干控制工程的人大概都经历过这种尴尬:算法论文读了一大堆,到了现场发现对象模型根本给不出来。非线性太强、参数随工况漂移、迟滞和扰动混在一起,经典的PID调来调去只能压哨应付。我最早接触无模型自适应控制(MFAC)就是在这种背景下——手里只有被控对象的输入输出历史数据,Matlab仿真里能跑通的模型到了现场全得推翻。MFAC的核心思路不在于“猜”一个精确模型,而是通过动态线性化技术,在每一个采样时刻把复杂非线性系统等效成一个线性时变系统,然后用输入输出数据在线估计那个被称为“伪偏导数”的等效参数,进而设计控制器。
这篇文章就是围绕基于动态线性化的MFAC,从理论推导、Matlab代码实现到性能研究,完整记录一遍我自己的实操过程。内容按“为什么这么做—原理是什么—代码怎么写—参数怎么调—坑在哪里”这条线展开,适合正在学习自适应控制、被导师或甲方要求跑MFAC仿真的研究生,也适合在现场被对象建模搞得头疼、想找一条数据驱动控制路子的工程师。你不需要先建出精确模型,不需要线性化到某个工作点附近,只要系统的输入输出数据满足几个不太苛刻的条件,MFAC就能开工。
1. 为什么说“无模型”:MFAC解决的工程痛点
1.1 机理建模在复杂对象面前的无力感
先说说我为什么会对MFAC产生兴趣。前几年我参与过一个温控对象的改造项目,对象本身是个带大迟延的加热装置,热容随时间变化,散热系数和环境温度强相关。最初方案很常规:先用阶跃响应辨识一阶惯性加滞后模型,再按Smith预估器或内模控制设计。结果一试就露馅——模型辨识时拿到的参数,在冷态启动和热态稳态下完全是两个数,跨工况切换时固定模型直接失配,控制品质崩得很快。
这种事在工业现场太常见了。对象不是不能建模,而是建模成本高、时效短、不可迁移。机理建模需要你深入理解对象的物理化学过程,每个参数都要有明确来源;辨识建模需要做激励实验,大扰动工况下现场不一定允许;即便模型建好了,运行一段时间设备老化、结垢、磨损,参数又漂了。控制工程师大部分精力被拖在建模和模型维护上,真正留给控制器设计的时间反而很少。
1.2 MFAC的基本约定:不建模,但用数据说话
MFAC的思路和上述路径完全相反。它不去“还原”被控对象的真实结构,而是假设在每一个当前时刻,对象可以被一个随时间变化的线性模型局部等效。这个等效不是在工作点附近做泰勒展开,而是对系统输入输出变化量之间关系的一种动态线性化描述。控制器利用最近几个采样时刻的输入输出数据,在线估计这个等效模型中的关键参数,并据此计算控制量。数据来了就更新,数据变了就跟着变,模型参数和控制器参数一体化在线调整。
所以“无模型”这三个字要打个引号——MFAC不是真的没有模型,而是把建模这件事从“事前的、一次性的、机理性的”变成了“在线递推的、持续更新的、数据直接驱动的”。它唯一要求的先验知识是系统的输入输出数据必须满足广义Lipschitz条件,通俗讲就是:输入变化量有限时,输出变化量也有限,不会出现输入微微一动、输出就飞到天上这种无界情况。绝大多数实际被控对象在正常工作范围内都满足这一点。
1.3 适合用MFAC的场景清单
根据我自己的使用体会,MFAC在这么几类场景里最值得一试:
- 强非线性且机理不明的对象:比如pH中和过程、生物发酵、化学反应釜,表达式写不出来或者写出来也没法用;
- 参数时变对象:对象特性随工况、时间、环境漂移,固定模型控制器需要频繁人工重调;
- 数据可得但模型不可靠的系统:现场有大量历史输入输出数据,但没有精力做系统的辨识实验;
- 快速原型验证阶段:想在仿真环境里快速评估“这个对象用数据驱动方式能控到什么程度”,MFAC在Matlab里几十行代码就能搭起来,比建机理模型快一个数量级。
当然MFAC也不是万能钥匙。对象本身开环不稳定且没有足够的输入输出激励时,初始阶段会比较难受;对控制性能要求极高、需要精确约束的系统,MFAC给不出模型预测控制那种显式的约束处理能力。做技术选型,先搞清楚边界,比急着套算法重要得多。
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:三种等价变换及其适用边界
2.1 紧格式动态线性化(CFDL)及其前提
动态线性化是MFAC的理论基石,核心思想是对一般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))
引入一个时变参数φ_c(k),使得对任意输入变化量Δu(k)=u(k)-u(k-1),输出变化量满足
Δy(k+1) = φ_c(k)·Δu(k)
其中Δy(k+1)=y(k+1)-y(k)。这个式子叫紧格式动态线性化(Compact Form Dynamic Linearization,CFDL)。注意这里没有对系统做任何线性化近似后才得到的静态模型,而是在每个时刻把输入变化到输出变化之间的“增益关系”用一个时变参数φ_c(k)全部吸收掉。φ_c(k)被称为伪偏导数(Pseudo Partial Derivative,PPD)。
CFDL成立需要两个前提。第一,系统输出对控制输入的偏导是连续的;第二,系统满足广义Lipschitz条件——对任意k和任意Δu(k)≠0,有|Δy(k+1)|≤b|Δu(k)|,b为常数。这两个条件在实际工程对象上基本是自然满足的,比“在某个工作点处可线性化”这种要求宽松得多。这里的φ_c(k)是随时间变化的,它既包含对象本身的时变增益,也包含系统非线性在当前位置的等效增量增益。直观理解:把非线性系统在“时间轴上”拉开,看作一串时变的线性增量系统,每一个时刻的等效增益都由数据来定。
2.2 偏格式动态线性化(PFDL)的时间窗口思想
CFDL的缺点是只考虑了Δu(k)对Δy(k+1)的影响,当系统存在较明显的时间迟延或高相对阶时,单个φ_c(k)要同时“解释”所有迟延带来的影响,估计压力很大,控制品质会打折。偏格式动态线性化(PFDL)把这一步扩展成了滑动时间窗口:引入正整数L,令
ΔU_L(k)
