做控制的人应该都有过这种体验:模型建得越精细,参数辨识越痛苦,好不容易整定完,工况一变又要重新来。我最早接触无模型自适应控制(MFAC)的时候,第一反应也是“不建模怎么设计控制器?”后来把动态线性化这条路走通,又用Matlab把仿真跑起来,才真正理解它的价值:它不是在猜一个全局模型,而是在每一个工作点附近,用输入输出数据在线压出一个“伪线性关系”,控制器不需要知道系统内部的微分方程,照样能跟上参考轨迹。这篇文章就把这套方法的原理、控制律推导、Matlab代码实现,以及我在调参时踩过的坑,一次性讲清楚。适合正在做数据驱动控制课题的研究生,也适合现场工程师拿来做快速控制原型验证。
1. 为什么是“无模型”:传统控制掉链子的场景
1.1 精确建模的代价太高
经典的现代控制理论,从状态空间到最优控制,前提都是“我有一个足够准的模型”。但现实里的被控对象,要么是非线性强到解析式写不出来,要么是参数随负载变化漂移,要么干脆就是个黑箱。举个例子,一个电液伺服系统,油温、负载刚度、阀口流量系数全都变,你用机理法推导出的二阶模型,可能只在某组工况下准确,换个油温曲线,前馈补偿就失效了。PID虽然不依赖模型,但它本质上是线性固定增益控制器,面对强非线性时只能不停整定参数,而且整定结果往往只能在某个平衡点附近有效。
MFAC的思路完全不同。它把系统当成一个“可以用输入输出数据描述的一般非线性系统”,然后在每个采样周期内,通过动态线性化得到一个时变的伪线性模型,再基于这个模型在线设计控制律。模型不是提前离线辨识的,而是随着数据实时更新,所以它不依赖系统先验知识,也不需要精确的机理建模。
1.2 MFAC和PID、ADRC的边界
有朋友会问,ADRC(自抗扰控制)也是不依赖精确模型,它和MFAC有什么区别?这个区别要认清。ADRC把未建模动态和外部扰动统一当作总扰动,用扩张状态观测器去估计,本质上还是基于一个“积分串联型”的标称模型。MFAC则没有这种结构假设,它直接对系统的输入输出差分关系建模,用的是伪偏导数(PPD)来描述系统动态,结构更一般,尤其适合对象阶次未知、非线性强、甚至时变的情况。
从工程定位上看,PID适合线性度较好的工况,ADRC适合扰动大但模型结构相对明确的系统,而MFAC更偏向“对象特性基本不清楚、但又必须把控制做出来”的场景。它和数据驱动控制、迭代学习控制经常放在同一个工具箱里讨论,但MFAC是真正递推在线化的,不需要迭代批次,因此更适合在线实时控制。
1.3 动态线性化到底“线性化”了什么
很多初看MFAC的人都会困惑:如果把一个非线性系统强行写成线性形式,那不就是近似吗?关键是“动态线性化”和我们在经典控制里做的泰勒展开线性化不一样。
泰勒线性化是在一个固定工作点附近,把非线性函数展开,保留一阶项,得到的线性模型系数是常数,离开工作点就不准。动态线性化则是在每一步采样时刻,基于当前和历史的输入输出数据,建立一个只对该“下一时刻”有效的线性增量关系。比如系统输出从y(k)变化到y(k+1),这个变化量由控制输入增量Δu(k)和某个时变系数φ(k)相乘来描述。这个φ(k)就是伪偏导数(Pseudo Partial Derivative, PPD),它不是某个方程的固定偏导,而是随着系统工作点实时变化的“等效增益”。
这样做的好处是:只要φ(k)能被在线估计出来,控制器就不需要知道原系统的任何结构信息。非线性、耦合、时变,这些全部被“塞”进了φ(k)里。这也是为什么我们叫它无模型——不是没有模型,而是模型本身在线的、时变的、数据驱动的。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 动态线性化:把非线性系统写成可以在线辨识的伪线性形式
2.1 CFDL紧格式:一个标量伪偏导数就够
动态线性化最基础的形式是紧格式动态线性化(Compact Form Dynamic Linearization, CFDL)。对于一般单输入单输出非线性系统,如果它满足Lipschitz条件(也就是输出变化不会因为输入微小的变化而无限放大),那么在一个足够小的采样区间内,可以写成:
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)φ_c(k)是伪偏导数,是一个标量。
别小看这个式子。它把原系统在k时刻到k+1时刻的动态,用一个“时变增益”和“输入增量”的乘积来描述。形式上非常像线性系统的差分方程,但φ_c(k)每一拍都在变,所以它能逼近非线性。而且φ_c(k)是有界的、符号可以反映控制方向。
有些同学问:那如果系统有纯滞后怎么办?CFDL也有它的边界条件,严格来说它比较适合“相对于采样周期而言,输出响应较快”的系统。如果对象滞后很大,单个φ_c(k)描述输入
