企业官网建设流程全解析

简介：本资源是一套面向自动化控制领域学习者与工程实践者的先进PID控制MATLAB实战资料，聚焦鲁棒性增强与自适应优化两大核心问题，适用于高校控制理论课程设计、毕业设计及工业现场控制器调优场景。压缩包共59个文件，含41个MATLAB脚本（.m）、9个Simulink模型（.mdl）及6个兼容R14(SP3)的旧版模型文件，辅以图形界面（.fig）、原理图（.jpg）等辅助材料，总容量仅154KB，轻量但结构完整。内容按章节组织：chap15夯实经典PID建模与仿真基础，chap16基于LMI与Riccati方程实现鲁棒PID设计，chap17系统集成自适应律、参数在线整定及多种智能PID变体（如模糊/神经网络融合策略），所有代码均支持直接运行与参数调试。已有340人下载学习，提供从理论推导、算法实现到性能对比的全流程闭环案例，是深入理解先进PID控制思想并快速上手MATLAB工程实现的高价值参考包。 上周帮一个做温控的朋友排查了半夜的曲线发散问题，他用的是十几年前那套传统PID逻辑，模型参数一变，输出就开始满屏振荡。这种事情在工程现场实在太常见了：PID不是调不好，而是调好之后一换工况就废。所以这几年大家都把目光转向先进PID控制，Matlab在这个过程中基本是绕不开的主力工具。这篇文章我想把我在Matlab里做先进PID控制的完整思路写出来，重点是鲁棒PID和自适应PID这两条最实用的路线，从原理到代码再到工程落地，一次讲透。

不管是刚接触先进控制的研究生，还是被现场参数折腾到头疼的工程师，这篇文章都能给你一个可以直接复现的起点。我会尽量少讲虚的，多放能跑的代码和能落地的步骤，毕竟控制器这东西，仿真里能跑通只是第一步，拉到现场不崩才是真本事。

1. 先进PID到底解决的是什么问题

先进PID不是一个具体算法，而是一类方法的总称。它的共同出发点是：传统PID那三个固定增益，在某些对象面前真的不够用。想理解先进PID，先得搞明白传统PID在哪三种典型场景下会露怯。

1.1 传统PID撑不住的三种现场

第一种是大滞后对象。化工反应釜、燃气炉、温度大惯量系统，都有明显的纯滞后环节。滞后会让闭环特征方程出现更坏的相位条件，传统PID为了稳住系统只能降低增益，结果就是响应慢、扰动恢复也慢。你把积分时间调小，超调就上来；调大，又压不住静态误差。这也是"PID参数整定像玄学"的根源之一。

第二种是强非线性对象。伺服电机的静摩擦、气动阀门的不对称流量特性、磁悬浮系统里电磁力与位移的非线性关系，这些用一个固定增益线性控制器去对付，本质上是"用一把尺子量所有身高"。工作点在小范围波动时没问题，一旦工作点大幅移动，原先整定好的那一组PID参数就立刻失效。

第三种是参数时变对象。飞行器在不同高度、不同马赫数下，气动参数完全不一样；注塑机料筒在不同批次材料下热惯量也不同。对象模型跟着工况漂移，控制器参数却不跟着动，控制品质自然越来越差。

1.2 先进PID的“先进”在哪

先进PID的核心理念，就是把"参数整定"这件事从离线做一次，变成在线做很多次、或者考虑不确定性来做一次。前者是自适应PID，后者是鲁棒PID。

自适应PID的思路是：控制器还是PID结构，但Kp、Ki、Kd不再固定。系统运行过程中，根据误差大小、误差变化趋势、甚至对象模型的在线辨识结果，实时调整PID参数。模糊自适应PID就是其中工程化程度最高的一种，后面我会把完整实现过程写出来。

鲁棒PID的思路则是：我承认我拿到的模型不可能完全准确，参数会有摄动、高频段还有未建模动态。那我设计PID的时候，就直接把这些不确定性包络进优化目标里，保证整个不确定性范围内系统都能稳定且有可接受的性能。这种方法不追求在某个工作点上做到极限快，而是追求"不管怎么变都别崩"。

这两条路线不冲突，甚至可以在同一套系统里配合使用。我在不少项目里就是先用鲁棒设计打底，再叠一层自适应参数调整来改善全工况的响应速度。

2. Matlab实现先进PID的两条路线

在Matlab里搞先进PID，有两条路线，吵了很多年，其实各有适用场景。

2.1 路线一：Simulink + 工具箱

Simulink的优势在于直观。模糊推理系统可以直接用Fuzzy Logic Designer设计，生成.fis文件后拖一个Fuzzy Logic Controller模块就能接入仿真。鲁棒控制方面，Robust Control Toolbox里有完整的加权函数设计、不确定性建模工具，配合Simulink的线性化分析，可以很方便地检查闭环系统的鲁棒稳定性。

这条路线适合做方案验证、毕设演示、以及需要频繁观察中间信号的项目。缺点也很明显：模型一大，文件版本冲突、回退困难、批量参数扫描费劲。特别是当你需要跑300组蒙特卡洛参数摄动实验时，在Simulink里做会非常痛苦。

2.2 路线二：M脚本 + S函数

纯代码路线的核心思想是：仿真框架自己搭，控制算法写成函数，对象模型写成传递函数或状态空间，整个闭环用循环或ode45跑。这样做有两个好处，一个是参数批量扫描变得极其简单，另一个是控制算法可以脱离Simulink环境被直接改写成C代码或部署到其他平台。

模糊自适应PID如果用纯代码实现，核心就是三件事：写模糊推理、写PID更新律、写对象模型。听起来不复杂，但注意模糊推理部分千万别自己造轮子，直接调用evalfis就行，没必要自己写隶属度函数计算。

2.3 我的选择逻辑

个人经验是：做研究和方案对比用纯代码，做演示和控制律集成验证用Simulink。这篇文章里，模糊自适应PID我会给出一套可以在Simulink里跑的方案，因为用模糊工具箱的图形界面设计规则表确实更快；鲁棒PID部分则以M脚本为主，因为频域加权设计、不确定性采样、大量仿真循环，都是脚本的强项。

3. 自适应PID的完整实现：以模糊自适应PID为例

模糊自适应PID是自适应PID里工程上最成熟的一种。它不依赖对象模型，控制工程师可以把自己整定PID的经验直接写成模糊规则，这正好符合很多现场工程师的思维习惯。

3.1 核心理念：把调参经验写成规则

传统PID参数整定有一些大家都认可的经验，比如：误差大时Kp要放大、Ki要减小防止积分饱和；误差变化率大时Kd要增加来抑制超调。模糊自适应PID就是把这类经验转换成"如果误差是负大且误差变化率是正大，则Kp取负大"这样的规则，再用模糊推理实时算出PID参数的修正量。

公式表达出来就是：

[ K_p = K_{p0} + \Delta K_p, \quad K_i = K_{i0} + \Delta K_i, \quad K_d = K_{d0} + \Delta K_d ]

其中Kp0、Ki0、Kd0是基准参数，可以在常规PID整定结果附近取；ΔKp、ΔKi、ΔKd是模糊推理的输出。模糊推理的输入一般选误差e和误差变化率ec，输出是三个参数的修正量。

3.2 用代码搭建模糊推理系统

在Matlab中建立模糊推理系统有两种方式，一种是图形界面Fuzzy Logic Designer，另一种是命令方式。这里我更推荐命令方式配置，因为可以脚本化复用，而且规则表可以通过代码批量生成。

一个典型的7×7模糊PID系统配置代码如下：

% 创建2输入3输出的Mamdani型模糊推理系统 fis = newfis('fuzzy_pid', 'mamdani', 'min', 'max', 'min', 'max', 'centroid'); % 输入1：误差e，论域[-3,3] fis = addvar(fis, 'input', 'e', [-3 3]); fis = addmf(fis, 'input', 1, 'NB', 'gaussmf', [0.5 -3]); fis = addmf(fis, 'input', 1, 'NM', 'gaussmf', [0.5 -2]); fis = addmf(fis, 'input', 1, 'NS', 'gaussmf', [0.5 -1]); fis = addmf(fis, 'input', 1, 'ZO', 'gaussmf', [0.5 0]); fis = addmf(fis, 'input', 1, 'PS', 'gaussmf', [0.5 1]); fis = addmf(fis, 'input', 1, 'PM', 'gaussmf', [0.5 2]); fis = addmf(fis, 'input', 1, 'PB', 'gaussmf', [0.5 3]); % 输入2：误差变化率ec，论域[-3,3]，隶属度函数同上（略） % 输出1：ΔKp，论域[-0.5,0.5] fis = addvar(fis, 'output', 'dkp', [-0.5 0.5]); fis = addmf(fis, 'output', 1, 'NB', 'trimf', [-0.5 -0.35 -0.2]); fis = addmf(fis, 'output', 1, 'NM', 'trimf', [-0.3 -0.2 -0.1]); fis = addmf(fis, 'output', 1, 'NS', 'trimf', [-0.15 -0.05 0]); fis = addmf(fis, 'output', 1, 'ZO', 'trimf', [-0.05 0 0.05]); fis = addmf(fis, 'output', 1, 'PS', 'trimf', [0 0.05 0.15]); fis = addmf(fis, 'output', 1, 'PM', 'trimf', [0.1 0.2 0.3]); fis = addmf(fis, 'output', 1, 'PB', 'trimf', [0.2 0.35 0.5]); % ΔKi、ΔKd的输出配置类似，论域可不同

注意输入论域用[-3,3]而不是直接用实际误差单位，这是为了让模糊推理规则表与量纲无关。实际误差e和ec进入推理前，要先除以各自的量化因子，变成论域内的归一化数值。

3.3 规则表的构造与量纲考虑

规则表是模糊自适应PID的灵魂。下面这张表是ΔKp的典型规则表，很多文献里都能见到它的影子。行是误差e，列是误差变化率ec。

这张表背后的逻辑是：误差为正大时，要快速减小误差，Kp要很大；同时如果误差还在继续增大（ec为正大），Kp要先维持甚至减小，防止超调，所以表格里PB行、PB列交叉处反而回到了ZO。这类规则表不是唯一的，不同对象、不同控制需求可以调整，但大方向是固定的。

规则表的数量：7×7=49条规则，覆盖三个输出，共147条规则语句。手动输入不现实，写代码批量加入更科学。用Matlab的addrule函数，可以按规则矩阵批量添加。规则矩阵每行格式是：[e_index, ec_index, dkp_index, dki_index, dkd_index, weight, and_rule]。

实际项目中我有个经验：规则表越平滑，控制量越平稳。相邻规则之间输出如果跳变太大，反模糊化的结果就会抖动，最终导致执行机构高频振动。所以相邻格子的语言值不能从PB直接跳到NB，中间至少要有一个过渡。

3.4 在Simulink里把模糊PID跑起来

模糊推理系统配置完成后，写入文件：

writefis(fis, 'fuzzy_pid');

然后建一个Simulink模型，结构是这样的：阶跃信号 -> 求和点 -> 控制器输出 -> 被控对象 -> 输出反馈。控制器部分有两种做法。

做法一，直接用Fuzzy Logic Toolbox提供的Fuzzy Logic Controller块，在块参数里加载fuzzy_pid.fis文件。它的输入接e和ec，输出是三路，再接上基准值相加，得到实际的Kp、Ki、Kd，然后用这三个时变参数驱动一个Parameter Varying PID块或者在MATLAB Function里手写PID。

做法二，在MATLAB Function块里调用readfis和evalfis，这种方式更灵活，适合后续做代码生成或者移植。示例：

function [u, Kp, Ki, Kd] = fuzzy_pid_controller(e, ec, dt, y) persistent fis pre_e inte if isempty(fis) fis = readfis('fuzzy_pid.fis'); pre_e = 0; inte = 0; end % 量化处理 e_scale = e / 3; ec_scale = ec / 3; % 模糊推理 out = evalfis(fis, [e_scale, ec_scale]); % 基准PID参数加上模糊修正 Kp = 2.0 + out(1) * 3.0; Ki = 0.08 + out(2) * 0.1; Kd = 0.5 + out(3) * 0.8; % 增量式PID计算 inte = inte + e * dt; de = (e - pre_e) / dt; u = Kp * e + Ki * inte + Kd * de; pre_e = e; end

这里有个细节：evalfis的输入[e_scale, ec_scale]不能超出论域太多，否则会出现映射溢出。最好在进推理前加一个saturation模块，把输入限幅到[-3.5, 3.5]区间内。

3.5 一个典型仿真结果

在Simulink中将被控对象设为二阶惯性加延迟，比如：

[ G(s) = \frac{4}{(20s+1)(3s+1)} e^{-2s} ]

分别用固定PID和模糊自适应PID跑阶跃响应，固定PID用Z-N法整定后还要手动调一下才能稳定，模糊自适应PID直接用同样的基准值跑。典型结果是：固定PID的超调量在18%左右，调节时间超过35秒；模糊自适应PID的超调量压到5%以内，调节时间缩短到约18秒。系统在t=50秒加入一个幅值0.5的输出扰动后，模糊自适应PID的恢复时间也明显更短。

原因很直接：误差大时模糊规则自动放大Kp，误差接近零时又自动减小Kp、增强Ki来消除静差，相当于系统里有一个经验丰富的工程师在实时改参数。

4. 鲁棒PID的Matlab设计：从内模控制到H∞优化

自适应PID解决的是"参数跟着状态变"的问题，鲁棒PID解决的是"模型不完全可靠时，系统也不能垮"的问题。这两者面对的是完全不同的风险。

4.1 鲁棒性到底在说什么

任何数学模型都是对真实物理系统的近似。你把一个加热炉建模成一阶惯性加滞后，把增益K、时间常数T都取了个标称值，但实际设备里加热器老化、环境温度变化、物料批次不同，都会导致真实的K和T偏离你设定的标称值。这就是模型不确定性。

鲁棒控制关心两类问题：鲁棒稳定性——模型在给定的不确定性范围内变化时，闭环系统是否始终稳定；鲁棒性能——在那个变化范围内，系统的超调量、调节时间、抗扰性能是否始终能接受。

用频域语言说，灵敏度函数S的峰值越小，系统对低频扰动和模型误差的容忍度就越高；补灵敏度函数T的峰值越小，高频未建模动态对系统的影响就越小。鲁棒PID设计的目标，就是在这两个指标之间找一个平衡。

4.2 先用IMC思路整定一组初值

内模控制是设计鲁棒PID的一个好起点。它的思想是：把对象模型分解成可逆部分和不可逆部分，用控制器去对消可逆部分，对不可逆部分（比如纯滞后）不做补偿，再加上一个低通滤波器来控制鲁棒性。推导出来的反馈控制器往往可以近似成PID结构，而且滤波时间常数λ直接决定了系统的鲁棒性与快速性之间的折中。

Matlab里可以用符号计算帮你把IMC-PID的推导过程走一遍，不需要死记公式。我用一阶惯性加纯滞后模型举例，脚本骨架如下：

syms s K T theta lambda % 一阶Pade近似纯滞后 pade1 = (1 - theta*s/2) / (1 + theta*s/2); Gm = K * pade1 / (T*s + 1); % 对象模型 Gm_minus = K / ((T*s+1)*(1+theta*s/2)); % 最小相位部分 % 内模控制器 Q = (1/Gm_minus) * 1/(lambda*s + 1)^2; % 等效反馈控制器 C = Q / (1 - Q * Gm); C = simplify(C); pretty(C)

这段代码跑出来后你会得到一个大有理分式，它包含PID项加上一些高阶修正项。实际的工程做法是忽略高阶小项，把主导PID参数提取出来，然后用lambda做整定旋钮：lambda取小，响应快但鲁棒性弱；lambda取大，鲁棒性增强但响应变慢。lambda的初值通常取被控对象时间常数的0.5到2倍，再根据仿真微调。

4.3 用pidtune做鲁棒PID的自动整定

如果不想手动从IMC结果里提取PID参数，Matlab的pidtune函数是更省力的路径。pidtune本质上采用频域回路整形技术，可以指定目标带宽和相位裕度，它会自动返回满足鲁棒性条件的PID参数，还可以按需使用带滤波器的PIDF结构。

% 被控对象 G = tf(4, [20 1], 'InputDelay', 2); % 指定目标带宽0.5 rad/s，相位裕度60° opts = pidtuneOptions('PhaseMargin', 60, 'DesignFocus', 'disturbance-rejection'); [C, info] = pidtune(G, 'pidf', 0.5, opts); % 查看整定结果 C

pidtune返回的C是一个pid对象，可以直接放进feedback函数里做闭环仿真。选择PIDF而不是纯PID是因为被控对象有延迟，微分项需要额外的一阶低通滤波才能避免放大高频噪声，滤波器时间常数一般是微分时间的1/N，N取值5到20之间。

DesignFocus选项很有意思，它可以让整定算法偏向某个性能目标。比如你更关心干扰抑制还是设定值跟踪，这里可以直接切换。对于大多数工业对象，我会优先选disturbance-rejection，因为现场真正难调的往往不是设定值跳变，而是外部扰动来了能不能快速稳住。

4.4 用H∞优化进一步压榨性能

当pidtune整出的PID无法满足多模型工况要求时，就该上鲁棒控制工具箱的hinfstruct了。hinfstruct的特殊之处在于，它可以对固定结构控制器做H∞优化。也就是说，你事先规定好控制器就是PID结构（或者PID加滤波），只是让算法在参数空间里寻找让闭环系统满足H∞性能指标的参数组合。

设计流程是：把被控对象建模成带不确定性的广义系统，加上加权函数Wi。低频用W1加权灵敏度函数来保证干扰抑制，高频用W3加权补灵敏度函数来约束未建模动态。然后用connect搭好闭环互连，把PID参数作为可调块交给hinfstruct。这里涉及广义对象构造，代码量不小，但核心思路很清晰：

% 伪代码：构建广义对象与固定结构PID W1 = makeweight(100, 1, 0.5); % 低频性能加权 W3 = makeweight(0.5, 10, 50); % 高频鲁棒加权 C0 = pid(1, 1, 0.1); % PID作为可调控制器 C0.u = 'e'; C0.y = 'u'; % 构造广义互连模型P，包括对象G、加权函数W1/W3 % T = connect(P, C0, ...); % 闭环通道 % [Copt, gam] = hinfstruct(T);

hinfstruct返回的gam越接近1，说明性能指标越接近设计边界。如果gam远大于10，说明你要求的性能过高，得放松加权函数。这个方法的好处是，当你的被控对象在不同工况下有多个模型时，可以把所有模型都塞进互连模型里，优化出的PID参数对全部工况都成立，这比pidtune的单模型整定强。

4.5 仿真里验证鲁棒性

设计完PID，一定要做鲁棒性验证，否则设计过程就是空中楼阁。至少做三件事：查看频域稳定裕度、画灵敏度函数、跑参数摄动蒙特卡洛。

L = C * G; margin(L); S = 1 / (1 + L); T = L / (1 + L); norm(S, inf) norm(T, inf)

灵敏度峰值如果超过2（约6dB），往往意味着系统对模型误差很敏感，工程上我会要求它控制在1.5以下。然后做参数摄动采样，用ureal定义不确定参数，采样后在时域里看step响应包络：

G_unc = ureal('K', 4, 'Percentage', 20) * ... exp(-2*s) / (ureal('T', 20, 'Percentage', 30)*s + 1); for i = 1:20 Gi = usample(G_unc); Gp = pade(Gi, 2); step(feedback(Gp*C, 1), 60); hold on; end

你会看到一批响应曲线，如果这批曲线的超调都在可接受范围内，说明PID确实"鲁棒"住了。如果没有鲁棒设计的支撑，参数一摄动，这批曲线会散得没法看。

5. 一个完整案例对比：Z-N、模糊自适应、鲁棒PID

把前面的方法放到同一个被控对象上对比，是最直观的理解方式。我用一个典型的工业对象，广义上可以理解为某加热或混合过程：

[ G(s) = \frac{4}{20s+1} e^{-2s} ]

三种方案分别是：Z-N频域法整定的固定PID、模糊自适应PID（基准参数取Z-N结果附近）、pidtune整定的鲁棒PID。三种方案在同一Simulink模型里跑，设定值从0阶跃到1，t=60秒时加入幅值0.2的输出扰动，t=100秒时把对象增益K提高30%模拟参数摄动。

这个表格非常典型。Z-N固定PID在标称模型下能跑，但参数一摄动就接近失控；模糊自适应PID靠实时调整参数，标称性能和摄动后性能都还不错；鲁棒PID虽然在标称工况下调节时间稍慢，但摄动后的表现是最稳的，接近"无论怎么变都能保持性能"的理想状态。

我的建议是：如果你的对象参数比较稳定，工况波动小，模糊自适应PID的收益最大，反应快、超调小；如果你的现场工况很恶劣，供电电压波动、原料批次差异、环境温度变化大，那优先考虑鲁棒PID，先把稳定底线守住，再谈性能。

6. 工程落地最容易踩的五个坑

仿真到工程落地，中间隔着一条"坑填出来的河"。下面这几个问题我在实际项目里都撞到过，有些甚至让我连续加班好几周才查明白。

6.1 采样时间选错，模糊推理根本跑不完

模糊自适应PID的在线推理虽然用不了多少计算资源，但在PLC或嵌入式控制器上，每个控制周期都要完成一次evalfis计算。如果采样时间设得太短，推理计算来不及，控制周期就会被拉长，等效采样率下降，系统稳定性跟着崩。

经验做法：把采样时间设置为被控对象时间常数的1/10到1/20。比如对象时间常数是20秒，采样周期取1到2秒就足够了。如果控制周期太紧，可以考虑把模糊推理的输入量化表和规则表预先离线算成查找表，在线只做查表和插值，计算量能减少一个数量级。

6.2 抗积分饱和做不到位，自适应也是白搭

模糊自适应PID在误差大时会把Ki调小，但传统PID的积分项还是会继续累积。一旦执行机构饱和（阀门开完、电压到顶），积分项还在涨，等误差反向时积分项需要很久才能退回来，系统就出现大超调甚至极限环振荡。

工程上的解法是条件积分法或反向计算法。核心思想是一句话：执行机构饱和时，停止积分或按实际输出与指令输出的差值把积分往回拉。在Simulink里最方便的是用带Anti-windup的PID Controller块，参数里填好输出限幅范围，它内部会自动做back-calculation。千万不要自己写一个不带限幅反馈的积分器。

6.3 微分项把噪声放大了三倍

很多人第一次把PIDF改成纯PID后，会惊讶地发现系统的控制信号抖得像心电图。原因很简单：测量信号本身有噪声，微分项对高频噪声的增益随着频率上升而增大。带滤波的微分项（PIDF）才是工程标配，滤波器时间常数的经验值取微分时间的1/N，N可以选5到15。

另外还有一个容易被忽略的点：微分项应该只作用在被控变量上，不作用在设定值上。设定值跳变时如果微分项直接对误差求导，会产生一个巨大的尖峰，这个尖峰就是"微分爆炸"。实现时用微分先行，只对被控量求导，基本可以消除这个问题。

6.4 模糊规则表交界处不连续，控制量乱跳

模糊隶属度函数如果选得不好，比如在规则表交界处，相邻规则输出相差太大，反模糊化后会出现输出跳变。这种跳变不是规则错误，而是隶属度函数和反模糊化方法共同造成的。

用高斯隶属度函数代替三角形隶属度函数，能明显改善输出平滑性。反模糊化方法优先选centroid（重心法），它会平均整个输出集合，天然有平滑效果。如果系统对控制信号平滑性极敏感，可以在推理之后再串联一个一阶低通滤波器，但注意滤波器时间常数不能太大，否则会把PID参数的变化率压过头。

6.5 版本和工具箱的暗坑

Matlab版本升级带来的坑经常被低估。早些年我用的模糊控制工具箱，在新版本里改成了Fuzzy Logic Toolbox，一些旧API函数被废弃，旧脚本直接跑不了。鲁棒控制工具箱也有类似问题，hinfstruct在部分版本里要求先安装对应的许可模块。如果你换了版本发现函数找不到，先看版本发布说明，不要浪费时间迁移代码。

另外，如果你在虚拟机或无图形界面的远端服务器上跑Matlab，仿真速度会很慢。控制类仿真其实没什么图形化需求，建议用matlab -batch "run_sim.m"或matlab -nodisplay的方式跑，速度能快不少。每次跑完仿真，把结果用save保存成mat文件，别开着Simulink的scope看曲线，那个对性能影响很大。

我在多个项目的习惯是：所有仿真脚本从一开始就写好数据导出逻辑，用to workspace或者save保存关键信号，参数扫描的结果合并成表直接画图。一开始多花十分钟，后面调参能省十个小时。

把这些坑都排掉之后，你再回头看先进PID控制，会发现它其实没有那么神秘。固定PID是一把死扳手，自适应PID是一把可调扳手，鲁棒PID是一把无论螺母怎么变形都能夹住的活口扳手——工具没有绝对的好坏，关键是你得知道手里拿的是什么，以及它适合拧什么样的螺丝。

本文还有配套的精品资源，点击获取