企业官网建设流程全解析

简介：这是一份面向自动化、电气工程及测控专业学生的《计算机控制技术》复习资料PDF，聚焦课程核心考点与典型习题的梳理，适合期末备考、考研复习或课堂同步巩固。资源包内仅含1个PDF文件，整体约44KB，篇幅轻巧，便于在手机或电脑上随时翻阅，内容以问答与要点填空的形式覆盖数字控制方式、采样周期与量化误差、PID调节结构、A/D与D/A转换器、数字滤波、现场总线、抗干扰与接地等章节重点。目前已有805人学习下载，在同类课程资料中具备一定认可度。读者可借此快速梳理采样定理、零阶保持器相频特性、离散系统稳定性判断、A/D转换精度与分辨率计算、静态误差系数等易考知识点，也可对照典型题目检验对SCC计算机作用、键盘锁定技术、LCD交变电压驱动、小功率直流电机转向控制等细节的掌握程度，适合作为考前查漏补缺的便携提纲。

1. 为什么搜计算机控制技术.pdf 的人，最后都在补闭环离散化

很多人把计算机控制技术.pdf 当成一个下载目标，下载完却发现真正难的是把 PID、状态反馈、滤波器塞进采样周期只有几毫秒的控制器里。计算机控制技术不是把连续域公式抄进代码，而是处理连续对象、离散计算、量化误差和时序抖动之间的缝隙。温度箱、电机速度环、机械臂关节、流量阀，只要执行器由 MCU、工控机或 PLC 驱动，就会遇到这套问题。适合自动化、嵌入式、仪器仪表和机器人方向的从业者，也适合刚学完自控原理、准备把 MATLAB 仿真搬到板子上的人。PDF 更像目录，真正要做的是把模型、采样、代码、调试记录串成一条可复现路径。

2. 计算机控制技术的数学底座：Z 变换、零阶保持器和差分方程

把控制律写成代码之前，先要承认一件事：计算机看到的世界是离散的。传感器在每个采样时刻给一个数，执行器在下一个采样时刻之前保持上一个输出，控制器在两次采样之间做有限次计算。连续域里理所当然的微分和积分，到了代码里都变成差分和累加，模型错一拍，参数就会在现场变得很难调。

2.1 连续对象进计算机前，先过采样和量化这两关

连续对象仍然按物理规律变化，但接口把它切成了采样序列。ADC 有位数限制，12 位 ADC 测 0 到 10 V，最小分辨约 2.44 mV；对温度慢过程可以忽略，对位置环可能已经接近编码器分辨率。采样保持还会带来平均半拍延迟，零阶保持器的相位滞后近似为 -ωTs/2，采样周期越大，闭环相位裕度越容易被吃掉。

2.1.1 采样定理不是控制带宽的答案

采样定理说 fs 大于信号最高频率的两倍就能避免混叠，但闭环控制还要求足够的相位裕度和动态响应。工程上更常用 fs 为闭环带宽的 10 到 20 倍，或者让采样周期 Ts 落在对象时间常数 τ 的 1/10 到 1/20。采样太快会放大微分噪声和 CPU 负担，采样太慢会让积分和微分都失去意义。

2.2 零阶保持器与 Z 变换：s 域到 z 域的最小换算

以一阶惯性对象 G(s)=K/(τs+1) 为例，执行器保持一个采样周期，相当于串联零阶保持器。按 Z 变换推导：

G(z) = (1-z^-1)Z[K/(s(τs+1))] = K(1-a)z^-1/(1-a z^-1)

其中 a=e^(-Ts/τ)。换成差分方程就是 y[k]=a y[k-1]+b u[k-1]，b=K(1-a)。离散极点 a 越接近 1，对象动态越慢；b 同时受 K 和 Ts 影响。很多现场问题不是 PID 公式写错，而是用连续 PID 参数直接套到离散循环里，却没有注意采样周期和对象时间常数的比例。

2.3 用 Python 把一阶惯性对象离散成可执行差分方程

先在电脑上建一个最小仿真环境，别急着接板子。下面命令创建虚拟环境并安装数值和绘图库，Windows 下激活脚本路径不同，但思路一致。

python -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate pip install numpy matplotlib

这段命令把依赖隔离在当前项目目录，避免和系统 Python 混在一起。numpy用来做数组和指数计算，matplotlib用来对比离散响应和连续响应。装完后可以运行下面的离散化脚本。

import numpy as np import matplotlib.pyplot as plt K = 2.0 # 对象直流增益 tau = 5.0 # 时间常数，单位 s Ts = 0.1 # 采样周期，单位 s，取 tau/50 t_end = 30.0 a = np.exp(-Ts / tau) # 离散极点 b = K * (1.0 - a) # 输入增益 n = int(t_end / Ts) t = np.arange(n) * Ts u = np.ones(n) # 阶跃输入 y = np.zeros(n) for k in range(1, n): y[k] = a * y[k-1] + b * u[k-1] # 一阶差分方程 y_cont = K * (1.0 - np.exp(-t / tau)) # 连续解析解 plt.plot(t, y, label='discrete') plt.plot(t, y_cont, '--', label='continuous') plt.xlabel('time / s') plt.ylabel('output') plt.legend() plt.grid(True) plt.show()

代码里的a决定离散对象的衰减速度，b决定单位输入带来的稳态增量。Ts=tau/50时两条曲线基本重合，说明离散化精度足够；如果把Ts改成tau/2，离散步长会明显变粗，控制器再激进也补不回丢掉的相位。u是阶跃输入，y是对象输出，循环从 k=1 开始是因为差分方程用的是上一拍输入。

2.4 采样周期、时间常数和离散化方法参数表

不同对象的采样周期不能用同一个数。下面这张表适合作为选型起点，实际还要看传感器噪声、执行器带宽和 CPU 余量。

离散化方法也要按场景选：零阶保持器适合执行器保持输出的对象，Tustin 适合滤波器设计，后向差分适合手写快速原型。选完方法后，把 Ts、a、b 记录下来，后面 C 或 PLC 里的参数要和仿真一致。

3. 计算机控制技术落地选型：Python、C、PLC 三条路线怎么分工

同一套控制律，放在工控机、MCU 和 PLC 里，工程代价完全不同。Python 适合把算法跑通和做数据分析，C 适合量产控制器和硬实时循环，PLC 适合工业现场和已有电气柜。选型不是比谁高级，而是看延迟、抖动、维护方式和现场接口。

3.1 Python 原型：先把控制律跑通，再谈实时性

Python 的强项是快速迭代，能直接读 CSV、画曲线、接 Modbus 或串口。它的弱项是 GIL、垃圾回收和操作系统调度抖动，硬实时控制不能只靠普通 Python 线程。做原型时可以用time.perf_counter()做单调计时，用sleep补偿计算耗时，把平均周期压到目标附近。

import time def clamp(x, lo, hi): return max(lo, min(hi, x)) def read_sensor(): # 现场替换为 ADC、Modbus、Socket 或仿真模型 return 20.0 def write_actuator(u): # 现场替换为 DAC、PWM、PLC 写寄存器 pass sp = 100.0 Kp, Ki, Kd = 1.2, 0.05, 0.01 dt = 0.01 integral = 0.0 prev_error = 0.0 for _ in range(1000): t0 = time.perf_counter() pv = read_sensor() error = sp - pv integral += error * dt derivative = (error - prev_error) / dt out = Kp * error + Ki * integral + Kd * derivative write_actuator(clamp(out, 0.0, 100.0)) prev_error = error elapsed = time.perf_counter() - t0 time.sleep(max(0.0, dt - elapsed)) # 补偿计算耗时，降低平均周期误差

这段代码里sp是设定值，pv是过程值，dt是名义采样周期，clamp做输出限幅。perf_counter()比time.time()更适合测间隔，sleep(max(0.0, dt-elapsed))让循环平均周期接近dt。参数Kp/Ki/Kd应先在仿真里整定，现场只做小幅微调；如果elapsed的 P99 已经超过dt，说明 Python 循环不适合继续加计算量。

3.2 C 语言 PID：裸机和 RTOS 下的浮点、定点取舍

C 语言适合 MCU、DSP 和 RTOS 任务。Cortex-M4F 这类带 FPU 的芯片用浮点更省开发时间，M0 或无 FPU 场景可以用 Q 格式定点。下面是一个最小浮点 PID，注意结构体状态在中断和任务之间共享时要小心原子性。

#include <stdint.h> typedef struct { float Kp; float Ki; float Kd; float integral; float prev_error; float out_min; float out_max; } PID; float pid_update(PID *p, float sp, float pv, float dt) { float error = sp - pv; float p_term = p->Kp * error; float d_term = p->Kd * (error - p->prev_error) / dt; p->integral += p->Ki * error * dt; float out = p_term + p->integral + d_term; if (out > p->out_max) { out = p->out_max; p->integral -= p->Ki * error * dt; /* 简单回退，防止积分继续累积 */ } else if (out < p->out_min) { out = p->out_min; p->integral -= p->Ki * error * dt; } p->prev_error = error; return out; }

dt必须与调用周期一致，单位是秒；out_min/out_max对应 PWM、DAC 或阀门范围。积分项已经把Ki乘进去，回退时也减去同样的增量，逻辑简单但有效。如果这个函数在定时中断里执行，PID结构体的读写要保证不会被打断；多任务系统里建议加互斥或把控制环集中在一个任务中。

3.2.1 增量式 PID 为什么在输出限幅时更顺手

增量式 PID 不直接算绝对输出，而是算 Δu=Kp(e_k-e_{k-1})+Ki e_k dt+Kd(e_k-2e_{k-1}+e_{k-2})/dt，再用 u_k=u_{k-1}+Δu。它对阀门、步进执行器更自然，限幅时不会把积分项单独累到很大，手动切自动也更容易做无扰切换。代价是需要保存前两拍误差，而且对输出初始值敏感。

3.3 PLC 结构化文本：把 PID 做成可复用功能块

PLC 的优势是现场接线、诊断和电气兼容性，结构化文本适合把 PID 封装成功能块。下面这段 ST 代码可以在很多支持 IEC 61131-3 的环境里改写成功能块，dt应使用定时中断任务周期，而不是主循环的估计值。

FUNCTION_BLOCK FB_PID VAR_INPUT Setpoint : REAL; ProcessValue : REAL; Kp : REAL := 1.0; Ki : REAL := 0.1; Kd : REAL := 0.0; dt : REAL := 0.01; OutMin : REAL := 0.0; OutMax : REAL := 100.0; END_VAR VAR_OUTPUT Output : REAL; END_VAR VAR integral : REAL; prev_error : REAL; error : REAL; END_VAR error := Setpoint - ProcessValue; integral := integral + Ki * error * dt; Output := Kp * error + integral + Kd * (error - prev_error) / dt; IF Output > OutMax THEN Output := OutMax; integral := integral - Ki * error * dt; ELSIF Output < OutMin THEN Output := OutMin; integral := integral - Ki * error * dt; END_IF; prev_error := error;

这段功能块把积分、微分和限幅都放在一个扫描周期内，OutMin/OutMax对应阀门或变频器限幅。dt如果取错，Ki和Kd的实际作用会跟着错。很多 PLC 项目把 PID 放在主程序 OB1 里，扫描周期随程序大小变化，结果低速过程还能跑，快速过程就会抖；常见做法是放到固定周期中断任务里。

3.4 三条路线的延迟、抖动、维护成本对比

实际项目经常混用：Python 做离线辨识和参数搜索，C 做板级控制，PLC 做安全联锁和现场执行。把控制律放在哪一层，取决于闭环带宽、接口和维护权限，而不是个人偏好。

4. 计算机控制技术实战：采样周期、滤波、抗积分饱和的参数怎么定

仿真里曲线漂亮，现场却可能因为传感器噪声、阀门死区、输出限幅和调度抖动而震荡。计算机控制技术的实战部分，核心是把采样周期、滤波系数、抗饱和策略和记录手段一起定下来，让每次调参都有依据。

4.1 采样周期从时间常数反推：温度、速度、位置三档

采样周期先按对象时间常数定，再按闭环带宽校验。经验规则是 Ts=τ/10 到 τ/20；如果对象有纯滞后，Ts 还要小于滞后时间的 1/5 到 1/10。温度过程慢，可以用秒级周期；速度环常用毫秒级；位置环和电流环更快，但位置差分噪声会逼着你加滤波。

选完 Ts 后，把控制器输出、设定值和过程值带时间戳记录。没有记录就无法区分是参数问题、滤波问题还是采样周期问题，现场只靠肉眼调参很容易来回过头。

4.2 传感器滤波：一阶低通和滑动平均的参数怎么设

一阶低通适合抑制高频噪声，滑动平均适合随机噪声。下面两个函数可以直接嵌到 C 控制循环里，调用周期固定时参数含义稳定。

float lpf(float raw, float *state, float alpha) { *state = alpha * raw + (1.0f - alpha) * (*state); return *state; } float moving_average(float raw, float *buf, int len, int *idx, float *sum) { *sum -= buf[*idx]; buf[*idx] = raw; *sum += raw; *idx = (*idx + 1) % len; return *sum / (float)len; }

一阶低通的alpha=Ts/(Ts+tau_f)，tau_f是滤波时间常数。tau_f越小越跟得快，但噪声大；越大越平滑，但相位滞后越大。滑动平均的窗口len个点，等效滞后约(len-1)/2*Ts，适合抗随机噪声，不适合抑制周期性干扰。温度tau_f可以取 5-20 s，速度取 5-20 ms，位置取 1-5 ms，具体还要看控制带宽。

4.2.1 滤波会吃掉相位，别把截止频率设得比控制带宽还低

一阶低通在频率 ω 处的相位滞后是 -arctan(ω tau_f)。如果控制带宽处滞后超过 20 度，PID 的相位裕度会被明显压缩，表现为响应变慢或超调变大。常见做法是让滤波截止频率至少是控制带宽的 3 到 5 倍，实在压不住噪声时，先查布线、接地和传感器供电，而不是继续加大滤波。

4.3 抗积分饱和、输出限幅和死区补偿

积分饱和来自输出已经到极限，误差还在让积分累积。条件积分比简单截断更稳，下面函数只在输出未饱和，或积分方向能把输出拉回线性区时才接受新积分。

def pid_anti_windup(sp, pv, state, dt, cfg): error = sp - pv p_term = cfg['Kp'] * error d_term = cfg['Kd'] * (error - state['prev_error']) / dt candidate_i = state['integral'] + cfg['Ki'] * error * dt out_unsat = p_term + candidate_i + d_term out = min(max(out_unsat, cfg['out_min']), cfg['out_max']) # 只有未饱和，或积分方向能把输出拉回线性区时才接受积分 if out == out_unsat or (out_unsat > cfg['out_max'] and error < 0) or (out_unsat < cfg['out_min'] and error > 0): state['integral'] = candidate_i state['prev_error'] = error return out, state

cfg里放Kp/Ki/Kd/out_min/out_max，state保存integral和prev_error。这段逻辑避免输出限幅时积分继续累加，也避免反向误差一来就长时间退饱和。死区补偿则要在执行器最小启动量附近加前馈或查表，注意零附近要加小死区防止抖动。

4.4 从阶跃曲线读超调、振荡和稳态误差

给一个 5% 到 10% 的设定值阶跃，记录设定值、过程值和输出。上升时间看响应速度，超调量看阻尼，调节时间看振荡收敛，稳态误差看积分和死区。下面这张排查表适合现场快速定位。

调参顺序通常是先 P 到临界振荡附近再退回，再加 I 消稳态误差，最后加 D 压超调。每次只改一个参数，并把曲线存成 CSV，否则很难判断是参数变化还是工况变化。

5. 计算机控制技术进阶：阶跃辨识、稳定裕度和继电器自整定

到了进阶阶段，重点不是继续背 PID 公式，而是从现场数据里估出对象参数，再用频域和时域一起验证。对象换了、负载变了、机械松了，原来的参数就不一定稳，能快速辨识和自整定比手调更可靠。

5.1 用阶跃响应辨识 K、T、纯滞后 τ

先做一次开环或闭环小幅阶跃，采集过程值序列。一阶加纯滞后模型足够应付很多温度和流量对象，辨识时取稳态段平均，避免单点噪声。

import numpy as np # y: 阶跃响应采样序列，u_step: 阶跃幅值，Ts: 采样周期，t: 时间序列 y0 = np.mean(y[:10]) y_ss = np.mean(y[-20:]) K = (y_ss - y0) / u_step # 一阶惯性达到 63.2% 的时间近似为时间常数 target = y0 + 0.632 * (y_ss - y0) idx = np.argmax(y >= target) T_est = t[idx] - t[0] # 纯滞后：从阶跃开始到输出明显离开基线的第一点 threshold = y0 + 0.02 * (y_ss - y0) idx_delay = np.argmax(y >= threshold) tau_delay = t[idx_delay] - t[0] print(K, T_est, tau_delay)

K是稳态增益，T_est是时间常数，tau_delay是纯滞后。阈值取 2% 是为了避开噪声误判，稳态段取末尾平均是为了减小纹波影响。如果阶跃响应本身有振荡，一阶模型不够，需要二阶模型或频域辨识，别硬套一阶参数。

5.2 用 Python 画 Bode 和根轨迹查稳定裕度

拿到模型后，先看相位裕度和增益裕度，再决定 PID 参数是否激进。安装control库后，可以用几行代码画出开环频率响应。

pip install control matplotlib

import control as ct import matplotlib.pyplot as plt # 例：连续对象 K/(tau*s+1)，再串联 PID s = ct.tf('s') G = 2.0 / (5.0 * s + 1) C = 1.2 + 0.05 / s + 0.01 * s L = C * G gm, pm, wg, wp = ct.margin(L) print(f'GM={gm:.2f}, PM={pm:.2f} deg, wg={wg:.2f}, wp={wp:.2f}') ct.bode_plot(L, dB=True, Hz=False) plt.show()

gm是增益裕度，pm是相位裕度，wg和wp是穿越频率。工程目标常取相位裕度 45 到 60 度，增益裕度大于 6 dB。要分析离散系统，用ct.c2d(G, Ts, method='zoh')转成 z 域再算裕度；control库不同版本 API 可能有差异，遇到报错先查函数签名。

5.3 继电器自整定和在线微调

继电器反馈法让输出在 u0±d 之间切换，观测过程值振荡。临界增益 Ku=4d/(πA)，A 是过程值振荡幅值，Tu 是振荡周期。Ziegler-Nichols 参数表适合作为起点，但现场通常先取 0.5 到 0.7 倍，再根据超调和调节时间微调。

在线微调时盯三类曲线：设定值阶跃看超调，负载扰动看恢复时间，输出限幅看积分回退。每次只动一个参数，记录修改前后的上升时间、超调量和稳态误差，避免把工况变化误判成参数问题。

5.4 把计算机控制技术.pdf 变成实验台的三步

第一步选一个可测对象，加热片、直流电机或水箱都行，把 ADC、PWM 和通信调通，先采一段开环阶跃。第二步在 Python 里辨识 K、T、τ，设计 PID，离散化到目标采样周期，对比仿真和实测曲线。第三步移到 C 或 PLC，固定采样周期，加滤波、抗饱和和输出限幅，把每次实验的设定值、过程值、输出、Ts、滤波系数和 PID 参数存成 CSV。下一次换对象时，先比对这些曲线，再决定是调参、改滤波还是改采样周期。

本文还有配套的精品资源，点击获取