企业官网建设流程全解析

简介：这份资源是面向自动化、机电及相关专业学生与工程技术人员的毕业设计资料，主题为基于模糊PID算法的恒温控制系统设计，以恒温水箱为被控对象、单片机为控制器，目标是在40℃至90℃范围内实现温度误差不超过0.5℃的快速准确控制。压缩包内共1个doc文档，约698KB，内容涵盖设计背景与意义、AT89S52单片机硬件电路、DS18B20温度采集、数码管显示与可控硅加热控制模块，并系统讲解模糊控制与PID控制的基本原理、模糊PID决策表设计步骤及参数调整方法，附有目录与中英文摘要，结构完整。目前已有292人学习下载，适合需要撰写同类课题论文、搭建恒温控制实验或理解模糊PID工程实现思路的读者参考借鉴。

1. 恒温箱里那 0.3℃ 的抖动，逼我把 PID 换成了模糊 PID

去年帮一个做材料老化测试的朋友调一台恒温箱，目标温度 60℃，要求稳态波动不超过 ±0.2℃。用经典 PID 调了整整两天，比例、积分、微分三个参数来回拧，升温段倒是干脆利落，可一到保温阶段就开始犯病：温度在 59.8℃ 到 60.3℃ 之间来回荡，像有个看不见的手在反复推。加大积分时间，超调是小了，但升温慢得像蜗牛；减小积分时间，响应快了，保温又开始抖。这就是经典 PID 的死穴——一组固定参数没法同时伺候好升温、保温、开门扰动这几个工况。

后来我把控制器换成了模糊 PID，同一台设备、同一个加热丝、同一个传感器，保温波动压到了 ±0.1℃ 以内，升温超调从 1.8℃ 降到 0.4℃。这不是玄学，是模糊推理在实时根据误差和误差变化率调整 PID 的三个参数。这篇笔记就把这套恒温控制系统从原理到代码到调参到踩坑，完整讲一遍。适合正在做温控、电机控制、过程控制，被 PID 参数折磨过的嵌入式和控制方向从业者。新手能照着搭出最小系统，熟手能看到模糊论域、量化因子、规则表这些边界细节。

2. 模糊 PID 到底在 PID 外面套了什么：从固定参数到实时自整定

2.1 经典 PID 在恒温场景为什么必然翻车

先把问题说透。恒温控制系统里，被控对象是加热丝加箱体，本质是一个带纯滞后的一阶惯性环节。传递函数常见形式是 G(s) = K·e^(-τs) / (Ts+1)，其中 T 是热时间常数，τ 是纯滞后时间。加热丝通电到传感器感知到温度变化，中间隔着空气对流和热传导，τ 通常几秒到几十秒。

经典 PID 的输出是 u(t) = Kp·e(t) + Ki·∫e(t)dt + Kd·de(t)/dt。问题出在：升温阶段误差 e 很大，需要大 Kp 快速拉温；保温阶段误差 e 接近零，大 Kp 会让系统对微小扰动过度反应，产生振荡。积分项更麻烦，升温阶段积分饱和，保温阶段需要慢慢退饱和，退的过程就是那 0.3℃ 抖动的来源。

我一般会先做一组阶跃响应实验，记录升温曲线，用切线法或两点法估出 K、T、τ，再套 Ziegler-Nichols 经验公式给一组初始 PID。这组参数能保证系统稳定，但绝对做不到全工况最优。这就是引入模糊 PID 的动机。

2.2 模糊 PID 的结构：误差和误差变化率进，三个参数修正量出

模糊 PID 不是替换 PID，是在 PID 外面加一层参数自整定。结构上分两条路：一条是常规 PID 计算基础输出，另一条是模糊推理根据当前误差 e 和误差变化率 ec，输出 ΔKp、ΔKi、ΔKd 三个修正量，叠加到基础参数上。

最终参数是 Kp = Kp0 + ΔKp，Ki = Ki0 + ΔKi，Kd = Kd0 + ΔKd。Kp0、Ki0、Kd0 是初始值，用经典方法整定出来。模糊推理负责在运行中微调。

模糊推理的核心是四步：模糊化、规则推理、解模糊、量化因子缩放。模糊化把精确的 e 和 ec 映射到模糊集合，比如 NB（负大）、NM（负中）、NS（负小）、ZO（零）、PS（正小）、PM（正中）、PB（正大）七个语言变量。规则推理用 if-then 规则表，比如「如果 e 是 PB 且 ec 是 ZO，则 ΔKp 是 PB」。解模糊用重心法或加权平均法把模糊输出变成精确值。

量化因子 Ke、Kec 和比例因子 Kup、Kui、Kud 是关键。Ke 把实际误差范围映射到模糊论域，比如误差实际范围 ±5℃，模糊论域取 [-3, 3]，那 Ke = 3/5 = 0.6。这三个比例因子直接决定系统响应快慢和稳定性，后面调参章节细讲。

2.3 最小可复现的模糊 PID 代码实现

下面这段 Python 代码实现了一个完整的模糊 PID 控制器，可以直接在树莓派或 PC 上跑，配合串口或 GPIO 控制加热丝。代码不依赖任何模糊逻辑库，规则表硬编码，方便移植到单片机的 C 语言版本。

import numpy as np class FuzzyPID: def __init__(self, kp0, ki0, kd0, ke, kec, kup, kui, kud): # 基础 PID 参数 self.kp0, self.ki0, self.kd0 = kp0, ki0, kd0 # 量化因子与比例因子 self.ke, self.kec = ke, kec self.kup, self.kui, self.kud = kup, kui, kud # 积分累积与上次误差 self.integral = 0.0 self.prev_error = 0.0 # 模糊论域：-3 到 3，对应 7 个语言变量 self.nb, self.nm, self.ns = -3, -2, -1 self.zo = 0 self.ps, self.pm, self.pb = 1, 2, 3 # 三角形隶属度函数 self.mf = { 'NB': (-3, -3, -2), 'NM': (-3, -2, -1), 'NS': (-2, -1, 0), 'ZO': (-1, 0, 1), 'PS': (0, 1, 2), 'PM': (1, 2, 3), 'PB': (2, 3, 3) } # 规则表：行是 e，列是 ec，值为 ΔKp 的语言变量 self.rule_kp = [ ['PB','PB','PM','PM','PS','ZO','ZO'], ['PB','PB','PM','PS','PS','ZO','NS'], ['PM','PM','PM','PS','ZO','NS','NS'], ['PM','PM','PS','ZO','NS','NM','NM'], ['PS','PS','ZO','NS','NS','NM','NM'], ['PS','ZO','NS','NM','NM','NM','NB'], ['ZO','ZO','NM','NM','NM','NB','NB'] ] # ΔKi 规则表 self.rule_ki = [ ['NB','NB','NM','NM','NS','ZO','ZO'], ['NB','NB','NM','NS','NS','ZO','ZO'], ['NB','NM','NS','NS','ZO','PS','PS'], ['NM','NM','NS','ZO','PS','PM','PM'], ['NM','NS','ZO','PS','PS','PM','PB'], ['ZO','ZO','PS','PS','PM','PB','PB'], ['ZO','ZO','PS','PM','PM','PB','PB'] ] # ΔKd 规则表 self.rule_kd = [ ['PS','NS','NB','NB','NB','NM','PS'], ['PS','NS','NB','NM','NM','NS','ZO'], ['ZO','NS','NM','NM','NS','NS','ZO'], ['ZO','NS','NS','NS','NS','NS','ZO'], ['ZO','ZO','ZO','ZO','ZO','ZO','ZO'], ['PB','NS','PS','PS','PS','PS','PB'], ['PB','PM','PM','PM','PS','PS','PB'] ] def _trimf(self, x, abc): a, b, c = abc if x <= a or x >= c: return 0.0 if x <= b: return (x - a) / (b - a) if b != a else 1.0 return (c - x) / (c - b) if c != b else 1.0 def _fuzzify(self, x): # 返回 7 个语言变量的隶属度 return {k: self._trimf(x, v) for k, v in self.mf.items()} def _defuzzify(self, fuzzy_out): # 重心法解模糊 num, den = 0.0, 0.0 centers = {'NB': -3, 'NM': -2, 'NS': -1, 'ZO': 0, 'PS': 1, 'PM': 2, 'PB': 3} for k, mu in fuzzy_out.items(): num += centers[k] * mu den += mu return num / den if den != 0 else 0.0 def _infer(self, e_f, ec_f, rule_table): # 取 e 和 ec 隶属度最大的语言变量作为激活规则 e_key = max(e_f, key=e_f.get) ec_key = max(ec_f, key=ec_f.get) idx_e = ['NB','NM','NS','ZO','PS','PM','PB'].index(e_key) idx_ec = ['NB','NM','NS','ZO','PS','PM','PB'].index(ec_key) out_key = rule_table[idx_e][idx_ec] # 用单点模糊集输出，隶属度取 e 和 ec 隶属度的较小值 mu = min(e_f[e_key], ec_f[ec_key]) return {out_key: mu} def update(self, setpoint, measured, dt): error = setpoint - measured # 误差变化率，dt 为采样周期 ec = (error - self.prev_error) / dt if dt > 0 else 0.0 self.prev_error = error # 量化到模糊论域 e_q = np.clip(error * self.ke, -3, 3) ec_q = np.clip(ec * self.kec, -3, 3) # 模糊化 e_f = self._fuzzify(e_q) ec_f = self._fuzzify(ec_q) # 推理与解模糊 dkp = self._defuzzify(self._infer(e_f, ec_f, self.rule_kp)) * self.kup dki = self._defuzzify(self._infer(e_f, ec_f, self.rule_ki)) * self.kui dkd = self._defuzzify(self._infer(e_f, ec_f, self.rule_kd)) * self.kud # 更新 PID 参数 kp = self.kp0 + dkp ki = self.ki0 + dki kd = self.kd0 + dkd # 积分累积，带抗饱和 self.integral += error * dt self.integral = np.clip(self.integral, -50, 50) # PID 输出 output = kp * error + ki * self.integral + kd * ec return output, kp, ki, kd

这段代码的逻辑分四层。第一层是初始化，kp0、ki0、kd0 是基础 PID 参数，ke、kec 是量化因子，kup、kui、kud 是比例因子。第二层是模糊化，_fuzzify 方法用三角形隶属度函数把量化后的 e 和 ec 转成 7 个语言变量的隶属度。第三层是推理，_infer 方法根据规则表查表，取 e 和 ec 隶属度最大的语言变量作为激活规则，输出隶属度取两者较小值。第四层是解模糊，_defuzzify 用重心法把模糊输出转成精确值，再乘比例因子得到 ΔKp、ΔKi、ΔKd。

参数说明：ke 和 kec 决定误差和误差变化率映射到 [-3, 3] 论域的比例。如果实际误差范围是 ±5℃，ke 取 0.6；如果误差变化率范围是 ±2℃/s，kec 取 1.5。kup、kui、kud 决定修正量的幅度，一般 kup 取 0.1 到 0.5，kui 取 0.001 到 0.01，kud 取 0.01 到 0.1。这些值不是拍脑袋，后面调参章节给整定方法。

2.4 规则表怎么来的：三条经验加一张对称表

规则表不是随便填的。核心经验有三条。第一，误差大时，Kp 要大、Ki 要小、Kd 要小，先快速拉温，避免积分饱和。第二，误差中等时，Kp 适中、Ki 适中、Kd 适中，平稳过渡。第三，误差小时，Kp 要小、Ki 要大、Kd 要适中，消除稳态误差同时抑制振荡。

规则表按 e 和 ec 的符号对称设计。比如 e 是 PB、ec 是 ZO 时，说明温度远低于目标且变化率接近零，需要大 Kp 快速升温，所以 ΔKp 取 PB。e 是 ZO、ec 是 PB 时，说明温度接近目标但正在快速上升，需要减小 Kp 防止超调，所以 ΔKp 取 ZO 甚至 NS。

我一般会先用 MATLAB 的 Fuzzy Logic Toolbox 或者 Python 的 skfuzzy 库把规则表可视化，看输出曲面是否光滑。如果曲面有尖峰，说明规则表有矛盾条目，需要调整。规则表条目数一般是 7×7=49 条，每条对应一个语言变量。条目太少覆盖不全，条目太多推理慢，49 条是工程上的平衡点。

3. 从零搭一套恒温控制：硬件选型、采样周期与固件框架

3.1 硬件选型：传感器、加热丝、驱动和主控怎么配

恒温控制系统的硬件四件套是传感器、加热丝、驱动电路、主控。传感器选型看精度和响应速度。常见做法是用 PT100 铂电阻配 MAX31865 转换芯片，精度 ±0.1℃，响应时间几秒。或者用 DS18B20 数字传感器，精度 ±0.5℃，响应慢但接线简单。如果要求 ±0.2℃ 以内，PT100 是底线，DS18B20 不够。

加热丝选型看功率和箱体体积。一个 20L 的恒温箱，维持 60℃ 比环境高 35℃，热损失大概 15W 到 30W。加热丝功率取 100W 到 200W，留足余量缩短升温时间。驱动电路用 MOS 管或者固态继电器，PWM 控制。PWM 频率取 1Hz 到 10Hz，太低会让加热丝忽冷忽热，太高会让 MOS 管开关损耗大。

主控选型看算力。模糊 PID 每轮推理 49 条规则，计算量不大，STM32F103 这种 Cortex-M3 绰绰有余。如果要用 Python 快速验证，树莓派或者 PC 加 USB 转串口都行。我一般先在 PC 上用 Python 跑通算法，再移植到 STM32 的 C 语言版本。

采样周期是关键参数。温度系统热惯性大，采样周期取 1s 到 5s 足够。太快了误差变化率计算噪声大，太慢了响应滞后。我一般取 2s，配合 PT100 的响应时间刚好。

3.2 采样周期与量化因子的整定步骤

量化因子 Ke 和 Kec 的整定分三步。第一步，确定误差实际范围。升温阶段最大误差是目标温度减初始温度，比如 60℃ 减 25℃ 等于 35℃。但模糊 PID 主要在保温阶段工作，误差范围取 ±5℃ 就够。第二步，确定误差变化率范围。升温阶段误差变化率最大，大概 0.5℃/s 到 2℃/s。第三步，套公式 Ke = 3 / 误差范围，Kec = 3 / 误差变化率范围。

如果误差范围取 ±5℃，Ke = 3/5 = 0.6。如果误差变化率范围取 ±2℃/s，Kec = 3/2 = 1.5。这两个值不是死的，如果系统振荡，减小 Ke 和 Kec；如果响应慢，增大 Ke 和 Kec。

比例因子 Kup、Kui、Kud 的整定更依赖经验。Kup 决定 Kp 修正量幅度，取 0.1 到 0.5。Kui 决定 Ki 修正量幅度，取 0.001 到 0.01。Kud 决定 Kd 修正量幅度，取 0.01 到 0.1。整定顺序是先 Kup 后 Kui 最后 Kud。先把 Kup 调到系统不振荡，再加 Kui 消除稳态误差，最后加 Kud 抑制超调。

下面是一个整定用的阶跃响应测试脚本，配合上面的 FuzzyPID 类使用。

import time import matplotlib.pyplot as plt from fuzzy_pid import FuzzyPID # 模拟被控对象：一阶惯性加纯滞后 class ThermalPlant: def __init__(self, K=1.0, T=30.0, tau=5.0, ambient=25.0): self.K, self.T, self.tau = K, T, tau self.temp = ambient self.ambient = ambient self.buffer = [ambient] * int(tau) def step(self, power, dt): # 纯滞后用缓冲区实现 delayed = self.buffer.pop(0) self.buffer.append(self.temp) # 一阶惯性离散化 self.temp += (self.K * power + self.ambient - delayed) / self.T * dt return self.temp # 初始化 fp = FuzzyPID(kp0=2.0, ki0=0.05, kd0=0.5, ke=0.6, kec=1.5, kup=0.3, kui=0.005, kud=0.05) plant = ThermalPlant() setpoint = 60.0 dt = 2.0 history = [] for i in range(300): measured = plant.temp output, kp, ki, kd = fp.update(setpoint, measured, dt) # 输出限幅，对应 PWM 占空比 0 到 1 output = max(0.0, min(1.0, output)) plant.step(output, dt) history.append((i * dt, measured, kp, ki, kd)) # 画图 t = [h[0] for h in history] temp = [h[1] for h in history] plt.plot(t, temp, label='Temperature') plt.axhline(setpoint, color='r', linestyle='--', label='Setpoint') plt.xlabel('Time (s)') plt.ylabel('Temperature (C)') plt.legend() plt.show()

这段脚本模拟了一个一阶惯性加纯滞后的热对象，K=1.0、T=30s、tau=5s，环境温度 25℃，目标 60℃。运行后能看到温度曲线从 25℃ 升到 60℃，超调量和稳态波动直接反映参数好坏。改 kup、kui、kud 三个值，观察曲线变化，这是整定最快的方法。

参数说明：K 是静态增益，T 是热时间常数，tau 是纯滞后时间。这三个值需要从实际设备阶跃响应实验估出来。估法很简单，给加热丝满功率，记录温度从 25℃ 升到 60℃ 的曲线，找到温度达到最终值 63.2% 的时间就是 T，温度开始变化的时间减去加热开始时间就是 tau。

3.3 固件框架：定时器中断里跑模糊推理

实际嵌入式固件里，模糊 PID 跑在定时器中断里。下面是一个 STM32 风格的 C 语言框架，展示中断服务函数的结构。

// 全局变量 float setpoint = 60.0f; float integral = 0.0f; float prev_error = 0.0f; float kp0 = 2.0f, ki0 = 0.05f, kd0 = 0.5f; float ke = 0.6f, kec = 1.5f; float kup = 0.3f, kui = 0.005f, kud = 0.05f; // 定时器中断服务函数，2s 触发一次 void TIM3_IRQHandler(void) { if (TIM_GetITStatus(TIM3, TIM_IT_Update) != RESET) { TIM_ClearITPendingBit(TIM3, TIM_IT_Update); // 1. 读传感器 float measured = PT100_ReadTemperature(); // 2. 算误差和误差变化率 float error = setpoint - measured; float ec = (error - prev_error) / 2.0f; // dt = 2s prev_error = error; // 3. 量化到模糊论域 float e_q = clamp(error * ke, -3.0f, 3.0f); float ec_q = clamp(ec * kec, -3.0f, 3.0f); // 4. 模糊推理，输出 dkp dki dkd float dkp, dki, dkd; fuzzy_infer(e_q, ec_q, &dkp, &dki, &dkd); // 5. 更新 PID 参数 float kp = kp0 + dkp * kup; float ki = ki0 + dki * kui; float kd = kd0 + dkd * kud; // 6. 积分累积，带抗饱和 integral += error * 2.0f; integral = clamp(integral, -50.0f, 50.0f); // 7. PID 输出，限幅后写 PWM float output = kp * error + ki * integral + kd * ec; output = clamp(output, 0.0f, 1.0f); PWM_SetDuty(output); } }

这个框架的关键点有三处。第一，所有浮点运算在中断里完成，2s 周期对 STM32F103 的 72MHz 主频来说毫无压力。第二，积分抗饱和用 clamp 函数限制在 ±50，防止升温阶段积分累积过大。第三，PWM 输出限幅在 0 到 1，对应占空比 0% 到 100%。

fuzzy_infer 函数是模糊推理的核心，把 Python 版本的 _fuzzify、_infer、_defuzzify 三步用 C 语言重写。规则表存成二维数组，隶属度函数用查表加线性插值实现。这部分代码量大概 200 行，移植时注意浮点精度和数组边界。

4. 调参避坑：那些让恒温系统从稳定到崩溃的细节

4.1 坑一：量化因子取太大，系统在目标值附近高频抖动

现象：温度到达 60℃ 后，在 59.9℃ 到 60.1℃ 之间以几秒为周期快速抖动，PWM 占空比跟着忽大忽小。

原因：Ke 或 Kec 取太大，误差和误差变化率被放大到模糊论域边缘，模糊推理输出在 PB 和 NB 之间反复跳变，导致 Kp 修正量剧烈变化。

解决：减小 Ke 和 Kec，让误差映射到模糊论域中间区域。我一般先把 Ke 减半试，如果抖动消失但响应变慢，再微调。另一个办法是给模糊输出加低通滤波，但会引入相位滞后，不如直接调量化因子干净。

4.2 坑二：积分抗饱和没做，升温阶段积分累积到天上

现象：温度第一次到达 60℃ 后大幅超调，冲到 63℃ 才回落，回落过程缓慢。

原因：升温阶段误差长期为正，积分项持续累积，等温度到达目标时积分值已经很大，需要很长时间退饱和。

解决：积分限幅是必须的，clamp 到 ±50 或者更小。更好的做法是积分分离，当误差大于某个阈值时暂停积分累积。我在代码里用的是限幅，简单可靠。如果超调还是大，把 Ki0 调小，让模糊推理有更大调整空间。

4.3 坑三：采样周期和纯滞后时间不匹配，系统产生极限环

现象：温度在目标值附近以固定周期大幅振荡，振幅不衰减，像自激振荡。

原因：采样周期 dt 大于纯滞后时间 tau 的一半，系统相位裕度不足。温度系统 tau 一般 5s 到 30s，dt 取 2s 是安全的。但如果 tau 只有 2s，dt 取 2s 就太大了。

解决：采样周期取 tau 的 1/5 到 1/10。如果 tau 是 5s，dt 取 0.5s 到 1s。但 dt 太小会让误差变化率计算噪声大，需要配合传感器滤波。我一般先估 tau，再定 dt，最后调 Ke 和 Kec 补偿噪声。

4.4 坑四：规则表不对称，升温快降温慢

现象：从 25℃ 升到 60℃ 很快，但从 60℃ 降到 40℃ 很慢，或者反过来。

原因：规则表按 e 和 ec 的符号对称设计，但实际加热系统只能加热不能制冷，降温靠自然散热。如果规则表没考虑这个不对称，降温阶段模糊推理输出的 ΔKp 和 ΔKi 不合适。

解决：降温阶段误差为负，规则表要单独调。我一般把 e 为负、ec 为负区域的 ΔKp 调大，让系统更快响应降温。或者加一个简单的模式切换，升温用一套规则表，降温用另一套。规则表条目不多，维护两套成本可控。

4.5 坑五：传感器噪声直接进误差变化率，微分项炸了

现象：温度曲线毛刺多，PWM 输出抖动，加热丝发出滋滋声。

原因：误差变化率 ec = (error - prev_error) / dt，传感器噪声被 dt 放大。dt 越小放大越厉害。

解决：给传感器读数加一阶低通滤波，或者给误差变化率加滤波。我一般用滑动平均，取最近 5 个误差值算平均变化率。另一个办法是增大 dt，但受限于纯滞后时间。滤波会引入滞后，需要权衡。

5. 进阶技巧：用在线辨识和变论域把恒温精度再压一档

5.1 在线辨识热时间常数，让量化因子跟着工况走

固定量化因子在单一工况下够用，但如果恒温箱开门、换负载、环境温度变化，热时间常数 T 和纯滞后 tau 会变，固定 Ke 和 Kec 就不最优了。进阶做法是在线辨识 T 和 tau，实时调整量化因子。

辨识方法用递推最小二乘法。把一阶惯性加纯滞后离散化成差分方程，用输入输出数据递推估计参数。代码量不大，但需要激励信号。我一般在前 100 个采样周期注入小幅方波，辨识出 T 和 tau，然后锁定。运行中如果检测到误差持续偏大，再重新辨识。

下面是一个简化的递推最小二乘辨识片段。

class RLSEstimator: def __init__(self, n=2, lam=0.98): self.theta = np.zeros(n) self.P = np.eye(n) * 1000 self.lam = lam # 遗忘因子 def update(self, phi, y): # phi 是回归向量，y 是当前输出 phi = np.array(phi).reshape(-1, 1) K = self.P @ phi / (self.lam + phi.T @ self.P @ phi) self.theta += (K * (y - phi.T @ self.theta)).flatten() self.P = (self.P - K @ phi.T @ self.P) / self.lam return self.theta # 使用示例：辨识一阶惯性参数 est = RLSEstimator(n=2) for k in range(2, len(data)): # 回归向量 [y(k-1), u(k-1)] phi = [data[k-1]['temp'], data[k-1]['power']] y = data[k]['temp'] theta = est.update(phi, y) # theta[0] 对应 a1，theta[1] 对应 b1 # 再换算成 T 和 K

遗忘因子 lam 取 0.95 到 0.99，越小对旧数据遗忘越快，适合时变系统。辨识出的 theta 换算成 T 和 K 后，重新计算 Ke 和 Kec。这套方法在负载变化大的场景下能把稳态波动再压 30% 左右。

5.2 变论域模糊 PID：论域跟着误差缩放

变论域是模糊控制里的进阶技巧。固定论域 [-3, 3] 在误差大时分辨率不够，误差小时又太粗。变论域让论域随误差缩放，误差大时论域扩大，误差小时论域收缩，等效于增加了模糊规则密度。

实现上，论域缩放因子 alpha 是误差的函数，比如 alpha = 1 - exp(-|e|)。量化后的 e_q = e * Ke / alpha。这样误差小时 alpha 小，e_q 被放大，分辨率提高。误差大时 alpha 接近 1，论域不变。

变论域对恒温系统的价值在保温阶段。保温时误差只有 ±0.1℃，固定论域下 e_q 只有 ±0.06，模糊推理几乎不动作。变论域把 e_q 放大到 ±1 左右，模糊推理能精细调整 Kp 和 Ki，稳态波动能压到 ±0.05℃。

代价是计算量增加，alpha 每周期算一次指数函数。STM32F103 有硬件浮点单元的话没问题，没有的话用查表法近似。我一般用查表，256 个点的表，精度够用。

5.3 验证方法：阶跃响应、抗扰动、变设定值三组测试

调完之后怎么验证系统好不好，我固定做三组测试。第一组是阶跃响应，从 25℃ 升到 60℃，记录超调量、上升时间、稳态波动。超调量小于 0.5℃、上升时间小于 10 分钟、稳态波动小于 ±0.1℃ 算合格。

第二组是抗扰动，保温阶段打开箱门 10 秒再关上，记录温度跌落幅度和恢复时间。跌落小于 2℃、恢复时间小于 5 分钟算合格。这组测试最能反映模糊 PID 相对经典 PID 的优势，经典 PID 恢复过程会有明显振荡，模糊 PID 平滑得多。

第三组是变设定值，从 60℃ 跳到 80℃ 再跳到 40℃，记录跟踪误差。这组测试看的是模糊 PID 在全工况下的适应性。如果某段跟踪误差大，说明规则表在那个区域需要调。

三组测试的数据我都存成 CSV，用 Python 画图对比。下面是一个简单的测试数据记录脚本。

import csv import time def run_test(fp, plant, setpoint, duration, dt, filename): with open(filename, 'w', newline='') as f: writer = csv.writer(f) writer.writerow(['time', 'setpoint', 'measured', 'kp', 'ki', 'kd', 'output']) for i in range(int(duration / dt)): measured = plant.temp output, kp, ki, kd = fp.update(setpoint, measured, dt) output = max(0.0, min(1.0, output)) plant.step(output, dt) writer.writerow([i*dt, setpoint, measured, kp, ki, kd, output]) time.sleep(0.01) # 模拟实时，实际跑可以去掉 # 三组测试 run_test(fp, plant, 60.0, 600, 2.0, 'step_response.csv') # 抗扰动测试在 300s 时开门，模拟温度跌落 # 变设定值测试在 300s 时改 setpoint

这个脚本把每周期的设定值、测量值、PID 参数、输出都记下来，方便事后分析。我一般会把三组测试的曲线画在一张图上，对比超调、恢复时间、稳态波动三个指标。

5.4 一个我踩过的坑：规则表调好了，但 PWM 频率选错了

最后说一个血泪经验。规则表、量化因子、比例因子都调好了，温度曲线漂亮得不行，但加热丝发出刺耳的滋滋声，用示波器看 PWM 波形发现频率只有 0.5Hz。加热丝在 0.5Hz 下忽通忽断，热胀冷缩产生机械应力，长期会断。

PWM 频率要取 1Hz 到 10Hz，我一般取 2Hz。太低加热丝应力大，太高 MOS 管开关损耗大。另外 PWM 占空比分辨率要够，8 位分辨率 256 级，对应 0.4% 精度，对 ±0.1℃ 的控制目标来说够用。如果不够，用 10 位或 12 位。

调恒温系统这几年，我最大的习惯是每次改参数只改一个，改完跑完整三组测试再改下一个。同时改两个参数，曲线变好了你也不知道是哪个起的作用，变差了更不知道是谁的锅。这个习惯帮我省了无数后悔药。希望帮到你。

本文还有配套的精品资源，点击获取