控制与反馈

开环的意思是：我知道对象的模型，所以直接算出该给多少输入。在没有扰动、模型也完全准确的时候，它工作得很好——红线一开始稳稳地停在 1。然后在中间那条竖虚线处加一个扰动。红线立刻被推走，而且永远回不来——开环系统根本不知道自己偏了。蓝线（比例反馈）被推走以后自己拉了回来，但没有完全回到 1：残留了一个稳态误差。原因是比例控制靠误差产生输出，误差归零则输出归零，而输出归零又顶不住扰动——所以它必须留一点误差来维持那个抵抗扰动的输出。误差大小是 1/(1+K·Kp)，把 Kp 拖大，误差就变小，但永远不是 0。绿线（比例 + 积分）才真正回到了 1。积分项的作用就是记住"过去累计偏了多少"，只要还有偏差它就继续增大输出，直到偏差恰好为 0。这三条线概括了控制工程最基本的三个层次：开环靠模型，比例靠当下的误差，积分靠误差的历史。（把对象增益 K 改一改再看一遍：开环那条线会整体偏掉，因为公式里用的 K 已经不对了；而两条反馈线几乎不受影响——反馈的最大价值不是更准，是对模型误差不敏感。）

三个参数，三种性格，最好一个一个试。先把 Ki 和 Kd 都归零，只留 Kp。Kp=1 时响应很慢，最后停在 0.50（差 0.50）；Kp=4 时快了，停在 0.80（差 0.20），开始有 18.9% 的超调；Kp=10 时更快，停在 0.91，超调冲到 47%。规律：比例增益越大，越快、稳态误差越小、超调越大。稳态误差是 1/(1+Kp)，永远消不掉。现在加上 Ki=2。稳态值立刻变成 0.9985，误差几乎归零——这正是积分项的本职工作。但注意超调从 18.9% 涨到了 33.1%：积分项会累积，等到误差终于归零时它早已"用力过猛"，于是冲过头。（工程上这叫积分饱和，实际系统里必须加抗饱和处理，否则执行器一旦到限位就会失控。）最后加上 Kd=0.5。超调从 33.1% 掉到 8.9%，调节时间从 6.30 缩到 5.08。微分项看的是误差变化的快慢：误差正在快速减小时，它主动反向踩一脚，提前刹车。代价是它对噪声极其敏感（噪声的导数很大），所以实际中几乎总要配一个低通滤波。一句话记法：P 决定快慢，I 消除稳态误差，D 压住超调。而三个一起调的顺序通常是 P → I → D。　新加的第二张图是这一台真正该看的东西：控制量 u 是怎么被三项拼出来的。u = Kp·e + Ki·∫e + Kd·ė，灰粗线是三条细线之和，也就是实际发给执行器的那个数。超调、静差、振荡都不是三个独立的毛病，而是这三项此消彼长的后果。先把 Ki 和 Kd 都归零，只留比例项。实测稳态输出只有 0.6667，静差 0.3333；这时橙线（比例项）稳稳停在 0.67——正是这个残留的误差在维持着控制量，误差一旦归零，比例项也就归零，输出自然掉下去。纯比例控制不可能消掉静差，原因就在这张图上。再把 Ki 调到 0.30。稳态输出升到 0.9971，而三项的分工完全变了：橙线掉到 0.01，青线（积分项）爬到 1.00。稳态时比例项和微分项都是零，扛着整个控制量的只有积分项——这就是积分项存在的全部理由：它是唯一能在误差为零时还输出非零的项。再加上 Kd = 0.20。超调从 38.51% 压到 22.22%，调节时间从 8.10 缩到 4.60，蓝线在每次拐弯处提前给出一个反向的修正——微分项看的是误差的变化速度，等于提前刹车。但请留意阶跃那一瞬：蓝线会冲到 125，远远冲出画面。阶跃让误差瞬间从 0 跳到 1，其导数在离散实现里约等于 1/dt，微分项于是爆出一根尖峰。这叫微分冲击，实际工程里普遍的做法是把微分只作用在输出 y 上而不是误差 e 上，正是为了避开它。最后把 Ki 拉到 1.50 看一次失控。超调 877%，积分项冲到 −19.76：误差还没消掉，积分已经累积了太多，等系统冲过头时它又要花同样长的时间往回吐。这就是积分饱和（windup），灰线贴上 ±40 那两条限幅线的时候尤其致命——控制量已经出不去了，积分却还在闷头累加。

下面那张复平面图是控制工程师真正在看的东西。闭环系统的全部动态行为，都藏在特征方程的根（极点）落在哪里。把两个滑杆当成"把极点拖到复平面上的某个位置"来用。规律一：实部 −σ 决定衰减多快。σ 越大，极点越靠左，e^(−σt) 这个包络掉得越快。读数里的调节时间和 4/σ 对得很好：σ=1 时是 4.02 对 4.00，σ=2 时是 2.39 对 2.00。规律二：虚部 ω 决定振荡多快，而真正决定"振不振"的是两者的比值——阻尼比 ζ = σ/√(σ²+ω²)。超调量只由 ζ 决定，公式是 exp(−πζ/√(1−ζ²))。实测和理论贴得非常紧：ζ=0.243 时 45.56% 对 45.59%，ζ=0.447 时 20.71% 对 20.79%，ζ=0.707 时 4.21% 对 4.32%。ζ=0.707 是工程上最常用的默认值——大约 4% 的超调，兼顾了快和稳。规律三：极点进入右半平面（σ<0）系统就发散。把 σ 拖到最小再想象把它拖成负数：包络 e^(−σt) 变成指数增长，任何一点扰动都会被放大。"稳定"这个词在这里有一个完全精确的定义：所有闭环极点的实部都小于 0。整个经典控制理论——根轨迹、奈奎斯特判据、波特图上的相位裕度——归根到底都在回答同一个问题：我调的这个参数，会把极点推到哪儿去？

反馈的前提是"我知道现在在哪儿"。如果这个信息晚到一会儿，反馈就会变成灾难。把时滞从 0 慢慢往上加，看那条响应曲线：先是超调变大，然后振荡开始不衰减，最后幅度一路发散。机制很直观：你根据 0.5 秒前的偏差在施加纠正，而系统这 0.5 秒里已经自己走过去了，于是你的"纠正"变成了"加力"——本该抵消的反馈，变成了正反馈。下面那张图是这一页最有用的东西：增益与时滞的稳定边界。绿色区域内稳定，越过绿线就自激振荡。注意这条边界是往下走的：Kp=0.8 时能容忍 0.75 的时滞，Kp=2 时只剩 0.23，Kp=8 时只剩 0.054。增益越大，能容忍的时滞越小，而且大致成反比。这条规律的现实含义非常广：任何有延迟的反馈回路，都不能把反应调得太激烈。空调温度传感器装在出风口还是回风口、货物补货看的是昨天还是上周的销量、货币政策的传导需要几个季度、甚至开车时"看得越远、方向盘打得越轻"——说的都是同一件事。而工程上的三条解法也总是这三条：减小延迟（换更快的传感器）、降低增益（反应温和一点）、或者用模型预测补偿（史密斯预估器、模型预测控制）——也就是"猜一猜这段延迟里系统会走到哪儿"。