4. Cohen-Coon整定法：基于过程模型的参数整定
聊完了Ziegler-Nichols法，咱们来看看另一种经典方法——Cohen-Coon整定法。说实话，我在做工业温控系统那几年，这方法用得比ZN法还多。为什么？因为它更适合那些有自衡能力的对象。
什么叫自衡？说白了就是系统自己会稳定下来。你想想看，热床加热到一定温度，如果不继续加热，它会自然冷却到室温，这就是自衡。ZN法对这类对象的控制效果，说实话有点粗糙。
4.1 核心思想：过程模型驱动
Cohen-Coon法的思路很直接——先建模，再整定。它不像ZN法那样靠临界振荡来试，而是通过系统的阶跃响应曲线来提取参数。
具体怎么做？给系统一个阶跃输入，然后记录输出曲线。从这条曲线上，我们能提取三个关键参数：
- K：过程增益，稳态变化量/输入变化量
- τ：时间常数，系统达到63.2%稳态值的时间
- θ：纯滞后时间，从输入变化到输出开始变化的时间
核心公式：Cohen-Coon法基于一阶加纯滞后模型（FOPDT）
G(s) = K * e^(-θs) / (τs + 1)
我在项目中遇到过一个问题：热床的响应曲线其实不是完美的一阶系统，但用FOPDT模型近似，工程上完全够用。你非要追求精确建模，反而会陷入过度复杂的泥潭。
4.2 参数整定公式
有了K、τ、θ这三个参数，Cohen-Coon给出了PID参数的直接计算公式。嗯，这里要注意，它比ZN法多考虑了一个参数——滞后比θ/τ。
| 控制器类型 | Kp | Ti | Td |
|---|---|---|---|
| P控制器 | (τ/Kθ) * (1 + θ/3τ) | - | - |
| PI控制器 | (τ/Kθ) * (0.9 + θ/12τ) | θ * (30 + 3θ/τ) / (9 + 20θ/τ) | - |
| PID控制器 | (τ/Kθ) * (4/3 + θ/4τ) | θ * (32 + 6θ/τ) / (13 + 8θ/τ) | θ * 4 / (11 + 2θ/τ) |
我的经验：对于热床这种大惯性对象，我建议直接用PID控制器。P控制器会有稳态误差，PI控制器响应太慢。PID虽然参数多，但调好了效果立竿见影。
4.3 与ZN法的对比
你可能会问：既然有ZN法，为什么还要学Cohen-Coon？我直接说结论：
- ZN法：适合无自衡或临界稳定的对象，整定结果偏激进，超调大
- Cohen-Coon法：适合自衡对象，整定结果更保守，鲁棒性更好
我曾经在一个3D打印机项目上做过对比测试。用ZN法整定的热床PID，升温快但超调达到8℃；换成Cohen-Coon法后，超调控制在2℃以内，虽然升温慢了十几秒，但打印质量明显提升。
避坑指南：我曾经犯过一个错误——直接用Cohen-Coon公式算出来的参数上机测试，结果热床振荡得厉害。后来发现，公式假设的是理想过程模型，实际系统有非线性、噪声等因素。建议算出来的参数先乘以0.8作为安全系数，再逐步微调。
4.4 实操步骤：从阶跃响应到PID参数
好了，理论说完了，咱们来点实际的。在热床上做Cohen-Coon整定，我一般按这个流程走：
- 断开PID控制：把热床设置为开环模式，给一个固定PWM值（比如50%）
- 记录温度曲线：从室温开始，记录温度随时间的变化，采样间隔1秒
- 提取参数：找到曲线的拐点，画出切线，读出θ和τ
- 计算K值：K = (稳态温度 - 初始温度) / PWM变化量
- 代入公式：用上面的PID公式算出Kp、Ti、Td
- 上机测试：先乘以0.8安全系数，观察响应，再微调
这里我画了一张流程图，帮你理清整个思路：
4.5 代码实现：Python提取参数
在实际项目中，我习惯用Python写个小脚本来自动提取参数。下面是我常用的代码片段：
import numpy as np
import matplotlib.pyplot as plt
def extract_fopdt_params(time, temp, pwm_step):
"""
从阶跃响应数据中提取FOPDT模型参数
time: 时间数组 (秒)
temp: 温度数组 (℃)
pwm_step: PWM阶跃变化量 (0-255)
"""
# 找到温度开始变化的点（滞后时间θ）
threshold = temp[0] + 0.5 # 0.5℃变化阈值
theta_idx = np.where(temp >= threshold)[0][0]
theta = time[theta_idx]
# 计算稳态增益K
temp_steady = temp[-1]
temp_init = temp[0]
K = (temp_steady - temp_init) / pwm_step
# 找到63.2%稳态值对应的时间点
target_temp = temp_init + 0.632 * (temp_steady - temp_init)
tau_idx = np.where(temp >= target_temp)[0][0]
tau = time[tau_idx] - theta
return K, tau, theta
# 使用示例
K, tau, theta = extract_fopdt_params(time_data, temp_data, 128)
print(f"K={K:.3f}, τ={tau:.1f}s, θ={theta:.1f}s")小技巧：代码里的阈值0.5℃是我根据热床噪声水平试出来的。如果你的热床噪声大，可以适当提高阈值，比如1℃。但别设太高，否则θ会偏大，导致整定结果过于保守。
4.6 适用场景与局限性
Cohen-Coon法不是万能的。我总结了一下它的优缺点：
- 优点：参数物理意义明确，整定结果鲁棒性好，适合大滞后系统
- 缺点：需要做开环测试，影响生产；对噪声敏感；模型失配时效果下降
对于3D打印机热床这种场景，我个人强烈推荐Cohen-Coon法。热床的滞后时间通常有几十秒，时间常数更是长达几分钟，用ZN法那种靠振荡的方法，搞不好会把热床烧坏。而Cohen-Coon法只需要一次阶跃测试，安全又可靠。
嗯，说到这儿，你应该对Cohen-Coon法有了比较全面的认识。下一节咱们会深入源码，看看Marlin固件里是怎么实现这些整定算法的。