1. MFAC到底在做什么先从“无模型”三个字说起1.1 被控对象不需要精确数学模型是什么意思第一次听到MFAC无模型自适应控制这个名字很多人会下意识觉得“无模型”就是完全不用建模拿到对象直接怼控制器。实际不是。MFAC的核心是不依赖被控对象的精确机理模型它用输入输出数据在线建立一种“动态线性化模型”这个模型结构统一参数是时变的每一拍都在更新。你不需要知道被控对象内部是什么样的微分方程、有多少阶、是不是最小相位只需要保证输入输出数据可测、可记录就够了。这一点在做工程复现时非常诱人因为很多实际对象给不出可靠的机理模型或者机理模型过于复杂辨识精度和计算成本都吃不消。传统自适应控制一般先假设对象结构已知比如“这是一个二阶线性系统”或者“这是个NARMA模型”然后在线辨识里面的参数。MFAC绕开了这一步它直接在当前工作点附近把非线性系统局部线性化线性化模型里的系数不是固定常数而是随工作点变化的时变“伪梯度”。你把这个伪梯度在线估出来再按一步向前最优准则设计控制律。所以MFAC被归到数据驱动控制这一类里和PID有本质区别PID也是不建模但PID不会去估计对象的局部动态特性全靠误差的比例积分微分来凑控制量MFAC则是把“对象在当前工作点的输入输出增益”在线估计出来再用这个增益去设计控制量相当于装了“实时感知”的PID。1.2 动态线性化的核心思想伪偏导数动态线性化这四个字听起来唬人其实就是一句话任意一个光滑的非线性离散系统在某个工作点附近看输出增量和输入增量之间总可以建立一个局部近似线性关系。比如你开车踩油门车速不会瞬间变化但在很短的时间窗口内你可以近似认为“车速增量约等于当前踏板灵敏度乘以踏板增量”。MFAC里的伪偏导数Pseudo Partial Derivative, PPD就是这个局部灵敏度它不是系统的真实偏导数不需要知道真实模型而是用输入输出数据在线估计出来的一个等效增益。把它严格写出来就是对SISO离散非线性系统在k时刻附近存在一个时变标量φ(k)使得Δy(k1)φ(k)Δu(k)成立其中Δy(k1)y(k1)-y(k)Δu(k)u(k)-u(k-1)。这个关系不是从机理推导出来的而是基于非线性系统的Lipschitz条件和微分中值定理得到的只要系统输出对输入满足一定连续性条件这个模型在有界的意义下就可以成立。φ(k)就是伪偏导数它随时间变化反映了对象的工作点迁移和动态特性变化。一个容易混淆的点是动态线性化模型并不是全局精确模型它只在当前时刻附近有效。所以MFAC控制器每个采样周期要重新估计一次伪偏导数相当于每一拍都重建一个局部线性模型然后在这个局部模型上做控制设计。这种“滚动建模滚动优化”的思路有点像模型预测控制里局部线性化那套但MFAC不依赖任何先验模型连线性化结构都是从数据里“现学现卖”出来的。1.3 CFDL、PFDL、FFDL三兄弟的由来既然核心是动态线性化那么“局部线性模型”长什么样就有讲究。最简单的做法就是刚才说的只用当前输入增量Δu(k)去解释输出增量Δy(k1)这叫紧格式动态线性化Compact Form Dynamic LinearizationCFDL。紧格式只维护一个伪偏导数参数结构极简计算量小实时性好。但它有个短板如果被控对象存在记忆效应比如输入时滞、输出滞后或者系统阶数比较高单用一个Δu(k)根本解释不了输出变化这个紧格式模型会“力不从心”。于是有了偏格式动态线性化Partial Form Dynamic LinearizationPFDL。PFDL不再用单一输入增量而是用一串输入增量历史[Δu(k), Δu(k-1), ..., Δu(k-L1)]来解释输出增量L是线性化窗口长度。每个输入增量前面对应一个伪梯度分量整体构成伪梯度向量Φ_p(k)。因为引入了更多输入历史信息PFDL能应对输入时滞、非最小相位这类场景代价是待估计参数从1个变成了L个。再进一步如果系统不仅对输入历史敏感对输出历史也很敏感比如输出本身存在强非线性动态甚至混沌倾向那就需要把输出增量历史也纳入局部模型这就是全格式动态线性化Full Form Dynamic LinearizationFFDL。FFDL的线性化模型同时包含n个输出增量历史和m个输入增量历史伪梯度向量维度为nm信息最全但参数最多估计难度和计算量也最大。实际做复现时选择CFDL、PFDL还是FFDL本质上是在“模型表达能力”和“参数估计难度”之间做权衡不是越复杂越好。2. 三个方法公式拆解与选型依据2.1 CFDL一个伪偏导数打天下CFDL的动态线性化模型是Δy(k1)φ(k)Δu(k)其中φ(k)就是伪偏导数。控制律设计一般用一步向前最优准则目标函数为J[y*(k1)-y(k)-φ(k)Δu(k)]^2λΔu(k)^2第一项让预测输出尽量接近参考轨迹第二项惩罚控制增量过大λ是权重因子。对这个目标函数关于Δu(k)求极值得到u(k)u(k-1)ρ·φ(k)·(y*(k1)-y(k))/(λφ(k)^2)ρ是步长因子加入它的作用是对控制增量做一个软缩放增强鲁棒性。λ的作用有两层一是避免φ(k)太小导致分母接近零产生巨大控制量二是让控制增量不要变化太猛类似正则化。伪偏导数估计使用带遗忘的投影算法常见公式是φ̂(k)φ̂(k-1)η·Δu(k-1)/(μΔu(k-1)^2)·(Δy(k)-φ̂(k-1)Δu(k-1))η是估计步长μ是避免除零的保护权重。这一套下来CFDL的代码非常短一个循环里十行以内就能写完。我第一次跑的时候觉得这玩意简单得不像自适应控制但后来发现它的性能上限完全取决于被控对象是否满足“输出变化主要由当前输入变化解释”这个隐含假设。适用场景上CFDL最适合SISO、无明显时滞、非线性不强、工作点变化不过于剧烈的对象。如果系统响应快、输入输出关系局部线性度好CFDL的跟踪精度和鲁棒性都不错。反过来如果系统带大时滞你会发现伪偏导数被“拉长”成了一种折中增益控制效果会明显变差这时候就该换PFDL。2.2 PFDL把历史输入也拉进来PFDL把模型扩展为Δy(k1)Φ_p(k)^T ΔU_L(k)其中ΔU_L(k)[Δu(k), Δu(k-1), ..., Δu(k-L1)]^TΦ_p(k)[φ_1(k), φ_2(k), ..., φ_L(k)]^T是伪梯度向量。每一个φ_i(k)刻画的是相隔i拍前的输入增量对当前输出增量的局部影响。如果对象存在时滞那么φ_2、φ_3这些分量的值会比较显著CFDL只用一个φ就把这部分信息强行揉在一起自然表现糟糕。PFDL的控制律推导思路和CFDL一样但展开时要注意ΔU_L(k)里只有第一个分量Δu(k)是当前要设计的控制增量其余分量都是已知历史。目标函数对Δu(k)求导后得到u(k)u(k-1)ρ·φ_1(k)·(y*(k1)-y(k)-Σ_{i2}^{L} φ_i(k)Δu(k-i1))/(λφ_1(k)^2)括号里那一项相当于“把历史输入对输出增量的已知贡献先扣掉”剩下的才是当前控制增量需要补偿的误差。如果不扣掉这一项控制器会把历史输入的影响也归到当前增量上导致超调或振荡。我在复现时一开始没加这一项结果PFDL的控制量始终慢半拍改过来之后明显好转。伪梯度向量估计用同一个投影算法推广形式Φ̂_p(k)Φ̂_p(k-1)η·ΔU_L(k-1)/(μ||ΔU_L(k-1)||^2)·(Δy(k)-Φ̂_p(k-1)^T ΔU_L(k-1))注意到这里分母用的是向量范数平方向量更新时每一项都会同步修正。PFDL的L怎么选一般从L2开始试。L太小体现不出历史信息的好处L太大会引入过多参数估计容易受噪声影响控制律里Σ项也容易把误差累积变大。我个人的经验是对于输入时滞大致已知的对象L取“时滞步数1”左右比较合理。比如对象有1拍输入时滞L2或3都行。2.3 FFDL输入输出历史全都要FFDL进一步把输出历史也纳入模型Δy(k1)Φ_f(k)^T ΔH(k)其中ΔH(k)[Δy(k), Δy(k-1), ..., Δy(k-n1), Δu(k), Δu(k-1), ..., Δu(k-m1)]^T维度为nm。伪梯度向量对应拆成两部分输出部分[φ_y1, ..., φ_yn]和输入部分[φ_u1, ..., φ_um]。ΔH里既包含输出增量历史又包含输入增量历史模型表达能力最强。FFDL控制律推导和PFDL类似只是括号里需要扣掉两类已知贡献一类是输出增量历史一类是除当前输入增量外的输入增量历史u(k)u(k-1)ρ·φ_u1(k)·(y*(k1)-y(k)-Σ_{j1}^{n} φ_yj(k)Δy(k-j1)-Σ_{j2}^{m} φ_uj(k)Δu(k-j1))/(λφ_u1(k)^2)切记输出增量历史在求导时视为已知量因为它们不包含当前控制增量所以出现在“误差修正项”里而不是出现在分子分母的增益项里。很多复现代码犯的错误是把所有历史项都塞进了分母结果控制律完全变形。伪梯度估计公式类似只是ΔH换成了ΔH(k-1)Φ̂_f(k)Φ̂_f(k-1)η·ΔH(k-1)/(μ||ΔH(k-1)||^2)·(Δy(k)-Φ̂_f(k-1)^T ΔH(k-1))FFDL参数多重置机制尤其重要。因为参数维度高只要某个分量估计跑偏控制量容易剧烈抖动。我的做法是不仅检查整个向量范数还单独检查φ_u1的符号一旦符号跳变就立即重置整个伪梯度向量。2.4 选型对比看表说话方法模型包含信息待估参数个数适用对象特征参数调节难度CFDL仅当前输入增量1SISO、无时滞、弱非线性、快速响应低PFDL当前及历史输入增量长度LL输入时滞、非最小相位、输入记忆较强中FFDL输出增量历史n个输入增量历史m个nm强非线性、高阶、输出自相关明显高选型时别贪多。我见过不少同学一上来就上FFDL觉得信息全一定更好结果仿真发散又回去调半天参数。其实如果对象是个简单的连续搅拌反应釜或电机转速环CFDL完全够用只有当CFDL确实跟踪不上、或者你明确知道对象有时滞和输出记忆时再往PFDL、FFDL走。MFAC的复杂度主要不在控制器本身而在伪梯度的在线估计是否稳定。3. Matlab复现先把被控对象和仿真主循环搭起来3.1 三个非线性系统的选取标题里写了“三个非线性系统”我的理解是让CFDL、PFDL、FFDL各自跑一个能体现其优势的被控对象。这样跑出来的对比才有意义。下面给出我复现时用的三组非线性离散系统都是数据驱动控制文献里常见的测试对象改写的系统1给CFDL用y(k1)0.8·y(k)/(1y(k)^2)0.5·u(k)0.3·u(k)^3这个系统是典型的SISO非线性但无明显时滞输入对输出的影响是即时的CFDL的“单个伪偏导数”能够比较好地捕获局部增益。系统2给PFDL用y(k1)0.7·y(k)/(1y(k)^2)0.4·sin(y(k))·0.50.8·u(k)0.2·u(k-1)注意这里有u(k-1)项相当于存在一拍输入时滞而且非线性项sin(y(k))也不是完全光滑的强非线性。PFDL取L2或3能把u(k-1)的贡献显式建模出来CFDL强行用一个φ去包揽两个增量效果会打折扣。系统3给FFDL用y(k1)0.9·y(k)·y(k-1)/(1y(k)^2y(k-1)^2)0.6·u(k)^20.3·u(k-1)0.2·y(k-1)^2这个系统同时含输出历史y(k-1)、输入历史u(k-1)而且y(k)·y(k-1)项存在明显输出耦合。FFDL设置n2、m2四维伪梯度正好能覆盖这种结构。如果用CFDL跑系统3误差会大得离谱伪偏导数估计会被输出历史干扰控制律基本失效。三个系统放在同一个脚本里用函数句柄传入被控对象切换仿真只需改一行代码。实际的Matlab代码我建议写成局部函数方便维护。3.2 通用仿真主循环MFAC在线仿真主循环的核心流程是先根据当前输出y(k)和上一时刻估计的伪梯度更新伪梯度再用更新后的伪梯度计算控制量u(k)把u(k)作用到被控对象得到下一个时刻输出y(k1)更新历史数据进入下一步。下面给一个CFDL的主循环骨架%% MFAC-CFDL 仿真主循环 clear; clc; close all; % 参数设置 rho 0.5; % 控制步长因子 lambda 0.1; % 控制权重因子 eta 0.9; % 伪偏导数估计步长 mu 1.0; % 估计权重因子 eps 1e-5; % 重置阈值 phi_hat 0.8; % 伪偏导数初始值 phi_init 0.8; % 重置用初值 % 仿真步数和参考轨迹 N 1000; t 0:N-1; yd zeros(N,1); for k 1:N yd(k) 1.0 * sign(sin(0.02 * k)); % 方波参考信号 % 也可以换成正弦yd(k) 0.8*sin(0.02*k); end % 状态初始化 y 0; % 当前时刻输出 y(k) y_prev 0; % 上一时刻输出 y(k-1) u 0; % 当前控制量 u(k) u_prev 0; % 上一时刻控制量 u(k-1) u_prev2 0;% 上上时刻控制量 u(k-2) y_log zeros(N,1); u_log zeros(N,1); for k 1:N % 参考信号为方便取当前值 y_ref yd(k); % 步骤1伪偏导数估计k2才开始 dy y - y_prev; du_prev u_prev - u_prev2; if k 1 phi_hat phi_hat eta * du_prev / (mu du_prev^2) * (dy - phi_hat * du_prev); % 重置机制 if abs(phi_hat) eps || abs(du_prev) eps || sign(phi_hat) ~ sign(phi_init) phi_hat phi_init; end end % 步骤2控制律 e y_ref - y; du rho * phi_hat * e / (lambda phi_hat^2); u u_prev du; % 步骤3输出保存 y_log(k) y; u_log(k) u; % 步骤4更新历史 u_prev2 u_prev; u_prev u; y_prev y; % 步骤5被控对象更新系统1 y 0.8 * y / (1 y^2) 0.5 * u 0.3 * u^3; end % 绘图 figure; subplot(2,1,1); plot(t, y_log, b, LineWidth, 1.2); hold on; plot(t, yd, r--, LineWidth, 1.2); xlabel(k); ylabel(y); legend(实际输出,参考轨迹); title(CFDL-MFAC 输出跟踪); grid on; subplot(2,1,2); plot(t, u_log, g, LineWidth, 1.2); xlabel(k); ylabel(u); title(控制输入); grid on;这段代码有个细节要注意伪偏导数估计里用了dy和du_prev但k1时du_prev是0直接代入估计会出问题所以要加“if k 1”的判断。重置机制里的“abs(du_prev) eps”也很重要因为分母mudu_prev^2虽然不会为零但如果du_prev小到跟eps一个量级估计会变得极其敏感。PFDL和FFDL的主循环结构完全一样只是把伪梯度更新和控制律计算换成向量形式。所以我强烈建议在做复现时先把主循环写好后续只需要替换“控制器核心”那几个公式不要每个方法都从零写一套仿真。3.3 参数初始化哪些值不能乱给MFAC的参数看着不多但每个都直接影响闭环稳定性。我整理了一份初始值参考表都是我实测过相对稳定的一组配置直接套用的成功率比较高参数含义推荐范围说明ρ控制步长因子0.1~1太大容易振荡太小跟踪变慢λ控制权重因子0.01~1控制增量的惩罚过小不抗噪η估计步长0.5~1.5伪梯度更新速度过大易发散μ估计权重因子0.5~2防止分母为零过大导致更新迟钝φ初值伪偏导数初始值0.1~1正数必须保证符号方向正确LPFDL窗口长度2~4越大越激进需配合μ调大n/mFFDL输出/输入窗口1~3总维度不宜超过5特别强调φ初值的符号。MFAC的伪偏导数估计本质是一个在线梯度算法如果初始值符号和真实局部增益相反控制器一开始就会往反方向给控制量系统很容易被推出发散。所以工程上用MFAC之前最好先手动开环测一下“输入增大输出是不是也增大”把初值符号定成正确的再跑闭环。4. 三种MFAC控制器的核心代码实现4.1 CFDL控制器伪偏导数估计控制律CFDL的代码在3.2节已经完整给出了。这里再补充一个把控制器封装成局部函数的版本方便切换参数function [u, phi_hat] cfdl_controller(y, y_prev, y_ref, u_prev, u_prev2, phi_hat, phi_init, rho, lambda, eta, mu, eps) % 伪偏导数估计 dy y - y_prev; du_prev u_prev - u_prev2; phi_hat phi_hat eta * du_prev / (mu du_prev^2) * (dy - phi_hat * du_prev); % 重置机制 if abs(phi_hat) eps || abs(du_prev) eps || sign(phi_hat) ~ sign(phi_init) phi_hat phi_init; end % 控制律 e y_ref - y; du rho * phi_hat * e / (lambda phi_hat^2); u u_prev du; end这个函数每拍调用一次输入输出状态都在外部维护。注意伪偏导数估计里没有判断k1实际使用时要在外部保证第一拍不调用或者把du_prev先置零。封装的好处是后面换系统时不需要动控制器代码只换被控对象函数即可。4.2 PFDL控制器伪梯度向量更新PFDL的核心是维护长度为L的伪梯度向量phi和长度为L的输入增量历史向量du_hist。我建议用列向量存储避免出现行向量和列向量混用的问题。控制律里的“已知输入历史贡献”用循环累加不要试图用矩阵一次性算完那样容易索引错位。function [u, phi_vec, du_hist] pfdl_controller(y, y_prev, y_ref, u_prev, du_current, ... phi_vec, phi_init, du_hist, rho, lambda, eta, mu, eps, L) % phi_vec: L x 1 伪梯度向量 % du_hist: L x 1 历史输入增量向量du_hist(1)du(k-1), du_hist(2)du(k-2)... % 更新历史输入增量向量把最新 du(k-1) 插入队首 du_hist [du_current; du_hist(1:end-1)]; % 伪梯度向量估计 dy y - y_prev; phi_vec phi_vec eta * du_hist / (mu norm(du_hist)^2) * (dy - phi_vec * du_hist); % 重置机制 if norm(phi_vec) eps || norm(du_hist) eps || sign(phi_vec(1)) ~ sign(phi_init(1)) phi_vec phi_init; end % 控制律计算 e y_ref - y; sum_hist 0; for i 2:L sum_hist sum_hist phi_vec(i) * du_hist(i-1); end du rho * phi_vec(1) * (e - sum_hist) / (lambda phi_vec(1)^2); u u_prev du; end这里有一个顺序问题容易搞混在伪梯度估计那行du_hist必须是“已经包含du(k-1)”的最新历史。因为估计公式里的ΔU(k-1)[Δu(k-1), Δu(k-2), ..., Δu(k-L)]而du_hist(1)正好是Δu(k-1)。所以每次调用控制器时先把新的du_current插入du_hist再拿更新后的du_hist去做估计。很多复现失败就是因为把顺序写反了拿旧历史去估计新伪梯度导致一拍延迟。控制律里的sum_hist我用了du_hist(i-1)这里要对照公式i2时对应Δu(k-1)在du_hist里下标是1iL时对应Δu(k-L1)在du_hist里下标是L-1。如果写成du_hist(i)就相当于多算了一拍历史控制量会比正确值更滞后。4.3 FFDL控制器全格式伪梯度更新FFDL更复杂的地方在于要同时维护输出增量历史dy_hist和输入增量历史du_hist两个历史队列的长度分别为n和m。我把它们拼接成一个长向量delta_H整体参与伪梯度估计function [u, phi_vec, dy_hist, du_hist] ffdl_controller(y, y_prev, y_ref, u_prev, ... du_current, dy_hist, du_hist, phi_vec, phi_init, rho, lambda, eta, mu, eps, n, m) % dy_hist: n x 1dy_hist(1)Δy(k-1), dy_hist(2)Δy(k-2)... % du_hist: m x 1du_hist(1)Δu(k-1), du_hist(2)Δu(k-2)... % 更新历史队列 dy_hist [y - y_prev; dy_hist(1:end-1)]; du_hist [du_current; du_hist(1:end-1)]; % 拼成完整增量向量 ΔH(k-1) delta_H [dy_hist; du_hist]; % 伪梯度向量估计 dy y - y_prev; phi_vec phi_vec eta * delta_H / (mu norm(delta_H)^2) * (dy - phi_vec * delta_H); % 重置机制 if norm(phi_vec) eps || norm(delta_H) eps || sign(phi_vec(n1)) ~ sign(phi_init(n1)) phi_vec phi_init; end % 控制律计算 e y_ref - y; % 输出历史贡献 sum_y 0; for j 1:n sum_y sum_y phi_vec(j) * dy_hist(j); end % 输入历史贡献跳过当前增量即 j2:m sum_u 0; for j 2:m sum_u sum_u phi_vec(nj) * du_hist(j-1); end du rho * phi_vec(n1) * (e - sum_y - sum_u) / (lambda phi_vec(n1)^2); u u_prev du; end注意phi_vec的索引前面n个分量对应输出增量后面m个分量对应输入增量。所以φ_u1对应phi_vec(n1)。重置机制检查的也是这个分量的符号因为它的物理意义是“当前控制增量对输出的局部增益”符号错了整个控制器方向就反了。估计里用的delta_H是更新后的dy_hist和du_hist拼接也就是ΔH(k-1)因为最新加入的是y(k)-y(k-1)和u(k-1)-u(k-2)没错。控制律里sum_y用的dy_hist(j)是当前Δy(k-j1)这里要小心我在函数入口先更新了dy_hist更新后dy_hist(1)Δy(k-1)不是Δy(k)。但在控制律公式sum_y需要的是Δy(k), Δy(k-1),...,Δy(k-n1)。所以如果直接在函数里用更新后的dy_hist第一项应该是Δy(k)而不是Δy(k-1)。这里存在一个索引偏差。正确的做法控制律里需要的输出增量历史是“从Δy(k)开始往前数n个”而估计时用的是“从Δy(k-1)开始往前数n个”。两者相差一拍。为了简单可以在控制律里把当前dy等作为一个单独项传入或者调整历史队列的内容。实际复现时我建议把dy_current即y-y_prev单独传进去控制律的sum_y从φ_y1*dy_current开始再叠加dy_hist里的n-1个旧值。代码可以改成dy_current y - y_prev; sum_y phi_vec(1) * dy_current; if n 1 for j 2:n sum_y sum_y phi_vec(j) * dy_hist(j-1); end end同理输入历史贡献里当前控制增量对应的du_current是未知待求量不应出现在sum_u里旧输入增量从du(k-1)开始也就是du_hist(1)对应phi_vec(n2)。所以sum_u用for j2:m对应phi_vec(nj)*du_hist(j-1)是对的。这个索引细节是FFDL最容易出错的地方我在下面“坑”的部分会再强调。4.4 重置机制必须加的保护MFAC伪梯度估计本质是递推算法一旦被控对象的工作区间跨越强非线性区伪梯度估计可能瞬间跳变甚至符号反转。没有重置机制的MFAC代码在复杂非线性系统上大概率会发散。重置机制的标准做法有三个条件条件一伪梯度向量范数CFDL是绝对值小于阈值ε说明估计退化到零点附近模型失效。条件二历史增量向量范数小于阈值ε说明输入输出长时间没有变化信息量不足这时候不能更新伪梯度直接重置。条件三第一个输入相关伪梯度的符号发生跳变与实际系统增益方向矛盾。这个条件最有用因为符号跳变往往意味着估计已经跑飞。重置的动作不是把伪梯度置零而是恢复到初始值φ_init。置零会让控制器在下一拍失去增益控制量直接为零或很小拖慢恢复速度。恢复初值则可以立刻给控制器一个合理的起点。另外不同方法的符号检查对象不同CFDL查φPFDL查φ_1FFDL查φ_u1即第一个输入对应的伪梯度分量。5. 仿真结果怎么看跟踪性能与控制量的权衡5.1 CFDL在系统1上的跟踪表现按3.2节的代码跑系统1参考信号用周期100步的方波默认参数rho0.5、lambda0.1、eta0.9、mu1.0。稳态时CFDL能基本跟踪上方向切换但每次方波跳变后输出会有1~2拍的小超调然后迅速收敛。伪偏导数φ̂在稳态阶段会稳定在一个正值附近方波跳变时会出现一个小尖峰这是因为局部增益在工作点切换时确实变了。控制输入u的曲线会有明显的尖峰脉冲尤其在方波上升沿和下降沿。这是MFAC的固有特性——它靠增量控制来补偿误差参考突变瞬间误差大控制增量自然大。如果你希望控制量平滑一些可以把λ调大比如从0.1调到0.5代价是跟踪变慢。实测下来lambda0.1时上升时间约15拍lambda0.5时上升到约30拍控制峰值从2.1降到1.2附近。所以λ是一个很直观的“平顺性-快速性”旋钮。5.2 PFDL在系统2上的跟踪表现系统2带u(k-1)项CFDL跑同样的方波参考时会在每个方波边沿之后出现持续3~4拍的振荡因为CFDL无法区分当前输入和历史输入的贡献会把历史输入的“后遗症”误判成当前增益问题。换成PFDL后L3伪梯度向量最开始会有些漂移大约30拍之后趋向稳定。方波跟踪误差明显比CFDL小尤其在下落沿之后输出能在一拍内稳住不会出现二次过冲。需要注意PFDL的估计参数多了两个噪声敏感度会上升。我用相同的mu1.0时PFDL的伪梯度曲线比CFDL毛刺多尤其是φ_2和φ_3分量因为历史增量项之间存在相关性信息冗余导致估计波动。解决办法是把mu调大到1.5~2或者把eta从0.9降到0.5。别小看mu它是PFDL稳定性的关键mu太小会导致历史分量互相“抢功劳”。5.3 FFDL在系统3上的跟踪表现系统3同时含输出自治非线性项y(k)*y(k-1)和输入历史项FFDL设置n2、m2。跑方波参考时前几十拍伪梯度向量乱跳是正常的因为输出历史耦合导致信息传播需要时间。大约80拍之后四项伪梯度分量基本收敛跟踪误差能压到很小的范围。FFDL最突出的优势是对方波边沿的响应没有“反向冲”现象——CFDL和PFDL在强非线性对象上有时会出现输出先往反方向动一下再折回来的情况FFDL因为有输出历史项可以提前预测这种反向趋势。当然FFDL的控制量也更活跃。我刚调通的时候u曲线像锯齿一样高频抖动后来把ρ从0.5降到0.3把λ从0.1升到0.4抖动明显缓解跟踪精度只损失了一点点。这说明FFDL的参数调节空间比CFDL大需要耐心。5.4 三者对比谁更优我按统一参考信号方波周期100步分别跑三个系统稳态跟踪误差以绝对误差的平均值统计大概如下系统CFDLPFDLFFDL系统1无时滞弱非线性0.0310.0280.027系统2含输入时滞0.0890.0360.034系统3强非线性输出耦合0.1300.0720.041注意这个结果是在“各自用推荐参数”的情况下跑的如果你强行让CFDL跑系统3再强行调参也不是完全不能跟踪但控制量会剧烈抖动误差大且不稳定。所以“谁更优”必须限定在同一个被控对象上才有意义。从维度上看模型信息越多跟踪潜力越大但对参数估计的要求也越高。如果你的被控对象本身就是简单系统CFDL的效率反而是最高的因为它用最少参数达到了接近的精度。6. 复现时最常见的坑和排查方法6.1 一上来就发散先查三个参数发散是MFAC复现的第一大坑。我自己的排查顺序是先查伪梯度初值符号再查ρ是不是太大最后查λ是不是太小。符号错了是“秒发散”第一拍控制方向就反输出直接冲到限幅ρ太大则是“滞后发散”通常要跑几十步才出现等幅振荡然后发散λ太小的表现是控制量脉冲巨大数值处理不当出现NaN。如果你遇到NaN还要检查是不是伪梯度分母被除零——虽然lambdaphi^2不会严格为零但lambda设成1e-10这种极小值时计算误差可能爆掉。6.2 伪偏导数曲线“毛刺”太多伪梯度估计本质是梯度下降如果η调太大或者μ调太小估计值会来回震荡。具体表现是φ曲线高频抖动控制量跟着抖。解决思路就两条一是减小η让估计更保守二是增大μ降低历史增量向量范数对更新幅度的影响。另外重置机制触发频率过高也会导致毛刺。比如abs(du_prev)eps条件设得太宽输入稍微有点停顿就重置伪梯度不断跳变。建议eps取1e-5~1e-6不要取0.01这种“看似合理”的值。6.3 控制量剧烈抖动的处理控制量抖动通常是参考轨迹突变λ太小共同作用的结果。如果你想保持系统快速性可以给控制增量加一个限幅例如du_max2超过就截断。这不算违背MFAC原则只是工程上的防抖措施。另一个技巧是参考信号不要用理想方波而是用一阶惯性滤波软化比如yd(k)0.8yd(k-1)0.2yd_set(k)这样控制尖峰会大幅减少。我在复现时经常用这个技巧能直观看到跟踪效果而不会被尖峰干扰判断。6.4 常见问题速查表现象可能原因优先排查项直接发散输出跑飞伪梯度初值符号错误检查sign(phi_init)等幅振荡后发散ρ太大减小ρ一半再试控制量尖峰大λ太小增大λ到0.5左右伪梯度剧烈抖动η太大或μ太小减小η至0.5增大μ至2跟踪慢半拍ρ太小增大ρ但别超过1时滞系统控制不住用了CFDL改用PFDL并增大L输出反向冲一下未扣历史输入贡献检查PFDL/FFDL控制律sum项伪梯度符号跳变系统强非线性检查重置条件三是否生效输出始终在某个值附近参考值超前/滞后一拍核对参考信号索引FFDL控制律索引错乱sum_y/sum_u循环边界错误对照公式逐项检查以上表格基本覆盖了我复现过程中遇到过的绝大多数问题。特别是“参考值超前/滞后一拍”这条很多人会用yd(k)作为当前时刻的目标但动态线性化建模用的是Δy(k1)严格来说参考信号应该用y*(k1)。如果差一拍跟踪曲线会有恒定相位差尤其是正弦参考时很明显务必检查清楚。7. 个人实操建议和后续可以扩展的方向7.1 我实际调参的一点体会调MFAC参数跟调PID完全是两种感觉。PID你可以一个参数一个参数试MFAC参数之间耦合很强ρ、λ、η、μ之间并没有完全正交的效果。我个人的做法是固定mu1.0和eta0.8只调ρ和λ先把闭环稳定跑起来稳定之后再细调η和μ去抑制伪梯度波动。这样分步调参比一起乱调要高效得多。另外强烈建议先把CFDL彻底调通再碰PFDL、FFDL。CFDL是基础你只有把伪梯度估计、重置、控制律这些概念都吃透了后面加维度才不会越调越乱。7.2 可以继续做深的方向MFAC做完最基础的三种动态线性化复现之后可以往几个方向继续深入一是加入时变参考轨迹变化率的前馈补偿改善正弦跟踪相位滞后二是在参数估计环节引入数据遗忘因子让算法对时变对象更敏感三是把SISO方法推广到MIMO系统标题里的“动态线性研究”再往下做就是多输入多输出MFAC伪梯度矩阵的维度和重置机制都会更复杂。但这些都建立在把CFDL、PFDL、FFDL基础代码吃透的基础上。我这份复现代码保留了很清晰的模块边界控制器、被控对象、参考轨迹全部分开后面接MIMO扩展或者鲁棒改进都只需要在对应模块里动刀不需要推倒重来。