PID控制算法

一、PID控制核心公式解析

1. 数学模型

PID控制器的原始理论模型基于微分方程： \[ u(t) = K_p \cdot e(t) + K_i \int_{0}^{t} e(\tau) \,d\tau + K_d \frac{de(t)}{dt} \] - 比例项 \(K_p e(t)\)：当前误差的直接响应，控制速度与误差成正比 - 积分项 \(K_i \int e(τ)\,dτ\)：累计历史误差，用于消除稳态偏差 - 微分项 \(K_d de/dt\)：通过预测误差变化趋势抑制超调

[WARNING] 参数失衡的代价

    • 过大的Ki：可能导致积分饱和，系统振荡加剧
    • 过大的Kd：对高频噪声敏感，放大控制噪声

二、离散化实现：从连续到数字

实际编程中，计算机以周期性采样的方式处理信号，离散化后的PID公式为： \[ u[n] = K_p e[n] + K_i \Delta t \sum_{k=0}^n e[k] + K_d \frac{e[n]-e[n-1]}{\Delta t} \] - 积分离散化：通过累加误差与采样周期的乘积近似积分 - 微分实现：用前后两次误差差分代替导数，有效降低高频噪声干扰

三、Python代码实现PID：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
class PIDController:
    def __init__(self, Kp=1.0, Ki=0.0, Kd=0.0, sample_time=0.01, max_out=100):
        self.Kp, self.Ki, self.Kd = Kp, Ki, Kd
        self.sample_time = sample_time
        self.max_output = max_out
        self.last_error = 0
        self.integral = 0
        self.last_time = time.time()

    def compute(self, setpoint, feedback):
        dt = time.time() - self.last_time
        if dt < 0.0001: return 0
        error = setpoint - feedback
      
        # 积分防饱和策略
        self.integral = max( min(self.integral + error*dt, self.max_output), -self.max_output )
        differential = (error - self.last_error) / dt
      
        # PID信号合成
        p = self.Kp * error
        i = self.Ki * self.integral
        d = self.Kd * differential
        output = p + i + d
      
        # 输出限幅保护执行器
        output_clamped = max( min(output, self.max_output), -self.max_output )
      
        # 状态更新
        self.last_error = error
        self.last_time = time.time()
        return output_clamped

四、代码关键点解析

1. 采样周期动态适应（Dynamic Sampling）

  • dt计算实际采样间隔，使控制器自动适应实时环境（无需严格等间隔触发）
  • 优势：即使存在系统抖动，控制逻辑仍保持稳定

2. 三重安全机制设计

  • 积分防饱和：限制积分项的累积范围，避免长时间误差导致系统失控
  • 输出钳位：阻止控制信号超出执行机构承受能力（如电机最大转速限制）
  • 微分噪声抑制：通过error-dt结构滤除高频噪声（相比纯微分计算更鲁棒）

3. 增量式微分方案

1
differential = (error - last_error) / dt

该方案将微分项物理意义从“误差变化率”转化为“当前误差相对于前一时刻的增量”，这在采样周期不稳定的离散控制系统中表现更优。

五、实践调参五步法

1. 单独验证各模块

  • Step 1：Pure P控制（Ki=Kd=0） 调整Kp，找到使系统能快速响应但无持续振荡的最小比例系数
  • Step 2：添加积分项（PID→PI） 在保证稳定性前提下启用Ki，消除残余误差，此时可能需小幅降低Kp
  • Step 3：微分增强（PI→PID） 逐步增加Kd，观察超调量变化，找到改善动态性能的最佳值

2. 高阶技巧

  • 积分分离：当误差超过阈值时暂时禁用积分项，避免大偏差时的积分饱和
  • Smith预估器：在存在系统延迟的场景中，通过预估误差提前补偿延迟影响

六、典型应用案例

假设我们开发一个恒温水箱控制系统： 1. 传感器实时采集当前水温（feedback） 2. 设定目标温度为25℃（setpoint=25） 3. PID输出控制加热器功率：

1
2
3
4
5
6
pid = PIDController(Kp=2.5, Ki=0.1, Kd=0.5, max_out=100)
while True:
    current_temp = get_sensor_reading()
    heater_power = pid.compute(25, current_temp)
    set_heater_power(heater_power)
    time.sleep(0.1)

[TIP] 可视化调参

  • 在调试过程中，建议用matplotlib实时绘制：
  • 误差曲线（error）
  • 控制输出信号（output）
  • 理想响应曲线应呈现“有衰减的振荡”，超调量<15%是良好指标

CSDN前辈的调参口诀

参数整定找最佳，从小到大顺序查

先是比例后积分，最后再把微分加

曲线振荡很频繁，比例度盘要放大

曲线漂浮绕大湾，比例度盘往小扳

曲线偏离回复慢，积分时间往下降

曲线波动周期长，积分时间再加长

曲线振荡频率快，先把微分降下来

动差大来波动慢。微分时间应加长

理想曲线两个波，前高后低四比一

一看二调多分析，调节质量不会低

若要反应增快，增大P减小I

若要反应减慢，减小P增大I

如果比例太大，会引起系统震荡

如果积分太大，会引起系统迟钝