自动门的控制算法——是开环还是闭环？速度曲线是梯形还是S形？进门的人流量大要不要自动加速？夜晚无人时能不能自动进入节能模式？这些"聪明"的行为，都来自控制算法。本文从PID、自适应控制、模糊控制三个层级，详解自动门如何利用算法优化运行体验。
一、自动门控制算法的三层架构
| 层级 | 目标 | 算法 | 实现复杂度 |
|---|---|---|---|
| 底层：运动控制 | 按设定速度曲线精确执行开关门 | PID闭环控制（位置/速度/力矩多环） | 中等（需要编码器和电流采样） |
| 中间层：自适应参数 | 根据人流/环境/门状态自动调整运行参数 | 自适应模糊控制/专家系统 | 中高（需要传感器数据+规则库） |
| 顶层：智能决策 | 预测人流、节能、故障预警 | AI/机器学习（长短期记忆网络LSTM/随机森林） | 高（需要云端+边缘计算） |
二、PID控制——自动门的基础控制算法
PID（比例-积分-微分）是自动门运动控制最常用的算法。
| 环节 | 含义 | 在自动门中的作用 | 调参要点 |
|---|---|---|---|
| P（比例） | 当前误差的比例控制 | 快速响应用户信号（如传感器检测到人→立即加速） | P太大→超调（门冲过去然后回调）；P太小→响应慢。推荐Kp=10-30（具体看电机惯量） |
| I（积分） | 误差的累积控制 | 消除稳态误差（如低速爬行时速度稳定无抖动） | I太大→积分饱和（门动作缓慢后振荡）；I太小→静态误差大。推荐Ki=0.5-2 |
| D（微分） | 误差的变化率控制 | 抑制超调（门快到位时自动减速），防止冲击 | D太大→对噪声敏感（编码器抖动导致门抖动）；D太小→位置超调。推荐Kd=5-20 |
三、自适应控制——根据人流自动调整参数
自适应控制让门从"固定参数"升级为"动态参数"：
- 人流感知：用门顶部摄像头或微波传感器统计每分钟通过人数→计算人流密度→自动调整开门保持时间（人流大→延长保持时间/人流小→缩短→节能）。
- 门状态感知：电机电流/温度/振动→评估门的健康状态→自动调整运行参数（如电机温度高→降低运行速度→减少热量产生）。
- 环境感知：室外风速→逆风时门开门速度自动提升（克服风阻）；室外温度→冬季加长预热时间（防止电机启动困难）。
四、模糊控制——用"经验规则"代替精确数学模型
PID需要精确的数学模型（电机惯量、摩擦系数、负载），但自动门的实际工况很复杂（门扇重量每次不一样、导轨摩擦力随时间变化、风阻随机）。模糊控制不需要精确模型，直接使用"专家经验"：
| 模糊规则 | 解释 |
|---|---|
| IF 人流密度 高 AND 门扇重量 中 THEN 开门速度 快速 | 人多→门全开快点→减少人等门时间 |
| IF 人流密度 低 AND 时间 夜晚 THEN 开门速度 慢速 AND 保持时间 短 | 夜晚无人→节能模式→降低功耗 |
| IF 关门时 传感器 检测到人 THEN 关门速度 急速降至0 AND 重新开门 | 防夹——安全优先 |
| IF 电机温度 高 THEN 运行速度 降速 AND 报警推送 | 过热保护 |
模糊控制规则通常由门厂工程师根据经验编写，每条规则对应一个"如果...那么..."的判断，执行时由模糊推理引擎（如Mamdani或Sugeno）计算输出。
五、AI预测控制——端到端的智能门未来
更前沿的方案：机器学习预测控制——
- 数据采集：门运行数据（速度/位置/电流/温度/故障码）+ 环境数据（人流/天气/时间）+ 用户行为数据（刷卡记录/开门频率）。
- 模型训练：用LSTM（长短期记忆网络）预测未来30分钟的人流密度→提前调整门的运行模式（如预测人流高峰→提前切换至"高峰模式"）。
- 边缘计算：在门控制器本地运行轻量级AI模型（TensorFlow Lite for Microcontrollers），延迟<50ms，不依赖云端。
自动门的控制算法——从简单的PID到智能AI，核心目标始终不变：快、准、稳、省。