简述pid

pid个人简述

---

前言

有用过智能小车或者机械臂或者机器人都知道，真正的理论控制中pid绝对有重要的地位，而pid pid是啥，表面意思上就
P(proportion比例） I(Integral积分) D(differential calculus微分）
我们暂时只需要记住这三样的英文，因为小编，，，，咳咳

一、三样基础

此基础全部基于我们目标值跟我们所处值作阐述：“所谓 PID 控制，就是对系统偏差进行比例、积分以及微分的控制。PID 是闭环控制，因此需要有传感器测量我们需要控制的参数，并且反馈到我们的控制计算当中，并且参与控制。PID 由 3 个单元组成，分别是比例（Proportion）单元、积分（Integral）单元、微分（Differential）单元。通过对这三个单元的处理计算输出给执行器，达到减小偏差最终实现收敛的过程"这段话是借鉴，但是实际过程中，我都是实际靠感觉调参，

1、P(proportion比例） 是什么？

比例比较简单，在我们高中都有学过，就是斜率，就比如说我们的目标值现在是在（1，1），而我们的所处值是（0，0），那很明显，我们的斜率就是1即为我们的比例就是P

2、I(Integral积分) 是什么？

我们高数有学过，在我们周围规则图像大致面积等于x * y,但是像一些不规则就只能通过积分来求，但是在某种意义上，就是将不规则“切割”成可通用计算的规则图形，这就是积分，就好比速度跟时间，y轴为速度，x轴为时间，但是速度忽慢忽快，为了求位移，就是一个积分的过程，在某单位时间跨度切割，就可以大概得出一个常规四边形，不断加起来就是此部分面积

3、D(differential calculus微分）是什么？

微分在数学中的定义：由函数B=f(A)，得到A、B两个数集，在A中当dx靠近自己时，函数在dx处的极限叫作函数在dx处的微分，微分的中心思想是无穷分割。微分是函数改变量的线性主要部分。微积分的基本概念之一。大概可以理解单位变化时间内两 y` 的差值

二、术语与代码

最大超调量：是响应曲线的最大峰值与稳态值的差，是评估系统稳定性的一个重要指标；
----打个比方，我们用舵机进行位置定位，从a点出发，预计到达b点，假如因为某些因素到达了c点，那超调量就是c-b
上升时间：  是指响应曲线从原始工作状态出发，第一次到达输出稳态值所需的时间，是评估系统快速性的一个重要指标；
静差：      是被控量的稳定值与给定值之差，一般用于衡量系统的准确性；

1.pid实例

假如我们单片机的分频值为0，重装载值7199
入口参数：编码器测量位置信息，目标位置

/**************************************************************************
函数功能：位置式PID控制器
入口参数：编码器测量位置信息，目标位置
返回  值：电机PWM
根据位置式离散PID公式 
pwm=Kp*e(k)+Ki*∑e(k)+Kd[e（k）-e(k-1)]
e(k)代表本次偏差 
e(k-1)代表上一次的偏差  
∑e(k)代表e(k)以及之前的偏差的累积和;其中k为1,2,,k;
pwm代表输出
**************************************************************************/
int Position_PID (int position,int target)
{ 	
	 static float Bias,Pwm,Integral_bias,Last_Bias;
	 Bias=target-position;                                  //计算偏差
	 Integral_bias+=Bias;	                                 //求出偏差的积分
	 if(Integral_bias>3000)Integral_bias=3000;
	 if(Integral_bias<-3000)Integral_bias=-3000;
	 Pwm=Position_KP*Bias+Position_KI*Integral_bias+Position_KD*(Bias-Last_Bias);       //位置式PID控制器
	 Last_Bias=Bias;                                       //保存上一次偏差 
	 return Pwm;                                           //增量输出
}

Bias----------------------------此次偏差
Integral_bias-----------------累计偏差
Last_Bias --------------------上次偏差
我们可以根据

Pwm=Position_KP * Bias+Position_KI * Integral_bias+Position_KD * (Bias-Last_Bias);

1.P比例

我们先看 Position_KP * Bias，Position_KP 部分。这部分我们可以理解成一元线性函数y=a * bias，也是我们pid绝大多数场景最重要，反应最快的部分，也是造成超调的原因，比如我们烧水，我们单位时间加热系数P为1.2,时间为单位time，但是我们希望温度为10，那么他time1就会先到达1.2 * (10-0)=12， 这时候超调3，time2的时候是0.9*(10-12)=-1.8,

2.I积分

Position_KI*Integral_bias:

3.D微分

我们之前说过D可以看出变化率的大小变化，那我们这次减去上次的偏差在某种程度上体现了单位时间内
Position_KD * (Bias-Last_Bias):
我们上面说到了超调1即为8，但是我们假设让他自行冷却，当他冷却到6.9时候，他又加热，6.9+2，又变成了8.9，这样永远处于动荡的过程中，假如我们加入微分，其震荡会变小，我们之前说过，微分就是两单位时间内，y的差值的的差值，打个比方，我们假设实在p点到达了6值，那我们距离7值的的偏差为1，当我们加热到q点8.9时，我们的偏差为1.9，

2.读入数据

代码如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

---

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。