第四章：Ziegler-Nichols整定法：临界比例度法

大家好，欢迎来到第四章。

前面我们聊了PID的基本原理，也看了系统发散时那种让人头疼的波形。今天要讲的这个方法，我个人认为是PID整定里最经典、也最实用的一招——Ziegler-Nichols临界比例度法。

说白了，这个方法就是帮你找到系统「快要不稳定」的那个临界点，然后根据这个临界点的参数，反推出合适的PID系数。我当年刚入行时，师傅教我的第一套整定方法就是这个。嗯，到现在我还在用。

4.1 什么是临界比例度法？

先问大家一个问题：一个系统为什么会发散？

通常是因为比例增益太大了。你想想看，比例增益越大，系统响应越快，但过头了就会震荡，甚至发散。临界比例度法的思路很简单——先把积分和微分关掉，只留比例控制，然后慢慢增大比例增益，直到系统出现等幅震荡。

这个等幅震荡的状态，就是系统的临界点。这时候的比例增益，我们叫它临界增益（Ku），震荡周期叫临界周期（Tu）。

我在项目中遇到过一套温度控制系统，刚开始怎么调都发散。后来用临界比例度法一测，发现临界增益比我想象的小得多。嗯，这就是经验主义害死人——有时候你以为系统很稳，其实它已经在临界边缘了。

4.2 临界比例度法的操作步骤

步骤不复杂，但每一步都要细心。我建议你按这个顺序来：

1. 准备工作：确保系统处于安全状态。如果系统发散得很厉害，先手动把比例增益降到很低。
2. 关闭I和D：将积分时间Ti设为最大值（或9999），微分时间Td设为0。只保留比例控制。
3. 施加阶跃信号：给系统一个小的设定值变化，比如5%或10%。观察响应曲线。
4. 增大比例增益：每次增加10%-20%，重复步骤3。直到系统出现等幅震荡。
5. 记录参数：记录此时的临界增益Ku和临界周期Tu。
6. 计算PID参数：根据Ziegler-Nichols公式计算。

4.3 Ziegler-Nichols整定公式

好，现在你有了Ku和Tu。接下来就是见证奇迹的时刻——用下面这张表来计算PID参数。

控制器类型	Kp	Ti	Td
P控制器	0.5 × Ku	—	—
PI控制器	0.45 × Ku	0.83 × Tu	—
PID控制器	0.6 × Ku	0.5 × Tu	0.125 × Tu

我个人习惯用PID控制器，因为效果最好。但要注意，这个公式是经验公式，不是万能公式。我曾经在一个大惯性系统上试过，算出来的参数偏激进，系统超调很大。后来我手动调了一下，把Kp降了10%，效果就好多了。

4.4 代码示例：用Python模拟临界比例度法

光说不练假把式。我们来写一段Python代码，模拟一个二阶系统的临界比例度整定过程。

import numpy as np
import matplotlib.pyplot as plt

# 模拟一个二阶系统：G(s) = 1 / (s^2 + 2*s + 1)
def system_response(Kp, setpoint=1.0, dt=0.01, total_time=10):
    t = np.arange(0, total_time, dt)
    y = np.zeros_like(t)
    e = np.zeros_like(t)
    y_prev = 0
    y_dot = 0
    
    for i in range(1, len(t)):
        e[i] = setpoint - y_prev
        u = Kp * e[i]  # 只有比例控制
        
        # 二阶系统差分方程
        y_ddot = u - 2*y_dot - y_prev
        y_dot += y_ddot * dt
        y_prev += y_dot * dt
        y[i] = y_prev
    
    return t, y

# 寻找临界增益
Ku = None
Tu = None
for Kp in np.arange(0.5, 5.0, 0.1):
    t, y = system_response(Kp)
    # 检测是否等幅震荡（简化版：看最后1/3的振幅是否稳定）
    last_third = y[int(2*len(y)/3):]
    if np.max(last_third) - np.min(last_third) > 0.5:
        Ku = Kp
        # 计算周期（找过零点）
        zero_crossings = np.where(np.diff(np.sign(y - np.mean(y))))[0]
        if len(zero_crossings) >= 4:
            Tu = 2 * (t[zero_crossings[2]] - t[zero_crossings[0]])
        break

print(f"临界增益 Ku = {Ku:.2f}")
print(f"临界周期 Tu = {Tu:.2f} 秒")

# 计算PID参数
Kp_pid = 0.6 * Ku
Ti_pid = 0.5 * Tu
Td_pid = 0.125 * Tu

print(f"PID参数：Kp={Kp_pid:.2f}, Ti={Ti_pid:.2f}, Td={Td_pid:.2f}")

4.5 临界比例度法的适用场景

这个方法不是万能的。我总结了一下它的优缺点：

• 优点：简单、直观、不需要系统模型。适合大多数工业过程。
• 缺点：需要系统能安全地进入等幅震荡。有些系统（比如化学反应器）不允许震荡。
• 适用：温度控制、液位控制、压力控制等慢速系统。
• 不适用：快速系统（如电机转速）、不允许超调的系统、非线性严重的系统。

我曾经在一个液位控制系统上用过这个方法。那个罐子很大，液位变化很慢。我花了将近两个小时才找到临界点。但找到之后，PID参数一算出来，系统就稳了。嗯，值得。

4.6 知识体系流程图

下面这张图总结了临界比例度法的核心逻辑。你可以把它当作一个快速参考。

4.7 避坑指南

最后，分享几个我踩过的坑：

• 不要在生产系统上直接试：我曾经在一个生产线上直接调，结果系统震荡了五分钟，产品全废了。嗯，从那以后我都在仿真或离线系统上先试。
• 注意噪声：如果系统噪声很大，等幅震荡可能被噪声淹没。我建议先滤波，或者用继电器法（后面会讲）。
• 临界点不是唯一的：同一个系统，不同工况下临界增益可能不同。我建议取最保守的那个值。
• 算出来的参数要微调：Z-N公式给出的参数通常偏激进。我一般会把Kp再降10%-20%，让系统更稳健。

好了，这一章就到这里。记住，方法再好，也要结合实际系统灵活运用。下一章我们会讲另一种整定方法——衰减曲线法，适合那些不能承受等幅震荡的系统。