

标题里要求三个非线性系统动态线性研究，我选了三类差别明显的对象：

对象1：单变量强非线性，用于验证CFDL的基础性能：

function y_next = model_sys1(y_k, u_k, ~) y_next = y_k / (1 + y_k^2) + u_k^3; end

这类函数在u_k比较小时增益变化剧烈，特别考验伪偏导数估计的真实性。

对象2：带时滞和惯性环节，用于说明为什么PFDL有效：

function y_next = model_sys2(y_k, u_k, k) persistent y_hist u_hist if isempty(y_hist), y_hist = zeros(1,5); u_hist = zeros(1,5); end y_hist = [y_hist(2:end), y_k]; u_hist = [u_hist(2:end), u_k]; y_next = 0.9*y_hist(end) - 0.2*y_hist(end-1) + 0.4*u_hist(end-3) + 0.1*u_hist(end-4)^2; end

时滞三步，如果CFDL只用当前输入增量去逼近，信息滞后会导致控制效果差，而PFDL的滑窗恰恰能把前三步的输入信息都纳入。

对象3：输入输出耦合的强动态系统，只有FFDL才能把输出历史也利用起来：

function y_next = model_sys3(y_k, u_k, ~) y_next = 0.6*y_k + 0.3*y_k^2/(1+y_k^2) + 0.5*u_k - 0.15*u_k^2 + 0.2*y_k*u_k; end

注意到输出二次项与输入输出交叉项，这种强非线性下，输出历史对下一拍输出的影响不可忽略，用FFDL的信息结构更有优势。

3.4 跑起来之后看什么曲线

很多新人跑完代码只看跟踪效果，我建议至少看四张图：跟踪曲线、误差曲线、控制量曲线、伪偏导数/伪梯度曲线。跟踪曲线判断总体效果，误差曲线看收敛速度，控制量曲线看执行机构负担，伪偏导数曲线用来监控估计是否抖动或漂移。

有一次我把PFDL的Lu从2调到6，跟踪误差确实下降了，但控制量曲线开始每隔几拍出现跳变尖峰，一看伪梯度分量里后两个元素在剧烈正负变化，这就是“过拟合历史”的典型表现。对比过三套代码后我有个习惯：每次调参都先把伪偏导数曲线拉出来看一眼，它比输出曲线诚实得多。

4. 复现过程中的坑与实战技巧

4.1 振荡发散：惩罚因子和步长怎么配

复现MFAC时最常见的翻车现场是：输出曲线前期还像模像样，跑了半分钟之后突然开始大幅振荡，甚至发散到NaN。九成原因出在ρ和λ的搭配上。

我个人的经验区间：λ通常在0.01到0.5之间，ρ在0.5到0.9之间比较稳。这里有一个互相制约的关系：λ很小的时候控制增量权重低，控制器“胆子大”，增益高，配合大的ρ很容易激发未建模动态；反过来λ太大虽然稳，但跟踪慢得像蜗牛。建议先用λ=0.1、ρ=0.6起步，观察误差曲线是否有单边衰减趋势，再微调某个参数。

另外μ和η是伪偏导数估计律里的两个隐藏参数，同样重要。η是估计步长，要小于ρ，一般取0.1到0.2；μ是防除零保护项，取得太大会让估计律更新幅度被稀释，导致估计迟钝，太小又会在Δu接近零时产生巨大波动。通常μ的量级跟系统输入幅值的平方相当。

4.2 伪偏导数漂移：重置机制要加上

纯教科书版本往往不提重置机制，但实战复现如果省略，必然出事。伪偏导数本质是用实时数据拟合出的一个替代梯度，数据里任何异常尖峰都会让它的估计值发生不可控漂移。尤其是系统进入稳态、Δu接近零的时候，估计律分母μ+Δu²很小，容易把φ̂推到一个异常值，下一拍控制量就会抽风。

工程上比较通用的做法是三重防护：超过上限拉回初值、符号翻转拉回初值、连续多拍估计值无变化时强制刷新。这些逻辑统一放到reset_phi函数里，三个算法共用，省事又统一。我复现FFDL时有一次忘记给输出窗口分量加重置，伪梯度里前两个元素直接漂到负值，跟踪误差一会儿正一会儿负，整个系统就跟喝醉了一样东倒西歪。

4.3 轨迹不同步：初值选择与参考轨迹

参考轨迹的幅频特性如果和控制器带宽不匹配，画出来的跟踪曲线会“有延迟但稳定”，很多人就误以为是参数没调好。实际原因是参考轨迹变化速率过高，而MFAC的控制律还没有来得及把伪偏导数估计调整到位。这种时候可以先降低参考轨迹的频率，或者拉长仿真时间，让估计器有足够拍数收敛。

初值选择上，伪偏导数初值通常设成和被控对象“静态增益”同数量级。比如对象1在u=0附近，输出对输入的局部增益约等于0，设φ0=0会导致控制律一开始就失效，至少要设成0.5上下。PFDL和FFDL的伪梯度初值一般全设为1或者按静态增益做个缩放，让向量各分量初始对控制贡献均匀一些。实测下来，把初值统一设成1基本不会出大问题，但如果你发现第一拍控制量就出现巨大跳变，十有八九是初值方向和真实梯度方向相反。

4.4 从复现到改进的延伸方向

复现本身就是很好的学习路径，但跑通不等于研究完。我给接下来想深化的人三个可操作方向。

第一个方向是加扰动与噪声。先把对象换成带测量噪声的版本，再从常数扰动扩展到时变扰动，观察CFDL、PFDL、FFDL的鲁棒性差异。通常FFDL参数多，对噪声敏感程度反而高，这种对比实验做出来非常有意思。

第二个方向是做PID对比。PID的参数整定和MFAC的参数调整在同一场景下对比折线，工程说服力很强。MFAC最吸引人的卖点不是性能一定优于最佳整定的PID，而是在大范围工况变化时不用重新整定参数。

第三个方向是人工强行构造“模型失配”。把控制器设计时假设的结构故意和对象真实动态错位，比如FFDL里输出窗口长度和对象真实阶数不一致，这会逼着你思考“参数维度和信息维度”之间的关系，比单纯调参学到的多得多。

我个人实际操作中的体会是：CFDL像一把校准过的卡尺，量程有限但好上手；PFDL像数显游标卡尺，覆盖范围更大，但需要你不停确认量程设置；FFDL则像一台三坐标测量仪，功能最全，代价是操作门槛和维护成本一起涨。跑通三套代码只是第一步，真正有价值的，是你能在“告诉控制器多少历史信息”和“让控制器保持稳定”之间找到那个平衡点。

如果你现在正卡在某个参数死活调不平、曲线反复振荡、伪偏导数视角的调试摸不着头脑的状态，优先检查重置机制有没有加上，再看λ和μ是不是一大一小把增益挤爆了。这一步理顺了，这个复现工程十有八九就能顺利收官。