无模型自适应控制(MFAC)仿真：从CFDL到MIMO的Matlab实践

做控制算法仿真的人，十有八九都被"被控对象模型"支配过。非线性、强耦合、参数时变，再加上建模误差，传统PID调得再好心里也发虚。去年我集中做了一批MFAC无模型自适应控制仿真，从CFDL到PFDL，从SISO到MIMO，前后跑了六个算例，把伪偏导数估计和动态线性化那几个关键环节翻来覆去调了个遍。这篇文章就把整个思路、公式、Matlab实现和踩过的坑一次性整理出来，给正在做无模型自适应控制仿真、尤其是准备用Matlab复现MFAC算法的人做个参考。内容围绕六个完整仿真算例展开，每个算例对应的对象特性、控制器结构、参数调节逻辑都会聊到。

1. 为什么我选择MFAC而不是传统模型控制——核心价值与适用场景

1.1 无模型不是没有模型，而是把"建模负担"换成"数据负担"

很多人第一次听到"无模型自适应控制"，第一反应是：都不需要模型了，那控制还有理论依据吗？其实MFAC不是完全不要模型，它不需要你显式地写出被控对象的机理模型，而是利用系统的实时输入输出数据，在线估计一个被称为"伪偏导数"或"伪梯度"的东西，用这个时变参数在每一个工作点对系统进行动态线性化。

这就好比你要开车去一个陌生地方，传统模型控制相当于先找一张完整地图再规划路线；MFAC则是走一段看一段，每到一个路口通过当前路况判断下一步怎么转。它的"模型"始终在更新，不需要提前知道路网拓扑。

在Matlab仿真里，这个特点带来的最直接好处是：换一个被控对象，只要输入输出维度和采样时间不变，控制器结构几乎不用改，只需要重新调伪偏导数估计器里的几个参数。六个算例里我换了四类完全不同特性的对象，控制主程序改的只有初始参数这一行，这是传统基于模型的方法很难做到的。

1.2 控制工程师最容易误解的MFAC概念

第一个误解：MFAC和PID差不多。两者确实都是数据驱动的，都简单易实现，但MFAC有明确的在线参数估计机制，增益是实时变化的，适应非线性能力比固定增益PID强得多。第二个误解：伪偏导数就是对象真实导数的估计。其实伪偏导数是一个满足动态线性化条件的时变参数，它不是物理量的导数，只是一个"等效增益"。

MFAC的核心逻辑链是这样的：实际非线性系统在每一个采样点附近，总可以用一个带有偏导数的线性增量模型来描述，也就是动态线性化。然后对这个线性化模型里的伪偏导数做在线估计，再基于这个估计值设计控制器。整个控制回路里没有任何被控对象的机理模型，这是"无模型"三个字的真实含义。

1.3 适合与不适合MFAC的场景

为了让你少走弯路，我先给个个人倾向性总结：

2. 伪偏导数估计：MFAC最核心的"黑盒感知"到底在做什么

2.1 动态线性化与伪偏导数的直观理解

先从最常用的紧格式动态线性化（Compact Form Dynamic Linearization，CFDL）讲起。对SISO离散非线性系统，在满足一定假设前提下，总可以写成：

y(k+1) = y(k) + φ(k) * Δu(k)

其中Δu(k)=u(k)-u(k-1)，φ(k)就是伪偏导数。这个式子把一个复杂的非线性动态转化成了形式最简单的"输出变化量等于伪偏导数乘以输入变化量"。伪偏导数在每个k时刻都不同，它吸收了系统非线性和外部扰动带来的影响。

你把φ(k)想象成路面的实时摩擦系数，Δu(k)是踩油门的幅度，Δy(k)是车速的变化。路面摩擦经常变，但你不必知道轮胎和路面的真实物理模型，只需要每步估计出当前摩擦系数，就能决定下一步油门踩多深。

2.2 CFDL伪偏导数估计算法和重置机制

CFDL-MFAC使用的伪偏导数估计通常采用投影算法，我的Matlab实现里核心更新公式是：

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

• η是估计步长因子，一般取0到1之间；
• μ是惩罚因子，防止分母过小，同时控制估计增益上限。

这个公式做的是"预测-修正"：先用上一步的φ̂(k-1)和Δu(k-1)预测这一步的输出变化Δy(k)，预测误差就是中括号里的残差，然后用这个残差修正φ̂。修正系数的大小由η、μ和Δu(k-1)共同决定。

投影算法还有个变体，会带一步投影到允许区域，保证φ̂(k)不会乱跑。实际仿真中我更依赖重置机制：当|φ̂(k)|小于某个阈值（说明估计失效）或者|Δu(k-1)|过小（说明持续激励不足）时，直接把φ̂(k)重置为初始值，比如1。这个重置机制几乎是我所有算例稳定性的救命稻草。

2.3 投影算法背后的几何直觉

投影算法的名字来自最小二乘类算法的几何解释：它是在一个约束空间里，沿着最速下降方向更新参数。工程上不用管那么细，你只需要记住几个定性结论：

• 当Δu(k-1)很大时，相当于激励很强，这时估计修正的步长会被分母抑制，避免一步改动过大；
• 当Δu(k-1)很小时，激励不足，分母近似为μ，φ̂的更新主要依赖η，但此时估计可信度低，所以要有重置机制兜底。

在Matlab里实现这个式子非常直白，一行就能写出来。但真正让仿真跑得稳的是μ和η的配合。我试过取η=0.5、μ=1，在多数SISO对象上都能工作；如果对象增益数量级很大，比如输出是千级别的数据，建议先对输入输出做归一化，不然μ的选取会很尴尬。

2.4 伪偏导数估计参数的调节经验

调η和μ不需要太玄学，有个基本顺序：

1. 先固定ρ=0.5，λ=1，η=0.5，μ=1，看系统是否稳定；
2. 如果跟踪曲线震荡厉害，优先增大λ和μ，降低控制增益和估计增益；
3. 如果响应太慢，适当增大ρ或减小λ，但别一次动太多，每轮只改一个参数；
4. 如果φ̂出现高频抖动，检查是不是η过大或者μ过小。

我在算例3的调试中就遇到φ̂在0和2之间跳的情况，一开始以为是重置机制问题，后来发现是η设成了1.5，超过常用范围太多，改回0.5立刻平滑了。

3. 动态线性化CFDL与PFDL的数学逻辑和工程取舍

3.1 CFDL和PFDL公式与区别

CFDL只利用当前时刻的输入增量Δu(k)来描述输出变化。当系统阶次比较高，或者对象本身有惯性、时滞，当前输入增量对下一时刻输出的影响往往不足以刻画动态。这时候需要引入偏格式动态线性化（Partial Form Dynamic Linearization，PFDL），让模型的输入信息扩展到过去若干个时刻：

y(k+1) = y(k) + Φ(k)^T * ΔH_L(k)

其中ΔH_L(k) = [Δu(k), Δu(k-1), ..., Δu(k-L+1)]^T，L称为伪阶数，Φ(k)是一个L维伪梯度向量，即[φ_1(k), φ_2(k), ..., φ_L(k)]^T。

注意PFDL只把输入增量序列作为线性化基向量，不包含输出历史，这是和全格式动态线性化（FFDL）的主要区别。PFDL适合对象动态主要由输入历史决定的情形，FFDL则把输入输出历史都放进来，参数更多，整定更麻烦。我六个算例里，用到PFDL的基本都是L=3或L=5，够用就好。

3.2 什么时候该从CFDL升级到PFDL

我判断的口诀是：如果CFDL控制下输出曲线出现"进退两难"的滞回现象，即响应总是慢半拍，同时增大控制增益又会导致震荡，那大概率是当前输入增量反映不了系统动态，可以试试PFDL。

比如带两步纯滞后的对象，k时刻的控制输入要等到k+2时刻才影响输出，但CFDL模型以为Δu(k)直接作用于y(k+1)，这就会造成相位偏差。PFDL里包含了Δu(k-1)、Δu(k-2)的项，等于在模型里预留了滞后信息，控制器可以用历史输入增量来补偿相位，效果立竿见影。

3.3 伪梯度向量估计与控制器设计

PFDL的伪梯度向量Φ(k)维数更高，估计公式长这样：

Φ̂(k) = Φ̂(k-1) + [η * ΔH_L(k-1) / (μ + ||ΔH_L(k-1)||^2)] * [Δy(k) - Φ̂(k-1)^T * ΔH_L(k-1)]

控制律设计还是走最小化一步向前误差指标：

u(k) = u(k-1) + [ρ * Φ̂(k) / (λ + ||Φ̂(k)||^2)] * [y_d(k+1) - y(k)]

这里系数从标量变成向量，分母里的平方相应变成范数平方。看起来只是维数的增加，但实际控制效果差异很大。CFDL只有一个等效增益，PFDL则有L个历史增益，它能刻画出"当前输入变化和过去几个输入变化对输出变化的加权影响"，对中高阶对象更友好。

3.4 实测对比：CFDL和PFDL在不同对象上的表现

我专门做过一组对比：同一个带非线性时滞对象，CFDL-MFAC的上升时间大约比PFDL-MFAC慢30%，而且增大ρ以后CFDL会先出现高频抖振，PFDL还能保持平稳。原因是PFDL把控制能量分配到多个历史输入增量上，等效控制律更平滑。代价是PFDL需要整定的参数更多：多了一个伪阶数L，两个初始伪梯度向量，初始状态对仿真前期影响更大。我建议在简单对象上老老实实用CFDL，只有CFDL压不住了再换PFDL，不要一上来就追求高伪阶数。

4. MIMO系统下的MFAC扩展难点：耦合与参数维度爆炸

4.1 MIMO的MFAC基本框架：伪雅可比矩阵

MIMO系统扩展的核心是把伪偏导数从标量变成伪雅可比矩阵。对于m输入m输出系统，定义输出变化向量ΔY(k)和输入变化向量ΔU(k)，CFDL形式写成：

ΔY(k+1) = Φ(k) * ΔU(k)

其中Φ(k)是m×m矩阵，每个元素φ_{ij}(k)表示第j个输入增量对第i个输出增量的等效影响。这个矩阵隐含了输入输出之间的耦合关系，当然它依然是时变的、由在线数据估计出来的。

MIMO-MFAC的PPD矩阵估计公式不再是一个标量式，而是矩阵形式：

Φ̂(k) = Φ̂(k-1) + η * [ΔY(k) - Φ̂(k-1)ΔU(k-1)] * ΔU(k-1)^T / (μ + ||ΔU(k-1)||^2)

这里残差是一个m维向量，输入增量是一个m维向量，更新项就是外积除以分母。实现时注意维度方向，别把转置写反了。

4.2 控制律里带矩阵求逆的坑

MIMO控制律设计要处理矩阵求逆，常见形式是：

ΔU(k) = Φ̂(k)^T * [λ*I + Φ̂(k)Φ̂(k)^T]^{-1} * ρ * [Y_d(k+1) - Y(k)]

这里用正则化项λI避免Φ̂Φ̂^T奇异。如果你图省事直接用inv(PhiPhi')，迭代几步就会陷入数值陷阱——矩阵即使不奇异，条件数也会很大，控制量会出现不合理的突变。我在算例5首次尝试时，用inv()直接求逆，系统在第47步就爆了，换成带λ的伪逆形式之后，整个跟踪过程稳定得多。

另一个坑是矩阵Φ̂的初始值。MIMO系统中初始伪雅可比矩阵如果选成对角占优，即对角线设置为1、非对角线设置为0，那么控制器初期几乎是解耦的，然后逐步学习耦合项。如果非对角元素初始值设置过大，控制器一开始就会跟耦合干上，容易震荡。我建议初值取单位阵，或者单位阵乘以一个0.5左右的系数。

4.3 解耦不是必须的，但趋势要压得住

很多人一看到MIMO就想着解耦，其实MFAC不显式解耦也能工作，因为伪雅可比矩阵的非对角元会把耦合影响"吸收"进去。但前提是耦合不能太强，否则估计器更新速度跟不上真实耦合的变化，控制品质会恶化。

我算例4里用的两输入两输出系统耦合项是0.3倍的另一通道输入，MFAC压得住；算例5里我把耦合提高到0.6倍，还加入了乘积型非线性耦合，单靠CFDL-MFAC就吃力了，需要换MIMO-PFDL或者降低控制目标速度。实际场景中如果耦合严重，建议在前端先做一个静态解耦预处理，把通道间的主要耦合在逻辑层面解掉一部分，剩下的残差再交给MFAC在线吸收。

4.4 参数个数爆炸的实际处理技巧

MIMO的伪雅可比矩阵一共有m×m个需要实时估计的参数，加上PFDL如果每个通道各自带伪阶数L，参数个数会更多。仿真中没必要把每个参数都手工认真整定，我的做法是：

1. 所有估计步长η统一设为同一值，比如0.5；
2. 所有惩罚因子μ统一设为同一值，比如1；
3. 所有控制正则化λ统一设为同一值，先取0.01，再看趋势调整；
4. 所有通道的期望轨迹如果数量级不同，先做归一化。

这样MIMO-MFAC的调试复杂度并不会比SISO高太多，只是多了几个交叉项的初始值。真正需要单独照顾的是通道间增益差异过大，比如输出1范围是0到1，输出2范围是0到1000，这时候必须归一化，否则伪雅可比矩阵会被数量级大的通道主导。

5. 六个仿真算例的完整设计思路与结果分析

5.1 算例1：CFDL-MFAC在SISO非线性系统上的跟踪仿真

第一个算例我选了一个经典的benchmark对象：

y(k+1) = y(k) / (1 + y(k)^2) + u(k)^3

这个对象有很强的非线性，u较小时增益小，u较大时增益陡增。控制目标跟踪方波信号和正弦信号。CFDL-MFAC参数我设置成：ρ=0.6，λ=2，η=0.5，μ=1，φ̂(1)=1。

仿真结果显示，方波跟踪时输出能够在3到5个采样周期内跟上跳变，没有超调；正弦跟踪时相位滞后很小，但波峰、波谷处会有微小的平顶现象，原因是这些位置的局部增益接近极值，伪偏导数估计值波动较大。稳态误差大概在千分之几的量级，对非线性对象来说已经能接受。

这个算例验证了CFDL-MFAC在SISO非线性对象上的基础能力，也暴露了一个调参规律：λ不能太小，取2后控制律增益明显温和，伪偏导数估计曲线也平滑很多。

5.2 算例2：CFDL-MFAC对带时滞系统的控制挑战

第二个算例把对象改成带纯滞后的非线性系统：

y(k+1) = 0.6y(k) + u(k-2) + 0.1u(k-1)^2

滞后步数d=2。直接套用算例1的CFDL参数跑出来的结果是灾难性的——输出剧烈震荡，伪偏导数估计值在正负之间乱跳。原因是CFDL模型里假设Δu(k)直接作用于y(k+1)，但实际当前控制要两步之后才起作用，模型方向性完全错了。

我的解决思路不是立刻换PFDL，而是先把采样时间拉长一点，把滞后从2步变成1步，然后减小ρ，让控制动作不那么激进。这样系统稳定了，但响应很慢。接着我把Δu历史引入，升级到PFDL，L取3。PFDL模型包含滞后步数内的输入增量，控制器就像长了眼睛，能够预判相位。

最终PFDL-MFAC在这个时滞对象上做到了无超调跟踪，上升时间比纯CFDL缩了一半。这个算例让我彻底理解了"动态线性化结构要和对象动态特性匹配"这句话的含义。

5.3 算例3：PFDL-MFAC对高阶非最小相位对象的控制

第三个算例针对高阶对象：

y(k+2) = 0.6y(k+1) - 0.1y(k) + u(k+1) + 0.3*u(k)

这个对象是二阶输出动态加非最小相位特征（右侧零点会让反向响应出现）。这种对象用CFDL控制会出现"先反向再正向"的怪异跟踪过程。

PFDL-MFAC里我取L=5，把更多历史输入增量纳入线性化模型，伪梯度向量初值全部设为0.1，ρ=0.4，λ=1。仿真跟踪方波时，输出确实出现了一点点反向回落，但幅度很小，整体趋势能跟上。这个算例说明PFDL对复杂对象确实比CFDL更稳，但参数也更容易出现局部最优。

我特别观察了伪梯度向量的演化：中间元素φ_3(k)最大，两端元素较小，说明系统加权历史输入主要集中在中段。这也是为什么L不能取得太大，取太大反而引入不必要的噪声项。

5.4 算例4：MIMO-CFDL对二输入二输出耦合系统的控制

第四个算例进入MIMO。被控对象为：

y1(k+1) = 0.5y1(k)/(1+y2(k)^2) + u1(k) + 0.3u2(k)
y2(k+1) = 0.3y2(k) + u2(k) + 0.1u1(k)

通道间耦合从0.1到0.3不等。伪雅可比矩阵初始值取单位阵，控制参数统一设ρ=0.5，λ=0.5，η=0.5，μ=1。

这个算例跑下来，两个通道都能跟踪各自的方波设定值。观察伪雅可比矩阵非对角元素会发现，φ_{12}(k)和φ_{21}(k)并不会收敛到真实耦合系数，但它会在每一步调节等效控制量，把耦合影响抵消掉。这说明MIMO-MFAC不需要精确辨识耦合，只需要在线补偿趋势就够。

需要注意的是一开始矩阵估计阶段，两个通道会互相影响，输出出现轻微耦合波动，大约20步后伪雅可比矩阵趋于平稳，耦合波动消失。所以仿真前段不要急着评价性能，给估计器一点"热身"时间。

5.5 算例5：MIMO-PFDL在强耦合对象上的进一步优化

第五个算例把耦合加大到接近失控的程度：

y1(k+1) = y1(k) + 0.2u1(k) + 0.6u2(k) + 0.1u1(k)u2(k)
y2(k+1) = y2(k) + 0.7u1(k) + 0.3u2(k) - 0.05*u1(k)^2

MIMO-CFDL在强耦合下虽然没发散，但通道1和通道2的跟踪响应出现明显串扰，一个通道换设定值时另一个通道会被拉偏。换MIMO-PFDL后，每个输出通道的动态线性化里包含本通道输入的历史增量，相当于每个通道都有局部记忆，耦合造成的瞬态扰动被更快吸收。

实现上我给每个输出通道分别建立一个L维的伪梯度向量，两个通道共享L=3。控制律依然走正则化矩阵求逆。仿真结果串扰幅度比CFDL-MFAC减小了约一半，但控制量变化更频繁，这算是用小幅度的控制抖动换来了更强的解耦能力。

5.6 算例6：时变参数与外部扰动下的鲁棒性测试

最后一个算例回到SISO，但把参数时变和外部扰动同时加上：

y(k+1) = a(k)*y(k) + b(k)*u(k) + d(k)

其中a(k)在0.5到0.9之间周期跳变，b(k)在0.8到1.2之间线性缓变，d(k)是均值为零、方差0.01的白噪声。

CFDL-MFAC在这种情况下展现了极强的自适应性：伪偏导数估计值会跟随b(k)的变化趋势而波动，等效增益始终保持合适水平。外部白噪声对跟踪精度影响很小，稳态误差方差大致和噪声方差异一个数量级。这个算例极大增强了我在实际项目中使用MFAC的信心——毕竟现场设备的参数很少固定不变，能扛住时变和扰动才是好算法。

6. Matlab代码实现：核心函数、参数调参与踩坑记录

6.1 代码结构：从主脚本到函数封装的整理

我建议把代码分成三层：主脚本（定义对象、参考轨迹、调用控制器）、控制器函数（PPD估计加控制律）、对象函数（被控对象仿真模型）。这样换算例时只需要改主脚本里的参数和对象函数，控制器代码完全复用。

六个算例的代码我都跑通了，核心控制器函数不到80行。这里给出一个CFDL版本的控制器函数骨架，方便你快速搭建：

matlab复制function [u, phi_hat] = mfac_cfdl_controller(y, yd_next, u_prev, du_prev, phi_hat, params)
    % params: [rho, lambda, eta, mu, phi_reset]
    rho = params(1);
    lambda = params(2);
    eta = params(3);
    mu = params(4);
    phi_reset = params(5);
    
    dy = y - prev_y; % 需要用外部传入的上一时刻y，这里示意
    
    % 伪偏导数估计
    phi_hat = phi_hat + eta * du_prev / (mu + du_prev^2) * (dy - phi_hat * du_prev);
    
    % 重置机制
    if abs(phi_hat) <= 1e-4 || abs(du_prev) <= 1e-4
        phi_hat = phi_reset;
    end
    
    % 控制律
    du = rho * phi_hat / (lambda + phi_hat^2) * (yd_next - y);
    u = u_prev + du;
end

为了完整性，控制器函数里应该把上一时刻的输出作为参数传进去，避免在函数内部维护全局状态。我这里为了示意省略了prev_y，实际使用时不要漏。

6.2 MIMO版本的核心代码片段

MIMO-CFDL控制律我实现为：

matlab复制% Phi_hat: m x m 伪雅可比矩阵
Yd = [yd1; yd2]; % m x 1
Y = [y1; y2];     % m x 1
Error = Yd - Y;

% 带正则化的伪雅可比矩阵控制律
% 计算增益矩阵G = Phi_hat' * inv(lambda*I + Phi_hat * Phi_hat') * Phi_hat
A = lambda * eye(m) + Phi_hat * Phi_hat';
G = Phi_hat' / A * Phi_hat; % 利用矩阵右除，避免显式inv

du = rho * G * Error;
U = U_prev + du;

这里用/运算符做矩阵右除，实际等于乘上逆矩阵，但数值稳定性比显式inv好。如果你对Matlab的/不放心，也可以用A\eye(m)这种形式。

伪雅可比矩阵的估计代码：

matlab复制dy = Y - Y_prev;
delta_U_prev = U_prev - U_preprev;
denom = mu + delta_U_prev' * delta_U_prev;
Phi_hat = Phi_hat + eta * (dy - Phi_hat * delta_U_prev) * delta_U_prev' / denom;

同样，这里的Y_prev、U_preprev都需要外部维护，建议把状态封装成结构体，避免函数参数过长。

6.3 调参顺序建议

我给六个算例做了一套通用的调参SOP，分享出来：

1. 先把参考轨迹设为常数或缓慢斜坡，关闭扰动，保证对象在开环下是稳定的；
2. 用较小的ρ（比如0.3）和较大的λ（比如5）开始跑，先看PPD估计曲线是否平滑；
3. PPD曲线平滑后，逐步减小λ、增大ρ，直到跟踪误差达到要求；
4. 每一步改变只动一个参数，记录响应曲线和PPD曲线；
5. 最后加入扰动、时变参数等复杂工况，检查鲁棒性，必要时再微调η和μ。

这套顺序我从算例1用到算例6，基本没有翻过车。最忌讳的是上来就同时调四个参数，出了问题你根本不知道是谁引发的。

6.4 我批量跑仿真时踩过的三个坑

第一个坑是PPD重置条件写成了abs(phi_hat) <= 0，等于只有恰好为零才重置，导致很多情况下PPD卡在接近零的小值上，控制律输出几乎变成零。后来我把阈值改成1e-4，问题立刻解决。第二个坑是MIMO里求逆用了inv(Phi*Phi')，第47步数值爆炸，换成带正则化的右除之后再没出现。第三个坑是被控对象对象函数里用了全局变量保存历史状态，一次改了算例忘了清空，导致下一个算例的初始状态残留，仿真数据完全不对。最后把所有状态变量都显式传参，才根治了这个问题。

写在后面的一点体会

六个算例跑完后，我对MFAC最大的感触是：它真正解决的痛点是"模型难建但数据可得"的工程场景，它的实用性恰恰来自那种不依赖精确模型的"笨办法"——每一步都老老实实地用数据修正增益。仿真中你会发现，伪偏导数估计曲线不是单调光滑的，它会因为噪声和激励不足而波动，但重置机制总能在关键时刻把它拉回来。这种容忍估计不完美、又能在闭环中保持稳定的特性，是MFAC最讨喜的地方。最后再分享一个小技巧：如果你的仿真对象输出是实测数据而非人工模型，在接入MFAC之前一定先做一次零均值化和幅度归一化，否则伪偏导数的初始值和μ参数的选取会非常痛苦。希望这些经验能帮你省掉几周调参时间。