第三章：PID参数整定进阶——基于模型的自整定、模糊PID、自适应PID、神经网络PID
好，咱们进入正题。前两章我们把PID的基础和经典整定方法聊透了。你可能会问：那些方法够用吗？说实话，大部分场景确实够了。但如果你碰到一个时变系统、非线性系统，或者被控对象本身就不稳定，那经典方法就有点力不从心了。
我记得有一次在化工厂调试一个反应釜的温度控制。那玩意儿热惯性大，而且随着反应进行，内部介质的热容还在变。我用Z-N法整定，结果温度超调了15度，差点把反应搞砸了。从那以后，我就开始认真研究这些进阶方法。
这一章，我们聊聊四种进阶方案：基于模型的自整定、模糊PID、自适应PID、神经网络PID。它们各有各的脾气，也各有各的适用场景。
3.1 基于模型的自整定
说白了，就是让控制器自己“认识”被控对象。你给它一个激励，它根据响应反推出模型参数，然后自动算出PID系数。
我习惯用继电反馈法做自整定。为什么？因为它简单、可靠，而且不需要中断生产过程太久。
3.1.1 继电反馈自整定原理
做法是这样的：在控制器输出端接入一个继电器，让系统产生等幅振荡。然后测量振荡的幅值和周期，就能算出临界增益Ku和临界周期Tu。
嗯，这里要注意：继电器的滞环宽度要选好。太宽了振荡不明显，太窄了容易受噪声干扰。我一般取信号幅值的1%~2%作为滞环宽度。
核心公式：
Ku = 4h / (πa)
其中h是继电器输出幅值，a是振荡幅值。
得到Ku和Tu后，直接用Z-N法查表算出PID参数。
3.1.2 实现步骤
- 切换模式：将控制器切换到自整定模式，断开PID输出，接入继电器。
- 施加激励：继电器输出一个方波信号，让系统起振。
- 测量参数：记录振荡波形，计算幅值a和周期Tu。
- 计算PID：代入公式，算出Kp、Ki、Kd。
- 切换回PID：将计算好的参数写入控制器，切回正常PID模式。
实战技巧：
我曾经在调试一个液位系统时，发现振荡波形不对称。后来检查发现是阀门存在死区。解决办法：在继电器输出上叠加一个很小的偏置信号，把阀门“推”过死区。
3.2 模糊PID
模糊PID，说白了就是把人的经验“翻译”成控制规则。你想想看，一个老工程师调PID，是不是凭感觉？感觉超调大了就减Kp，感觉响应慢了就加Ki。模糊PID做的就是这件事。
3.2.1 模糊控制器的结构
模糊PID通常有两个输入：误差e和误差变化率ec。输出是ΔKp、ΔKi、ΔKd，也就是PID参数的修正量。
我习惯把e和ec分成7个模糊集：NB（负大）、NM（负中）、NS（负小）、ZO（零）、PS（正小）、PM（正中）、PB（正大）。
| e / ec | NB | NM | NS | ZO | PS | PM | PB |
|---|---|---|---|---|---|---|---|
| NB | PB | PB | PM | PM | PS | ZO | ZO |
| NM | PB | PB | PM | PS | PS | ZO | NS |
| NS | PM | PM | PM | PS | ZO | NS | NS |
| ZO | PM | PM | PS | ZO | NS | NM | NM |
| PS | PS | PS | ZO | NS | NS | NM | NM |
| PM | PS | ZO | NS | NM | NM | NM | NB |
| PB | ZO | ZO | NM | NM | NM | NB | NB |
表：ΔKp的模糊规则表（部分示例）
3.2.2 模糊PID的实现要点
- 隶属度函数：我推荐用三角形或高斯型。三角形计算快，高斯型更平滑。在PLC上跑的话，用三角形就够了。
- 解模糊：重心法最常用。说白了就是加权平均，算出精确的修正值。
- 量化因子：这个很关键。Ke和Kec决定了模糊控制器的灵敏度。调大了容易振荡，调小了响应慢。
避坑指南：
我曾经在一个伺服位置控制项目里用了模糊PID，结果发现系统在稳态附近有微幅振荡。查了半天，发现是量化因子设置不当，导致模糊控制器在零点附近过于敏感。解决办法：在零点附近增加一个死区，或者改用非均匀的隶属度函数。
3.3 自适应PID
自适应PID，就是让控制器“边学边调”。它实时监测系统的响应，然后自动调整PID参数。你想想看，如果被控对象的特性在变化，比如电机随着温度升高电阻变大，那固定参数的PID肯定不行。
3.3.1 模型参考自适应PID
这种方法的思路是：你先设定一个理想的参考模型，然后让实际系统的输出尽量去“模仿”这个模型。误差越小，说明PID参数越合适。
我习惯用MIT法则整定参数。它的核心思想是：让参数沿着误差梯度下降的方向调整。
// 伪代码示例：MIT法自适应律
error = reference_model_output - actual_output;
gamma = 0.1; // 自适应增益，需要现场调试
dKp = -gamma * error * (reference_model_output / (s + a));
Kp = Kp + dKp * dt;3.3.2 自校正PID
另一种思路是：在线辨识被控对象的参数，然后根据辨识结果重新计算PID参数。这就像你一边开车，一边重新画地图。
常用的辨识方法有递推最小二乘法（RLS）。它计算量小，适合在嵌入式系统上跑。
关键点：
自适应PID的稳定性是个大问题。如果自适应增益选得太大，系统可能发散。我建议从很小的增益开始试，比如0.01，然后慢慢往上加，直到看到满意的响应为止。
3.4 神经网络PID
神经网络PID，听起来很高大上，其实本质就是用一个神经网络来“学习”PID参数。你给它一堆输入输出数据，它自己总结规律。
3.4.1 BP神经网络PID
最常用的是BP神经网络。结构一般是：输入层（e, ec, 1），隐藏层（5~10个神经元），输出层（Kp, Ki, Kd）。
训练的时候，用梯度下降法反向传播误差，不断调整网络权值。说白了，就是让网络学会“什么情况下该用什么参数”。
// 伪代码：BP神经网络前向计算
input = [e, ec, 1];
hidden_output = sigmoid(W1 * input + b1);
output = W2 * hidden_output + b2;
Kp = output[0];
Ki = output[1];
Kd = output[2];3.4.2 实战中的坑
- 训练数据：需要覆盖所有工况。我见过有人只用阶跃响应数据训练，结果系统在斜坡输入下表现很差。
- 实时性：神经网络计算量大。在PLC上跑的话，建议用查表法代替在线计算。提前算好不同工况下的参数，存成表格。
- 收敛性：BP网络可能陷入局部最优。我习惯用遗传算法先粗调一遍网络权值，再用BP精调。
我的建议：
神经网络PID虽然强大，但不要轻易用在安全关键系统上。它的行为很难解释，万一出了问题，排查起来很麻烦。我一般先用模糊PID，实在搞不定再上神经网络。
3.5 四种方法的对比与选择
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 基于模型自整定 | 线性、时不变系统 | 简单、可靠、无需人工干预 | 需要系统能产生振荡 |
| 模糊PID | 非线性、难以建模的系统 | 可融入专家经验、鲁棒性好 | 规则库设计依赖经验 |
| 自适应PID | 时变系统、参数漂移 | 能在线调整、适应性强 | 稳定性分析复杂、可能发散 |
| 神经网络PID | 高度非线性、复杂系统 | 学习能力强、无需精确模型 | 计算量大、可解释性差 |
选哪种方法？我的经验是：先试试基于模型的自整定，不行就上模糊PID。如果系统参数变化剧烈，考虑自适应PID。神经网络PID？嗯，留作最后的大招。
好了，这一章的内容就到这儿。下一章我们聊聊多变量系统的解耦控制，那又是一个新世界。