干货 | 基于FPGA实现PID控制算法

一. 简介

相信大家对于PID控制算法,都不感到陌生了,平衡车就是靠它平衡起来的,还有飞控的平衡算法也是它,以及FOC中的闭环控制中也是用的它,它不仅简单,而且易于理解。那么本篇文章将简要介绍一下算法的原理,然后带大家使用FPGA来实现(C语言实现过程特别简单)。

二. PID算法

PID取自比例、积分、微分三个英文字母的首字母。意味着算法由这三部分组成。

1. P 比例

    运算过程为 期望值 减去 当前值 ,然后再乘上一个p系数,就得到了一个反馈值。比例的作用主要是为了让 期望值 与 当前值相等

2. I 积分

    将误差值不断累加,然后再乘上一个I系数,就得到了一个反馈值。积分的作用主要是为了消去静态误差,但当前值接近 期望值的时候,这个时候,比例的作用就非常小了,可能会接近于0,而且相邻两次的误差值也近似为0,D微分也起不了多大作用,假如这时候系统外部的阻力和PD反馈值抵消了,这个时候就需要不断的累加这个误差值来使当前值等于期望值

3. D 微分

    当前的误差值 减去 上一次运算的误差值,然后再乘上一个d系数,就得到了一个反馈值。微分的作用主要为了减少系统的震荡,在系统变化的方向上,施加一个反方向的反馈,使系统朝这个方向的变化得到抑制

可以到,PID算法主要涉及到三种运算: 加法,减法和乘法。这三种运行在FPGA上也是很容易实现的。

三.  FPGA实现

首先需要注意的是,PID的三个系数均为浮点数,为了便于实现,这里将浮点数扩大100倍,然后取整就可以了。然后将反馈的结果缩小100倍就可以了。

1. P 比例实现

    实现代码如下,只需要两个时钟周期即可完成。这里通过左移来实现缩小100操作,实际上是缩小了102.倍,不太会影响结果。为了和 I 积分 和 D 微分 运算周期数相同,这里打了一拍操作。

//P -------------------------------------------------always@(posedge clk or negedge rst_n)begin   if( rst_n == 1'b0)       Kp_fb <= 1'b0;   else if( pid_en == 1'b1)       Kp_fb <= ( desired_value - current_value ) * Kp;   else       Kp_fb <= Kp_fb;end
always@(posedge clk or negedge rst_n)begin   if( rst_n == 1'b0)       Kp_fb_reduce <= 'd0;   else if( cal_delay_0 == 1'b1)       Kp_fb_reduce <= (Kp_fb >>> 7) + (Kp_fb >>> 9); // /102.4   else       Kp_fb_reduce <= Kp_fb_reduce;end
always@(posedge clk or negedge rst_n)begin   if( rst_n == 1'b0)       Kp_fb_reduce_d0 <= 'd0;   else if( cal_delay_1 == 1'b1)       Kp_fb_reduce_d0 <= Kp_fb_reduce;   else       Kp_fb_reduce_d0 <= Kp_fb_reduce;
end//--------------------------------------------------------------------

代码片段:可切换语言,无法单独设置文字格式

2. I 积分实现

    实现代码如下,比P比例稍微辅助一点。这里考虑到了一个积分限幅的问题,如果积分值一直累加的话得,可能会导致系统稳定不下来,所以这里设置为3000。

always@(posedge clk or negedge rst_n)begin   if( rst_n == 1'b0)       Ki_integral <= 'd0;   else if( pid_en == 1'b1)       if( Ki_integral > $signed('d3000) && ( desired_value - current_value ) > $signed('d0) )           Ki_integral <= Ki_integral;       else if( Ki_integral < $signed(-'d3000) && ( desired_value - current_value ) < $signed('d0) )           Ki_integral <= Ki_integral;       else           Ki_integral <= Ki_integral + ( desired_value - current_value );   else       Ki_integral <= Ki_integral;end
always@(posedge clk or negedge rst_n)begin   if( rst_n == 1'b0 )       Ki_fb <= 'd0;   else if( cal_delay_1 == 1'b1 )       Ki_fb <= Ki_integral * Ki;   else       Ki_fb <= Ki_fb;end
always@(posedge clk or negedge rst_n)begin   if( rst_n == 1'b0 )       Ki_fb_reduce <= 'd0;   else if( cal_delay_2 == 1'b1)       Ki_fb_reduce <= (Ki_fb >>> 7) + (Ki_fb >>> 9); // /102.4   else       Ki_fb_reduce <= Ki_fb_reduce;end
//-------------------------------------------------------------------

代码片段:可切换语言,无法单独设置文字格式

3. D微分 实现

    D 微分操作实现如下,按照公式来即可

//D    ---------------------------always@(posedge clk or negedge rst_n)begin   if( rst_n == 1'b0)       Kd_error <= 'd0;   else if( pid_en == 1'b1)       Kd_error <= ( desired_value - current_value );   else       Kd_error <= Kd_error;end
always@(posedge clk or negedge rst_n)begin   if( rst_n == 1'b0)       Kd_fb <= 'd0;   else if( cal_delay_0 == 1'b1)       Kd_fb <= (Kd_error - Kd_last_error) * Kd;   else       Kd_fb <= Kd_fb;end
always@(posedge clk or negedge rst_n)begin   if( rst_n == 1'b0)       Kd_last_error <= 'd0;   else if( cal_delay_0 == 1'b1)       Kd_last_error <= Kd_error;   else       Kd_last_error <= Kd_last_error;end
always@(posedge clk or negedge rst_n)begin   if( rst_n == 1'b0)       Kd_fb_reduce <= 'd0;   else if( cal_delay_1 == 1'b1)       Kd_fb_reduce <= (Kd_fb >>> 7) + (Kd_fb >>> 9); // /102.4   else       Kd_fb_reduce <= Kd_fb_reduce;end//--------------------------------

代码片段:可切换语言,无法单独设置文字格式

四. 仿真验证

测试代码如下,初始化当前值为500,然后根据期望值和PID输出的反馈值,来调节当前值。

  always@(posedge clk or negedge rst_n) begin       if( rst_n == 1'b0)           current_value <= 'd500;       else if( pid_ack == 1'b1)           current_value <= current_value + out;       else           current_value <= current_value;   end
PID_Control PID_Control_i(   .clk            (   clk),   .rst_n          (   rst_n),
  .pid_en          (   1'b1),  .pid_ack         (   pid_ack),
   .desired_value  (   desired_value),   .current_value  (   current_value),
   .Kp             (   'd10),   .Ki             (   'd1),   .Kd             (   'd10),      .out            (   out));

代码片段:可切换语言,无法单独设置文字格式

仿真波形如下

图片

这个是设置了D为0的情况,可以看到系统的震荡

图片

### 回答1: Spark Streaming 和 Flink 都是流处理框架,但在一些方面有所不同。 1. 数据处理模型 Spark Streaming 基于批处理模型,将流数据分成一批批进行处理。而 Flink 则是基于流处理模型,可以实时处理数据流。 2. 窗口处理 Spark Streaming 的窗口处理是基于时间的,即将一段时间内的数据作为一个窗口进行处理。而 Flink 的窗口处理可以基于时间和数据量,可以更加灵活地进行窗口处理。 3. 状态管理 Spark Streaming 的状态管理是基于 RDD 的,需要将状态存储在内存中。而 Flink 的状态管理是基于内存和磁盘的,可以更加灵活地管理状态。 4. 容错性 Flink 的容错性比 Spark Streaming 更加强大,可以在节点故障时快速恢复,而 Spark Streaming 则需要重新计算整个批次的数据。 总的来说,Flink 在流处理方面更加强大和灵活,而 Spark Streaming 则更适合批处理和数据仓库等场景。 ### 回答2: Spark Streaming 和 Flink 都是流处理框架,它们都支持低延迟的流处理和高吞吐量的批处理。但是,它们在处理数据流的方式和性能上有许多不同之处。下面是它们的详细比较: 1. 处理模型 Spark Streaming 采用离散化流处理模型(DPM),将长周期的数据流划分为离散化的小批量,每个批次的数据被存储在 RDD 中进行处理,因此 Spark Streaming 具有较好的容错性和可靠性。而 Flink 采用连续流处理模型(CPM),能够在其流处理过程中进行事件时间处理和状态管理,因此 Flink 更适合处理需要精确时间戳和状态管理的应用场景。 2. 数据延迟 Spark Streaming 在处理数据流时会有一定的延迟,主要是由于对数据进行缓存和离散化处理的原因。而 Flink 的数据延迟比 Spark Streaming 更低,因为 Flink 的数据处理和计算过程是实时进行的,不需要缓存和离散化处理。 3. 机器资源和负载均衡 Spark Streaming 采用了 Spark 的机器资源调度和负载均衡机制,它们之间具有相同的容错和资源管理特性。而 Flink 使用 Yarn 和 Mesos 等分布式计算框架进行机器资源调度和负载均衡,因此 Flink 在大规模集群上的性能表现更好。 4. 数据窗口处理 Spark Streaming 提供了滑动、翻转和窗口操作等灵活的数据窗口处理功能,可以使用户更好地控制数据处理的逻辑。而 Flink 也提供了滚动窗口和滑动窗口处理功能,但相对于 Spark Streaming 更加灵活,可以在事件时间和处理时间上进行窗口处理,并且支持增量聚合和全量聚合两种方式。 5. 集成生态系统 Spark Streaming 作为 Apache Spark 的一部分,可以充分利用 Spark 的分布式计算和批处理生态系统,并且支持许多不同类型的数据源,包括Kafka、Flume和HDFS等。而 Flink 提供了完整的流处理生态系统,包括流SQL查询、流机器学习和流图形处理等功能,能够灵活地适应不同的业务场景。 总之,Spark Streaming 和 Flink 都是出色的流处理框架,在不同的场景下都能够发挥出很好的性能。选择哪种框架取决于实际需求和业务场景。 ### 回答3: Spark Streaming和Flink都是流处理引擎,但它们的设计和实现方式有所不同。在下面的对比中,我们将比较这两种流处理引擎的主要特点和差异。 1. 处理模型 Spark Streaming采用离散流处理模型,即将数据按时间间隔分割成一批一批数据进行处理。这种方式可以使得Spark Streaming具有高吞吐量和低延迟,但也会导致数据处理的粒度比较粗,难以应对大量实时事件的高吞吐量。 相比之下,Flink采用连续流处理模型,即数据的处理是连续的、实时的。与Spark Streaming不同,Flink的流处理引擎能够应对各种不同的实时场景。Flink的实时流处理能力更强,因此在某些特定的场景下,它的性能可能比Spark Streaming更好。 2. 窗口计算 Spark Streaming内置了许多的窗口计算支持,如滑动窗口、滚动窗口,但支持的窗口计算的灵活性较低,只适合于一些简单的窗口计算。而Flink的窗口计算支持非常灵活,可以支持任意窗口大小或滑动跨度。 3. 数据库支持 在处理大数据时,存储和读取数据是非常重要的。Spark Streaming通常使用HDFS作为其数据存储底层的系统。而Flink支持许多不同的数据存储形式,包括HDFS,以及许多其他开源和商业的数据存储,如Kafka、Cassandra和Elasticsearch等。 4. 处理性能 Spark Streaming的性能比Flink慢一些,尤其是在特定的情况下,例如在处理高吞吐量的数据时,在某些情况下可能受制于分批处理的架构。Flink通过其流处理模型和不同的调度器和优化器来支持更高效的实时数据处理。 5. 生态系统 Spark有着庞大的生态系统,具有成熟的ML库、图处理库、SQL框架等等。而Flink的生态系统相对较小,但它正在不断地发展壮大。 6. 规模性 Spark Streaming适用于规模小且不太复杂的项目。而Flink可扩展性更好,适用于更大、更复杂的项目。Flink也可以处理无限制的数据流。 综上所述,Spark Streaming和Flink都是流处理引擎,它们有各自的优缺点。在选择使用哪一个流处理引擎时,需要根据实际业务场景和需求进行选择。如果你的业务场景较为复杂,需要处理海量数据并且需要比较灵活的窗口计算支持,那么Flink可能是更好的选择;如果你只需要简单的流处理和一些通用的窗口计算,Spark Streaming是更为简单的选择。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值