浅谈控制原理以及PID

最近一个月，围绕公司业务，学习了一下控制原理以及pid的设计与参数整定，学的不算深，在这里结合matlab对目前所学进行一些整合，本篇所描述内容包含自己的理解，可能需要一定的系统知识基础。

1. 为什么需要使用控制器

首先来做个实验，如果不使用任何控制器，系统能否进行自身调节呢？以下面这个二阶开环系统为例，输入是阶跃信号，表示参考值，查看其仿真输出。

可以发现，即使不添加控制部分，系统自身也能被输入拉到指定参考值（想想为什么？），只是达到稳态的时间很久。这是因为上述系统具有两个负实部的极点，由信号系统的相关知识可知，该系统具有稳定性，即：有限的输入产生有限的输出。另外，观察零极点图：

该系统的两个极点中，将远离虚轴（左边）的极点称为极点1，靠近虚轴（右边）的极点称为极点2，如果将s域的传递函数转化为时域的冲激响应如下图所示：

注：该图实际仅画出极点的趋势，并非响应的准确描述，但趋势是确定的

发现靠近虚轴的极点（极点2）在响应中占据主导低位，收敛的趋势缓慢，从而使响应和的收敛速度变慢，进而验证了前面系统稳态时间长的实验结果，而极点1虽然自身产生的响应收敛速度快，但在线性系统里被极点2产生的响应给“拖累”了。这里的响应，本质就是不同极点对应着不同指数的自然对数的和，即：

当极点p从左半轴越靠近虚轴，的衰减越慢，相反，远离虚轴，其衰减越快。而由欧拉公式可知，如果极点具有虚部，会产生不同程度的正弦震荡。

同样，该响应曲线最终趋于0，也验证了系统的稳定性。

在这里还有一个问题，为什么输入一个参考值1，得到的响应最终就是趋于1呢？如果输入参考值为10，响应最终也是10吗？这就需要用到拉普拉斯的终值定理了，我们知道，阶跃信号在s域的变换为，由终值定理可知：

如果输入参考值为10，则输入信号的s域变换变为，即只改变了增益，由上述式子可知，响应最终也会趋于10。但要注意，拉普拉斯终值定理的使用是有条件的!

以上的分析都针对一个开环系统，如果一个系统的传递函数已知，则针对系统特性直接使用开环控制也是可以的，但实际应用中往往系统比较复杂，且受到环境、人为等多方面因素的影响，很难采用简单的方式进行开环控制，因此需要不断的根据实时输出动态地调整输入，即带反馈的闭环控制。

2. 反馈控制器与PID

一个简单的反馈逻辑就是“缺多少补多少”，这和人的行为模式很类似，当你想拿起桌上的手机时，如果手机离你很远，会下意识地加快手臂动作，迅速接近；当手接近手机时，又会放慢速度，提高定位精度，最后到达目标位置准备拾取。下面就是一个简单的反馈回路：

其中，开环的二阶传递函数为:

可以顺势写出系统的闭环传递函数为：

得到的响应对比如图：

与开环系统相比，闭环系统更快进入稳态，但存在明显的稳态误差，同样运用拉普拉斯终值定理分析：

发现的确达不到预期的参考值，且实验的稳态值与理论值一致，说明理论分析是正确的。那么为什么会出现这种情况呢？举一个现实中的例子，当你在烧一壶水时，目标温度为100°，一开始的热功率很高，水温持续上升，热功率会慢慢下降，某一时刻下已经加热到95°了，但此时我的热功率下降到刚好跟水壶与环境温度交换的效率（散热功率）相等，无论我再继续加热，只要加热的功率不变，水温都只会保持在95°。我们可以在此引入比例的概念，即我欠了多少，要双倍奉还，这里的双倍就是比例，如图：

此时的闭环传递函数变成了：

这里的k可以是任意数值，在本例中k=2，经过仿真后得到的结果如图：

可以发现，比例放大误差的闭环系统，其控制输出响应更快，但同样存在稳态误差，只是该误差更小，使用终值定理对误差进行分析：

当k=2时，结果为2/3，与实验结果相符。

进一步讨论，随着k的增大，误差也在逐渐变小，即：

当k趋于正无穷时，稳态误差趋于0，但实际上这是很难实现的。且随着比例系数的增大，系统响应会发生另一种现象：超调。

想象一下我们在限速为120的高速路上开车，一脚油门下去快速加速，等速度提升至目标限速120时，才松开油门，往往速度会由于机器惯性继续加速一段时间，直到125甚至更高才停止加速，此时就发生了超调。超调的理论计算是困难的，但在实际应用中超调现象几乎是不可避免的，因此引入了一个动态性能指标：超调量。在设计控制器时，需要提前商定好超调量大小，并在这一指标范围内进行控制器设计。

继续讨论稳态误差的计算。由于比例控制器总是存在一定的稳态误差，于是我们决定重新设计一个控制器：

将新的控制器视作一个黑盒，设其传递函数为K(s)，则闭环系统的传递函数为：

使用终值定理进行误差分析：

稳态误差为：

若要使稳态误差error为0，分母必须无穷大，于是很自然会想到，如果，是不是就能满足条件（前提是H(s)不能含有值为0的零点）。这便引入了积分的概念。

回想烧水的例子，这时我们的想法是，既然温度迟迟没有继续上升，但又达不到目标温度，就加大输入功率，这里面就蕴含了积分的思想（人的忍耐度是有极限的）。

如下图的比例积分控制器（PI）：

观察结果，虽然稳态误差得到了消除，响应速度也加快了，但到达稳态的响应时间却延长了。我们可以很容易想到出积分的滞后特性，一个简单的思路是，积分控制引入了一个靠近虚轴的极点，从而导致响应时间变长。

在实际场景中，往往处理的是离散的数据，在离散域，积分的概念表现为累加，对以往的误差进行求和，确保当比例控制器无法减小误差时，积分控制器可以继续累加误差并增大输入。

需要注意的是，积分分量不宜过大，适当的积分输入可以加速收敛，过量的积分输入却可以导致系统震荡，并加重超调现象。如果不想要控制器设计的太复杂，PI控制器也足够使用，但当面临系统响应的震荡时，就可以使用微分控制器来调节了。

微分调节的本质就是抑制变化和波动，如下图，微分部分对误差的趋势（斜率）进行解析，当响应曲线向上走时，误差斜率为负值，微分部分输出小于0，进而控制器整体输出会减小，抑制这种向上的趋势；而当响应曲线向下走时，误差斜率为正，微分部分输出大于0，进而控制器整体输出会增大，抑制这种向下的趋势。

但同样，微分调节也不能过度，容易“矫枉过正”，在响应上升的过程中“拖慢节奏”，还会产生一定的超调，使系统的响应变得“迟钝”。

此外，在干扰比较严重的应用场景中，微分调节会放大噪声的高频分量，如果没有相应的处理，会引起严重的系统震荡事故。如下图，仅采用PI控制，受噪声干扰的影响是很小的，但引入了微分环节后，高频的波动会被无限放大，最终在参考值附近上下波动。

3. 控制器的意义

还是以一个简单的反馈回路为例：

我们对闭环回路的传递函数进行研究：

在控制原理中有一句经典的描述：传递函数的极点可以受输入函数的激发，在输出响应中形成自由运动的模态。传递函数的零点并不形成自由运动的模态，但它们却影响着各模态在响应中所占的比重，因而也影响响应曲线的形状。通俗的说法就是，极点决定了响应的质，而零点影响了响应的量。大多数情况下，通过研究系统的极点可以解释大部分的系统特征。于是重点来研究这个系统的极点，令：

带入，，得到一个一元二次方程：

解得：

在第二节我们研究了当k=2时的零极点图，那么将k由0增加到无穷时，极点的走向是如何呢？这就是根轨迹，在matlab中可以用以下命令进行绘图：

a = [1];
b = [0.4 4 1];
rlocus(a, b);

在根轨迹图上，两个极点的初始位置分别位于s=-9.7434和s=-0.2566（附近），此时增益k=0，随着k增大，极点沿着实轴相向运动，并在s=-4.5处交汇，然后分离，一条向上指向正无穷，一条向下指向负无穷。我们结合仿真和理论来仔细分析这一过程：

当增益k很小时，右侧极点占据主导地位（第二节分析），由于靠近虚轴，指数衰减较慢，于是响应速度也很慢；而左侧极点的响应由于衰减很快，被右侧极点的响应“拖累”，如图中k=4曲线；

当增益k增加到一定时，两点交汇，二重极点为s=-4.5，通过解二次方程可知此时增益k=9；

继续增大增益k，当k=15时，两个极点的实部依然是-4.5，因此曲线的收敛速度与k=9时一致；但由于向无穷延伸，带上了虚部，曲线出现明显的波折，可以找到极值点（局部最大点），这种现象与超调类似，只是没有超过参考值。

有了上面一系列分析的基础，我们在设计控制器时就有了新思路，即调整传递函数从而优化系统性能。该部分内容相对复杂，在这里推荐一下B站DR_CAN的视频课程，对超前和滞后器的解析是很到位的。

4. PID参数的整定

对于第二节所讨论的PID控制器，其参数整定包括经验法、衰减曲线法、响应曲线法等等，在这里简单介绍一下经验法，也叫试凑法。

经验法遵循的是先比例、后积分、再微分三个步骤：

（1）首先调节比例系数，由于必然存在稳态误差以及可能发生的超调现象，在这一环节需要尽量将比例系数调整至一个较高的水平，使稳态误差保持在10%以内，并允许有小范围的超调。

（2）其次调节积分系数，增大积分系数可以提高响应速度，并消除稳态误差，但会加重超调现象并延长调节时间，因此积分系数的整定一定要保守，使得响应能刚好以较快速度到达参考值的同时，不至于震荡幅度过大。

（3）最后调节微分系数，微分环节需要依干扰程度而定，如果信号的干扰很大，应避免取过大的微分系数；即使信号干扰很小，也要考虑系统的响应速度，过大的微分系数会拖慢系统的响应节奏。适当的微分系数能有效减少前面两个调节环节带来的超调和震荡。

5. 写在最后

花了一星期终于写完了一部分，感觉写的很多但干货不多，只有浅浅的一些理解，更硬核的自己也没有搞懂（工作不需要过深的研究），之后有时间可以继续整理一些所学。文中所提到的内容如有错误，望大佬提出并指正。