无模型自适应控制CFDL-MFAC仿真指南：伪偏导数估计与Matlab/Simulink实现

做控制方向的研究生和工程师，应该都体会过这种痛苦：被控对象非线性强、参数随工况变化，想建一个能用的数学模型，经常要花掉大半项目周期，辛辛苦苦辨识完，换一个工况又不准了。PID虽然皮实，但是在大范围变化面前往往需要反复整定，做增益调度又是一大堆工作量。我最近正好把一套无模型自适应控制（MFAC）的紧格式动态线性化方案（CFDL-MFAC）从头到尾在Matlab和Simulink里跑了一遍，包括伪偏导数在线估计、不同参考信号跟踪、参数突变与扰动注入，整个过程踩了不少坑，也积累了一些可以直接“抄作业”的经验。这套方法最大的价值就是：不依赖被控对象的数学模型，只靠输入输出数据在线估计一个伪偏导数，就能完成闭环控制设计。如果你正在做相关课题的仿真，或者想给现有系统换一套不依赖模型的控制策略，这篇文章应该能帮你少走很多弯路。

1. 先拆透紧格式动态线性化，再谈控制器设计

1.1 被控对象未知，怎么建模

MFAC的核心思想非常朴素：既然精确模型难建，那就不要精确模型，只抓住每个工作点附近的输入输出增量关系。紧格式动态线性化做的事情，就是在每一个采样时刻，把未知非线性系统在当前工作点附近等价为一个一阶增量模型：

Δy(k+1) = φ(k) · Δu(k)

这里的φ(k)就是伪偏导数（Pseudo Partial Derivative，简称PPD）。它在不同时刻是变化的，把所有未建模的非线性、时变特性都“吸收”进这个时变参数里。你可以把它理解为一种广义斜率：系统输出对输入的局部敏感度。这个方法叫“紧格式”，是因为它只用当前时刻的输出增量和上一时刻的输入增量来描述系统，不引入历史输入数据，结构最紧凑，所以工程上最常用。

这里有一个重要的理论前提：要求被控系统满足广义Lipschitz条件，即输入变化有限时，输出变化也有界。这个条件在大多数实际物理系统中都成立——毕竟没有哪个真实系统在输入微小变化时输出会跳到无穷大。这也是MFAC“不需要模型”却能保持稳定性的底气所在。

1.2 伪偏导数为什么能在线估计

既然φ(k)是未知的时变参数，就只能在线估计。估计的基本逻辑是：利用上一拍的实际输入增量和实际输出增量，去校验上一拍的PPD估计值是否准确，然后修正。

具体做法是最小化这样一个目标函数：

J = (Δy(k) - φ(k-1)·Δu(k-1))² + μ·(φ(k) - φ(k-1))²

第一项是预测误差惩罚，希望新的PPD能让上一拍的输入输出关系“解释得更准”；第二项是时变平滑惩罚，希望PPD不要跳变太夸张。μ就是这个“平滑系数”——μ越大，PPD变化越保守；μ越小，估计对噪声越敏感。

对φ(k)求导并令其为零，就得到标准的伪偏导数投影算法：

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

这里的η是估计步长因子。公式分母加上μ还有一个重要作用：当Δu(k-1)接近零时防止分母为零导致估计爆炸。这跟正则化里加对角项防止矩阵奇异是一个道理。

1.3 控制律与参数更新律的完整推导

控制器设计也走“优化+求导”的路子。取目标函数：

J(u(k)) = (y*(k+1) - y(k+1))² + λ·(u(k) - u(k-1))²

第一项让系统输出尽快跟踪期望值，第二项惩罚控制量跳变，不希望控制器每拍都猛掰方向盘。λ就是控制量变化的惩罚因子。

把动态线性化模型y(k+1) = y(k) + φ(k)·Δu(k)代入，令dJ/dΔu = 0，整理后得到控制律：

u(k) = u(k-1) + ρ·φ_hat(k)·(y*(k+1) - y(k)) / (λ + φ_hat(k)²)

这里的ρ是控制律步长因子。整理成这种形式后，可以明显看出它跟PID很像：误差大就加大控制修正，误差小就逐步逼近；但权重是伪偏导数，而不是固定比例系数。它相当于一套“增益实时自适应”的增量式控制器。

需要特别提醒的是时序：CFDL模型描述的是Δy(k+1)与Δu(k)的关系，所以控制律里使用的是y*(k+1)，也就是下一拍的期望值。在仿真中参考序列是提前生成的，直接用下一拍参考值没有问题，这也是文献里的标准写法。

1.4 五个可调参数的物理意义和初始值

整套CFDL-MFAC一共五个关键参数：ρ、λ、η、μ，以及PPD初值φ(0)，外加一个重置阈值ε。我第一次搭仿真时严重低估了这五个参数的作用，后来才发现它们才是整个仿真成败的关键。下面这个表是反复试验后的经验区间，不是严格定理，但作为起点非常可靠：

特别注意φ(0)的初值选取。PPD可以理解为系统的广义静态增益，所以如果你对被控对象大概的增益方向有认知，把φ(0)设成这个静态增益的数量级，初始跟踪会平滑很多。完全没头绪的时候就取1，然后靠重置机制兜底。

此外，理论分析要求PPD的符号固定，且绝对值有界。实际仿真中会出现PPD估计值接近零、或者符号反转的情况，这时候必须做重置（reset）：一旦检测到|φ_hat(k)| ≤ ε，或者符号跟初始符号不一致，就把φ_hat(k)重置为初值φ(0)。ε一般取1e-5到1e-3之间。这个重置机制不是可有可无的附加功能，而是维持仿真稳定的必要条件——没有它，系统早就飘了。

2. 仿真对象怎么选？采样周期和数据流怎么设计

2.1 被控对象选型

做CFDL-MFAC仿真，被控对象怎么选是个学问。很多新手一上来就选一个特别复杂的非线性系统，结果PPD频繁跳变，完全看不出算法的规律。我的建议是分三步递进：

第一步先用一个简单非线性但稳定的对象跑通闭环逻辑，比如：

y(k+1) = y(k)/(1 + y(k)²) + u(k)³

这个对象有非线性但相对温和，适合验证控制器参数设置是否合理。第二步换时变对象，比如在某个时刻让对象增益突变：前500拍用y(k+1) = y(k)/(1+y(k)²) + 0.8·u(k)³，后500拍把增益改成1.5倍甚至把符号翻过来。第三步加入纯滞后或非最小相位特性，比如离散系统y(k+1)=0.5y(k)+u(k)+1.5u(k-1)，观察MFAC在系统方向变化时的表现。

如果你在写论文，被控对象一般建议给出连续形式再离散化，比如G(s)=1/(s+1)，然后用零阶保持器转换到离散域。这样做的好处是采样周期的影响可以显式讨论，审稿人也更容易认可。

2.2 采样周期与离散化

采样周期的选择是MFAC仿真里最容易忽略、影响却最大的环节。采样周期太大，动态线性化近似失效，PPD估计跟实际系统性态对不上；采样周期太小，被控对象相邻两拍输出增量微弱，PPD估计的信噪比很差，控制器又容易放大噪声。

工程上有个经验法则：采样频率至少取系统闭环带宽的10到20倍。在纯仿真里，你可以先用连续系统做参考解，然后逐步加密采样周期，观察MFAC控制效果从“基本一致”到“明显恶化”的临界点。我做实验时发现，对时间常数为1秒的一阶对象，采样周期取0.01秒效果良好；取0.05秒时跟踪已经出现明显相位滞后；取超过0.2秒时系统直接发散。这个规律具有普遍性：采样周期一旦越过被控对象动态的边界，所有基于增量模型的算法都会失真。

还有一个容易被忽略的细节：在Matlab里做纯离散循环仿真时，被控对象必须写成离散递推式；在Simulink里则要注意连续模块和离散模块混用时的步长设置。我建议把被控对象也写成离散形式，统一用固定步长离散求解器，避免连续求解器带来的额外数值误差干扰对控制器本身的判断。

2.3 仿真评价指标怎么定

如果只是画几张“输出跟着参考跑”的曲线，论文和报告的说服力是不够的。建议在仿真中同时统计以下指标：

• 均方根跟踪误差RMSE：反映整体跟踪精度，RMSE越小越好
• 控制量峰值max|u(k)|：反映执行机构负担，经常被忽略但很重要
• 稳态误差：最后几百拍的误差平均值
• 超调量：从参考值阶跃变化后的最大偏差
• PPD估计的收敛程度：观察φ(k)是否在合理范围内平稳变化

跟踪误差计算建议等系统跑过初始过渡段之后再做统计，否则初始瞬态会把RMSE拉得很大，导致参数对比的结论失真。我自己的做法是：总仿真2000拍，前500拍不算，用后1500拍统计RMSE。

3. 在Matlab里把核心循环写出来

3.1 主循环的数据流与时序关系

开始写代码前必须先梳理清楚每一拍的数据流。MFAC的离散仿真主循环中，每一拍做四件事：先根据上一拍的控制增量和输出增量更新PPD估计，再做重置判断，然后计算当前拍的控制量，最后把控制量送入被控对象得到下一拍输出。

时序上最容易出错的地方是：PPD估计用的是“上一拍的控制增量Δu(k-1)”和“上一拍的输出增量Δy(k)”，这两者在第k次迭代开始前都是已知量。而控制律用的是“当前拍估计出的φ(k)”和“当前已知的y(k)”，计算出的u(k)要到当前拍末尾才作用于被控对象。很多新手把PPD估计和控制律的时序混在一起，导致算法用了这一拍还没产生的数据，结果仿真结果一片混乱。

为了便于理解，我画了一张数据流顺序作为参考（文字版）：

第k次迭代开始 → 已知y(k)、u(k-1)、φ(k-1) → 计算Δu(k-1)=u(k-1)-u(k-2)，Δy(k)=y(k)-y(k-1) → 更新φ(k) → 判断是否重置 → 计算u(k) → 输入被控对象 → 得到y(k+1) → 进入下一拍。

3.2 完整的Matlab脚本示例

下面是一个可以直接运行的完整仿真脚本。我用了方波、阶跃和正弦组合的参考信号，被控对象选了一个典型的非线性系统，并加了控制量限幅和PPD重置，整体结构对后续扩展比较友好。

%% CFDL-MFAC 完整仿真主程序 clear; clc; % ============ 1. 仿真参数与参考信号 ============ N = 2000; % 仿真步数 ref = zeros(N+1, 1); for k = 1:N+1 if k < 301 ref(k) = 1.0; elseif k < 601 ref(k) = -1.0; elseif k < 901 ref(k) = 2.0; elseif k < 1201 ref(k) = 0.5; else ref(k) = 0.5 + 0.5*sin(2*pi*(k-1200)/400); end end % ============ 2. 变量初始化 ============ y = zeros(N+1, 1); % 系统输出 u = zeros(N, 1); % 控制输入，u(k)作用于系统得到y(k+1) phi = ones(N+1, 1); % 伪偏导数估计，初值取1 % 初始状态 y(1) = 0; u(1) = 0; % ============ 3. CFDL-MFAC 参数 ============ rho = 0.4; % 控制律步长因子 lambda= 1.0; % 控制量变化惩罚因子 eta = 1.0; % PPD估计步长因子 mu = 1.0; % PPD估计惩罚因子 eps = 1e-5; % PPD重置阈值 phi0 = 1.0; % PPD初值/重置值 u_limit = 10; % 控制量限幅 % ============ 4. 主循环 ============ for k = 1:N % --- 4.1 计算增量 --- if k == 1 du_prev = 0; % u(0)视为0 dy_now = 0; % 第一拍没有历史输出 else if k == 2 du_prev = u(1) - 0; % u(k-1) - u(k-2)，注意u(0)=0 else du_prev = u(k-1) - u(k-2); end dy_now = y(k) - y(k-1); end % --- 4.2 PPD在线估计 --- phi(k+1) = phi(k) + eta * du_prev * (dy_now - phi(k)*du_prev) / (mu + du_prev^2); % --- 4.3 PPD重置机制 --- if abs(phi(k+1)) <= eps || sign(phi(k+1)) ~= sign(phi0) phi(k+1) = phi0; end % --- 4.4 控制律 --- u(k) = u(k-1) + rho * phi(k+1) * (ref(k+1) - y(k)) / (lambda + phi(k+1)^2); % --- 4.5 控制量限幅 --- if abs(u(k)) > u_limit u(k) = u_limit * sign(u(k)); end % --- 4.6 被控对象（非线性一阶系统） --- y(k+1) = y(k)/(1 + y(k)^2) + u(k)^3; end % ============ 5. 绘图 ============ t = (0:N)'; figure; subplot(3,1,1); plot(t, ref, 'r--', 'LineWidth', 1.2); hold on; plot(t, y, 'b-', 'LineWidth', 1.0); legend('参考信号', '系统输出'); xlabel('采样步数 k'); ylabel('y(k)'); title('CFDL-MFAC 输出跟踪'); subplot(3,1,2); stem(t(1:N), u, 'LineWidth', 0.5); xlabel('采样步数 k'); ylabel('u(k)'); title('控制输入'); subplot(3,1,3); plot(t, phi, 'g-', 'LineWidth', 1.0); xlabel('采样步数 k'); ylabel('\phi(k)'); title('伪偏导数在线估计');

这段代码里最值得反复体会的是4.1到4.4的时序顺序。第k拍先算增量，再更新PPD，然后立刻用更新后的PPD去算控制量，最后才让被控对象动作。这样保证控制器在第k拍只能用到第k拍及之前的信息，符合因果性。

3.3 PPD估计曲线怎么读

跑完上面的代码，重点看第三张图：伪偏导数的估计曲线。如果你跟踪方波参考，PPD会在输出过渡过程中明显波动，进入稳态后逐渐收敛到被控对象在当前工作点的等效增益附近。这个“工作点附近的等效增益”反映了对象非线性特性：对象不同工作点的等效增益本来就是不同的，所以PPD在不同参考值下稳定到不同数值，是非常正常的现象，不要误以为是算法发散。

还有一种常见情况：PPD曲线在参考信号跳变瞬间出现尖峰。这是PPD快速修正以适应新工作点的正常表现，只要尖峰之后能回落，就不是问题。但如果PPD曲线持续增大不回落，那基本是μ设置太大或η设置太小，导致估计更新跟不上输出变化，需要调整参数。

3.4 参数扫描：快速把握参数敏感性

如果你在写论文，强烈建议补一组参数扫描实验。做法很简单：固定其他参数，只改变一个参数，统计RMSE和控制量峰值，画出对比表格。我实际操作中的典型结果如下：

参数扫描最大的价值不是告诉你“最优值是多少”，而是让你理解每个参数对性能指标的权衡方向。做完这组实验之后，闭着眼睛拍脑袋调参的日子就结束了。

4. 在Simulink里搭闭环系统

4.1 顶层框图与模块连线

Matlab脚本跑通后，再搭Simulink模型就顺手多了。Simulink做MFAC仿真，本质上就是把主循环里“控制器”和“被控对象”两大块分别模块化。顶层框图建议分成四个部分：参考信号源、CFDL-MFAC控制器、被控对象、示波器与数据记录。

参考信号源推荐用Repeating Sequence Staircase（方波）、Sine Wave（正弦）或者Signal Builder（任意波形）组合。被控对象如果你已经有离散递推式，强烈建议用MATLAB Function块或者S-Function实现，不要用连续传递函数，因为连续传递函数跟离散控制器的交互需要额外处理采样保持，容易出代数环问题。

4.2 MATLAB Function实现CFDL-MFAC控制器

MATLAB Function块是Simulink里实现MFAC最直接的方式。把控制器封装成一个函数，输入当前参考ref和当前输出y，输出控制量u和伪偏导数估计phi。历史数据用persistent变量保存。我下面给一个可以直接复制的版本：

function [u_out, phi_out] = mfac_ctrl(ref, y) persistent u_k1 u_k2 y_k1 phi_k1 if isempty(u_k1) u_k1 = 0; u_k2 = 0; y_k1 = 0; phi_k1 = 1; end rho = 0.4; lambda = 1.0; eta = 1.0; mu = 1.0; phi0 = 1.0; eps = 1e-5; u_limit = 10; du_k1 = u_k1 - u_k2; % Δu(k-1) dy_k = y - y_k1; % Δy(k) % PPD估计 phi_k = phi_k1 + eta * du_k1 * (dy_k - phi_k1 * du_k1) / (mu + du_k1^2); % 重置机制 if abs(phi_k) <= eps || sign(phi_k) ~= sign(phi0) phi_k = phi0; end % 控制律 u_out = u_k1 + rho * phi_k * (ref - y) / (lambda + phi_k^2); % 控制量限幅 u_out = max(min(u_out, u_limit), -u_limit); % 更新persistent变量 u_k2 = u_k1; u_k1 = u_out; y_k1 = y; phi_k1 = phi_k; phi_out = phi_k; end

一个重要的细节是：MATLAB Function的persistent变量只在一次仿真运行期间保持，点“运行”按钮之前它们是空的，第一次调用时自动初始化。如果你的仿真中途改参考信号但没重启Simulink，persistent里的历史数据不会清空，这会导致控制器的初始状态是上一次运行结束时的状态。为避免这个问题，每次改参数后最好都重新初始化仿真，或者在模型中加一个Reset信号。

4.3 Level-2 S-Function的替代实现

MATLAB Function块虽然方便，但如果你需要把控制器打包成更通用的模块，或者需要在不同模型之间复用，Level-2 S-Function是更工程化的选择。下面给一个最基本的框架：

function mfac_sfun(block) setup(block); function setup(block) block.NumInputPorts = 2; block.NumOutputPorts = 2; block.SetPreCompInpPortInfoToDynamic; block.SetPreCompOutPortInfoToDynamic; block.InputPort(1).Dimensions = 1; % ref block.InputPort(2).Dimensions = 1; % y block.OutputPort(1).Dimensions = 1; % u block.OutputPort(2).Dimensions = 1; % phi block.SampleTimes = [0.01 0]; % 设置采样周期 block.NumDworks = 4; block.Dwork(1).Name = 'u_k1'; block.Dwork(1).Dimensions = 1; block.Dwork(1).DataType = 'double'; % ... 其他Dwork类似定义 block.RegBlockMethod('Outputs', @Outputs); function Outputs(block) % 读取输入和Dwork，执行PPD估计与控制律计算 % 写回Dwork，赋值输出 end

S-Function的好处是运行效率高，代码完全可控；坏处是模板冗长，光setup就要写一堆端口定义。我的建议是：论文仿真用MATLAB Function块就够了，做嵌入式代码生成或者大型工程项目再考虑S-Function。

4.4 三类仿真场景搭建：跟踪、突变、抗扰

Simulink模型建议至少做三个场景来验证算法的鲁棒性。

第一个场景是参考跟踪：方波加正弦交替，观察输出跟随情况。CFDL-MFAC跟踪方波时通常会在阶跃沿处有小超调，这是增量式控制器的正常现象；跟踪正弦时有相位滞后也属正常，离散控制器本身就有一步滞后。

第二个场景是参数突变：在Simulink里用Switch模块，在仿真中途切换被控对象的参数。比如前一半时间用y(k+1)=y(k)/(1+y(k)^2)+u(k)^3，后半段把对象增益翻倍。这个场景最能体现“无模型”的价值：因为控制器不依赖对象模型，PPD会自动适应增益变化，不需要人工重调参数。

第三个场景是输出端扰动：用Pulse Generator在系统输出上注入短脉冲，或者在Simulink的Sine Wave上叠加噪声，观察控制器能否快速把输出拉回参考值。做这个场景时要注意噪声幅度，过大的噪声会让PPD估计严重失真，这既是算法局限也是真实系统的共性。

5. 调参避坑与问题排查记录

5.1 输出发散的系统性排查

仿真中我遇到最棘手的现象就是“前几百拍还好好的，突然输出爆炸式发散”。这种问题按优先级排查，效率最高。第一优先级看PPD重置机制是否被触发过：如果φ(k)的绝对值超过初值的几百上千倍，意味着PPD估计已经漂移到危险区域，重置阈值ε就形同虚设，需要把ε调大，或者限制PPD估计值的上下界。第二优先级看控制量限幅：如果没有限幅，控制量可能在发散过程中被不断放大，反过来把对象输出推得更远；加一个±10的限幅往往立竿见影。第三优先级才是参数问题：ρ过大或者λ过小是常见原因，按1.4节的表格缩小ρ或增大λ，一般能救回来。

5.2 稳态抖振：先动lambda还是rho

稳态小幅抖振是新手最常遇到的第二类问题。表现为输出在参考值附近来回震荡，但整体不发散。这里的关键是先动λ，不要先动ρ。原因是：稳态抖振的控制量通常已经非常小，按比例调整控制量步长（ρ）对稳态段影响很小，而λ直接惩罚控制量变化幅度，将λ从1增大到2或3，抖振往往几拍内就消失。如果增大了λ还是抖，再考虑减小η：PPD估计更新太激进会导致控制增益忽高忽低。

有一个经验值得记住：CFDL-MFAC的λ和ρ存在配合关系。固定其他参数情况下，ρ/λ的比值可以粗略理解为“等效控制增益”。如果你调大λ但忘了调大ρ，会发现整个系统响应变钝、跟踪变慢。我通常在增大λ的同时，略微增大ρ，保持等效增益不变的同时获得更平滑的控制信号。

5.3 伪偏导数估计“卡死”的原因

PPD估计值长时间保持不变，通常有三个原因。最典型的是激励不足：参考信号长期恒定且无扰动时，Δu(k-1)长期为零，PPD更新公式的分母趋于零加上分子也为零，估计自然停滞。解决办法是给控制器足够的激励——变化的参考信号就是最好的激励。第二个原因是μ太大，导致更新步长被压得过小，PPD每次只变一点点，看起来就像卡住。第三个原因是重置机制过于频繁，PPD不断被重置回初值，根本来不及收敛到真实等效增益。遇到第三种情况时，把阈值ε调小，让PPD有更大的自由活动空间。

5.4 常见问题速查表

把实操中遇到的问题整理成一张速查表，方便你对照排查：

最后再提醒两个Simulink独有的坑。第一个是代数环：如果被控对象模型里直接用当前输出去算控制量，而控制器又马上用这个控制量去算下一拍输出，Simulink会检测到代数环。解决办法是在反馈路径上放一个Unit Delay或Memory模块，把输出延迟一拍再送入控制器，这实际上也符合离散控制的因果性。第二个是示波器数据记录：不要只从Scope上看波形，建议加一个To Workspace模块把信号记录到工作区，方便离线计算RMSE和画出版级图。

这套CFDL-MFAC的仿真流程走完一遍，我个人最大的体会是：无模型自适应控制并不是“什么都不需要”，它需要的是对采样数据质量的敬畏——伪偏导数在线估计的质量，直接决定控制效果的上限。而Matlab与Simulink恰恰提供了一套从算法验证到工程化落地的完整链路。如果你后续想扩展到偏格式动态线性化PFDL-MFAC、或者全格式动态线性化FFDL-MFAC，核心的调参逻辑、重置机制和时序控制都是一脉相承的，这篇文章里的经验可以直接复用。