模糊 PID 与单神经元自适应 PID：PID 参数由谁、在何时决定

PID 之外还有一堆名字：分段 PID、模糊 PID、自适应 PID、神经网络 PID、专家 PID。它们都在回答同一件事——Kp、Ki、Kd 这三个数，由谁、在什么时候决定。

下面只把两支最有代表性、也最容易自己动手写的讲透：一支把“调参经验”写进规则——模糊 PID；一支让参数自己长——单神经元自适应 PID。

模糊 PID：把老师傅的调参手感，写成一套规则

为什么需要它

普通 PID 的参数是人试出来的。试参像炼丹：Kp 大了摆，加 Kd；Kd 放大噪声，又回头加 Kp……试到一套能用的，换一辆车、换个工况，又得从头来。

模糊 PID 的思路是：调参时有经验的人不是瞎试，他嘴上有一套话——“误差大，猛一点；误差在变小，收一点；误差快归零，别再加力”。把这一套话固化成规则，让机器自己按规则改参数，人不就解放了？

它的完整链路

模糊 PID 常做成“模糊自整定”：输入是误差 e 和误差变化率 Δe，输出是三个参数增量 ΔKp、ΔKi、ΔKd，主控制器还是那个 PID。中间隔着四步：

① 论域与量化。 e、Δe 的真实范围各不相同，先各自映射到一个统一论域，比如 [−3, 3]。论域被分成几档，每档一个名字：负大 NB、负中 NM、负小 NS、零 ZO、正小 PS、正中 PM、正大 PB。

② 模糊化：算“属于哪档”的程度。 拿三角形隶属度函数举例：论域里某个值落在两档之间，就被拆成两个 0~1 的数，叫隶属度。e 映射后是 2.4，落在 PM 和 PB 之间，得到 0.6 属于 PM、0.4 属于 PB——隶属度可以理解成“它有多像这一档”。

③ 模糊推理：两两组合查规则表。 e 取它命中的档，Δe 取它命中的档，两两组合，去规则表里查该给什么。Kp、Ki、Kd 各有一张表，规则长这样（这里只摘 5 档示意，完整的常用 7×7）：

            Δe:  NB   NS   ZO   PS   PB
e:   NB        PB   PB   PM   PM   PS
     NS        PB   PM   PM   PS   ZO
     ZO        PM   PM   PS   ZO   NS
     PS        PM   PS   ZO   NS   NM
     PB        PS   ZO   NS   NM   NM

每个命中的组合都把“e 的隶属度 × Δe 的隶属度”累加到对应输出档上。

④ 去模糊：把一堆“档和隶属度”变成一个数。 用各档的隶属度对档位值做加权求和（重心式的意思），再反映射回真实范围，得到这一拍的 ΔKp、ΔKi、ΔKd。累加进参数，PID 按增量式出输出：

kp += Δkp; ki += Δki; kd += Δkd;
output = kp*(e - e_pre) + ki*e + kd*(e - 2*e_pre + e_ppre)

它治什么病，代价是什么

它治的病是“手动试参没经验、工况又多变”。常见的小车直行验证里，两只电机转速不一致让车越走越偏；不调参时角度一路涨，接上模糊 PID 后，角度会收敛在一个小区间里来回飘。

代价也写在名字里：精度可能比精心调出来的普通 PID 低——它换来的是不用手调，不是更准。论域怎么分、规则怎么写，仍然靠经验；规则写少了等于没升级，写多了又难 debug。想入门，先把它的四步链路在代码里走一遍（量化 → 隶属度 → 两两查表 → 去模糊），比背概念有用得多。

单神经元自适应 PID：让参数自己长出来

为什么需要它

工厂里一台设备能跑几十年。零件会磨损、管道会腐蚀、换了备件……对象慢慢变了，出厂时调好的 PID 参数不再是当前的最佳。人不可能天天蹲在那里重调。

于是有人想：参数能不能自己在运行中调整？ 这就是自适应 PID。

把增量式 PID 看成单个神经元

单神经元自适应 PID 最妙的一步，是重新看了一眼增量式 PID 的公式：

Δu = Kp*(e - e_pre) + Ki*e + Kd*(e - 2*e_pre + e_ppre)

它分明就是“三个输入 × 三个权值求和”：输入是 x1=e−e_pre、x2=e、x3=e−2e_pre+e_ppre，权值就是 Kp、Ki、Kd。这不就是一个神经元吗？树突收三个输入，权值乘完求和，轴突输出 Δu。

那“学习”发生在哪？权值不再由人钉死，而是按学习规则每一拍在线更新——让它在运行中自己逼近“当前对象该有的那组参数”。

神经元怎么学：有监督 Hebb 规则

神经元学习的通用套路是调权值：新权值 = 旧权值 + 学习速率 × 信号 × 输入。这里用的是有监督的 Hebb 学习规则——它是有监督 Δ 规则（拿输出和期望比、让误差变小）和无监督 Hebb 规则（同时活跃的联系被强化）的结合：既按误差修正，又能区分强化和弱化。

套到增量式 PID 上，三个权值各自独立更新：

w_p += ηp * e * u * x1      // x1 = e - e_pre
w_i += ηi * e * u * x2      // x2 = e
w_d += ηd * e * u * x3      // x3 = e - 2*e_pre + e_ppre

ηp、ηi、ηd 是三个方向各自的学习速率；e 是误差，u 是当前输出，xi 是各自的输入。计算输出前，权值先归一化（w'i = wi / Σ|w|），再乘一个比例系数 K：

u(t) = u(t-1) + K * (w'p*x1 + w'i*x2 + w'd*x3)

K 决定调整的快慢：越大跟得越快，太大系统会抖；对象时延变大时，K 必须调小才稳。

实际工程里还有个改进：人们发现权值的在线修正主要和 e、Δe 有关，于是把更新输入里的信号从 e 换成 e+Δe，收敛更利索。

它治什么病，代价是什么

它治的病是“对象会随时间漂、人没法反复重调”。代价也明确：多了三个学习速率和一个 K，调它们同样有门道；学习过程不保证收敛，参数可能越调越歪，要有上下限兜底。对小车上绝大多数“对象不变、能离线试出来”的场合，普通 PID 加前馈就够了——别为用而用。

其它花样，只给一句话分辨

分段 PID（增益调度）：人离线把工作点切成几段，每段预排一套参数，段间插值过渡——最省事，先上它通常最划算；
专家 PID：把老手的“如果超调大就减 Ki、传感器掉线就进保护”这类判断写成规则库，由推理机选用——更像一套带整定的处置协议；
更广义的神经网络 PID：让网络当控制器，或让网络输出 Kp/Ki/Kd——单神经元自适应，正是这条线里最简单的一号。

怎么挑

对象固定、能离线试：普通 PID + 前馈。工作点会变、规则你能写清：分段，再往上才是模糊。对象随时间漂：单神经元自适应，记得给权值设界。到专家系统和大网络那层，问题往往已经不是“调 PID”了。

最后橘猫说

PID 的花样，争的都是“三个参数由谁、在什么时候决定”。模糊 PID 把人嘴里的调参经验，变成论域、隶属度、规则表、去模糊这条完整流水线，输出参数增量；单神经元自适应 PID 把增量式 PID 看成一个三输入神经元，让权值按有监督 Hebb 规则在线长出来。前者把经验交给规则，后者把参数交给学习——都省了手，也都要为省下的那双手付代价。

说实在的，前馈 + PID 已经可以解决绝大部分问题了，如果还是不行，你不应该考虑修改 PID，而是想想结构和算法以及极端环境下有没有 bug 才对。

最后蜘蛛说

如果一种理论声称历久弥新，就像忒修斯之船，那它还是它吗，可能不是原本的它了吧，但是一定是更新的它