3D打印机的控制系统是将G代码指令转换为精确机械运动的核心。本章深入探讨控制理论在3D打印中的应用，从经典的PID控制到现代的输入整形技术，从运动规划算法到实时系统架构。我们将通过数学推导理解各种控制策略的原理，分析主流固件的架构差异，并学习如何在实际系统中优化控制参数。本章内容对于理解打印质量问题的根源、优化打印速度和精度至关重要。
PID（比例-积分-微分）控制器是3D打印机温度控制的基石，其性能直接影响打印质量。温度波动会导致挤出量变化、层间结合强度不一致，甚至材料降解。现代3D打印机的温度控制精度要求达到±0.5°C，这需要精心设计的控制系统。
对于挤出头和热床的温度控制，系统可以建模为一阶加延迟系统：
\[G(s) = \frac{K_p e^{-\tau_d s}}{\tau_p s + 1}\]其中$K_p$是过程增益（°C/W），$\tau_p$是时间常数（秒），$\tau_d$是纯延迟（秒）。典型参数范围：
PID控制器的传递函数为：
\[C(s) = K_p \left(1 + \frac{1}{T_i s} + T_d s\right) = K_p + \frac{K_i}{s} + K_d s\]控制器输出与误差的关系在时域中表示为：
\[u(t) = K_p e(t) + K_i \int_0^t e(\tau) d\tau + K_d \frac{de(t)}{dt}\]离散化是数字实现的关键步骤。使用采样周期$\Delta t$（通常100-1000ms），位置式PID算法：
\[u(k) = K_p e(k) + K_i \sum_{j=0}^{k} e(j) \Delta t + K_d \frac{e(k) - e(k-1)}{\Delta t}\]增量式PID算法（避免积分饱和和无扰切换）：
\[\Delta u(k) = K_p [e(k) - e(k-1)] + K_i e(k) \Delta t + K_d \frac{e(k) - 2e(k-1) + e(k-2)}{\Delta t}\]实际系统中，PWM占空比与PID输出的映射关系：
\[D_{PWM} = \text{saturate}\left(\frac{u(k)}{u_{max}}, 0, 1\right)\]功率输出考虑加热器电阻和电源电压：
\[P_{heater} = D_{PWM} \cdot \frac{V^2}{R_{heater}}\]热平衡方程描述了系统的动态特性：
\[C_{thermal} \frac{dT}{dt} = P_{heater} - h \cdot A \cdot (T - T_{ambient}) - \epsilon \sigma A (T^4 - T_{ambient}^4)\]其中$C_{thermal}$是热容，$h$是对流传热系数，$A$是表面积，$\epsilon$是发射率，$\sigma$是斯特藩-玻尔兹曼常数。
手动调参耗时且需要经验，自整定算法能自动识别系统特性并计算合适的PID参数。3D打印机固件中常用的几种方法各有优劣。
Ziegler-Nichols闭环法（最常用）：
该方法通过诱导系统临界振荡来确定参数：
| 控制器类型 | $K_p$ | $T_i$ | $T_d$ | 特点 |
|---|---|---|---|---|
| P | $0.5K_u$ | - | - | 有稳态误差 |
| PI | $0.45K_u$ | $T_u/1.2$ | - | 无稳态误差，响应较慢 |
| PID | $0.6K_u$ | $T_u/2$ | $T_u/8$ | 快速响应，可能超调 |
振荡检测算法（检测连续过零点）： \(\text{oscillating} = \sum_{i=1}^{N} \text{sign}(e(i)) \neq \text{sign}(e(i-1)) > N_{threshold}\)
Cohen-Coon开环法（适合大延迟系统）：
基于阶跃响应的特征参数计算PID参数。首先施加阶跃输入，记录响应曲线，识别过程参数：
Cohen-Coon公式（修正原始公式中的符号错误）：
\(K_c = \frac{1.35}{K_p} \left(\frac{\tau_p}{\tau_d} + 0.18\right)\) \(T_i = \tau_d \frac{2.5\tau_p + 0.5\tau_d}{\tau_p + 0.2\tau_d}\) \(T_d = \tau_d \frac{0.37\tau_p}{\tau_p + 0.2\tau_d}\)
继电反馈法（Åström-Hägglund方法）：
使用继电器替代比例控制器，自动产生极限环振荡：
\[u(t) = \begin{cases} +d & e(t) > +h \\ -d & e(t) < -h \\ u(t-1) & \text{otherwise} \end{cases}\]其中$d$是继电幅值，$h$是滞环宽度。从振荡中提取：
基于模型的自整定（IMC方法）：
内模控制基于系统模型设计控制器：
\(K_p = \frac{\tau_p}{\lambda K_p}\) \(T_i = \tau_p\) \(T_d = \frac{\tau_d}{2}\)
其中$\lambda$是调节参数（闭环时间常数），通常取$\lambda = \tau_d$获得鲁棒性能。
机器学习增强的自整定：
使用神经网络或强化学习优化PID参数：
\[J = \int_0^T \left[ w_1 e^2(t) + w_2 u^2(t) + w_3 \left(\frac{du}{dt}\right)^2 \right] dt\]通过最小化代价函数$J$，使用梯度下降或遗传算法寻找最优参数。
标准PID算法在实际应用中存在诸多问题：积分饱和导致超调、微分对噪声敏感、设定值突变引起冲击等。改进型算法针对这些问题提供解决方案。
带死区的PID：
死区设计减少不必要的控制动作，延长加热器寿命：
\[u(k) = \begin{cases} u_{PID}(k) & \text{if } |e(k)| > \delta \\ u(k-1) & \text{if } |e(k)| \leq \delta \end{cases}\]死区宽度$\delta$的选择需要平衡控制精度和执行器寿命。对于温度控制，典型值为0.1-0.5°C。自适应死区根据系统状态调整：
\[\delta(k) = \delta_0 + k_\delta \cdot \text{var}(e[k-N:k])\]抗积分饱和PID：
积分饱和是PID控制的常见问题，特别是在系统启动或大幅设定值变化时。几种抗饱和策略：
积分限幅（最简单）： \(I(k) = \text{saturate}\left(I(k-1) + K_i e(k) \Delta t, -I_{max}, I_{max}\right)\)
条件积分（只在输出未饱和时积分）： \(I(k) = \begin{cases} I(k-1) + K_i e(k) \Delta t & \text{if } u_{min} < u(k-1) < u_{max} \\ I(k-1) & \text{otherwise} \end{cases}\)
反算法（Back-calculation）： \(I(k) = I(k-1) + K_i e(k) \Delta t + K_t (u_{sat} - u_{unsat})\)
其中$K_t$是反算增益，$u_{sat}$是饱和后输出，$u_{unsat}$是饱和前输出。
微分先行PID：
标准PID对设定值求微分会产生冲击，微分先行只对过程变量求微分：
\[u(k) = K_p e(k) + I(k) - K_d \frac{y(k) - y(k-1)}{\Delta t}\]进一步改进使用滤波微分项： \(D(k) = \alpha D(k-1) + (1-\alpha) K_d \frac{y(k) - y(k-1)}{\Delta t}\)
其中$\alpha = \frac{T_f}{T_f + \Delta t}$，$T_f$是滤波时间常数。
设定值加权PID：
通过对设定值加权，平衡跟踪性能和扰动抑制：
\[u(k) = K_p (\beta r(k) - y(k)) + I(k) + K_d (\gamma r(k) - y(k))\]典型取值：$\beta = 0.3-1.0$（比例加权），$\gamma = 0$（微分不作用于设定值）。
分段线性PID：
根据误差大小使用不同的增益，加快响应同时减少超调：
\[K_p(e) = \begin{cases} K_{p,high} & |e| > e_{threshold} \\ K_{p,low} + \frac{K_{p,high} - K_{p,low}}{e_{threshold}}|e| & |e| \leq e_{threshold} \end{cases}\]3D打印机的热系统表现出强非线性：低温时散热慢、高温时辐射散热显著、不同温度下材料特性变化。单一PID参数无法在全温度范围内获得最优性能。
温度分段策略：
根据工作温度划分控制区域，每个区域使用独立的PID参数：
\[K_p(T) = \begin{cases} K_{p1} & T < T_1 \text{（冷启动区）} \\ K_{p2} & T_1 \leq T < T_2 \text{（工作区）} \\ K_{p3} & T \geq T_2 \text{（高温区）} \end{cases}\]典型分区（PLA材料）：
参数平滑过渡避免切换震荡：
\[K_p(T) = K_{pi} + (K_{p(i+1)} - K_{pi}) \cdot S\left(\frac{T - T_i}{T_{i+1} - T_i}\right)\]其中$S(x)$是平滑函数，如$S(x) = 3x^2 - 2x^3$（Hermite插值）。
增益调度控制：
使用状态空间模型实现连续的参数调度：
\(\dot{x} = A(\theta)x + B(\theta)u\) \(y = C(\theta)x + D(\theta)u\)
其中调度变量$\theta$可以是温度、功率或多个变量的组合。线性参数变化（LPV）模型：
\[A(\theta) = A_0 + \sum_{i=1}^{n} \theta_i A_i\]模糊PID控制：
使用模糊逻辑实现非线性增益调整。输入变量：误差$e$和误差变化率$\Delta e$。输出：PID参数修正因子。
模糊规则示例：
隶属度函数（三角形）： \(\mu_{Small}(e) = \max\left(0, 1 - \frac{|e|}{e_{threshold}}\right)\)
去模糊化（重心法）： \(K_p = \frac{\sum_i \mu_i \cdot K_{p,i}}{\sum_i \mu_i}\)
自适应多模型控制：
并行运行多个模型，根据性能选择最佳控制器：
\[J_i(k) = \alpha J_i(k-1) + (1-\alpha)[y(k) - \hat{y}_i(k)]^2\]控制器选择： \(i^* = \arg\min_i J_i(k)\)
切换时使用软切换避免跳变： \(u(k) = \sum_{i=1}^{N} w_i(k) u_i(k)\)
其中权重$w_i(k) = \frac{e^{-\beta J_i(k)}}{\sum_j e^{-\beta J_j(k)}}$。
运动规划决定了打印头如何在空间中移动，直接影响打印速度、精度和振动。良好的运动规划需要在速度、加速度、加加速度约束下，生成平滑的轨迹，同时最小化打印时间。
梯形速度曲线因其简单高效而广泛应用于3D打印机。它将运动分为三个阶段：加速、匀速、减速，形成梯形的速度剖面。
基本梯形规划：
给定参数：
加速阶段（$0 \leq t \leq t_1$）： \(v(t) = v_0 + at\) \(x(t) = x_0 + v_0 t + \frac{1}{2}at^2\) \(a(t) = a\)
匀速阶段（$t_1 < t \leq t_2$）： \(v(t) = v_{max}\) \(x(t) = x_0 + \frac{v_{max}^2 - v_0^2}{2a} + v_{max}(t - t_1)\) \(a(t) = 0\)
减速阶段（$t_2 < t \leq t_3$）： \(v(t) = v_{max} - a(t - t_2)\) \(x(t) = x_f - v_f(t_3 - t) - \frac{1}{2}a(t_3 - t)^2\) \(a(t) = -a\)
时间参数计算：
加速时间： \(t_1 = \frac{v_{max} - v_0}{a}\)
减速时间： \(t_3 - t_2 = \frac{v_{max} - v_f}{a}\)
匀速距离： \(d_{cruise} = d_{total} - d_{accel} - d_{decel}\)
其中： \(d_{accel} = \frac{v_{max}^2 - v_0^2}{2a}\) \(d_{decel} = \frac{v_{max}^2 - v_f^2}{2a}\)
三角形速度曲线：
当距离较短，无法达到最大速度时，曲线退化为三角形：
\[v_{peak} = \sqrt{\frac{2a \cdot d_{total} + v_0^2 + v_f^2}{2}}\]判断条件： \(d_{total} < \frac{v_{max}^2 - v_0^2}{2a} + \frac{v_{max}^2 - v_f^2}{2a}\)
非对称梯形曲线：
考虑不同的加速和减速度（$a_{accel} \neq a_{decel}$）：
\(t_1 = \frac{v_{max} - v_0}{a_{accel}}\) \(t_3 - t_2 = \frac{v_{max} - v_f}{a_{decel}}\)
峰值速度（三角形情况）： \(v_{peak} = \frac{-v_0 a_{decel} - v_f a_{accel} + \sqrt{\Delta}}{a_{accel} + a_{decel}}\)
其中： \(\Delta = (v_0 a_{decel} + v_f a_{accel})^2 + 2a_{accel} a_{decel} (a_{accel} + a_{decel}) d_{total}\)
实时轨迹生成：
步进频率计算（Bresenham-like算法）： \(f_{step}(t) = \frac{v(t)}{step_{size}}\)
时间到步数的映射： \(n(t) = \int_0^t f_{step}(\tau) d\tau\)
S型曲线通过限制加加速度（jerk）$j$来减少振动：
七段式S曲线的速度规划：
位置的五次多项式： \(x(t) = c_0 + c_1t + c_2t^2 + c_3t^3 + c_4t^4 + c_5t^5\)
边界条件：
使用三次贝塞尔曲线实现平滑加速：
\[v(t) = v_0(1-u)^3 + 3v_1u(1-u)^2 + 3v_2u^2(1-u) + v_fu^3\]其中$u = t/T$，控制点$v_1, v_2$决定曲线形状。
对于对称的加减速曲线： \(v_1 = v_0 + k(v_{max} - v_0)\) \(v_2 = v_f + k(v_{max} - v_f)\)
典型取$k = 0.5$获得平滑过渡。
对于多轴联动，需要同步规划以保证路径精度：
主轴选择（路径最长的轴）： \(t_{total} = \max\left(\frac{|\Delta x|}{v_x}, \frac{|\Delta y|}{v_y}, \frac{|\Delta z|}{v_z}\right)\)
从轴速度缩放： \(v_i = \frac{\Delta s_i}{t_{total}}\)
对角线速度限制： \(v_{actual} = \min\left(v_{commanded}, \frac{v_{max}}{\sqrt{(\Delta x/\Delta s)^2 + (\Delta y/\Delta s)^2 + (\Delta z/\Delta s)^2}}\right)\)
前瞻规划通过预先分析未来N个运动段来优化速度过渡。核心思想是计算每个转角处的最大允许速度。
转角速度计算（基于向心加速度限制）： \(v_{corner} = \sqrt{a_{max} \cdot r}\)
其中半径$r$可以从两个线段的夹角$\theta$估算： \(r = \frac{d}{\tan(\theta/2)}\)
连接速度约束： \(v_{junction} = \min(v_{entry}, v_{exit}, v_{corner})\)
从路径终点反向计算每个段的最大进入速度：
for i from N-1 to 0:
v_exit = segments[i+1].v_entry if i < N-1 else 0
v_max_decel = sqrt(v_exit^2 + 2 * a_max * segment[i].length)
segments[i].v_entry = min(v_max_decel, segments[i].v_nominal)
正向规划确保加速度限制：
for i from 0 to N-1:
v_entry = segments[i-1].v_exit if i > 0 else 0
v_max_accel = sqrt(v_entry^2 + 2 * a_max * segment[i].length)
segments[i].v_exit = min(v_max_accel, segments[i+1].v_entry)
使用圆弧过渡替代尖角，半径$R$的圆弧插入：
切点计算： \(L = R \cdot \tan(\theta/2)\)
圆弧参数方程： \(x(t) = x_c + R\cos(\phi_0 + t\Delta\phi/T)\) \(y(t) = y_c + R\sin(\phi_0 + t\Delta\phi/T)\)
速度约束： \(v_{arc} = \sqrt{a_{centripetal} \cdot R}\)
三次B样条曲线定义： \(P(u) = \sum_{i=0}^{n} N_{i,3}(u) P_i\)
基函数： \(N_{i,3}(u) = \frac{u - t_i}{t_{i+3} - t_i}N_{i,2}(u) + \frac{t_{i+4} - u}{t_{i+4} - t_{i+1}}N_{i+1,2}(u)\)
曲率计算： \(\kappa = \frac{|P'(u) \times P''(u)|}{|P'(u)|^3}\)
速度限制： \(v_{max}(u) = \sqrt{\frac{a_{max}}{\kappa(u)}}\)
二阶系统振动模型： \(\ddot{x} + 2\zeta\omega_n\dot{x} + \omega_n^2 x = \omega_n^2 u(t)\)
其中$\omega_n$是自然频率，$\zeta$是阻尼比。
传递函数： \(G(s) = \frac{\omega_n^2}{s^2 + 2\zeta\omega_n s + \omega_n^2}\)
阶跃响应： \(x(t) = 1 - e^{-\zeta\omega_n t}\left(\cos(\omega_d t) + \frac{\zeta}{\sqrt{1-\zeta^2}}\sin(\omega_d t)\right)\)
其中$\omega_d = \omega_n\sqrt{1-\zeta^2}$是阻尼自然频率。
Zero Vibration (ZV)整形器设计：
脉冲时间和幅值： \(A_1 = \frac{1}{1 + K}, \quad t_1 = 0\) \(A_2 = \frac{K}{1 + K}, \quad t_2 = \frac{\pi}{\omega_d}\)
其中$K = e^{-\zeta\pi/\sqrt{1-\zeta^2}}$
ZVD（Zero Vibration and Derivative）整形器： \(A_1 = \frac{1}{1 + 2K + K^2}\) \(A_2 = \frac{2K}{1 + 2K + K^2}\) \(A_3 = \frac{K^2}{1 + 2K + K^2}\)
时间间隔：$t_2 - t_1 = t_3 - t_2 = \frac{\pi}{\omega_d}$
Extra-Insensitive (EI)整形器提供更好的鲁棒性：
四脉冲EI整形器： \(A_i = \frac{1}{4}\left[1 + (-1)^{i+1}V\right]\) \(t_i = (i-1)\frac{\pi}{\omega_d}\)
其中$V = e^{-2\zeta\pi/\sqrt{1-\zeta^2}}$
频率响应： \(M(\omega) = \left|\sum_{i=1}^{N} A_i e^{-j\omega t_i}\right|\)
实时频率估计（使用RLS算法）： \(\hat{\theta}(k) = \hat{\theta}(k-1) + K(k)[y(k) - \phi^T(k)\hat{\theta}(k-1)]\) \(K(k) = \frac{P(k-1)\phi(k)}{\lambda + \phi^T(k)P(k-1)\phi(k)}\) \(P(k) = \frac{1}{\lambda}[P(k-1) - K(k)\phi^T(k)P(k-1)]\)
基于估计频率更新整形器参数： \(\omega_n(k) = f(\hat{\theta}(k))\) \(A_i(k), t_i(k) = \text{UpdateShaper}(\omega_n(k), \zeta)\)
Marlin采用单片机架构，所有计算在MCU上完成：
主循环架构：
loop() {
1. 读取命令缓冲区
2. 解析G代码
3. 运动规划
4. 步进中断生成
5. 温度PID控制
6. 状态更新
}
步进中断计算（Bresenham算法）： \(\text{error}_x = 2|\Delta y| - |\Delta x|\) \(\text{if error}_x > 0: \text{step}_y, \text{error}_x -= 2|\Delta x|\) \(\text{error}_x += 2|\Delta y|\)
规划器队列：
Klipper采用主机-MCU分离架构：
主机端（Python）：
MCU端（C）：
通信协议： 压缩的步进队列格式：
struct step_cmd {
uint32_t interval; // 步进间隔（时钟周期）
uint16_t count; // 步数
uint8_t add; // 间隔增量
}
时间同步算法（线性回归）： \(T_{mcu} = a \cdot T_{host} + b\)
最小二乘法估计： \(a = \frac{n\sum T_h T_m - \sum T_h \sum T_m}{n\sum T_h^2 - (\sum T_h)^2}\)
计算能力分配：
| 功能 | Marlin | Klipper |
|---|---|---|
| G代码解析 | MCU | Host |
| 运动规划 | MCU | Host |
| 步进生成 | MCU | MCU |
| 输入整形 | 有限 | 完整 |
| 非线性运动学 | 困难 | 容易 |
实时性能：
前瞻深度：
Marlin线性提前： \(E_{actual} = E_{nominal} + K \cdot v\)
Klipper平滑压力提前： \(E_{actual} = E_{nominal} + K \cdot v \cdot \text{smooth}(v)\)
平滑函数： \(\text{smooth}(v) = \tanh\left(\frac{v}{v_{smooth}}\right)\)
Rate Monotonic Scheduling (RMS)： 任务集${T_1, T_2, …, T_n}$可调度的充分条件：
\[U = \sum_{i=1}^{n} \frac{C_i}{P_i} \leq n(2^{1/n} - 1)\]其中$C_i$是执行时间，$P_i$是周期。
对于3D打印机典型任务：
利用率：$U = 0.5 + 0.01 + 0.25 = 0.76 < 0.78$ (可调度)
优先级分配（数字越小优先级越高）：
中断嵌套管理：
ISR(TIMER1_COMPA_vect) {
sei(); // 允许嵌套
step_motors();
cli(); // 禁止嵌套
}
环形缓冲区实现：
write_index = (write_index + 1) % BUFFER_SIZE
read_index = (read_index + 1) % BUFFER_SIZE
count = (write_index - read_index + BUFFER_SIZE) % BUFFER_SIZE
防止优先级反转（优先级继承协议）： \(\pi_i' = \max(\pi_i, \max_{j \in blocked} \pi_j)\)
分层看门狗系统：
看门狗喂狗策略：
if (step_interrupt_ok && temp_control_ok && comms_ok) {
wdt_reset();
}
故障恢复状态机：
State: NORMAL -> DEGRADED -> SAFE -> HALT
Transitions: timeout, error, recovery
本章深入探讨了3D打印机控制系统的核心技术。我们从经典的PID控制开始，理解了温度控制的数学模型和调参方法。运动规划部分介绍了从简单的梯形曲线到复杂的S型曲线，以及多轴同步的关键算法。前瞻规划通过预分析路径实现了平滑的速度过渡，而输入整形技术则从频域角度抑制了机械振动。通过对比Marlin和Klipper两种架构，我们理解了集中式和分布式控制的权衡。最后，实时系统的约束和优先级管理确保了控制系统的稳定性和可靠性。
关键公式回顾：
核心概念：
3.1 某3D打印机挤出头的温度响应可建模为一阶系统$G(s) = \frac{2.5}{30s + 1}e^{-5s}$（增益2.5°C/W，时间常数30s，延迟5s）。使用Ziegler-Nichols开环法计算PID参数。
3.2 打印机需要在100mm距离内从静止加速到100mm/s然后减速到静止。最大加速度为3000mm/s²。计算梯形速度曲线的时间参数和实际达到的最大速度。
3.3 两条直线路径夹角为60°，进给速度60mm/s，最大向心加速度2000mm/s²。计算转角处的最大允许速度。
3.4 推导双自由度系统的ZVD输入整形器设计。系统有两个振动模式：$\omega_1 = 10Hz, \zeta_1 = 0.1$和$\omega_2 = 25Hz, \zeta_2 = 0.05$。计算组合整形器的脉冲序列。
3.5 设计一个自适应前瞻算法，动态调整前瞻窗口大小N。给定：处理一个段需要$t_p = 100\mu s$，通信延迟$t_c = 1ms$，最短段执行时间$t_{min} = 5ms$。确定最优窗口大小。
3.6 分析Klipper的时钟同步算法。主机和MCU之间有可变延迟$d \sim N(10ms, 2ms^2)$。设计一个卡尔曼滤波器来估计时钟偏移和漂移。写出状态方程和测量方程。
3.7 开放性问题：设计一个新的固件架构，结合Marlin的简单性和Klipper的性能。描述你的设计决策和权衡。