做控制算法仿真的人，应该都遇到过同一个尴尬：被控对象的数学模型不完整，建模成本比控制器本身还高，现场还一堆非线性、时变和耦合。这时候再去套PID、滑模、模型预测，总觉得底气不足。无模型自适应控制（MFAC）就是在这种背景下被逼出来的思路——不依赖系统数学模型，只靠输入输出数据往前推控制量，核心是一套叫伪偏导数估计的机制。我这套仿真把CFDL（紧格式动态线性化）、PFDL（偏格式动态线性化）和MIMO场景全做了一遍，一共整理了六套仿真程序，配套资料也单独归了档。花了两三周调试，踩了不少坑，今天把从公式到代码、从参数到排障的完整过程捋一遍，给正在做课程设计、写毕业论文、或者想把MFAC落到实际装置上的朋友一个参考。
1. 先搞清楚MFAC能吃哪碗饭
1.1 "无模型"到底是什么意思
很多刚接触MFAC的人会误以为"无模型"就是完全黑箱、随便乱来，其实不是。MFAC不要求你写出系统的机理方程，但它要在每一个工作点附近，利用输入输出数据把原系统动态线性化。这个动态线性化模型不是全局固定的，而是每一拍在线更新，更新出来的核心系数就叫伪偏导数。
我当时问导师，为什么叫"伪"偏导数？导师的回答很直白：你就把它理解成一个随时间变化的等效增益，它把系统的非线性、时变、耦合、滞后等等说不清楚的因素全吸收进来了。这个说法很粗暴，但真的很好用。你不需要知道对象内部长什么样，只要知道"控制量动一下，输出会跟着动多少、方向对不对"，就能把控制器设计出来。
传统PID也干类似的事，但PID的增益是人工整定的，并且固定不变；MFAC的伪偏导数是每一拍从数据里实时辨识出来的，相当于增益自动整定。模型预测控制MPC理论上很强，但需要模型，且每步要解优化问题，工程落地成本高。MFAC的定位就是：在模型信息极少、计算资源有限的条件下，给出一个能稳住、能跟踪、能在线适应的工作点。它特别适合那些机理不清、参数慢变、强非线性但采样周期又比较短的过程对象。
1.2 六个仿真案例的排兵布阵
六套仿真程序我没有一次性乱写，而是按"从简单到复杂、从标量到矩阵"的顺序搭的，这样每套程序都能独立验证一个点，出了问题也容易定位。下面这个表是整套程序的目录结构：
| 案例编号 | 被控对象特征 | 算法结构 | 主要观察点 |
|---|---|---|---|
| 案例1 | 一阶非线性SISO系统 | CFDL-MFAC | 基本控制律闭环跟踪 |
| 案例2 | SISO系统带纯时滞 | PFDL-MFAC | 历史控制增量对滞后的补偿 |
| 案例3 | 两入两出耦合非线性系统 | CFDL-MIMO | 伪雅可比矩阵在线辨识与解耦 |
| 案例4 | 三入三出强耦合系统 | PFDL-MIMO | 参数增多后的鲁棒性表现 |
| 案例5 | SISO系统叠加随机扰动 | CFDL-MFAC带重置 | 抗扰动能力和PPD重置机制 |
| 案例6 | 参数慢时变/工作点突变系统 | CFDL与PFDL对比 | 参数变化下的自适应能力 |
这套结构其实也对应一个通用结论：先在一入一出场景把伪偏导数估计的稳定性搞明白，再上MIMO矩阵，不然MIMO里变量一多，PPD矩阵一旦估偏，整体发散起来你根本分不清是控制器问题还是辨识问题。程序里我每套都写了比较详细的注释，参考资料也按案例分开，方便对照着看。
2. 动态线性化与伪偏导数估计：整套方法的地基
2.1 紧格式动态线性化CFDL：只用一个标量PPD
MFAC里最基础的一类动态线性化叫紧格式动态线性化，简称CFDL。它的核心假设很朴素：在采样周期足够短的条件下，系统相邻两个时刻的输出增量，与控制量的增量之间，可以近似用一个时变的标量增益联系起来：
[ \Delta y(k+1) = \phi(k) \Delta u(k) ]
这里的 (\Delta y(k+1)=y(k+1)-y(k))，(\Delta u(k)=u(k)-u(k-1))，而 (\phi(k)) 就是伪偏导数PPD。注意它不来自机理模型，而是来自数据在线辨识，所以叫"伪"。
既然有了这个局部线性关系，控制器设计就很直接了。为了把输出 (y(k)) 推到期望值 (y^*(k+1))，控制律取：
[ u(k) = u(k-1) + \frac{\rho , \phi(k)}{\lambda + \phi^2(k)} \big( y^*(k+1) - y(k) \big) ]
(\rho) 是步长因子，控制动作大小；(\lambda) 是惩罚因子，防止 (\phi^2(k)) 太小导致分母接近零，同时也对控制量变化做约束。从控制工程角度看，(\lambda) 越大控制动作越保守，(\lambda) 越小跟踪越快但越容易振荡。
我最开始做仿真时，总觉得这个式子太简单了，怀疑它能不能压住非线性。后来跑了一个强非线性对象才发现，关键在于 (\phi(k)) 每拍都在更新，上一拍这个增益不准没关系，这一拍它会朝正确的方向修正。CFDL适合大多数采样速率足够的系统，但有一个天然短板：它只用了上一步的控制增量，如果对象有大惯性或纯滞后，单靠一步增量很难把滞后那段信息补回来，这时候就要考虑PFDL。
2.2 偏格式动态线性化PFDL：把过去N步增量都利用起来
偏格式动态线性化的思路是把"只看上一步控制增量"扩展为"看过去L步的控制增量"。数学上写成：
[ \Delta y(k+1) = \psi^T(k) \Delta U_L(k) ]
其中：
[ \Delta U_L(k) = [\Delta u(k), \Delta u(k-1), \cdots, \Delta u(k-L+1)]^T ]
(\psi(k)) 是一个L维的伪梯度向量，它的每个分量可以理解为历史不同时刻的控制增量对当前输出增量的影响权重。这样一来，如果系统存在滞后，前面几步施加的控制量现在才起作用，PFDL就能把这些滞后效应显式建模到辨识模型中。
伪梯度向量的估计和标量PPD估计一样，采用投影类算法：
[ \hat{\psi}(k) = \hat{\psi}(k-1) + \frac{\eta , \Delta U_L(k-1)}{\mu + |\Delta U_L(k-1)|^2} \Big( \Delta y(k) - \hat{\psi}^T(k-1) \Delta U_L(k-1) \Big) ]
(\eta) 是估计器的学习率，(\mu) 是分母正则项，防止除零。控制律会以 (\hat{\psi}(k)) 的第一个分量为主体，其他分量做历史补偿。实际程序里控制律的具体形式可以参考侯忠生教授的相关论著，不同文献在修正项上略有差别，但骨架都是这个思路。
L到底取多少，这是PFDL绕不开的问题。取太小，比如L=1，就退化成CFDL；取太大，比如L=10，辨识参数变多，数据信息量不够时估计方差会变大，控制量反而会抖。我自己的经验是：采样周期正常、滞后在两三个采样周期以内时，L取3到5效果比较折中，既能把滞后信息装进去，又不会让向量维数高到难以收敛。
2.3 伪偏导数估计算法为什么必须带重置
PPD估计这部分，教材上公式不长，但真正决定程序能不能稳定跑的，其实是重置逻辑。我调试过程中最深刻的一点感受是：MFAC的控制器本身非常依赖PPD的方向和大小，一旦PPD估计跑偏，系统发散得比PID还快。
PPD需要重置的情况主要有两种。第一种是 (\hat{\phi}(k)) 的绝对值小于某个阈值 (\varepsilon)，比如 (\varepsilon = 10^{-4})，这时等效增益几乎为零，控制律分母虽然被 (\lambda) 兜底，但方向信息已经不可靠。第二种是 (\hat{\phi}(k)) 的符号发生跳变，比如从正跳负。符号跳变意味着系统局部增益方向反了，如果不重置，控制器下一拍会给反方向的控制量，系统直接打反调。
重置逻辑典型代码块长这样：
if abs(phi) < eps || sign(phi) ~= sign(phi0) phi = phi0; % 恢复为初始伪偏导数 end我见过不少仿真实例，曲线初期正常，跑到某个点突然大幅振荡，最后排查下来就是没有写重置条件，PPD在非线性强的地方被一个极端数据点拉飞了。所以MFAC程序里，重置不是可选项，是必选项。
3. MIMO场景下的MFAC要点
3.1 从标量到伪偏导矩阵
MIMO场景是MFAC真正显示优势的地方，因为传统PID在多变量耦合系统中要设计解耦网络，工程量大；而MFAC把耦合信息直接吸进了伪偏导矩阵（也叫伪雅可比矩阵）。假设系统有 (m) 个输入和 (m) 个输出，CFDL形式的动态线性化可以写成：
[ \Delta \mathbf{y}(k+1) = \mathbf{\Phi}(k) \Delta \mathbf{u}(k) ]
其中 (\mathbf{\Phi}(k)) 是 (m \times m) 的矩阵，(\Delta \mathbf{y}) 和 (\Delta \mathbf{u}) 分别是输出增量向量和输入增量向量。这个矩阵的对角元素反映各通道自身的增益，非对角元素反映通道之间的耦合影响。
控制律相应变成：
[ \mathbf{u}(k) = \mathbf{u}(k-1) + \rho , \mathbf{\Phi}^T(k) \big( \lambda I + \mathbf{\Phi}(k)\mathbf{\Phi}^T(k) \big)^{-1} \big( \mathbf{y}^*(k+1) - \mathbf{y}(k) \big) ]
这里面的 (\lambda I) 和标量版本里的 (\lambda) 作用一样，但更重要了：因为 (\mathbf{\Phi}\mathbf{\Phi}^T) 很可能是奇异的，不加入正则项直接求逆，数值上一拍就崩。
伪雅可比矩阵的在线估计是一个秩一更新：
[ \hat{\mathbf{\Phi}}(k) = \hat{\mathbf{\Phi}}(k-1) + \frac{\eta \big( \Delta \mathbf{y}(k) - \hat{\mathbf{\Phi}}(k-1)\Delta \mathbf{u}(k-1) \big) \Delta \mathbf{u}^T(k-1)}{\mu + |\Delta \mathbf{u}(k-1)|^2} ]
这套思路的好处是：不需要额外的解耦器，只要矩阵估计得准，控制律天然就带着解耦信息往前走。前提是输入输出同维。工程上如果输入输出维数不一致，可以先做一定的升降维处理，或者在结构上改成分量式设计，但仿真阶段我建议先限定方阵系统，把核心逻辑跑通。
3.2 MIMO通道耦合与参数调整
MIMO程序的调参和SISO最大的区别在于：你没法只看一条曲线判断好坏。强耦合系统里，通道1的输出变化可能有一半是通道2的控制量引起的，如果伪雅可比矩阵的非对角元素估计不准，两个通道就会互相"踢"，出现此起彼伏的振荡。
我自己的MIMO调参经验，优先级是这样：
- 矩阵初始化优先用单位阵或很小的单位阵倍乘，比如 (\mathbf{\Phi}(0)=I)，这是最稳的起点。
- (\rho) 要比SISO时再保守一些，先取0.4以下，否则矩阵更新和控制律耦合在一起，非常容易爆炸。
- (\lambda) 不要太小，MIMO里它既要防止奇异，又要抑制控制量抖动，我常用的区间是0.5到5。
- 如果各个通道的量纲差异很大，比如一个是温度（几十到几百度），一个是流量（每秒几升），建议先做归一化，或者给每个通道单独配步长系数。
另外还有一个程序细节：MIMO矩阵更新用的是外积形式，如果 (\Delta \mathbf{u}) 的模长很小，数值误差会被放大，所以控制量限幅和矩阵限幅必须加。限幅这种操作不会出现在教材公式里，但工程仿真不加限幅，程序大概率会在某个时刻因为数值问题飞掉。
4. 仿真程序框架与调试实录
4.1 最小可复现的SISO CFDL-MFAC代码
下面这个程序是我用来做基准测试的最小示例，被控对象是一个非线性函数加轻微时变扰动，控制器完全不知道对象公式，只使用输入输出数据。代码可以直接在MATLAB里运行：
%% MFAC_SISO_CFDL_Demo.m % 无模型自适应控制（CFDL）最小复现示例 clear; clc; close all; N = 400; u = zeros(1, N); % 控制输入 y = zeros(1, N); % 系统输出 yr = sin(linspace(0, 8*pi, N)); % 期望轨迹，可换成阶跃或方波 % 控制器与估计器参数 phi0 = 1; % 伪偏导数初始值 phi = phi0; rho = 0.6; % 控制律步长因子 lambda = 1; % 控制律惩罚因子 eta = 0.9; % 估计器学习率 mu = 1; % 估计器分母正则项 eps = 1e-4; % 重置阈值 for k = 2:N-1 % 1. 被控对象：模拟现场对象，控制器不知道这个公式 y(k+1) = y(k)/(1 + y(k)^2) + u(k)^3 + 0.01*y(k)*sin(k/3); % 2. 伪偏导数估计，使用上一拍控制增量和当前输出增量 if k >= 3 duPrev = u(k-1) - u(k-2); % 对应 Δu(k-1) dyCur = y(k) - y(k-1); % 对应 Δy(k) if abs(duPrev) > eps phi = phi + eta*duPrev/(mu + duPrev^2) * (dyCur - phi*duPrev); end end % 3. 重置逻辑，防止PPD太小或符号跳变 if abs(phi) < eps || sign(phi) ~= sign(phi0) phi = phi0; end % 4. CFDL控制律 e = yr(k+1) - y(k); u(k+1) = u(k) + rho*phi/(lambda + phi^2) * e; end % 绘图 plot(yr, '--', 'LineWidth', 1.2); hold on; plot(y, 'LineWidth', 1.2); legend('期望轨迹', '实际输出'); xlabel('采样步数 k'); ylabel('输出'); title('SISO CFDL-MFAC 仿真结果');这个程序里有个细节值得说明：伪偏导数估计用的是 (\Delta u(k-1)) 和 (\Delta y(k))，而不是当前拍的控制增量。因为当前拍 (u(k+1)) 还没算出来，因果顺序不能乱。很多新手第一次写MFAC程序时容易把时序搞反，导致估计器用到了未来的控制量，仿真还看不出问题，但一到实时系统就废了。
4.2 MIMO程序怎么写不迷路
MIMO程序比SISO多出来的东西，就是矩阵化。下面是一个两入两出带耦合的CFDL-MFAC程序骨架：
%% MIMO_MFAC_CFDL_Demo.m clear; clc; close all; N = 500; n = 2; u = zeros(n, N); y = zeros(n, N); yr = repmat([1; -1], 1, N); % 通道1跟踪1，通道2跟踪-1 Phi = eye(n); % 伪雅可比矩阵初始为单位阵 rho = 0.4; % 步长因子 lambda = 1; % 正则化参数 eta = 0.8; % 估计器学习率 mu = 1; eps = 1e-4; for k = 2:N-1 % 1. 被控对象：两入两出，带相互耦合 y(1,k+1) = 0.8*y(1,k)/(1+y(1,k)^2) + u(1,k) + 0.3*u(2,k); y(2,k+1) = 0.8*y(2,k)/(1+y(2,k)^2) + u(2,k) + 0.3*u(1,k); if k >= 3 duPrev = u(:,k-1) - u(:,k-2); dyCur = y(:,k) - y(:,k-1); % 2. 伪雅可比矩阵秩一更新 if norm(duPrev) > eps Phi = Phi + eta*(dyCur - Phi*duPrev)*duPrev'/(mu + norm(duPrev)^2); end % 3. 重置：对角元素异常时恢复单位阵 for i = 1:n if abs(Phi(i,i)) < eps Phi(i,:) = 0; Phi(i,i) = 1; end end % 4. MIMO控制律 e = yr(:,k+1) - y(:,k); du = rho * (Phi' / (lambda*eye(n) + Phi*Phi')) * e; u(:,k+1) = u(:,k) + du; % 实际程序务必加控制量限幅 % u(:,k+1) = max(min(u(:,k+1), umax), umin); else u(:,k+1) = u(:,k); end endMIMO程序里我踩过的坑，大部分集中在矩阵更新那行。如果两个通道的输入变化方向总是在同一侧，(\Delta \mathbf{u}) 的外积会导致矩阵病态，所以每一步检查 (\Phi) 的对角线、甚至限制 (\Phi) 的元素范围都是必要的。参考轨迹建议从恒定值开始，等矩阵收敛后再切换成时变轨迹，这样能明显降低启动阶段的振荡。
4.3 参数初始化和重置的实用经验
MFAC参数没有一组万能值，但在大量仿真里有一个比较稳的起点范围，下面这个表供直接抄作业：
| 参数 | 建议初始范围 | 说明 |
|---|---|---|
| (\rho) | 0.1 ~ 0.8 | 越小越稳，MIMO取偏低 |
| (\lambda) | 0.1 ~ 5 | 太小抖动，太大跟踪慢 |
| (\eta) | 0.5 ~ 1 | 估计器学习率，太大PPD跳变 |
| (\mu) | 0.5 ~ 2 | 分母正则项，防止除零 |
| (\phi_0) 或 (\Phi_0) | 标量取1，矩阵取单位阵 | 最保守的起点 |
| PFDL的L | 3 ~ 5 | 滞后不大时取3，滞后大取5 |
| 重置阈值 (\varepsilon) | (10^{-4} \sim 10^{-3}) | 小于它即认为PPD无效 |
调参顺序我建议严格分成两步。第一步先不看跟踪效果，只盯着PPD估计曲线，把 (\eta) 和 (\mu) 调到PPD曲线不发散、不跳变；第二步再动 (\rho) 和 (\lambda) 去改善响应速度和超调。顺序反过来最容易出问题：上来就把 (\rho) 调大，输出误差变大，PPD估计也随之乱跳，最后所有曲线一团糟，根本分不清是哪个参数造成的。
5. 常见问题与排查技巧实录
5.1 PPD发散、跳变是头号问题
MFAC仿真里最经典的现象就是曲线发散，或者看起来稳定但突然反向打一大拍。这种问题十有八九出在伪偏导数上。PPD从1跳到几百，通常有两个原因：一是 (\mu) 太小，分母接近0，导致估计增益巨大；二是 (\eta) 太大，估计器对单次数据过度响应。解决办法很简单：(\mu) 加大，(\eta) 降低，同时把重置条件写全。
如果PPD符号频繁翻转，除了重置之外，还要检查被控对象本身是否存在本质非最小相位行为。MFAC对这类对象不是不能控制，但PPD可能在一个很小的范围内来回跳，此时重置阈值可以适当调大一点，或者在程序里给PPD加一个限幅区间，比如 (0.05 \le \phi \le 20)，强制让方向稳定下来。
5.2 调参顺序：先稳PPD再动控制律
我调试过程中走过一段弯路，总想着通过增大步长 (\rho) 来加快响应，结果系统越调越抖。后来改成"先稳PPD，再动控制律"的思路，所有仿真案例都很快收敛下来。具体操作是在控制器前面单独跑一个开环辨识程序，只记录PPD估计值，确保它在正常工况范围内平滑变化，然后再接上闭环。这样做还有一个额外的好处：你能判断系统方向。如果PPD初始符号给反了，开环辨识阶段就能看出来，不用等到闭环发散再去翻日志。
5.3 MIMO通道互相干扰怎么办
MIMO仿真的又一个高频问题是：单看每个通道的跟踪都还行，但两个通道一起工作时开始互相踢。这说明伪雅可比矩阵的非对角元素没有真正学到耦合关系。我常用的处理手段是：给矩阵估计加一个遗忘因子，也就是对历史数据做指数加权，让新数据有更高权重，这样耦合关系变化时矩阵能及时跟上。另外，如果两个通道响应速度差异太大，可以给不同通道设置不同的步长系数，而不是共用一个 (\rho)。
还有一点要提醒：搜索"MFAC MIMO"资料时，很容易被通信领域的多天线"mimo"内容刷屏，二者只是缩写相同，控制领域的MIMO指的是多输入多输出系统，和信道容量、天线阵列没有关系。查文献时看到标题里的mimo是通信背景，直接跳过就行，不用浪费时间。
最后说点实在的。这套仿真我前前后后调了三周，最值钱的收获不是公式跑通了，而是意识到PPD重置和限幅这些"工程补丁"比教材公式更决定成败。代码要么自己跑，要么对照着逐行理解，光看推导永远发现不了时序和重置里的坑。如果你也在调MFAC，遇到程序飞了先别急着改 (\lambda)，去查PPD曲线，八成问题都在那里。
