Smith自适应模糊PID：攻克房间湿度控制滞后与非线性难题

1. 从“湿度控制”这个看似简单的需求说起

如果你曾经尝试过在实验室、恒温恒湿仓库，或者哪怕是在家里用加湿器维持一个稳定的湿度环境，你大概率会和我一样，对“稳定”这两个字有全新的认识。这活儿远没有看起来那么简单。你设定一个目标湿度，比如50%RH，控制器开始工作，但你会发现湿度计上的读数要么像过山车一样上下波动，要么就慢悠悠地老也到不了设定值，要么干脆在目标值附近来回“哆嗦”。这背后，其实是一个典型的、带有纯滞后环节的控制难题。

为什么湿度控制这么“难伺候”？核心原因在于“滞后性”。无论是空调除湿、加湿器喷雾还是转轮除湿，从执行机构（比如打开加湿阀）动作，到房间内的湿度传感器真正感知到变化，中间存在一个不可忽略的时间延迟。这个延迟可能来自空气混合需要时间，也可能来自传感器本身的响应速度。在控制理论里，这种延迟被称为“纯滞后”或“传输滞后”。传统的PID控制器，面对这种滞后，往往会显得力不从心。比例作用（P）太强容易引发振荡，太弱则响应迟缓；积分作用（I）用来消除静差，但会加剧系统的滞后效应，更容易导致超调和振荡；微分作用（D）理论上可以预测变化趋势，但对噪声极其敏感，在湿度这种测量信号本身就可能存在波动的场景下，常常是“杀敌一千，自损八百”，引入更多不稳定因素。

所以，当项目标题指向“Smith自适应模糊PID”时，我立刻意识到，这绝不是一个简单的技术堆砌，而是针对“房间湿度控制”这个特定场景下核心痛点的、一套非常精巧的“组合拳”解决方案。Smith预估器用来“穿越”时间，提前预知滞后系统的未来状态；模糊逻辑则赋予控制器“智能”，让它能根据当前误差和误差变化的“感觉”来动态调整PID参数；而“自适应”则是让这套模糊规则能自我学习和微调，以应对环境或系统本身的缓慢变化。今天，我就结合自己的工程实践，把这套方案的里里外外、从原理到实操、从仿真到落地可能遇到的坑，掰开揉碎了讲清楚。

2. 理解核心武器：Smith预估器如何“预知未来”

在讨论复杂的复合控制器之前，我们必须先吃透其中最关键的“时空穿梭”部件——Smith预估器。它的核心思想非常直观：既然系统的纯滞后 (τ) 导致了控制困难，那我就在控制器内部，用一个不含滞后的模型去模拟被控对象，并提前τ时间计算出控制效果，用这个“预知”的信号来替代当前滞后的反馈信号。这样，从控制器的视角看，它仿佛是在控制一个没有滞后的系统，从而可以大胆地使用更强的控制作用而不用担心引发剧烈振荡。

2.1 Smith预估器的结构拆解

我们用一个经典的框图来理解它。假设被控对象Gp(s)可以分解为一个不含滞后的部分Gm(s)和一个纯滞后环节e^{-τs}的乘积，即Gp(s) = Gm(s) * e^{-τs}。

Smith预估器的核心是在反馈回路上并联了一个内部模型通道。这个通道包含两部分：

1. 不含滞后的内部模型Gm(s)：它模拟了被控对象去除滞后后的动态特性。
2. 含滞后的内部模型Gm(s)e^{-τs}：它模拟了被控对象的完整响应（包括滞后）。

具体工作流程如下：

• 控制器Gc(s)（比如一个PID）的输出U(s)同时作用于真实对象和内部模型。
• 真实对象的输出Y(s)是滞后后的信号。
• 内部模型产生两个信号：一个是即时输出Ym(s) = Gm(s)U(s)（不含滞后），另一个是滞后输出Ym_delay(s) = Gm(s)e^{-τs}U(s)（含滞后）。
• 关键的“魔法”在这里发生：我们将真实对象的反馈Y(s)与内部模型的滞后输出Ym_delay(s)相减，得到一个“模型误差”信号。如果我们的内部模型Gm(s)和滞后时间τ估计得完全准确，那么这个误差理论上应该只包含测量噪声等未建模动态。
• 然后，我们将这个模型误差信号，加上内部模型的即时输出Ym(s)，共同作为反馈信号送回给控制器。即：反馈信号 =Ym(s) + [Y(s) - Ym_delay(s)]。

仔细看这个等式：Ym(s)是内部模型对当前控制作用的即时预测，而[Y(s) - Ym_delay(s)]可以看作是对模型不匹配或扰动的补偿。当模型完全匹配时，括号内项为零，反馈信号就等于Ym(s)。这意味着，控制器Gc(s)接收到的反馈，不再是那个滞后的、令人头疼的Y(s)，而是其“即时”版本Ym(s)。控制器因此可以基于“当前”的系统状态做出决策，从而有效补偿了纯滞后。

2.2 在湿度控制中的具体化与挑战

将上述理论映射到我们的房间湿度控制系统：

• 被控对象Gp(s)：可以粗略地看作是一个一阶惯性加纯滞后环节。惯性环节代表房间空气与加湿/除湿设备之间的热质交换过程，时间常数可能与房间体积、空气流通速度有关。纯滞后环节τ则代表了从执行机构动作到传感器感知到湿度变化所需的时间。
• 内部模型Gm(s)和τ：这就是我们需要事先知道或辨识的系统参数。Gm(s)可能是一个一阶传递函数K/(Ts+1)，其中K是系统增益（比如，加湿阀开度变化1%能引起湿度多大变化），T是时间常数。τ就是那个滞后时间。

注意：Smith预估器的性能极度依赖于内部模型的准确性。如果Gm(s)或τ估计不准，那么“预知未来”就会变成“错误预测”，不仅无法补偿滞后，还可能引入额外的相位误差，导致系统性能下降甚至不稳定。房间湿度系统的模型参数（K,T,τ）可能会随着季节（空气温度、含湿量不同）、室内人员活动、门窗开关状态而变化，这就是为什么单纯的Smith预估PID可能还不够，需要引入“自适应”能力。

3. 赋予控制器“智能”：模糊逻辑如何动态整定PID

解决了滞后问题，我们接下来要面对PID控制器自身的“僵化”问题。传统PID的参数（Kp,Ki,Kd）是固定的，但湿度控制系统在不同工况下，对控制器特性的需求是不同的。例如：

• 当湿度远低于设定值时（误差e很大）：我们希望控制器能快速响应，加大控制作用，此时需要较大的Kp和一定的Ki，但Kd可以较小甚至为零，因为此时误差变化率可能也很大，引入微分容易导致控制量饱和。
• 当湿度接近设定值时（误差e很小）：我们希望系统平稳，避免超调和振荡，此时需要减小Kp，适当保留Ki以消除静差，并可以引入适量的Kd来抑制可能出现的波动趋势。
• 当湿度在设定值附近小幅波动时（误差e小，但误差变化率ec大）：这可能是扰动或系统惯性所致，此时需要增大Kd来提供阻尼，抑制波动，同时Kp和Ki应保持较小。

模糊控制正是实现这种“因地制宜”策略的绝佳工具。它不依赖于精确的数学模型，而是基于操作人员的经验知识，用“如果…那么…”（If-Then）的规则来描述控制策略。

3.1 模糊PID控制器的设计步骤

设计一个模糊PID控制器，通常遵循以下步骤，我们结合湿度控制来具体说明：

3.1.1 确定输入输出变量

• 输入1：误差 (e)：设定湿度与实际湿度的差值。例如，目标50%RH，当前45%RH，则e = +5%RH。
• 输入2：误差变化率 (ec)：单位时间内误差的变化。例如，上一秒误差是+6%RH，当前是+5%RH，则ec = -1%RH/s。它反映了湿度变化的趋势。
• 输出：我们需要调整的是PID的参数。常见有两种结构：
  • 模糊自适应整定：输出为PID三个参数的修正量ΔKp,ΔKi,ΔKd。最终的PID参数为：Kp = Kp0 + ΔKp,Ki = Ki0 + ΔKi,Kd = Kd0 + ΔKd。其中Kp0,Ki0,Kd0是一组预先整定好的基础参数。
  • 模糊PID：输出直接为控制量u（如加湿器的功率或阀开度）。此时模糊控制器替代了传统的PID计算公式。

在“Smith自适应模糊PID”这个架构中，通常采用第一种，即模糊器负责在线调整PID参数，再由这个参数可变的PID去产生控制量。这样更容易与传统控制理论结合，也便于理解。

3.1.2 定义模糊集合与隶属度函数我们需要为输入输出变量定义一些语言值，比如“负大(NB)”、“负中(NM)”、“负小(NS)”、“零(ZO)”、“正小(PS)”、“正中(PM)”、“正大(PB)”。然后为每个语言值设计一个隶属度函数，常见的有三角形、梯形、高斯形。例如，对于误差e，我们可以定义论域为[-10, +10] %RH，然后在这个论域上分布7个三角形隶属度函数，分别代表NB到PB。

3.1.3 建立模糊规则库这是模糊控制器的“大脑”，基于专家经验。规则形式为：If e is A and ec is B, then ΔKp is C, ΔKi is D, ΔKd is E.。 例如：

• If e is PB and ec is ZO, then ΔKp is PB, ΔKi is ZO, ΔKd is PS.(误差很大且无变化趋势，应大幅增加比例作用，轻微增加微分以提供启动阻尼)
• If e is ZO and ec is NB, then ΔKp is PS, ΔKi is ZO, ΔKd is PB.(误差很小但正在快速向负方向变化，应小幅增加比例，大幅增加微分以抑制该趋势)
• If e is NS and ec is PS, then ΔKp is NM, ΔKi is NS, ΔKd is ZO.(误差为负小且正在向正方向变化，说明系统正在自我纠正，应减小控制作用避免超调)

通常需要建立n * m条规则（n和m分别为e和ec的模糊子集数），形成一个规则表。

3.1.4 模糊推理与解模糊化

• 模糊化：将精确的输入值e和ec根据隶属度函数转换为对各模糊子集的隶属度。
• 推理：根据模糊规则库，所有被激活的规则（隶属度不为零）会并行计算，得到输出模糊集（ΔKp,ΔKi,ΔKd的模糊值）。
• 解模糊化：将输出的模糊集合合并，并通过重心法、面积中心法等转化为精确的ΔKp,ΔKi,ΔKd值。

3.2 模糊自适应整定的优势与陷阱

模糊自适应整定的最大优势在于其非线性和基于规则的特性，它能处理那些模型不确定、参数时变的系统，比如我们的房间湿度控制。它不需要知道K,T,τ的精确值，只需要一套好的控制规则。

但是，它的陷阱也很明显：

1. 规则库设计依赖经验：规则库的好坏直接决定控制性能。设计一套完备、无矛盾的规则需要深厚的领域知识和反复调试。
2. 计算量：在线进行模糊推理和解模糊化，尤其是规则较多时，对微控制器的算力有一定要求。
3. 稳定性理论分析困难：与传统PID有成熟的频域、根轨迹等稳定性分析方法不同，模糊控制器的稳定性分析更为复杂。

实操心得：在初期调试时，不要试图一次性设计出完美的规则库。可以先基于经典PID整定经验（如齐格勒-尼科尔斯方法）得到一组基础参数Kp0, Ki0, Kd0，然后设计一个相对保守的模糊规则，主要针对大误差和小误差附近进行参数微调。通过观察系统响应，再逐步细化规则。记住，模糊规则的目标是“锦上添花”，而不是“从零开始”。

4. 让系统“自我进化”：自适应机制的引入

Smith预估器需要准确的模型，模糊规则库依赖于设计者的先验知识。但如果系统本身随着时间在缓慢变化呢？比如，加湿器的效率因为水垢而下降（K变小），或者房间通风条件改变（T,τ变化）。这时，固定的内部模型和模糊规则可能就不再最优。

这就需要“自适应”机制。在“Smith自适应模糊PID”这个语境下，“自适应”通常可以指向两个层面：

1. 模型参数自适应：在线实时或周期性地辨识被控对象的模型参数（K,T,τ），并更新Smith预估器中的内部模型Gm(s)和滞后时间τ。这可以通过递推最小二乘法（RLS）、模型参考自适应控制（MRAC）等方法实现。
2. 模糊规则/参数自适应：根据控制性能指标（如误差积分、超调量等），在线调整模糊规则的后件（输出部分）或调整隶属度函数的参数，使模糊控制器能适应对象特性的变化。这可以借鉴神经网络、遗传算法等智能优化方法。

对于房间湿度控制这类慢过程，实现完整的、在线的高速自适应可能过于复杂且必要性存疑。一个更工程化的“自适应”思路是：分层自整定。

• 底层：Smith模糊PID在线运行，处理实时控制。
• 上层：运行一个监视与整定算法。该算法周期性地（比如每小时或每天）分析过去一段时间的控制数据（设定值、实际值、控制量）。如果发现某些性能指标持续恶化（例如，稳态误差增大，或出现规律性小幅度振荡），则触发一次离线或慢速的模型辨识和规则库优化。
  • 利用收集的数据重新估计K,T,τ，更新Smith预估器模型。
  • 或者，利用优化算法（如粒子群PSO）对模糊规则的后件参数进行微调，以最小化某个性能指标（如ITAE）。
  • 整定完成后，将新参数或规则“热更新”到底层控制器。

这种分层方式降低了在线计算负担，同时赋予了系统长期的自我优化能力，更贴近“自适应”的工程含义。

5. 从理论到仿真：基于MATLAB/Simulink的完整实现与调试

理论分析再多，不如动手仿真一遍。MATLAB/Simulink是验证此类先进控制算法的绝佳平台。下面，我将勾勒出一个完整的仿真模型搭建与调试流程。

5.1 被控对象模型构建

首先，我们需要一个尽可能贴近现实的房间湿度模型。一个简化的、带滞后的传递函数模型如下：Gp(s) = [K * exp(-τ*s)] / (T*s + 1)假设我们通过初步实验或经验，设定一组标称参数：K = 1.2 (%RH/%开度)，T = 300 s，τ = 60 s。在Simulink中，可以使用Transport Delay模块实现纯滞后，用Transfer Fcn模块实现一阶惯性环节。

为了模拟真实环境，我们还需要加入：

• 测量噪声：在输出端加入一个 Band-Limited White Noise 模块，模拟湿度传感器的噪声。
• 外部扰动：例如，模拟一扇门突然打开导致的湿度阶跃变化，可以在某个时间点向对象输入端加入一个阶跃信号。

5.2 Smith预估器模块实现

在Simulink中搭建Smith预估器需要一些技巧：

1. 复制一份被控对象的无滞后模型Gm(s) = K/(T*s+1)。
2. 用两个Transfer Fcn模块并联：一个代表Gm(s)（即时输出），另一个代表Gm(s)后面接一个Transport Delay（滞后输出）。
3. 按照第2章所述的框图连接：控制量u同时输入给真实对象和这两个内部模型。
4. 计算反馈信号：反馈 = Ym_instant + (Y_real - Ym_delayed)。
5. 将这个计算出的反馈信号送给控制器。

关键调试点：内部模型的K_m,T_m,τ_m初始值设置为标称值。在仿真中，你可以故意将它们设置得与真实对象不同，来观察Smith预估器对模型失配的鲁棒性。你会发现，τ_m的准确性对性能影响最大。

5.3 模糊PID控制器实现

MATLAB提供了强大的 Fuzzy Logic Toolbox，我们可以很方便地设计一个模糊推理系统（FIS）。

1. 创建FIS：使用fuzzy命令打开图形化编辑器，或使用命令行创建 Mamdani 型 FIS。
2. 定义输入输出变量及隶属度函数：如前所述，为e,ec定义7个语言变量和三角形隶属度函数。为输出ΔKp,ΔKi,ΔKd同样定义隶属度函数。论域需要根据系统实际情况进行缩放。
3. 编辑规则库：在Rule Editor中逐条添加规则。初期可以从一个简单的3x3规则表开始（e和ec各取{N, Z, P}三个状态）。
4. 在Simulink中集成：使用Fuzzy Logic Controller模块，将设计好的FIS文件（.fis）加载进去。该模块的输入是e和ec，输出是ΔKp,ΔKi,ΔKd。
5. 构建参数自适应PID：使用标准的PID Controller模块（设置为外部参数输入模式），其P,I,D参数端口分别连接Kp0+ΔKp,Ki0+ΔKi,Kd0+ΔKd。Kp0, Ki0, Kd0可以通过Constant模块给定。

5.4 仿真对比与性能分析

搭建好完整模型后，进行如下对比仿真：

1. 传统PID控制：去掉Smith预估和模糊整定，只用一组固定参数的PID。
2. Smith预估PID控制：使用Smith预估器，但PID参数固定。
3. 模糊PID控制：不使用Smith预估，但PID参数由模糊器在线调整。
4. Smith自适应模糊PID控制：完整架构。

设置相同的阶跃设定值（如从40%RH升至50%RH）和相同的扰动。通过观察超调量、调节时间、稳态误差以及抗扰动的恢复速度等指标，来直观感受复合控制器的优势。通常，完整架构在响应速度和稳定性之间能取得更好的平衡，对模型参数的小幅变化和外部扰动也表现出更强的鲁棒性。

仿真中可能遇到的问题及解决思路：

• 发散振荡：首先检查Smith预估器的内部模型参数是否严重偏离真实对象，尤其是滞后时间τ。其次，检查模糊规则中，当误差和误差变化率符号相同时，是否对Kp和Kd的调整方向是加剧正反馈的（这是危险的）。
• 响应迟钝：检查模糊规则中，在大误差区域是否赋予了足够大的ΔKp。同时检查基础参数Kp0是否过小。
• 稳态微小振荡：可能是微分作用Kd在误差很小时对噪声过于敏感。可以在模糊规则中，当e和ec都很小时，将ΔKd设置为零或负值以减小微分作用。也可以在PID输出后或反馈通道加入一个低通滤波器。

6. 迈向工程实践：从仿真到嵌入式实现的考量

仿真成功只是第一步，将算法部署到实际的微控制器（如STM32）上运行，还需要解决一系列工程问题。

6.1 离散化与采样周期选择

连续域的传递函数和Smith预估器都需要离散化。采用双线性变换（Tustin）方法通常能获得较好的频率特性保持。

• 离散Smith预估器：核心是计算内部模型的输出。对于一阶惯性环节Gm(s)=K/(Ts+1)，其离散差分方程为：Ym(k) = a * Ym(k-1) + b * U(k-1)其中，a = exp(-Ts/T),b = K*(1-a)，Ts为采样周期。 滞后环节e^{-τs}在离散域表现为整数个采样周期的延迟N = round(τ/Ts)。因此，Ym_delayed(k) = Ym(k-N)。
• 离散PID：采用位置式或增量式PID算法。对于湿度这种慢过程，位置式PID足够。公式为：u(k) = Kp*e(k) + Ki*Ts*Σe(j) + Kd*[e(k)-e(k-1)]/Ts注意积分项和微分项中的Ts。
• 模糊推理：输入e(k)和ec(k) = [e(k)-e(k-1)]/Ts需要经过量化因子缩放至模糊论域。输出ΔKp, ΔKi, ΔKd经过解模糊化后，再乘以相应的比例因子得到实际参数变化量。

采样周期Ts的选择：对于时间常数T=300s，滞后τ=60s的系统，采样周期不宜过短，否则会引入不必要的计算负担和数值问题，也不宜过长，否则会丢失信息。一个经验法则是Ts ≈ (τ/10 ~ τ/4)，这里可以选择Ts = 5~15秒。这给了微控制器充足的时间完成一次模糊推理和PID运算。

6.2 代码实现结构与优化

在STM32这类资源有限的MCU上，代码结构需要清晰高效。

// 伪代码结构 typedef struct { float Kp0, Ki0, Kd0; // 基础PID参数 float Kp, Ki, Kd; // 当前PID参数 float integral; // 积分项累加器 float prev_error; // 上一次误差，用于计算微分和ec // Smith预估器状态变量 float Ym; // 内部模型即时输出 float Ym_buffer[BUFFER_SIZE]; // 滞后输出缓冲区 int buffer_index; // 模糊控制器相关（需预定义隶属度函数表和规则表） } Controller_Struct; void Controller_Init(Controller_Struct* ctrl, float Kp0, float Ki0, float Kd0, float Ts) { // 初始化参数、状态、缓冲区 } float Controller_Update(Controller_Struct* ctrl, float setpoint, float measurement) { // 1. 计算当前误差e(k) float error = setpoint - measurement; // 2. 计算误差变化率ec(k) (用于模糊推理) float error_rate = (error - ctrl->prev_error) / ctrl->Ts; // 3. 模糊推理：根据e(k)和ec(k)，查询模糊规则表，计算ΔKp, ΔKi, ΔKd // 这里简化表示，实际是查表或计算过程 float delta_Kp, delta_Ki, delta_Kd; fuzzy_inference(error, error_rate, &delta_Kp, &delta_Ki, &delta_Kd); // 4. 更新PID参数 ctrl->Kp = ctrl->Kp0 + delta_Kp; ctrl->Ki = ctrl->Ki0 + delta_Ki; ctrl->Kd = ctrl->Kd0 + delta_Kd; // 5. Smith预估器计算 // 5.1 更新内部模型状态 (一阶差分方程) ctrl->Ym = ctrl->a * ctrl->Ym + ctrl->b * ctrl->prev_output; // prev_output是上一次的控制量u(k-1) // 5.2 存储到滞后缓冲区 ctrl->Ym_buffer[ctrl->buffer_index] = ctrl->Ym; int delayed_index = (ctrl->buffer_index - ctrl->N + BUFFER_SIZE) % BUFFER_SIZE; float Ym_delayed = ctrl->Ym_buffer[delayed_index]; // 5.3 计算补偿后的反馈信号 float feedback = ctrl->Ym + (measurement - Ym_delayed); // 6. 使用补偿后的反馈重新计算误差（用于PID计算） float compensated_error = setpoint - feedback; // 7. 执行PID计算 (位置式) ctrl->integral += compensated_error * ctrl->Ts; float derivative = (compensated_error - ctrl->prev_compensated_error) / ctrl->Ts; float output = ctrl->Kp * compensated_error + ctrl->Ki * ctrl->integral + ctrl->Kd * derivative; // 8. 输出限幅 (防止执行器饱和) if (output > MAX_OUTPUT) output = MAX_OUTPUT; if (output < MIN_OUTPUT) output = MIN_OUTPUT; // 9. 更新状态变量 ctrl->prev_error = error; ctrl->prev_compensated_error = compensated_error; ctrl->prev_output = output; ctrl->buffer_index = (ctrl->buffer_index + 1) % BUFFER_SIZE; return output; }

优化提示：

• 模糊推理查表法：在线计算模糊推理（乘、取小、取大、解模糊）比较耗时。可以预先将模糊控制器的输入输出关系离线计算好，生成一个二维查询表。在MCU中，只需将e和ec量化后作为索引，直接查表得到ΔKp, ΔKi, ΔKd，极大提升速度。
• 防止积分饱和：当输出持续限幅时（如加湿器已全开但湿度仍很低），应停止积分项的累加，或采用积分分离、抗积分饱和算法。
• 测量滤波：湿度传感器信号通常有噪声，在计算ec和进行微分前，应对measurement进行适当的低通滤波，但需注意滤波会引入额外的相位滞后。

6.3 现场调试步骤与“土方法”

当你的代码烧录进控制器，连接上真实的加湿器和传感器后，真正的挑战才开始。以下是我的现场调试步骤：

1. 开环测试，获取粗略模型：断开控制器，手动给加湿器一个固定的开度（比如50%），记录湿度从开始变化到趋于稳定的整个过程。通过分析阶跃响应曲线，可以粗略估算出K（稳态变化量/开度变化）、T（达到63.2%稳态变化的时间）和τ（从动作开始到湿度开始变化的延迟时间）。用这组参数初始化Smith预估器。
2. 仅用固定参数PID：关闭Smith预估和模糊整定，只用一组保守的PID参数（Kp较小，Ki和Kd为0）进行闭环控制。观察系统基本响应，确保不振荡。
3. 投入Smith预估器：开启Smith预估，使用步骤1的模型参数。你应该能看到系统响应明显加快，可能伴随一些振荡。此时微调PID参数（主要是Kp和Ki），获得一个较好的响应。
4. 投入模糊整定：开启模糊控制器，但将其输出增益（比例因子）设置得非常小，使其影响微弱。观察控制效果，确保模糊逻辑的引入没有破坏稳定性。然后逐步增大输出比例因子，让模糊器开始发挥作用。重点观察在设定值改变或施加扰动时，模糊器是否能动态调整参数以改善性能。
5. “听声辨位”与规则微调：这是最需要经验的一步。如果系统出现高频“哆嗦”，可能是微分过强或规则在小误差区过于激进；如果响应像“老牛拉车”，可能是比例作用不足或规则在大误差区太保守。根据现象，回头去调整模糊规则表或隶属度函数的形状。有时，一个“土方法”是在上位机（如果支持）实时绘制e,ec,Kp,Ki,Kd的变化曲线，直观地看参数调整是否合乎逻辑。

在整个调试过程中，安全是第一位的。务必为控制输出设置合理的上下限幅，并考虑执行机构（如加湿器）的物理限制和寿命，避免频繁的开关或大幅阶跃变化。