quote:以下是引用扫地老头在2013-04-25 12:28:35的发言：
从控制理论角度，PID控制属于经典控制理论时代的产物，其以方便性、通用性、可控性等诸多因素广泛被采用，时至今日，依然占绝大多数应用场合。但其广泛的使用，并不说明PID就能控制任何的对象，相反，凡是被控对象存在大滞后，强耦合，多变量等环节时，PID是很难控制好的。因此，在近代控制理论中，产生了新的控制方法，比如大家提到的模糊PID，模糊控制，神经网络控制等。下面简单说下这几个控制。

1、模糊ＰＩＤ控制
　　　这种控制是PID控制和模糊控制相结合的产物，笔者在当年读研时，就曾经写过相关论文，其主要方法有两种，A，通过模糊控制算法，动态修正PID的参数，实现ＰＩＤ参数的自适应调整。
Ｂ，前段控制采用模糊控制，后段控制采用ＰＩＤ控制，这里的前段和后段，主要以误差为衡量指标，即：在误差较大时，采用模糊控制，当误差进入较小的范围时，采用ＰＩＤ控制。因为模糊控制有一个很大的特点在于快速响应，但稳态误差大，ＰＩＤ控制的优点是精度高，稳态误差可以逼近０．从笔者后来从事工作后，实际的工程项目实践来看，方法Ａ局限性较大，因为方法Ａ，对系统的扫描和对象的响应要快速，很多系统和过程对象都不能满足这特点，导致模糊算法的校正只能就着慢的速度来，反而没有发挥自适应的优点来。如果在ｍａｔｌａｂ上仿真，那图形都是非常的优美，因为计算机系统基本上是０响应时间的，这也是很多仿真非常好，到现实应用中却不行，其主要原因还是在于执行机构的响应以及过程量的响应和计算机模拟不是一个数量级上的，现实的调试，如果需要用这样的方法，这里的匹配也是最关键的和难的。
Ｂ方法，笔者在实际项目中使用，可用性高，直到推荐。

２、模糊控制
　　在现实对象中，很多是强耦合多变量系统，无法解耦，因此ＰＩＤ是一点办法没有的。模糊控制不依赖于对象的精确数学模型，是一种近似控制，前面也说过，这种控制的缺点就是进度不够。一般方法是：确定ＭＶ，ＣＶ和ＤＶ，采集数据，给数据集进行隶属度划分，反向推导隶属度函数，建立隶属度表，编写隶属度查询函数，编制模糊控制器，最后再调试和调整。重点是隶属度函数的确立是否准确，理论上说，隶属度函数维数越高，控制精度越高，但实际不可能无限划分下去，所以精度受限。但算法是分段函数，一段是三角形或正弦函数，不含任何积分环节，输出速度很快。快点输出速度，需要快的外围响应来匹配，但实际对象都难以满足，所以模糊控制的难点也在这里。

３、神经网络控制
　　神经网络控制模拟人脑的神经元工作原理来实现，设计这样的控制器，首先需要定下神经元的维数，输入的个数，输出的个数，输入和神经员以及输出的映射关系，最后是最重要的神经网络的反向算法。其控制思路是通过偏差以及偏差变化率等，通过反向算法，不断的修正神经元的加权值，最后让反馈趋与设定。神经网络控制更多地是偏向于算法的研究。

综上，ＰＩＤ依然在诸多行业和流程应用，但某些特点流程和对象已经不用，必须用别的控制方法来解决，毕竟ＰＩＤ算法只简单的依赖一个偏差作为参考，对于多变量强耦合等环节是很难控制好的。在某些场合已模糊和神经网络控制，则考虑更多的因素。目前市场上已有很多成熟的先进控制产品和软件，用以替代ＰＩＤ在某些场合应用，比如笔者常用的ＡＳＰＥＮ，ＨＯＬＬＥＹＷＥＬＬ等。

---