為什麼洗澡時調水溫總是來回擺盪？

為什麼洗澡時調水溫總是來回擺盪？

你一定有過這種經驗：浴室的水太冷，於是把熱水轉大一點，等了幾秒後水變得太燙，趕緊把熱水轉小；過一會兒又太冷……如此來回好幾次才終於穩定。這個再日常不過的動作，其實濃縮了整個控制系統（control system）最核心的問題：如何讓一個量（水溫）穩定地落在我們想要的目標值上，而且不要劇烈震盪、不要永遠調不準。

你之所以會「來回擺盪」，有兩個關鍵原因。第一，你是在根據當前誤差做修正——水太冷就加熱、太燙就減熱，這叫回饋（feedback）。第二，水從水龍頭流到你身上、再讓皮膚感覺到溫度的變化，中間有時間延遲（time delay），所以你修正的依據其實是「幾秒前的水溫」，而不是「此刻的水溫」。回饋讓系統能自我修正，延遲與過度反應卻可能讓它失去穩定性（stability）。這篇文章，我們就來談機械工程裡這套既優雅又危險的回饋控制。

開迴路與閉迴路：要不要「看結果」

控制系統最根本的分野，是它有沒有量測輸出並拿來修正。

開迴路控制（open-loop control）不看結果。例如老式烤麵包機，你設定 2 分鐘就跳起，它不管麵包實際烤到幾分熟。它的輸出（麵包顏色）不會回頭影響輸入（加熱時間）。開迴路系統簡單便宜，但只要環境一變（麵包厚度不同、室溫不同），結果就跑掉。

閉迴路控制（closed-loop control）會量測輸出、計算它與目標的差距，再依此調整。洗澡調水溫、汽車的定速巡航、無人機懸停，全都是閉迴路。它的核心是一條回饋路徑，把輸出 $y(t)$ 量回來，與參考值（setpoint）$r(t)$ 相減，得到誤差（error）：

$$ e(t) = r(t) - y(t) $$

控制器（controller）再根據這個誤差決定要施加多少控制力 $u(t)$。整個訊號流是：

$$ r(t) \;\to\; \underbrace{e(t)=r-y}_{\text{比較}} \;\to\; \underbrace{C}_{\text{控制器}} \;\to\; u(t) \;\to\; \underbrace{P}_{\text{受控體 plant}} \;\to\; y(t) \;\xrightarrow{\text{量回}}\; $$

這裡的「受控體」$P$（plant）就是你要控制的物理對象——馬達、機械手臂、車輛、化學反應槽。控制工程師的任務，就是設計那個 $C$，讓 $y(t)$ 又快又穩地追上 $r(t)$。

用轉移函數描述系統的「個性」

要分析閉迴路行為，我們需要一個數學語言來描述「輸入進去、輸出出來」的關係。對線性非時變（LTI）系統，這個語言就是轉移函數（transfer function）——它是輸出與輸入在 Laplace 域的比值。

回想優物理裡的彈簧—質量—阻尼系統。質量 $m$、阻尼係數 $c$、彈簧常數 $k$，受外力 $f(t)$，位移 $x(t)$ 的運動方程式是牛頓第二定律：

$$ m\ddot{x}(t) + c\dot{x}(t) + k x(t) = f(t) $$

對兩邊做 Laplace 轉換（假設初始條件為零），$\dfrac{d}{dt}\to s$，得到：

$$ (ms^2 + cs + k)\,X(s) = F(s) $$

於是這個系統的轉移函數（從力到位移）為：

$$ G(s) = \frac{X(s)}{F(s)} = \frac{1}{ms^2 + cs + k} $$

分母多項式 $ms^2 + cs + k = 0$ 的根稱為極點（poles），它們決定了系統的動態「個性」——震不震盪、衰減多快、會不會發散。把它整理成標準二階形式，更能看出物理意義：

$$ G(s) = \frac{\omega_n^2}{s^2 + 2\zeta\omega_n s + \omega_n^2} $$

其中自然頻率（natural frequency）$\omega_n = \sqrt{k/m}$，阻尼比（damping ratio）$\zeta = \dfrac{c}{2\sqrt{mk}}$。這兩個參數直接決定系統怎麼回應一個突如其來的擾動：

• $\zeta = 0$：無阻尼，永遠等幅震盪（理想單擺）。
• $0 < \zeta < 1$：欠阻尼（underdamped），會震盪但逐漸衰減（汽車輾過坑洞後車身的彈跳）。
• $\zeta = 1$：臨界阻尼（critically damped），最快回到平衡且不超越。
• $\zeta > 1$：過阻尼（overdamped），慢慢爬回平衡，不震盪（門上的緩衝器）。

這就是為什麼汽車懸吊的避震器要設計成接近臨界阻尼——既要吸收衝擊，又不能讓乘客在坑洞後彈個沒完。

PID 控制器：工業界的萬用瑞士刀

知道了系統的個性，接下來就是設計控制器 $C$。實務上最廣泛使用的，是PID 控制器——比例（Proportional）、積分（Integral）、微分（Derivative）三項的組合。它的控制律是：

$$ u(t) = K_p\, e(t) + K_i \int_0^t e(\tau)\,d\tau + K_d \frac{de(t)}{dt} $$

對應的轉移函數為：

$$ C(s) = K_p + \frac{K_i}{s} + K_d s $$

三項各有不同的「直覺」，我們用洗澡水溫的例子來體會：

• 比例項 $K_p e(t)$：誤差越大，修正越猛。水差目標 10 度就大轉，差 1 度就微調。但純比例控制通常會留下穩態誤差（steady-state error）——因為要維持輸出，就得維持一點誤差來「餵」控制力，誤差歸零控制力也歸零。

• 積分項 $K_i \int e\,d\tau$：把過去累積的誤差加總。只要還有一丁點誤差沒消除，積分項就會持續增大控制力，直到誤差真正歸零。它專門消滅穩態誤差。代價是反應較慢，且累積過頭會造成超越（overshoot）。

• 微分項 $K_d \dot{e}(t)$：看誤差變化的趨勢。如果水溫正快速逼近目標，微分項會「踩煞車」，提前減弱控制力，避免衝過頭。它能抑制震盪、增加阻尼，但對量測雜訊極度敏感（雜訊的微分很大）。

調好這三個增益是門藝術。經典的 Ziegler–Nichols 法提供一套起點：先只用比例控制，逐漸加大 $K_p$ 直到系統剛好持續等幅震盪，此時的增益記為臨界增益 $K_u$、震盪週期 $T_u$，再依經驗表設定：

$$ K_p = 0.6\,K_u,\quad K_i = \frac{2K_p}{T_u},\quad K_d = \frac{K_p T_u}{8} $$

這只是起點，實務上還要依需求微調。

穩定性：回饋的最大風險

回饋是雙面刃。設計得好，系統穩定又精準；設計不好，輕則持續震盪，重則控制力越來越大、系統發散——馬達燒毀、機構撞壞、飛機失控。穩定性分析因此是控制工程的重中之重。

對閉迴路系統，我們關心的是閉迴路轉移函數。設受控體 $P(s)$、控制器 $C(s)$，採單位回饋，則開迴路轉移函數 $L(s) = C(s)P(s)$，閉迴路轉移函數為：

$$ T(s) = \frac{L(s)}{1 + L(s)} $$

系統穩不穩定，取決於特徵方程式（characteristic equation）：

$$ 1 + L(s) = 0 $$

的根（即閉迴路極點）落在複數平面的哪裡。判準很乾淨：

所有閉迴路極點的實部都必須為負（落在左半平面），系統才漸近穩定。

為什麼？因為時域響應裡每個極點 $s = \sigma + j\omega$ 對應一項 $e^{\sigma t}(\cos\omega t + \cdots)$。若 $\sigma < 0$，這項隨時間衰減；若 $\sigma > 0$，它指數成長、系統爆炸；若 $\sigma = 0$，臨界震盪。極點的虛部 $\omega$ 決定震盪頻率，實部 $\sigma$ 決定衰減（或發散）速率。

對高階系統手算極點很麻煩，工程師發展了不用解根就能判穩的工具。Routh–Hurwitz 判據只看特徵多項式的係數，透過建表判斷有幾個根落在右半平面，無需真的解方程式。Nyquist 判據與 Bode 圖則從頻率響應角度分析，並引出增益裕度（gain margin）與相位裕度（phase margin）——它們量化系統「離不穩定還有多遠」，是實務設計時最常看的安全餘裕指標。

看一個例子

考慮一個直流馬達的位置控制。簡化後受控體（從電壓到角位移）近似為：

$$ P(s) = \frac{1}{s(s+2)} $$

注意分母有個 $s$，代表系統含一個積分器（位置是速度的積分）。我們先用最簡單的純比例控制器 $C(s) = K_p$，求閉迴路行為。

開迴路：$L(s) = \dfrac{K_p}{s(s+2)}$，特徵方程式：

$$ 1 + L(s) = 0 \;\Rightarrow\; s(s+2) + K_p = 0 \;\Rightarrow\; s^2 + 2s + K_p = 0 $$

對照標準二階式 $s^2 + 2\zeta\omega_n s + \omega_n^2$，可得：

$$ \omega_n = \sqrt{K_p}, \qquad 2\zeta\omega_n = 2 \;\Rightarrow\; \zeta = \frac{1}{\sqrt{K_p}} $$

這條式子告訴我們一個深刻的取捨：

• 我們想要反應快，就要大 $\omega_n$，也就是大 $K_p$。
• 但 $K_p$ 一大，$\zeta = 1/\sqrt{K_p}$ 就變小，系統越來越欠阻尼、超越量越大、震盪越久。

舉具體數字。若取 $K_p = 1$，則 $\omega_n = 1$、$\zeta = 1$，臨界阻尼，反應慢但不超越。若取 $K_p = 16$，則 $\omega_n = 4$、$\zeta = 0.25$，反應快了 4 倍，但阻尼比掉到 0.25，會產生明顯超越。欠阻尼系統的超越百分比（percent overshoot）有公式可估：

$$ M_p = \exp\!\left(\frac{-\zeta\pi}{\sqrt{1-\zeta^2}}\right) \times 100\% $$

代入 $\zeta = 0.25$：

$$ M_p = \exp\!\left(\frac{-0.25\pi}{\sqrt{1-0.0625}}\right) \approx \exp(-0.811) \approx 44\% $$

也就是說，馬達會先衝過目標位置約 44%，再震盪回來。這在精密定位（如 CNC 工具機、3D 列印）是不可接受的。

此時微分項就派上用場。改用 PD 控制器 $C(s) = K_p + K_d s$，特徵方程式變成：

$$ s^2 + (2 + K_d)s + K_p = 0 $$

注意微分增益 $K_d$ 直接出現在一次項，等效於增加了阻尼：新的有效阻尼比 $\zeta_{\text{eff}} = \dfrac{2+K_d}{2\sqrt{K_p}}$。所以我們可以用大 $K_p$ 換取速度，同時用 $K_d$ 補回阻尼、壓制超越——魚與熊掌兼得。這正是 PD/PID 控制在伺服系統無所不在的原因。

重點回顧

• 回饋是核心，也是風險：閉迴路控制透過量測誤差 $e=r-y$ 自我修正，能對抗擾動與不確定性；但回饋加上延遲或過度增益，會讓系統震盪甚至發散。
• 轉移函數刻畫系統個性：二階系統由自然頻率 $\omega_n=\sqrt{k/m}$ 與阻尼比 $\zeta=c/2\sqrt{mk}$ 決定，分出欠阻尼、臨界阻尼、過阻尼三種響應。
• PID 三項分工明確：比例求快、積分消除穩態誤差、微分增加阻尼抑制超越；調參是速度與穩定的權衡。
• 穩定性看極點位置：所有閉迴路極點實部為負（左半平面）系統才穩定；Routh–Hurwitz、Nyquist、Bode 提供不解根的判穩工具與安全裕度。
• 存在根本取捨：純比例控制下，加大增益提速會降低阻尼比、增加超越；微分項能在保留速度的同時補回阻尼。

深入探討（研究所視角）

上述古典控制（classical control）以單一輸入單一輸出（SISO）的轉移函數與頻域工具為主，適合直覺與快速設計。但現代工程系統往往是多輸入多輸出（MIMO）、且有複雜耦合，這時狀態空間（state-space）表示法成為主流。我們把系統寫成一階矩陣微分方程：

$$ \dot{\mathbf{x}} = A\mathbf{x} + B\mathbf{u}, \qquad \mathbf{y} = C\mathbf{x} + D\mathbf{u} $$

其中 $\mathbf{x}$ 是狀態向量（如位置與速度）。系統穩定性此時由矩陣 $A$ 的特徵值（eigenvalues）決定——它們就是極點，全部位於左半平面即穩定。透過狀態回饋（state feedback）$\mathbf{u} = -K\mathbf{x}$，我們能把閉迴路矩陣 $A-BK$ 的特徵值任意放置（只要系統可控 controllable），這稱為極點配置（pole placement），給了設計者遠超 PID 的自由度。

兩個更深的議題值得研究所階段探討。其一是最佳控制（optimal control）：與其手動配置極點，不如定義一個成本函數同時懲罰誤差與控制力，

$$ J = \int_0^\infty \left( \mathbf{x}^\top Q \mathbf{x} + \mathbf{u}^\top R \mathbf{u} \right) dt $$

最小化 $J$ 會導出線性二次調節器（LQR），其最佳增益 $K$ 來自求解 Riccati 方程，自動在「追得快」與「省能量」間取得最佳折衷。其二是可觀測性與狀態估測：真實系統往往無法直接量測所有狀態（馬達能量到位置卻量不到速度），此時需要觀測器（observer）或在雜訊下使用 Kalman 濾波器從可量測的輸出重建完整狀態。LQR 加上 Kalman 估測就構成著名的 LQG 控制。

最後值得一提的是強健控制（robust control）：現實中受控體模型永遠不完美（參數會漂移、有未建模動態）。$H_\infty$ 控制與 $\mu$-合成等方法，明確地把模型不確定性納入設計，保證系統在一整族可能的受控體下都維持穩定與性能。從洗澡調水溫到火星探測車的姿態控制，背後都是同一套思想的延伸——而它的數學深度，足以支撐一輩子的研究。