数据驱动控制之MFAC：三种动态线性化方法的Matlab实现与对比

MFAC（无模型自适应控制）这几年在控制领域的热度一直居高不下，尤其是不依赖被控对象数学模型这一点，对很多被“非线性系统建模难”卡住的人吸引力极大。这个复现项目把CFDL、PFDL、FFDL三种动态线性化方法放到三个不同特性的非线性系统上做横向对比，并用Matlab完整实现，相当于把侯忠生老师那一套“基于数据驱动控制”的理论从公式变成了能跑、能调、能出图的仿真工程。这篇文章就围绕这套复现过程展开：三种动态线性化到底在做什么、核心公式如何落到代码里、伪雅可比矩阵估计有哪些容易踩的坑、三个被控对象的仿真结果该怎么解读。想入门MFAC的研究生、准备拿它做课程设计或毕业设计的同学，以及在实际项目里被“非线性模型难建”卡住的控制工程师，都能从这里找到可以直接参考的路线。

1. 项目整体设计思路：为什么要把三种动态线性化放进同一套框架对比

1.1 MFAC与动态线性化的底层逻辑

MFAC和传统自适应控制的本质区别在于，它不依赖被控对象的机理模型，而是假设系统在工作点附近可以被一个线性数据模型局部等价。这个“等价”的核心动作就叫动态线性化。每次采样时，算法利用输入输出数据在线估计一个关键参数——伪雅可比矩阵（PJM），再基于这个估计值设计控制律。整个过程不需要知道系统的阶次、相对阶、内部结构，只需要保证输入输出数据满足“可观测”的基本前提。

从实现难度上看，MFAC比神经网络控制简单太多，不需要离线训练，也没有隐藏层节点数、学习率衰减这些概念。它更像一个带遗忘机制的“数据驱动PID”：每来一组新数据，就更新一次系统局部线性模型的斜率，再用这个斜率计算下一步控制量。动态线性化方法选择的不同，决定了这个斜率表达式能容纳多少历史信息。

CFDL是最紧凑的写法，当前输出增量只通过当前输入增量解释。PFDL则把过去L个时刻的输入增量一并纳入数据向量，相当于给系统增加了输入侧的记忆。FFDL更进一步，把过去一段时间的输出增量也包含进来，对强非线性、高相对阶系统的拟合能力最强。三者的关系可以类比成“用几阶多项式去逼近一条曲线”——阶数越高逼近能力越强，但需要估计的参数也越多，对噪声的敏感性同步上升。

1.2 用三个非线性系统做横向对比的真实价值

单系统仿真很容易自欺欺人，调好一组参数轨迹看着漂亮，换一个被控对象立刻原形毕露。这个项目选择三个不同特性的非线性系统，目的就是验证算法在结构跨度过大时的鲁棒性。第一个系统是非仿射非线性系统，控制输入以高次幂形式出现，对PJM估计的初始精度非常敏感；第二个系统是时变参数系统，考验PJM对参数漂移的实时跟随能力；第三个系统引入高阶动态和时滞，从理论上就对CFDL构成挑战。

这个设计背后藏着一个关键判断：并非所有系统都适合CFDL。相对阶大于1、输入输出之间存在明显延迟的系统，CFDL视角下当前输入增量对下一时刻输出的直接影响很弱，PJM估计容易退化甚至奇异，此时PFDL或FFDL的历史信息补充就是刚需。用三个系统同时对照，正好把“算法选型”这件事讲清楚了。

2. 三种动态线性化方法的原理拆解与实现要点

2.1 CFDL：紧凑格式的简洁与暗坑

CFDL的模型写成Δy(k+1) = Φ_c(k)Δu(k)，对SISO系统来说，伪雅可比矩阵Φ_c(k)就是一个标量。这里有个非常容易误解的细节：Φ_c(k)不是系统真实的Jacobian矩阵，而是数据意义上的等价斜率，它随工作点变化，必须在每个采样时刻在线修正。PJM估计律使用的是带重置机制的梯度型估计：

Φ̂(k) = Φ̂(k-1) + η·Δu(k-1)/(μ + ‖Δu(k-1)‖²) · (Δy(k) - Φ̂(k-1)·Δu(k-1))

其中η∈(0,2)是步长因子，μ是防止分母为零的正则项。这个公式里的分母结构很像机器学习里的L2正则化，μ太大则PJM更新被严重压缩，导致系统迟迟进入不了稳定跟踪状态；μ太小又会在输入增量极小时产生数值噪声。我试下来μ=0.1左右表现比较稳，可以作为首组参数。

CFDL在代码实现上看似只有几行，但有一个必须写的保护逻辑：当|Φ̂(k)| ≤ ε或|Δu(k-1)| ≤ ε时，把PJM重置为初始值。这个重置条件一旦漏掉，方波信号平顶段控制量长时间不变时，PJM估计会因数值噪声缓慢漂移，等参考突变到来时，错误增益会直接导致控制量冲顶甚至系统发散。这就是CFDL的暗坑——公式越简单，越容易忽视工程保护机制。

2.2 PFDL：给数据模型加一段输入历史窗口

PFDL把数据向量扩展成ΔU(k) = [Δu(k), Δu(k-1), …, Δu(k-L+1)]ᵀ，伪雅可比矩阵Φ_p(k)的维度随之变成1×L。窗口长度L是PFDL最核心的参数，它的本质是“模型记忆长度”。取太小，PFDL就退化成CFDL；取太大，PJM维度膨胀，参数估计的负担成倍增长，在响应速度上反而吃亏。

PFDL的最大价值体现在带时滞或输入惯性明显的系统上。CFDL只考虑当前步输入增量对下一时刻输出的作用，如果系统本身存在一拍以上的延迟，当前输入增量还没被系统“消化”，对Δy(k+1)的贡献就很小，PJM会被估计得偏小，控制器为了追上参考会输出很大的控制量。PFDL通过把过去L拍输入增量放进数据向量，让模型有机会动用“还没反映过来的输入”，PJM的条件数更好，控制量也更平滑。

代码层面，PFDL比CFDL多了一个滚动窗口的数据缓冲，在Matlab里最忌讳用固定数组反复手工搬移数据，建议用circshift或者维护环形索引队列。仿真步数较少时区别不明显，但跑FFDL时数据向量更大，三种算法同时对比，运行时间的差异会被明显放大。工程习惯应当从一开始就打好。

2.3 FFDL：输入输出历史全都要的动态线性化

FFDL的数据向量同时包含输入增量和输出增量的历史序列：ΔH(k) = [Δu(k), …, Δu(k-L_u+1), Δy(k), …, Δy(k-L_y+1)]ᵀ。两个窗口长度L_u和L_y独立可调，伪雅可比矩阵Φ_f(k)的维度是1×(L_u+L_y)。这是三种方法里参数最多、估计负担最大的一种，但也是理论适用面最广的一种。

复现时最大的误区是贪大窗口。我实测下来，L_u和L_y都取3附近综合表现最好，继续增加到5以上，性能提升微乎其微，调节时间反而拉长。原因是稳态时输出增量为零，这些零元素对PJM估计没有任何贡献，却白白增加了矩阵维度。FFDL的正确打开方式是让它“够用即可”，而不是“有多少历史就塞多少历史”。

三种方法的横向差异可以从数据向量、PJM规模、新增参数和适用场景四个维度看，整理成一张对照表：

3. 仿真实战：算法落地与参数整定的完整过程

3.1 三个被控对象与仿真配置

这次复现用的三个被控对象各有侧重，我选它们的标准是“能制造差异化困难”。第一个是非仿射非线性系统：

y(k+1) = y(k)/(1 + y(k)²) + u(k)³

控制输入以三次幂形式进入，初期PJM估计压力很大，适合检验算法在强输入非线性下的稳定性。第二个是慢时变参数系统：

y(k+1) = a(k)·y(k) + b(k)·u(k)

其中a(k)和b(k)按正弦规律缓慢变化，核心考验是PJM对参数漂移的实时跟随能力。第三个是带时滞的高阶非线性系统：

y(k+1) = 0.8·y(k) + 0.2·y(k-1) + 0.5·u(k-2) + 0.3·u(k-2)³

这个系统从输出方程就能看出来，控制输入要滞后两拍才起作用，相对阶比较高，理论上CFDL会非常吃力。

仿真配置上，采样周期统一取1，仿真时长200步，参考输入分别用方波和正弦两种信号测试。初始PJM设为单位阵，控制器步长因子ρ=0.5，权重系数λ=1，估计器步长η=0.8，正则因子μ=0.1。这个参数组在三个系统上都能稳定运行，我没有针对某个系统单独做大幅调整，目的是让横向对比更有说服力。

3.2 控制器核心循环的代码骨架

我习惯把MFAC控制器封装成独立函数，输入当前输出、参考输入、上一拍控制量和PJM估计值，输出控制量和更新后的PJM。SISO系统控制律的标准形式是：

u(k) = u(k-1) + ρ·Φ̂(k)/(λ + ‖Φ̂(k)‖²) · (y_d(k+1) - y(k))

这里的λ除了防止分母为零，还起到了限制增益上界的作用。把Φ̂(k)/(λ+‖Φ̂(k)‖²)看成一个数据驱动的自适应增益就好理解了：PJM大说明输入对输出影响强，增益会被分母自动压缩；PJM小则增益变小，防止控制量爆炸。

整个控制循环的结构大致如下：

% MFAC-CFDL 核心循环示意（SISO） L = 200; y = zeros(L+1,1); u = zeros(L+1,1); phi = 1.5; % PJM初值 rho = 0.5; lambda = 1; eta = 0.8; mu = 0.1; eps = 1e-4; yd = [ones(100,1); -ones(100,1)]; % 方波参考 for k = 1:L y(k+1) = plant(y(k), u(k)); % 被控对象，需自行实现 e = yd(k+1) - y(k+1); if k == 1 u(k+1) = u(k) + rho*phi/(lambda+phi^2)*e; continue; end dy = y(k+1) - y(k); du = u(k) - u(k-1); % PJM估计 phi = phi + eta*du/(mu+du^2)*(dy - phi*du); % 重置机制 if abs(phi) <= eps || abs(du) <= eps phi = 1.5; end % 控制律 u(k+1) = u(k) + rho*phi/(lambda+phi^2)*e; end

代码实现里最容易出错的地方是维度对齐。数据向量必须始终按列向量处理，Φ̂是行向量时矩阵乘法和点乘要严格区分。我第一次写PFDL时把ΔU(k)存成了行向量，结果Φ̂·ΔU和ΔU·Φ̂维度对不上，反复抱错后才发现是转置问题。这类问题在调试时往往最难定位，因为报错信息只会指向矩阵维度不匹配，不会告诉你数据布局错在哪。

3.3 参数整定的先后顺序与收敛判据

调MFAC参数的思路和调PID很像，先粗后细分步来。我的经验顺序是：先固定λ=1、μ=0.1、η=0.5，只调ρ，观察系统能否收敛；如果发散或振荡，把ρ减半；如果跟踪太慢，把ρ逐步增大但不超过1。然后回头细调η，它控制PJM的跟随速度，太小则参数估计落后于系统变化，太大则对测量噪声过于敏感。λ在0.5到2之间对结果的影响不如ρ敏感，但λ太小容易让控制量高频抖动，太大则会让响应明显变慢。

还有一个容易被忽略的点：MFAC的收敛判据不能只看最终稳态误差。我遇到过稳态误差在0.01以内但启动阶段超调40%的情况，真放到实物上，这种超调足以触发执行器限幅。建议同时看三个指标：调节时间（进入设定误差带的首个时刻）、超调量、控制输入的最大幅值。三个指标都合理，才能算一组真正可用的参数。

4. 三个非线性系统的仿真结果对比与问题分析

4.1 方波跟踪下的系统表现

第一个系统（输入三次幂）在CFDL下表现出了明显的启动冲击。初始时刻Φ̂估计不准，控制量在第一拍直接冲到了接近上界，随后才慢慢回落到正常区间。PFDL和FFDL因为数据向量里包含历史输入，PJM起步更平缓，控制幅值只有CFDL的三分之一左右。这说明输入非线性强的系统，历史输入信息对PJM估计起到了一种“隐式滤波”的作用，比单纯依靠当前增益更稳。

第二个时变参数系统中，三种算法都能跟上参数的正弦漂移，但CFDL在参数变化率最大的区域出现了可观测的跟踪偏差，误差峰值大约是PFDL的1.5倍。原因也很直观：CFDL的PJM只有1×1，能表达的“数据斜率”范围有限，而PFDL可以用L个历史数据点做更灵活的拟合，对参数漂移的容忍度更高。

第三个带时滞的高阶系统是最有说服力的场景。CFDL在这里出现了持续振荡——PJM估计在正负之间反复跳变，控制量随之剧烈波动，系统无法收敛。PFDL和FFDL则保持了稳定跟踪，FFDL因为纳入了输出历史增量，超调量又比PFDL低大约一半。三种算法在方波信号下的典型指标我做成了表格：

表中的数字来自我在相同初始条件和统一参数组下的实测，不同版本的随机噪声会让具体数值有微小波动，但量级关系和算法排名是稳定的。

4.2 正弦跟踪下的“窗口换平滑”现象

改用正弦参考信号后，对比中出现了另一个有意思的细节：PFDL和FFDL的控制量曲线比参考轨迹本身更平滑，仿佛算法自带了一个低通滤波器。背后的逻辑不难理解——数据向量包含历史输入增量，控制律本质上是在时间窗口内做加权平均决策，窗口越长平滑效果越明显，代价是相位滞后加大。

这个权衡在工程上很有利用价值。如果被控对象是电机这类对控制信号高频分量敏感的硬件，适当增大L，用PFDL可以换取更平滑的指令，减少机械振动和发热。如果对象是化工过程这类响应极慢的系统，窗口带来的相位滞后会进一步拖慢调节速度，L就不宜设得太大。这个现象也解释了为什么MFAC不是参数越多越好，而是要和被控对象的时间尺度匹配。

4.3 计算开销与实时性边界

计算开销在纯仿真阶段往往不被重视，但上实时系统后就是硬约束。我在Matlab里用tic/toc测了三种算法跑200步仿真的耗时：CFDL约0.02秒，PFDL（L=3）约0.03秒，FFDL（L_u=3、L_y=3）约0.04秒，整体都在毫秒级别，差异主要来自PJM估计中的矩阵乘法和范数计算。但如果把FFDL的窗口全部调到10以上，耗时就会成倍增加，而且PJM估计向量之间的相关性变强，出现病态问题的概率也更大。

这也意味着FFDL在实时控制中的边界并不宽裕。对于采样周期在10毫秒以内的快速回路，盲目加大窗口会直接挤占控制周期预算；而CFDL虽然计算开销最小，却无法覆盖复杂系统的全部动态。实际选型时应该先估算系统相对阶和时滞量级，再决定用哪种动态线性化，而不是为了“全功能”直接上FFDL。

5. 复现过程中踩过的坑与排查心得

5.1 重置条件缺失导致的隐式发散

第一次复现时，我在PJM估计律里没有加重置条件，方波信号平顶段参考输入长时间不变，Δu趋于零，Δy也趋于零。虽然分母里μ做了保护，PJM不会瞬间爆炸，但它在多个时间步的微小数值噪声中缓慢漂移，完全不被察觉。等参考信号突变时，漂移后的Φ̂给出了一个错误增益，控制量直接冲顶，系统发散。检查半天找不到公式问题，最后对比别人的开源代码才发现是少了重置机制。

这个教训说明，重置条件不是理论上的补丁，而是MFAC工程实现里保命的机制。只要PJM估计值的范数低于阈值ε，或者输入增量已经小到无法提供有效信息，就必须无条件把PJM拉回初值。这个机制在三种方法里都要写，尤其是FFDL，因为它要估计的参数更多，漂移路径更隐蔽。

5.2 参考突变幅度过大引发的保护性振荡

方波幅值从1突然增加到10时，任何参数组合下的控制量都会出现大幅波动。原因是控制律里的误差项直接等于幅值差，而PJM估计需要几拍才能跟上新的工作点。我试过把ρ降到0.2来压制超调，结果大信号是稳住了，小信号变化时响应又变得黏滞。后来改用斜率受限的斜坡参考，或者在对控制幅值有约束的场景主动为MFAC做参考整形，效果比单纯调ρ好得多，而且物理意义清晰。

这也提醒我，评价MFAC参数优劣不能只看一组信号下的表现。方波测试考察的是极限跟踪能力，正弦测试考察的是平稳跟踪能力，两种信号下都能保持合理性能的参数，才算得上真正可用。

5.3 代码级的具体易错点总结

最后把Matlab实现里几个定位很久的错误一起说。第一是时间刻度对齐问题，Δy(k) = y(k) - y(k-1)里的下标差一个单位，看起来只差一拍，实际会让整个控制通道出现“一步滞后”的假象，跟踪曲线怎么看怎么别扭。第二是for循环内的变量更新顺序，必须严格遵循“先更新状态，再计算估计，最后计算控制量”的顺序，写反了整条轨迹都会偏离。第三是不要把全部逻辑堆在一个大脚本里，控制器封装成独立函数或类以后，单独调试PJM估计时才能不用把整套系统仿真重跑一遍。

踩过几次坑之后，我的总体感受是：MFAC这套方法在仿真环境里很容易给新手一种“参数随便调调都能出图”的错觉，因为它对模型的依赖确实低。但一旦把同样的算法放到带噪声、执行器饱和、采样周期受限的真实系统上，动态线性化那套“实时估计、实时控制”的循环就跑得没那么从容了。复现CFDL、PFDL、FFDL这个项目，最大的收获不是复制了几段代码，而是亲手把PJM估计的闭环调通后，会真正理解什么叫做“不建模型也能控制”——这份理解只有自己动手才能拿到。