采样周期越短，控制就一定越好吗？

同一控制器下，τ=0.5 s 时周期从 1 ms 拉到 100 ms，IAE 只差 0.3%（0.4091–0.4104）；而 τ=20 ms 时，100 ms 的周期让 IAE 直接变成 2.83。决定成败的是 T/τ 比值，不是绝对快慢。

把周期从 100 ms 缩到 1 ms，是 100 倍的努力。在 τ=0.5 s 的对象上，IAE 只从 0.4095 变到 0.4102——差别 0.3%，还不如噪声的波动大。但把对象时间常数换成 20 ms，同样是 100 ms 的周期，IAE 会从 0.4095 跳到 2.83。分界线不在"快慢"，在 T/τ。

现象

我按同一套对象与控制器做了三次周期扫描，得到三个互相矛盾的结论：

同一份植物、同一组 PI 参数、同一个指标。结论的差异全部来自对比方法，不来自控制系统。

原因

两个陷阱，都藏在实现细节里。

① 时间用累加，会在边界处漂移一整个周期。

t = 0.0
for _ in range(5000):
    t += 1e-4          # 累加
# 结果：0.499999999999961，比 0.5 少 3.9e-14 秒

t >= 0.5 因此判为假，阶跃被推迟到下一个控制节拍——误差 3.9e-14 秒，后果是整整一个周期（100 ms）。IAE 多算了这一段，慢节拍因此"看起来更差"。改用 t = k * h 就消失了。

② 矩形积分在阶跃瞬间给慢节拍"踢一脚"。

integ += Ki · e · T

阶跃出现的第一个采样点，误差 e=1，积分项一次就增加了 Ki·T。T 越大，这一脚越重，慢节拍因此拿到更大的初始输出——于是又"看起来更好"。用梯形积分（(e_prev+e)/2·T）并把给定改成斜坡，这一脚就被摊平了。

③ 排除这两个偏差后，真正的变量是 T 与对象时间常数之比。

采样保持相当于给环路加了约 T/2 的等效延迟。当 T ≪ τ 时，这点延迟相对对象动态可以忽略，继续缩短周期几乎没有收益；当 T 接近或超过 τ 时，延迟开始吃掉相位裕度，性能急剧恶化。

怎么做

要让"周期对比"可信，三条缺一不可：

1. 参数不许随周期重调。 在连续域整定一次，按 T 离散化；否则你比的是调参，不是周期。
2. 避免阶跃处的积分踢量。 用梯形积分，或把给定改成有时长的斜坡。
3. 时间用乘法，不用累加。 t = k * h，并且让植物积分步长与 T 解耦（否则延迟会随 T 被"取整"）。

import math, random

def sim(T, tau, L=0.01, kp=1.22, ki=2.44, noise=0.002, q=0.01,
        ramp=0.1, horizon=8.0, h=1e-4, seed=3):
    rnd = random.Random(seed)
    buf = [0.0] * int(round(L / h))          # 固定物理延迟，与 T 无关
    n_sub = max(1, int(round(T / h)))        # 每周期植物步数
    a, b = math.exp(-h / tau), 1 - math.exp(-h / tau)
    x = integ = u = iae = 0.0
    e_prev = 0.0
    t0, t1 = 1.0, 1.0 + ramp                 # 斜坡给定，避免阶跃踢量
    for k in range(int(horizon / h)):
        t = k * h                            # 乘法计时，避免漂移
        sp = 0.0 if t < t0 else (1.0 if t >= t1 else (t - t0) / ramp)
        if k % n_sub == 0:
            e = sp - (x + rnd.gauss(0, noise))
            integ += ki * (e_prev + e) / 2 * T   # 梯形积分
            e_prev = e
            u = min(1.5, max(-0.5, round((kp * e + integ) / q) * q))
        x = a * x + b * buf.pop(0)
        buf.append(u)
        if t >= t0:
            iae += abs(sp - x) * h
    return iae

验证

同一控制器、同一整定，只改对象时间常数，扫描 7 个周期点：

• τ=0.5 s 这一列：从 1 ms 到 100 ms，IAE 在 0.4091–0.4104 之间摆动，相对差 0.3%——缩 100 倍周期换不到任何实质改善。
• τ=20 ms 这一列：T 到 50 ms 时仍只有 0.4039，但 T=100 ms（T/τ=5）跳到 2.8337，是其余各点的 7 倍。

改前用累加计时 → 改后改用乘法计时：同一实验、同一组数据，IAE 从 0.4585 变成 0.3590。先修测量方法，再谈控制结论。

边界

• 结论依赖对象模型：一阶惯性 + 10 ms 纯延迟 + PI。延迟占比更大时（如 L 与 τ 同量级），滞后期主导，可用的 T 会更小。
• "T/τ 在 0.2 以下几乎没有收益"是本文数据给出的经验边界，不是普遍定理；换指标（如超调、相位裕度）或换控制器（PID、前馈），分界点会移动。
• PI 没有微分项。加上 D 之后，噪声会被放大，过小周期的代价会明显增加。
• 本文全部数值是数值实验（模型与代码在文中），不是硬件实测；真实系统的噪声谱、量化台阶与执行器非线性会改变曲线形状。
• 指标只用了 IAE。若把执行器磨损、输出纹波、算力占用一起计入目标，最优点会向更长周期移动。

最后验证于 2026-10-29 · 数值实验（Python 3.13，植物步长 0.1 ms，7 个周期点 × 2 组时间常数）· 一阶对象 + 10 ms 纯延迟 + PI（连续域整定）

采样周期越短，控制就一定越好吗？