无模型自适应控制(MFAC)仿真：六套程序与核心算法详解

聊到MFAC，很多做控制的朋友第一反应是“这玩意儿到底能不能避开建模？”我的答案是可以，但你得先把伪偏导数估计、动态线性化这些基础概念嚼碎了。MFAC全称Model-Free Adaptive Control，中文通常叫无模型自适应控制，它不依赖被控对象的机理模型，只用输入输出数据，通过伪偏导数（Pseudo Partial Derivative，PPD）把非线性系统在工作点附近“局部线性化”，然后直接设计控制器。我去年集中整理过六个MFAC仿真程序，覆盖单变量、多变量、紧凑格式CFDL、偏格式PFDL，以及MIMO场景，每个demo都带着可运行的代码和配套说明资料。这篇博文从一个老控制工程师的角度，聊聊这六套程序背后的设计逻辑、参数整定方法和我实际踩过的坑。内容适合刚接触无模型自适应控制的研究生，也适合想快速跑通MFAC仿真、验证控制算法的工程师。

1. 为什么我一次性写了六套MFAC仿真程序

1.1 从一次被“模型”坑惨的经历说起

早些年我做某条生产线上的温度控制，被控对象有明显纯滞后和非线性，工艺人员给的机理模型到了大范围变工况时，开环增益符号都有可能反。当时团队花了两周时间重新辨识模型，结果模型刚调好，现场工况又变了。那套基于模型的PID参数怎么凑都不理想，最后还是靠人工干预撑着。那段时间我意识到，很多实际控制问题不是控制器设计能力不够，而是“模型精度”和“工况变化”这两座大山压得人喘不过气。后来接触到MFAC，思路一下子打开了：它不需要先辨识模型，直接用一个伪偏导数来刻画系统输入输出之间的局部动态关系，控制方向变了，伪偏导数也跟着变。虽然理论门槛不算低，但仿真验证的门槛其实比想象中低，适合先用离线仿真把逻辑跑通。

1.2 无模型自适应控制到底解决了什么问题

无模型自适应控制的核心是把一个未知的非线性离散时间系统，在每一个工作时刻用动态线性化模型来近似，然后基于这个等价数据模型去设计控制器。这里的“无模型”不是没有数学模型，而是不依赖被控对象的机理模型。控制器只需要当前输入输出数据和历史输入输出数据，通过伪偏导数估计实时得到等价梯度的近似。它解决的问题非常实在：当对象是强非线性、结构未知、参数时变，或者模型辨识成本太高时，传统的PID整定和基于模型的最优控制都很吃力，而MFAC可以只用数据就把控制律推算出来。说白了，它把“建模”这件事转换成“估计一个时变标量或矩阵”，计算量不大，在线更新又很方便。

1.3 六套程序的任务划分和适用人群

我手里的这套资源包，把MFAC的仿真场景拆成了六个递进任务：两个SISO系统分别用CFDL和PFDL控制，两个SISO系统加了时滞和噪声扰动，再往后是两个2×2的MIMO系统，一个用CFDL处理，一个用PFDL处理。这六个demo不是随便凑数的。第一、第三个给新手理解基础算法；第四、第五个暴露单回路和耦合系统中的典型问题；第六个把偏格式动态线性化和多变量解耦放在一起，是资源包里最接近工程实战的部分。六个程序共性很强，都是从同一个核心控制器模板改出来的，很适合按顺序跑。如果你只是想看看MFAC长什么样，跑第一、第三个就够；如果你要做课题对比或者改造到自己的被控对象上，我建议把第六个的MIMO版本吃透。

2. 核心算法拆解：伪偏导数估计、CFDL与PFDL的取舍

2.1 伪偏导数：用数据斜率替代真实Jacobian

伪偏导数（PPD）这个概念，第一次接触的人很容易被绕进去。我用一句大白话解释：它本质上是一个“数据驱动的时变斜率”。对单输入单输出系统，我们不需要知道y和u之间的真实Jacobian解析式，只需要利用相邻两个时刻的输入差Δu和输出差Δy，估计出一个标量φ(k)，使得下面的动态线性化关系大概成立：

Δy(k) = φ(k) · Δu(k-1)

这里的φ(k)就是伪偏导数。它和传统差分模型里的系数很像，但区别在于它是时变的，而且估计方式不依赖系统模型。常见的估计方法是对预测误差做极小化，然后用投影算法更新。比如很多资料里给出的递推形式，核心就是拿“实际输出差”和“PPD估计值×输入差”之间的误差，去修正φ(k)，并且在修正之前用惩罚因子限制更新步长。你看这个逻辑，它就是在线辨识一个小模型的斜率，但是这个斜率只服务控制器，不追求全工况准确。实际仿真里，PPD有时会跑到很大、很小甚至变号，这时候就需要重置机制把φ拉回初始值，否则控制量会跟着失稳。

2.2 CFDL和PFDL究竟差在哪里

CFDL叫紧凑格式动态线性化，PFDL叫偏格式动态线性化，二者的区别主要体现在动态线性化模型的“记忆长度”上。CFDL只用上一拍的输入增量Δu(k-1)来解释当前输出增量，相当于假设系统在相邻采样点之间的动态关系可以用“一阶斜率”逼近。好处是参数少，只有一个PPD，控制律算起来很简洁；坏处是当系统存在明显时滞、高阶动态或者非线性较强时，一个标量斜率很难把这种动态“压”进去，估计出来容易波动，控制效果就变差。

PFDL的思路是把过去L个时刻的输入增量都拿进来，组成一个长度为L的输入增量向量，相应地伪偏导数也变成了一个向量或矩阵。你可以理解为从“只看上一拍变化量”升级为“看过去一段窗口内的变化量”。这一下就把系统的时滞和高阶动态信息补齐了，对经常做过程控制的工程人员来说非常实用。代价是参数数量从1个变成L个，待整定的参数也更多，计算量和数据需求都上去了。实际项目里，如果对象纯滞后不超过两个采样周期，CFDL完全够用；如果滞后明显，我会优先考虑PFDL，并取L等于纯滞后拍数加2左右。

2.3 MIMO场景下的伪偏导矩阵与解耦控制

到了MIMO系统，事情就没那么简单了。以两输入两输出系统为例，每一个输出y_i都可能受到两个控制输入的影响，所以动态线性化模型里的伪偏导数不再是一个标量，而是一个2×2矩阵Φ(k)，每一行对应一个输出，每一列对应一个控制输入。控制律设计时，需要对伪偏导矩阵做求逆或者伪逆计算，这就把“两个单回路问题”变成了“一个耦合矩阵问题”。很多初学者一上来就用同样的参数去控制两个通道，结果输出老是互相打架，就是这个原因。

MIMO-MFAC的常见做法是分别对每个输出估计一个PPD行向量，然后组合成矩阵。控制器在求解控制增量时，会牵涉到矩阵求逆。为了避免矩阵奇异导致控制量爆炸，我建议在求逆时加上一个很小的正则化项，比如用带阻尼的最小二乘解。不要直接用inv，要用伪逆，并且对输入输出做归一化。否则两个通道的量纲差异太大，矩阵条件数可能高到让数值直接崩掉。我自己的经验是：MIMO系统的伪偏导矩阵初始值不要随便设成全1，最好先根据每个通道的静态增益符号定一个合理的初值，并且让对角项占主导，这样前期解耦更容易收敛。

3. MATLAB实操：六个demo的编排、核心代码与参数整定

3.1 资源包结构：拿到手先跑哪个

这套程序的目录结构大致是这样的：一个总目录下放六个子文件夹，每个子文件夹里是主脚本、被控对象函数、控制器函数和结果输出脚本，另外有一个单独的docs目录放参考笔记和PDF资料。我建议拿到手不要急着改参数，先把第一个SISO_CFDL的主脚本从头到尾读一遍，然后在MATLAB里直接运行。第一个demo的被控对象是一个常见的非光滑非线性系统，控制目标是跟踪方波信号，算法结构最简单，适合用来确认环境没问题。跑完之后打开工作区变量，看phi序列和u序列的变化，你会直观感觉到“伪偏导数估计”和“自适应控制”是怎么配合的。

第三个demo是SISO_PFDL，也是新手必跑的。它把CFDL控制器函数里的phi标量换成phi向量，控制律里多了一个卷积操作。很多同学在改这一段代码时会漏掉输入增量向量的缓存，导致PFDL估计算出来的phi维度和历史数据对不上。我的建议是先用固定数组缓存过去L拍的控制增量，不要用循环变量覆盖，这样方便后面MIMO版复用。第六个MIMO_PFDL是资源包里最复杂的，运行前务必要把配套的说明文档看一遍，文档里我把两个通道的参考信号、初始PPD矩阵和正则化参数都写清楚了。

3.2 核心控制器的可复用模板代码

下面这段代码是我在仿真资源包里反复用的SISO控制器核心循环，完全可以直接抄走。这里“plant_siso”是被控对象封装函数，控制器只使用y和u的历史值，完全不知道对象内部结构。

% MFAC-SISO 核心循环（示意） phi = phi_init; % 伪偏导数初始值 u(1) = u_init; y(1) = plant_siso(u(1)); u(2) = u_init; y(2) = plant_siso(u(2)); for k = 3:N-1 dy = y(k) - y(k-1); du = u(k-1) - u(k-2); % 伪偏导数估计：投影算法 phi_hat = phi + eta * du / (mu + du^2) * (dy - phi * du); % 重置机制：PPD过小或符号翻转时重置 if abs(phi_hat) < eps_phi || sign(phi_hat) ~= sign(phi_init) phi_hat = phi_init; end phi = phi_hat; % 控制律：目标 yd(k+1) 已知 u(k) = u(k-1) + rho * phi / (lambda + phi^2) * (yd(k+1) - y(k)); % 限幅，避免仿真中控制量过大 u(k) = max(u_min, min(u_max, u(k))); y(k+1) = plant_siso(u(k)); end

注意，这段代码里eta是伪偏导数估计的步长因子，mu是估计惩罚因子，rho是控制律步长因子，lambda是控制增量惩罚因子。它们四个的作用完全不同，初学者最容易混淆。eta和mu控制PPD更新速度，rho和lambda控制控制量的变化幅度。实际调参时，我会先固定mu和lambda，再分别调eta和rho，而不是四个一起动。

3.3 参数整定顺序和参考范围

参数整定是MFAC仿真最费时间的环节，也是最容易看出来一个人是否真正理解算法的地方。我总结了一个保守有效的顺序：先设初始PPD，再调估计回路，最后调控制回路。下面的表格是我在不同非线性系统上试过的经验范围，你可以作为起点，但不要直接照搬：

调参的时候，先用手动模式跑一组阶跃响应，观察PPD序列是否在某个范围内稳定变化。如果PPD频繁触发重置，说明eta太大或者mu太小。如果跟踪信号一圈下来还没跟上，多半是rho小了，而不是eta小了。等单回路调的差不多，再复制到MIMO场景，这时MIMO系统里的交叉通道增益差异大，我会把每个通道的初始PPD行向量按该通道的静态增益符号分开设置，而不是统一设同一个数。

3.4 从仿真曲线判断算法是否健康的五个特征

仿真跑完别只看跟踪误差，还要看几个隐藏信号。第一个特征是有界性：控制量和伪偏导数都应该落在合理范围内，如果某个量不断变大且不回头，就是参数或重置出了问题。第二个特征是快速性：方波跟踪时，上升沿处PPD会短暂变大，之后回落，这是正常的；如果PPD一直趴在某个值附近不动，说明估计环节没被激活。第三个特征是平稳性：控制量不应该持续高频抖动，尤其MIMO场景里，控制量的锯齿波形往往与lambda过小直接相关。第四个特征是鲁棒性：在噪声或负载扰动下，输出仍能回到设定值，而不是被扰动带着跑偏。第五个特征是MIMO场景下的“解耦痕迹”：一个通道改变设定值时，另一个通道的超调应该很小，如果另一个通道明显晃动，就要回头检查伪偏导矩阵初始值和正则化项。

4. 常见问题与排查技巧实录

4.1 伪偏导数是发飘的元凶之一

做MFAC仿真时，最常遇到的现象是运行几十步后控制量突然大幅跳变，或者输出开始振荡。我排查这类问题，第一步永远是打印伪偏导数估计序列。如果phi的数值在几个周期内从0.5跳到几百甚至几千，然后被重置拉回来，说明估计回路出问题了。常见原因有三个：一是Δu太小，导致公式里分母接近零，这时需要增大mu；二是eta太大，估计步长过猛，一两次错误更新就把phi推到离谱方向；三是参考信号变化太快，而系统响应跟不上，输出差持续很大，会让phi持续被高估。解决办法也很直接：把mu调到0.5甚至1，eta降到0.1，在控制器里加控制率限幅。我见过很多论文里的仿真结果好看，其实是把eta调得非常小，跟踪自然平滑，但这不叫参数整定，叫掩盖问题。

4.2 重置机制和初始PPD到底怎么设置

重置机制是MFAC算法里最容易忽略、又最影响稳定性的部分。伪偏导数虽然是时变的，但它应该跟系统的控制方向保持一致。对大多数实际对象来说，输入增加通常带来输出增加，所以phi原本应该是正的。如果估计出来的phi变成负的，说明模型方向不对，或者估计被异常跳变干扰了。我的处理逻辑很简单：如果|phi|小于某个阈值，比如1e-5，说明系统对控制输入“不敏感”，此时再逐步更新没有意义，不如直接重置为初始值；如果phi的符号和初始值不一致，也重置。很多初学者不敢设重置，觉得会影响“自适应”。实际上一套合格的MFAC控制程序必须有重置机制，它不是坎，反而是保护伞。

初始PPD怎么设？我见过有人拍脑袋设成0.01，结果系统前几十拍完全反应迟钝；也有人设成10，结果控制量一开始就冲到限幅。我的经验是：如果完全不知道对象增益，就从1开始试，观察输出响应的方向。如果方向反了，把初始值取负继续试。注意，初始值不是越小越好，因为控制律分母里有phi的平方，phi太小时控制增量会被压得非常小，系统长时间无法动作。初始值设到0.5~2之间，大多数SISO非线性系统都能在几十步内把phi调整到合理位置。

4.3 MIMO耦合被当成干扰怎么办

MIMO版本最典型的问题是两个通道互相拉拽，看起来像是每个通道都有扰动，但其实是伪偏导矩阵的非对角项没有被正确估计。很多新手拿到2×2系统，直接用两个独立的SISO控制器去控制，两个回路之间没有交换信息，结果一个通道动，另一个通道立刻被干扰拉飞。这其实是控制器结构不对，而不是参数问题。正确的MIMO-MFAC应该把伪偏导矩阵的交叉项一起估计出来，并在控制律里通过矩阵求逆实现解耦。

实际仿真中，如果交叉项估计得不准，解耦效果会很差。我给一个实用技巧：开环测试时，分别给u1和u2施加小幅阶跃，记录y1和y2的响应方向，确定静态增益矩阵的符号。然后让伪偏导矩阵初始值的对角线符号与主通道增益一致，非对角线初始值可以小一点，但不设成0，否则交叉项在初始阶段会零输出，矩阵可能因对角线不可逆而出现数值问题。矩阵求逆我建议用伪逆，必要时在求逆前加正则化项：

delta = 0.01; % 正则化系数 Phi = Phi_hat; M = Phi * Phi' + delta * eye(p); dU = Phi' * (M \ (yd - y));

这样做虽然牺牲了一点点纯解耦精度，但换来了数值稳定。工程上讲，稳定压倒一切，尤其是现场控制器，最怕的就是某一步矩阵奇异导致输出全乱。

4.4 问题速查表

我整理了一份排查清单，每次仿真不收敛，按这张表逐行对一遍，大部分问题都能定位：

5. 配套资料怎么用，后续还能怎么扩展

5.1 别被所谓“零模型”忽悠

网上很多介绍MFAC的文章都喜欢强调“无模型”，好像控制器完全不使用任何对象知识就能搞定一切。我的实际感受是，仿真阶段你可以完全不建模，但工程应用阶段，你还是至少要知道被控对象的控制方向、时间尺度和量级范围。这套资源包里的六个demo也体现了这个思路：每个demo都提供了被控对象函数，但控制器只靠输入输出数据，不调用对象内部变量。这个边界非常清楚，建议你看配套资料时也抓住这个核心：“无模型”是指控制器设计不依赖机理模型，而不是说你可以对对象一无所知就盲目上系统。资料里我专门写了一段MFAC和传统自适应控制的对比，核心区别就在这里，传统自适应控制要先在线辨识一个显式模型再做控制器，MFAC则把辨识和控制融合在一个PPD估计里。

5.2 看完六套仿真后的进阶建议

跑完六个demo之后，我建议你把三个以前没做过的工作补上：第一，把第一个CFDL控制器换成实际工程对象，比如一个带惯性和摩擦的直流电机模型，看看控制律是否还能保持稳定；第二，把参考信号从方波改成三角函数，再叠加噪声，对比PPD估计序列和噪声的关联；第三，在MIMO系统里强行把通道间耦合系数调大，观察解耦控制的边界在哪里。做完这三个扩展，你基本就把MFAC的“脾气”摸清了。配套的参考资料里还收录了关于伪偏导数估计收敛性、CFDL和PFDL的区别、MIMO系统可解耦性条件的笔记，这些内容对照仿真看会比较扎实，尤其建议在做课题答辩前把MIMO可解耦条件那篇反复读两遍。

5.3 我的个人体会：从单路到MIMO的迁移技巧

我个人在实际操作中的体会是：不要一上来就挑战MIMO，先把单回路的PPD估计跑“稳”。所谓“稳”，不是跟踪好，而是伪偏导数序列在系统受到扰动后能自己回到一个合理区间。单回路能做到这点，再往MIMO扩展，只需要把标量操作换成矩阵操作，整体框架不变。最后再分享一个小技巧：在所有仿真代码里加上一个统一的异常防护层，检测PPD、控制量和误差是否越界，一旦越界就暂停并输出诊断信息。这六个MFAC仿真程序的价值不只是跑通算法，更重要的是让我养成了从数据估计状态、从状态判断算法的习惯。后面再做其他数据驱动控制方法时，这套排查思路可以直接复用。