⚡ electrical engineering

Model-Free Dynamic Mode Adaptive Control for Data-Driven Control Synthesis

本文介绍了一种名为动态模态自适应控制（DMAC）的无模型、数据驱动综合方法，该方法将递归最小二乘动力学近似与在线自适应控制器设计相结合，以稳定具有未知或不适用数学模型的系统，其有效性已通过理论分析和数值示例得到验证。

原作者： Parham Oveissi, Ankit Goel

发布于 2026-04-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Parham Oveissi, Ankit Goel

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试教一个机器人用手平衡一把扫帚。通常，工程师们会先写一本复杂的数学教科书，精确描述扫帚如何移动、风如何影响它，以及机器人的肌肉如何运作。然后，他们会利用这本教科书来设计控制器。

但如果扫帚是由一种陌生且未知的材料制成的，或者风是混乱且不可预测的呢？你没有教科书。你也无法写出数学公式。

本文介绍了一种名为DMAC（动态模式自适应控制）的新方法。不要把 DMAC 想象成阅读教科书的學生，而要把它想象成一位超快、直觉敏锐的学徒，它通过“做中学”，在当下即时学习。

以下是其工作原理，分解为简单的概念：

1. “猜测与验证”循环（学徒的心态）

DMAC 不需要事先拥有系统的完美模型，而是观察刚刚发生的情况，并问：“如果我接下来做这个，会发生什么？”

类比：想象你在雾天开车，看不清前方的弯道。你没有地图。相反，你观察刚才驶过的最后几秒路况。你迅速估算：“好吧，道路似乎略微向左弯曲。”于是你将方向盘向左微调一点点。然后你再次观察，更新你的猜测，并进行调整。
在论文中：DMAC 不断获取最新测量数据（系统如何移动），并利用一种称为递归最小二乘法的数学技巧，构建一个微小的、局部的“快照”，以反映系统当前的行为。它不试图理解系统的全部世界；它只弄清楚紧接着的下一步。

2. “遗忘”机制（保持新鲜）

世界在变化。汽车的引擎可能会变热，或者流体可能会变稠。昨天建立的模型今天可能毫无用处。

类比：把 DMAC 想象成拥有一个不断被擦除的极短期记忆。它最关心的是此刻发生的事情。它使用一个“遗忘因子”，就像一支逐渐褪色的荧光笔。它将最近的数据高亮显示，而让旧数据淡入背景。这使得控制器能够在系统行为突然改变时立即适应。
在论文中：该算法使用“遗忘因子”来强调近期数据并降低旧测量值的权重。这对于非线性或随时间变化的系统至关重要。

3. “稳定器”（安全网）

一旦 DMAC 对系统如何运作做出猜测，它会立即计算出一个控制信号以保持稳定。

类比：想象一位走钢丝的人。DMAC 就是走钢丝者的头脑。它观察风（数据），猜测绳索将如何摇摆，并立即调整重心（控制输入）以保持平衡。如果风变了，头脑会立即重新计算调整幅度。
在论文中：该方法利用刚刚创建的“快照”来计算一个包含积分作用的控制器。这是一种花哨的说法，意思是它不仅修正当前的误差，还会记住过去的误差，以确保即使存在干扰，系统最终也能精确地稳定在预定位置。

4. “轻推”（秘密 ingredient）

为了有效学习，有时你需要尝试一些并非完全高效的事情，仅仅是为了看看系统如何反应。

类比：如果你试图在黑暗的房间里摸索布局，你可能会用拐杖轻轻敲击墙壁。你并不是在试图移动家具；你只是在“轻推”环境，以便更好地感知墙壁的位置。
在论文中：作者向控制输入添加了一个微小的随机“激励”信号。这是一个微小且无害的轻推，确保系统始终有足够的运动，从而为 DMAC 提供可供学习的良好数据。如果没有这个轻推，系统可能会静止不动，DMAC 也就停止学习了。

他们证明了什么？

这篇论文不仅仅说“这行得通”；他们通过数学证明了其安全性和可靠性。

收敛性：他们证明，只要系统受到足够的“轻推”，DMAC 对系统运作方式的猜测就会越来越接近真相。
有界性：他们证明，即使系统是混乱的或数据是有噪声的，系统也不会失控。它将保持在安全、可预测的范围内。
现实世界测试：他们在三种截然不同的事物上测试了该方法：
1. 一个不稳定的线性系统（像一根摇晃的棍子）。
2. 范德波尔振荡器（一个经典的、棘手的非线性系统，以奇怪的方式来回摆动）。
3. 伯格斯方程（一种用于流体动力学的复杂模型，例如流过机翼的空气或管道中的水）。

核心结论

DMAC 是一种控制复杂、混乱或未知系统的方法，无需预先编写的说明书。它利用仅能测量到的数据，实时地一页一页地构建自己的说明书。这就像通过观察机器人自己的脚部移动来教它跳舞，而不是通过阅读舞蹈理论书籍。

作者强调，这种方法是无模型的（不需要数学模型）、数据驱动的（从测量中学习）且自适应的（随系统变化而变化）。他们展示了该方法从简单的数学问题到复杂的流体方程均有效，并且即使在设置被调整时，它依然保持稳健。

以下是 Parham Oveissi 和 Ankit Goel 所著论文《用于数据驱动控制综合的无模型动态模态自适应控制》的详细技术总结。

1. 问题陈述

本文针对复杂工程系统（如流体流动、燃烧过程、柔性结构）的控制问题，这些系统具有以下特征：

数学模型不可用或不适用： 高保真物理模型通常计算量过大，无法用于实时控制，而基于第一性原理的模型可能根本不存在。
高维传感： 系统通常配备分布式传感器，生成高维数据，而控制目标则定义在低维物理变量上。
现有方法的局限性：
- 经典自适应控制（如 MRAC）通常假设已知参数化模型结构。
- 基于优化的无模型方法（如 RCAC、RL）计算负担重、对参数整定敏感，或在连续时间设置中缺乏稳定性保证。
- 许多数据驱动方法（如标准 DMD）是离线的，无法直接与实时控制器综合集成。

目标： 开发一个统一的无模型框架，直接从流式测量数据中执行在线系统辨识和实时控制器综合，在不依赖批量数据或复杂优化的情况下保持物理可解释性。

2. 方法论：动态模态自适应控制 (DMAC)

提出的 DMAC 框架在每个时间步 $k$ 的递归循环中运行，结合了两个主要模块：

A. 动力学近似（在线辨识）

DMAC 不使用向量化参数或输入 - 输出模型，而是直接在测量空间中估计局部线性状态空间表示。

模型形式： 假设局部线性近似： $\xi_{k+1} = A_k \xi_k + B_k u_k$ ，其中 $\xi_k$ 为测量状态， $u_k$ 为控制输入。
算法： 采用带有遗忘因子（ $\lambda$ $λ$ ）的矩阵递归最小二乘法 (RLS)。
- 与将参数向量化处理的传统 RLS 不同，DMAC 直接更新矩阵 $\Theta_k = [A_k \quad B_k]$ 。
- 代价函数： 最小化指数加权正则化最小二乘代价：
  $J_k(\Theta) = \sum_{i=0}^k \lambda^{k-i} \|\xi_i - \Theta \phi_{i-1}\|_2^2 + \lambda^k \text{tr}(\Theta^T R_\Theta \Theta)$
- 优势： 这种保持结构的方法避免了与向量化相关的维度爆炸，直接生成状态空间矩阵（ $A, B$ ），从而保持物理可解释性。

B. 控制器综合

一旦估计出局部动力学（ $A_k, B_k$ ），立即综合控制器。

控制律： 采用带积分作用的全状态反馈控制器进行参考跟踪：
$u_k = K_{\xi, k} \xi_k + K_{q, k} q_k + v_k$
- $K_{\xi, k}$ 和 $K_{q, k}$ 是基于当前估计值 $(A_k, B_k)$ 通过线性二次型调节器 (LQR) 设计计算得出的时变增益。
- $q_k$ 是用于误差累积的积分器状态。
- $v_k$ 是激励信号（独立同分布零均值噪声），添加到回归量中以确保持续激励 (PE)，这对 RLS 估计器的收敛至关重要。

3. 主要贡献

统一架构： 提出了 DMAC，这是一个将动态模态近似（数据驱动建模）与自适应控制综合无缝集成的框架，实现了从流式数据中进行实时控制器设计。
矩阵值 RLS： 提出了一种递归辨识算法，利用矩阵值 RLS 公式直接在测量空间中估计低阶状态空间模型。这避免了向量化、提升和输入 - 输出重构，降低了计算复杂度并保留了物理结构。
理论保证：
- 证明了递归辨识算法的收敛性（估计误差收敛至零或有界）。
- 建立了闭环系统状态的一致最终有界性 (UUB)，证明了尽管辨识需要激励信号，系统仍能保持稳定。
鲁棒性： 证明了该方法适用于线性、非线性和分布参数系统，无需先验的系统模型知识。

4. 结果与数值示例

作者在三个复杂度递增的系统上验证了 DMAC：

不稳定线性系统：
- 结果： 成功稳定了一个开环不稳定系统。
- 观察： 状态收敛至原点的一个有界邻域。该邻域的大小与激励信号（ $v_k$ ）的幅值成正比，证实了理论界限。参数估计收敛至真实值。
范德波尔振荡器（非线性）：
- 结果： 实现了对非线性振荡系统的参考跟踪。
- 敏感性： 控制器在超参数（ $\lambda$ 、正则化、LQR 权重）和系统参数（非线性阻尼 $\mu$ ）的大范围变化下，均保持了稳定的跟踪性能。
Burgers 方程（分布参数 PDE）：
- 结果： 仅利用稀疏传感器测量（100 个节点中的 7 个）控制了由非线性偏微分方程支配的一维流体动力学系统。
- 意义： 展示了通过直接从稀疏测量中辨识低阶局部线性模型来处理高维分布系统的能力。
- 鲁棒性： 对粘度系数（ $\nu$ ）的变化表现出鲁棒性。

5. 意义与影响

弥合差距： DMAC 弥合了数据驱动建模（DMD）与自适应控制之间的差距，从离线分析转向在线、实时控制综合。
物理可解释性： 通过直接辨识状态空间矩阵而非抽象的输入 - 输出映射，所得控制器保留了清晰的物理意义，这对工程应用至关重要。
计算效率： 矩阵值 RLS 方法计算效率高，适用于具有高维传感但低维控制目标的系统。
理论严谨性： 与许多依赖启发式方法的基于学习的控制方法不同，DMAC 提供了基于 Lyapunov 的严格稳定性与有界性证明。
未来方向： 作者指出了未来的工作方向，包括减少对持续激励的依赖（以最小化噪声引起的性能下降），以及在辨识阶段实施结构约束（如稳定性）。

总之，本文提出了一种鲁棒、理论扎实且计算高效的控制方法，仅利用测量数据即可控制复杂未知的动态系统，为传统基于模型的控制和重型基于优化的学习方法提供了一种可行的替代方案。