PID – 帮助计算机表现得更像人类

您可能不熟悉控制回路的概念 ，但我保证您每天都会以某种方式使用它。控制回路是使用反馈机制来控制特定动作的任何系统。

当你接住一个在空中飞行的棒球时，你的眼睛会提供反馈，告诉你的大脑球在哪里以及你需要如何移动你的手才能接住它。当你想在进入之前调节淋浴的温度时，你用手感受水，它会向你的大脑提供反馈，并决定你是否转动旋钮使水更热或更凉。这些是控制回路的示例。

正如人体使用反馈机制和控制回路一样，电子和机械设备也是如此。通常使用称为PID的软件算法来控制这些系统。PID 是Proportional、Integral和Derivative的首字母缩写词。那些学过微积分的人会认出这些术语，但对你们其他人来说，它们可能听起来有点吓人。在这篇文章中，我将分解 PID 算法的三个组成部分并解释每个组成部分的目的。

PID 的工作原理

为了描述 PID 算法的工作原理，我将使用温度控制器的简单示例。在这个例子中，我们有一个系统，其中包括一个电燃烧器、一壶水、一个温度传感器和一个控制器。

控制器可以使用温度传感器读取水温，并可以在 0% 到 100% 之间调节燃烧器的功率水平。控制器中的软件负责调节燃烧器的功率水平，使锅中的水温尽快达到所需值（设定点），然后无限期地保持该温度。可以在控制器中使用 PID 算法来解决这个问题。

成比例的

PID 算法的第一个组成部分是最容易理解的，也是对控制器性能最关键的部分。P代表比例。 这意味着控制变量 应该 与系统中的误差量成比例地调整。仅使用 P 分量的 PID 算法可以表示为：

output = error * Kp

我只是使用了一些听起来不熟悉的术语，所以让我解释一下。

控制变量： 控制变量 是我们要调整的控制器的输出。在我们的示例中，控制变量是燃烧器的功率水平。

过程变量： 过程变量是您试图控制的系统中的测量值。过程变量用作控制器的反馈，以便它可以决定如何调整控制变量。在这种情况下，过程变量是水的温度。

错误：该 错误是过程变量和设定点之间的差。在我们的例子中，设定点是我们试图让水达到的某个温度。任何时间点的误差都是当前温度和目标温度之间的差值。

该算法的P分量通过与误差成比例地调整输出来工作。假设温度控制器的设定点是 100 度。如果当前测量的温度为 60 度，则误差为 40。控制器的输出将设置为 40 *  Kp，其中Kp是 比例系数。Kp 是一个恒定的非负值，它是在控制器的调整过程中确定的（稍后我们将详细讨论调整）。现在假设Kp 的值为 10（凭空而来）。那么系统的输出将是 (100 – 60) * 10 = 400。

你可能会想，“400？！这远远超过燃烧器的 0 到 100% 范围。我们如何将其设置为 400？” 你是对的。这称为饱和，它经常发生在 PID 控制器中。发生饱和时，控制变量只需将输出设置为其最大值 100%。随着测得的温度接近目标值，误差变小，最终系统变得不饱和。在我们的示例中，系统将在 90 度时变得不饱和。在 95 度时，误差为 5，系统的输出为 5 * 10 = 50%。

使用仅比例控制器的问题在于它通常会导致稳态误差。随着误差越来越小，误差乘以比例系数的结果最终变得太小，对过程变量没有任何影响。这是因为现实世界的系统从来都不是 100% 高效的。这就是算法的 I组件发挥作用的地方。

不可缺少的

在我 代表组成， 这是一个数学术语，意思是积累的东西随着时间的推移*。在 PID 的情况下，  I分量会累积随时间发生的误差。然后将该累积误差乘以积分系数Ki 并添加到输出中。仅使用 P 和 I 分量的控制器算法可以用以下伪代码表示：

accumulation_of_error += error * delta_time
output = (error * Kp) + (accumulation_of_error * Ki)

控制算法的积分组件可以消除系统中的任何稳态误差，因为它会随着时间的推移累积该误差并对其进行补偿，而不仅仅是查看某一时刻误差的瞬时快照。

衍生物

该d 代表衍生物，它可能是最复杂的。微分组件在控制器中的使用频率较低，但在某些应用中仍然很重要。对于一壶水不受干扰地放在燃烧器上的情况，D分量根本不是必需的。但是，如果我们偶尔将一把冰块倒入锅中而使事情复杂化，那么它可能会有所帮助。

微分组件负责补偿误差的突然变化。如果我们把冰倒进我们的锅里，温度会突然下降，误差会突然增加，算法的微分组件会启动并增加燃烧器的输出。

导数是一个数学术语，意思是“曲线的斜率”。在这种情况下，曲线是误差随时间变化的图。如果误差是稳态的，则D分量的结果为零。完整的PID算法可以用以下伪代码表示：

accumulation_of_error += error * delta_time
derivative_of_error = (error - last_error) / delta_time
last_error = error
output = (error * Kp) + (accumulation_of_error * Ki) + (derivative_of_error * Kd)

当系统已经处于或接近稳定状态时，微分分量最有用。在稳定状态下，P 和 I 分量都非常小，因为误差非常小。如果误差突然增加，P 和 I 分量需要一段时间才能再次开始起作用。但是，D 分量会响应误差的突然变化并立即开始补偿。为此，常说 D 组件负责补偿未来的错误；它看到错误发生变化并试图阻止它发生更多变化。

由于微分分量会响应误差的变化，因此在测量的过程变量有噪声的情况下可能会出现问题。当在控制算法中使用D分量时，这种噪声会导致输出变得不稳定。

 PID 控制器整定

调整 PID 控制器是确定Kp、Ki和Kd的理想值以实现所需响应的过程。在某些系统中，您可能希望控制变量尽可能快地达到设定点，即使这意味着超出设定点。在其他情况下，超出设定点可能是不可接受的。

所有这些都可以通过仔细调整调谐系数来控制。调整过程超出了本文的范围，但请留意我的下一篇文章，我将给出一个调整自制温度控制器的真实示例。

*当我说积分意味着“随着时间的推移积累一些东西”时，这并不完全准确。积分实际上是某物相对于其他物的累积；不一定是时间。例如，如果您对宽度对长度进行积分，您将得到面积。