MFAC无模型自适应控制仿真实践：CFDL/PFDL与MIMO系统调参心得

做控制的人基本都经历过这样一个阶段：一接手某个被控对象，先翻文献、做辨识、建机理模型，模型稍微复杂一点就陷入参数整定的泥潭。如果你也被这套流程折磨过，那么MFAC（无模型自适应控制）这条路值得你认真了解一下。它的思路很直接——不依赖精确的机理模型，只利用系统的输入输出数据在线调整控制器，通过动态线性化把非线性系统在局部近似成线性模型，再用伪偏导数（PPD）估计这个“等效增益”，从而实现控制。我最近把六套MFAC仿真完整跑了一遍，覆盖了紧凑格式动态线性化（CFDL）、偏格式动态线性化（PFDL），以及多输入多输出（MIMO）系统，还配套整理了参考资料和可复现程序。这篇文章不打算和你复述教材公式，而是把我从仿真搭建到调参踩坑的整个思考过程写出来，给正在做课程设计、仿真实验或者准备论文数据的朋友做一个直接参考。

1. 为什么“无模型”反而要先理解模型——MFAC的底层逻辑

1.1 先从我对“模型”这件事的执念说起

我最早接触MFAC的时候，第一反应是怀疑的：一个控制器不依赖模型，凭什么能对付千变万化的非线性系统？后来我把动态线性化这个概念吃透了，才发现MFAC并不是“不需要模型”，而是把“建模”这个动作从离线搬到了在线，从“求一个精确的全局模型”变成了“估计一个局部的近似模型”。

具体来说，传统控制策略的核心是先建模再设计控制律。模型准，控制器就好设计；模型误差大，控制效果就会打折。而MFAC走的是另一条路：它假设在每一个离散时间点附近，系统的输入输出增量之间存在一个局部线性关系。比如最经典的CFDL形式，它写作

y(k+1) - y(k) = φ(k) · [u(k) - u(k-1)]

这里的φ(k)就是伪偏导数。它不是从机理推导出来的物理参数，而是一个随时间变化、用来“吸收”系统非线性和不确定性的等效增益。只要这个φ(k)估计得准，我们就能在不知道系统内部结构的情况下，像控制一个一阶线性系统那样去设计控制律。

这里我强烈建议你注意一件事：动态线性化不是把非线性系统“无视”了，而是把非线性特征全部压缩进一个时变参数里。所以MFAC能不能工作，很大程度上取决于伪偏导数估计得有多准，而不是取决于控制器本身。

1.2 CFDL、PFDL和MIMO这个概念组合到底在说什么

标题里出现的CFDL、PFDL和MIMO，其实是三个不同维度的概念。你完全可以把它们拆开理解：

CFDL是紧凑格式动态线性化。它用单个伪偏导数构造输入输出之间的增量关系，结构最简单，适合SISO系统，或者耦合性较弱的MIMO系统。它假设系统在相邻时刻的动态变化可以用一个标量增益描述，这在小范围内是合理的。

PFDL是偏格式动态线性化。它不再只用最近一个时刻的输入增量，而是把过去N个时刻的输入增量都纳入考虑——相当于给系统增加了一段“记忆”。格式上写作

y(k+1) - y(k) = φ₁(k)·Δu(k) + φ₂(k)·Δu(k-1) + … + φ_N(k)·Δu(k-N+1)

PFDL对系统阶数、时滞和复杂动态的适应能力更强，代价是伪偏导数从一个标量变成一个向量，估计参数变多。

MIMO则是多变量系统的自然延伸。单入单出系统只有一个输入一个输出，伪偏导数用标量就够了；到了多入多出系统，输入输出之间的耦合关系让伪偏导数从标量升级为矩阵。实际做仿真时，可以把伪偏导数设为对角矩阵来近似解耦，也可以设为全矩阵来捕捉通道间的交叉影响。

我的仿真矩阵基本上是按这两个维度展开的：一是线性化格式（CFDL对PFDL），二是系统结构（SISO对MIMO）。六个仿真不是六个孤立案例，而是一个可以交叉对比的完整方案矩阵。后面我会逐个拆开讲。

2. 伪偏导数估计：从公式到工程可用的三个关键细节

2.1 估计算法的直觉理解

伪偏导数估计的逻辑，要从“用输出误差修正参数”的角度来理解。我们可以把它类比成“在线辨识一个时变增益”。定义系统输出预测误差，也就是用当前伪偏导数和输入增量预测出的输出变化，与真实输出变化的差。这个误差越大，说明当前伪偏导数越不准确，需要修正。

估计器标准形式可以写成

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

其中η是步长因子，μ是防止分母为零的小正数。看这个式子你会发现一个很有意思的性质：分母中的μ加的是Δu(k-1)的平方，而不是绝对值的平方，所以当输入变化很小时，分母很小，修正量会被放大；当输入变化比较大时，分母增长很快，修正量被压缩。这个设计的本质，是在输入信号变化缓慢时依然能保持参数收敛能力，同时避免大步长输入引起参数跳变。

我在实际跑代码时，会把φ̂(k)的初值设成一个经验性非零值，比如1。这个初值看似随意，其实很关键——因为控制律里伪偏导数会出现在分母位置，如果初值为零，第一拍就会出现除以零的数值灾难。这一点我在后面的仿真中反复遇到过。

2.2 为什么需要一个看起来“不讲道理”的重置机制

MFAC算法里有一个常被初学者忽略的环节：伪偏导数重置。当估计值φ̂(k)逼近零，或者符号发生突变时，算法会强制把它重置为预设的初值。初看这似乎是个补救措施，但实际上它是保证算法稳定性的核心机制之一。

你可以这样理解：伪偏导数代表的是输入增量对输出增量的等效增益。如果这个增益趋近于零，控制律里的增益项会变得极其敏感，一点输入扰动就可能导致控制量剧烈抖动甚至发散。而且，实际系统在大多数情况下增益符号不会频繁改变，一旦估计值出现符号翻转，往往意味着估计器已经被噪声带偏了。把φ̂(k)重置回初值，等于在提醒估计器“从头再来”。

我做仿真时的做法是两种阈值触发机制并列：一是绝对值下界，当|φ̂(k)|小于一个极小阈值时重置；二是符号变化检测，当φ̂(k)·φ̂(k-1) < 0时重置。这两个条件能覆盖大多数发散场景。

2.3 估计器参数μ和η的调参心得

关于μ和η，很多人一开始不知道怎么给数值。我给一组可供起步参考的取值范围：

• η（估计步长因子）：通常取0.5到1之间。η太小，参数收敛慢；η太大，估计值容易震荡。
• μ（分母护持项）：通常取0.001到1之间的较小值。μ越大，参数修正越保守，适合噪声大的场合；μ越小，参数跟踪越快，适合信号干净、动态快的系统。

我的建议是先固定η=1、μ=0.01跑一个基准实验，看输出跟踪曲线是否平滑。如果出现控制量高频抖动，把μ调大一个量级；如果跟踪斜率太慢，把μ调小。这个试错过程通常三轮以内就能稳定。真正的复杂度不在于估计器本身，而在于估计器和控制律之间的参数耦合，这一点我放到后面“调参”部分细说。

3. 六套仿真的方案矩阵：CFDL、PFDL、MIMO怎么排兵布阵

3.1 六个方案的宏观布局

我需要在一开始就说明：六套仿真并不是同一对象换六个参数凑数，而是按照“结构复杂度递进”的思路安排的。整个矩阵可以用一张表格说明：

方案一和方案三用的是同一个对象，只是线性化格式不同；方案四和方案五也是同一个对象，只是伪偏导数矩阵的结构不同。这样的安排让每一组对比都只有一个变量在变化，结论才站得住脚。

3.2 方案一：SISO非线性系统的CFDL基线

方案一的被控对象是我精心选的一个经典非线性离散系统：

y(k+1) = y(k) / (1 + y(k)²) + u(k)³

这个对象很典型：第一项自带非线性阻尼，第二项输入项是非三次方关系，如果用传统线性化方法做，工作点一变模型就得重来。而在MFAC框架下，我根本不需要关心它的解析结构，只需要在每个采样时刻读取当前的y(k)和u(k)就可以驱动闭环。

控制器设计我就用最标准的CFDL控制律：

u(k) = u(k-1) + ρ·φ̂(k) / (λ + φ̂(k)²)·[y_ref(k+1) - y(k)]

这里的ρ是控制律步长因子，λ是惩罚因子，作用是抑制控制量增量过大。这个结构的妙处在于：当φ̂(k)很大时，分母λ+φ̂(k)²近似等于φ̂(k)²，控制增益近似为ρ/φ̂(k)，不会让输入增量过于激进；当φ̂(k)接近零时，分母不会归零，控制增益也被自动压下来。对λ来说，它其实承担了“保守度调节”的功能，λ越大，控制量变化越平缓。

基线仿真的结果让我真正体会到了“无模型”的威力。在参考信号是方波跳变时，系统在经过最初的一到两个采样周期适应期后，输出就开始稳定跟踪参考轨迹，稳态误差在千分之一量级。而整个过程中我唯一的“建模”动作，就是给伪偏导数设了一个初值1。

3.3 方案二和方案三：时滞对象的考验与PFDL的价值

方案二我直接把对象处理器加了三个采样周期的纯延迟。说实话，对MFAC这类增量式数据驱动控制算法来说，纯延迟是天然的敌人。因为控制作用要经过三个采样周期才能在输出上反映出来，而估计器看到的是“过去了的历史响应”，很容易把考勤关系搞混。仿真中，我的确观察到了控制器前期明显超调，经过几个周期后才慢慢校正回来。

针对时滞问题，我试了两个思路。第一个是增大λ、减小ρ，让控制律反应温和一点，给延迟留出缓冲时间；第二个是做输出来一步预测补偿，也就是用当前估计出的伪偏导数提前预测未来一拍的系统输出，再以这个预测值参与控制律计算。方案二最终采用是相对温和的参数加预测补偿的组合，效果尚可，但超调仍然比无时滞对象明显。

方案三换了PFDL，把窗口长度设为N=3，也就是说，控制律会考虑最近三拍输入增量对当前输出的共同影响。同样在方案一的非线性对象上，PFDL表现得比CFDL“聪明”一些：在快变参考信号下，PFDL的跟踪峰值误差比CFDL缩小了大概百分之三十，而且控制量的波动幅度更小。原因也容易理解——系统动态过程本来就不只依赖上一拍的输入，给控制器多一点“记忆”，它对瞬态过程的刻画自然就更准。

3.4 方案四到方案六：MIMO系统的耦合难题

MIMO仿真是这套方案里最有挑战性的部分。我构造了一个两入两出的耦合非线性系统，用一组离散方程描述：

y₁(k+1) = 0.4·y₁(k) / (1 + y₂(k)²) + u₁(k)² y₂(k+1) = 0.3·y₂(k) / (1 + y₁(k)²) + u₂(k)² + 0.5·u₁(k)·u₂(k)

注意第二个输出里有一个u₁(k)·u₂(k)交叉项。这个项会带来真实的通道耦合：第一通道的输入会直接影响第二通道的输出，如果控制器不考虑这个交叉作用，两个通道的闭环会互相干扰。

方案四采用对角矩阵伪偏导数，相当于假设通道间解耦，通道一的控制器只看通道一的数据，通道二的控制器只看通道二的数据。仿真结果在意料之中：在参考信号平坦时两个通道都能保持稳定，但只要通道一的参考信号发生跳变，通道二的输出就会明显受到扰动，需要一段时间才能修正回来。这个现象很直观：对角结构无法补偿交叉耦合，耦合的影响只会表现为通道间的扰动。

方案五使用全矩阵伪偏导数，把耦合通道的交互项显式纳入估计和控制律。伪偏导数矩阵从2x2的对角结构变成全矩阵结构，控制律的计算涉及矩阵-向量乘法，核心环节是保证矩阵求逆或类矩阵运算时的数值稳定性。实际跑下来，通道间的耦合扰动被明显削弱，第二通道在参考跳变时的输出波动幅度几乎减半。代价也很明显：全矩阵估计的参数数量直接翻倍，对噪声更敏感，个别仿真段会出现伪偏导数矩阵元素的大幅跳变。

方案六在方案五的基础上增加了PFDL的窗口记忆，让MIMO系统同时具备“耦合补偿”和“动态记忆”两个特性。效果在慢变耦合环节上最佳——耦合通道的扰动修正时间从全矩阵CFDL的大约十几个采样周期缩短到五六个周期。但参数调整难度也上了一个台阶，我花了相当多时间才把矩阵形式的估计器参数和窗口长度匹配到合理区间。

4. 程序实现的关键骨架与数值处理技巧

4.1 六个仿真的公共程序框架

六套仿真虽然对象不同、线性化格式不同，但程序骨架高度一致。我把它们抽象成一个循环结构，每个采样周期内依次完成四件事：一是读取系统当前输出，二是计算参考信号与输出的误差，三是更新伪偏导数估计，四是计算并施加控制输入。

用伪代码描述单步流程如下：

for k = 1:K y_current = plant(y_old, u_last, u_prev) # 被控对象更新 error = y_ref(k+1) - y_current # 计算跟踪误差 if mode == 'CFDL' phi_hat = estimate_phi_cfdl(phi_hat, dy, du, eta, mu) elif mode == 'PFDL' phi_vec = estimate_phi_pfdl(phi_vec, dy, du_window, eta, mu) if abs(phi_hat) < phi_min or sign_changed(phi_hat) phi_hat = phi_init # 重置机制 u_new = control_law(u_last, phi_hat, error, rho, lambda) u_last = u_new end

实际组织代码时，我建议把对象模型、伪偏导数估计器、控制律、重置机制和结果绘图分别放到独立函数中。这样六套仿真的代码复用率非常高，切换方案只需要改配方和数据传递方式，不必重复造轮子。

4.2 MIMO矩阵化处理的几个数值陷阱

MIMO版本的实现最容易踩数值坑。全矩阵伪偏导数估计涉及矩阵求逆或者伪逆运算，而矩阵求逆对条件的敏感程度远超标量除法。我调试时最常用的小技巧是：在矩阵求逆或除法运算中显式加入一个正则化项——给对角线加上一个小常数。具体到代码里就是类似 (ΦΦᵀ + αI)⁻¹ 的处理，其中α取1e-6到1e-4，具体视矩阵元素量级调整。

另一个坑是量纲差异。MIMO多通道的输入输出可能不在一个数量级上。我第一遍跑方案四的时候，通道一输出量级在零点几，通道二输出量级却已经到几十，结果伪偏导数矩阵的元素数值跨度很大，数值求解几乎发飘。解决办法是提前对输入输出数据做归一化，把每个通道的信号都归一到零到一之间再送入算法。这看起来是个不起眼的预处理步骤，但在MIMO仿真里它往往是决定成败的关键。

4.3 结果曲线的“三重验证”习惯

仿真跑完后，很多人只看跟踪曲线就下结论，我强烈建议你做三重验证。第一眼看输出跟踪曲线，确认没有静差、超调可接受；第二眼看控制输入曲线，确认控制量没有高频抖动、没有超出执行器物理上下限；第三眼看伪偏导数序列，确认估计值在合理区间内波动，没有频繁触发重置。

我见过太多只盯着输出曲线的案例：输出看着很平滑，一看控制量早就抖成筛子了，伪偏导数估计值跳得毫无规律。这种状态下的模型实验数据，写进论文里是做不了支撑的。所以我的习惯是把三张图放在同一个figure里，每次参数调整直接对比三组曲线，问题一眼就能看出来。

5. 调试心得：让六套仿真稳定收敛的关键参数与坑

5.1 控制器参数ρ和λ的配合逻辑

调参时我最常被问到：ρ和λ到底怎么给初值？我的经验是，ρ取0.1到1之间，λ取0.5到2之间，然后按照“先稳住再加快”的顺序调整。具体操作步骤是：先固定λ较大，例如λ=2，选择一个中等ρ，例如0.5，跑通闭环；随后保持λ不变，逐步增大ρ，观察跟踪速度和控制量变化——跟踪速度变快但控制量开始抖动时，回到上一个ρ值；最后保持ρ不变，逐步减小λ，进一步优化跟踪性能，直到λ小到控制量又开始抖动为止。

这个流程的本质是交替调整两个旋钮：ρ负责“快慢”，λ负责“保守”。ρ太大会让控制律过于激进，λ太小会削弱对控制增量的约束，二者失衡都会表现为震荡。在方案三PFDL中，我还需要为窗口内的每个输入增量分配一个ρ_i，我的习惯是按照时间远近递减分配，例如窗口长度3时取ρ=[0.4, 0.3, 0.3]，这样历史输入的影响更温和。

5.2 采样周期和参考信号幅度的重要性

MFAC是典型的离散时间控制算法，采样周期直接决定了算法看到的“系统时间尺度”。我调试方案二时，把采样周期从1改到0.1，相当于把时滞从3拍变成30拍，控制难度瞬间飙升。后来我把采样周期修正为与被控对象时间常数匹配的量级，时滞影响才回到可控范围。做仿真时，采样周期不能拍脑袋，至少要参考对象响应时间常数的1/10到1/5。

参考信号幅度的选择也很有讲究。MFAC的伪偏导数是用本地增量关系近似非线性系统，如果参考信号大范围跨越多个工作点，伪偏导数需要持续大幅变化才能跟上。方案三中我把参考信号幅度加大一倍后，PFDL窗口内的伪偏导数元素出现了明显的持续爬升现象，最终触发重置次数增多。这提醒我：在单次仿真中，参考信号变化范围不宜过大，需要覆盖多个工况时可以分段线性化切换，而不是指望一个伪偏导数序列包打天下。

5.3 伪偏导数重置频率是一个良好的健康指标

我把每套仿真跑完后的重置次数都记下来了。方案一几乎不触发重置，全程只有个位数的重置；方案二因为时滞因素重置次数明显上升；方案四在对角矩阵近似下重置次数居中；方案五在全矩阵结构下参数多，个别通道偶尔出现短时重置。这个指标很好用——重置太频繁，说明估计器已经跟不上系统变化，要么是参数配置不合理，要么是结构选择不对劲。

如果你发现自己的仿真频繁触发重置，我建议先不要急着加大重置阈值，而是去检查估计器参数μ和η是否和信号尺度匹配。很多情况下把μ调大一个数量级，重置次数马上就会降下来。当然，如果系统本身确实存在快速工况切换，重置机制多触发几次也是正常现象，关键是确定重置不是系统不稳定的前兆，而是正常适应过程的组成部分。

5.4 初始化敏感性与慢启动策略

这套算法对初始状态有一定敏感性，主要体现在伪偏导数初值、控制量初值和参考信号初始斜率上。我处理的方式是采用“慢启动”：前若干个采样周期，把参考信号从当前输出逐步过渡到目标值，而不是强制让输出一步跳到目标。这样伪偏导数估计器有足够时间从初值收敛到真实增益附近，后续跟踪就轻松很多。

慢启动具体实现很简单，比如用一阶滤波器处理参考信号：y_ref_smoothed(k) = α·y_target(k) + (1-α)·y_ref_smoothed(k-1)，α从0.1缓慢调到1。这个做法在方案二时滞对象上效果尤其明显，超调量能下降近一半。做工程实际系统时，这种软启动思路也值得沿用。

5.5 记录每一次参数调整的“实验日志”

最后分享一个做六套仿真积累下来的习惯：每次调参我都记录一组完整的参数快照，包括伪偏导数初值、ρ、λ、η、μ、窗口长度N以及对应的曲线特征评价。因为MFAC的参数空间维度较高，靠记忆很难厘清变量之间的关系。有了实验日志，我可以在参数组合之间快速对比，找出“同样场景下哪种结构更稳”这样有价值的规律。

我用最笨的办法做实验日志——一个表格加三张截图。表格里记录核心参数和几个关键性能指标，例如最大超调、稳态误差、控制量峰值、重置次数；截图则是输出、控制量、伪偏导数三条曲线的组合图。复盘时一目了然。

结尾

六套仿真跑完，我最深的体会是：MFAC真正的门槛不是算法本身——估计器和控制律的代码加起来不过百行——而是你能不能理解伪偏导数这个“时变代理参数”在系统中扮演的角色，以及参数之间的耦合关系。它不是一个“给了参数就能跑”的黑盒工具，而是一套需要你在线感知系统行为的调参哲学。

如果你刚开始接触这套东西，我的建议是不要一上来就啃MIMO和PFDL。先把方案一做到极致，把CFDL的每一拍数据变化理清楚，再把时滞、多变量这些复杂性一层层加回去。等你能熟练解释“为什么这个参数变化会导致那条曲线震荡”的时候，MFAC对你来说就不再是一个仿真作业，而是一个真正能用的控制工具了。我后续还在尝试把伪偏导数估计和扰动观测器做结合，看看能不能进一步压缩时滞系统的超调量。如果实验顺利，我会把结果整理成新文章分享出来。