一文看懂PID的基本原理（一）：原理篇

写在前面：最近要研究锁相环，后续还有一些电路开发需求，这里就讲讲控制理论的一些东西。PID这个东西并不是自动化专业才需要学习的，只要以后要和电子系统打交道基本都要接触到反馈控制，国内感觉大多是停留在能用就行，参数胡乱调整的一个现状，不过我希望能够好好理解PID。
提醒：本文需要一定的信号与系统基础

控制领域中我们一般将受控对象用数学模型描述为一个系统，一个最简单的系统至少有一个输入和一个输出，当然这种没有反馈，没有控制的单输入输出系统是没有任何研究意义的，之所以发展出了控制论，是因为我们希望系统的输出按照我们的意愿来，所以我们需要给系统一个合适的输入，如此就衍生出控制理论。

一个带有反馈的完整系统应该如图所示。这里要说明一下command和input区别，command也可以叫做期望值，也就是我们实际上需要系统输出的结果，input则是为了满足command的需求，综合了反馈回路最后对系统的输入。
feedback通常以error（误差）的形式传到input
接下来我们举个例子：
假如我从操场跑道出发：

系统抽象如图，系统期望值一开始是100，我的开始位置为0，那么error也就是100-0=100，那么乘上乘法器的0.1，一开始的速度就是10m/s，这时候误差就会急剧减小：

假设在终点，这时候error=100-100=0，那么速度也就为0，也就是说在终点停下，这就是控制领域中所谓“比例控制器”的模型。

但是比例控制器并不能应用于所有场景。
假如我们是想给电烙铁添加一个控制，那么情况会如何变化呢？
假如我们想达到350℃：

按照之前的思路，那么在达到350℃时，error被清0，那么停止加热，很明显，烙铁的温度会马上开始降低并且低于希望值。
我们稍微想一下就会知道这和之前走路的例子差别在哪：在终点我仍希望系统输出不为0以保证期望值不变，所以实际上比例控制器并不能完成350摄氏度的要求，而是应该稳定在低于350℃的某个温度（仔细想想就能明白）。

实际上我们就需要一个能够记录过去输入的组件，来判断是否达到了期望值，当然，在数学领域我们很容易能想到integral（积分器），我们来想像一下，加入了积分器会怎么样？

当然温度并非按绘制的图像上升，我这里只是说明一下原理，现实中肯定不会停止上升然后又上升。
想象一下当比例控制器停止工作后，这时候还存在一个constant error，那么这个error就会被积分器一直积分，那么积分器就会产生一个输入，使得温度继续上升，知道error被减为0。（当超过期望值时，error为负，积分器反向积分，减小加热量，最后经过一定的震荡使得最后温度趋近于期望值）

但是纯积分器有一个巨大的缺点，也就是它会有漂移，或者说饱和问题。
这里我们就要说一下系统的两个组分了：

这里的actuator和process实际上就是组成system的主要部分，其中actuator就是执行器，例如电动机、加热器等等，而process可以理解成受控过程或者说受控量，也就是被actuator输出控制的量，比如车轮的转速和烙铁的温度。

那么现实中的系统大多不是我们纯理论分析时的线性系统，比如电动机的转速不可能无限制地提升，那么这就会造成很大的问题，想象一下，我们如果有一款装有积分反馈回路的电烙铁，假设其控制部分和加热部分分开供电，我一开始只开了控制部分，而没有打开加热部分，过了一段时间发现电烙铁并没有热起来，紧接着才打开了加热开关，会发生什么呢？

如图，红色线代表实际温度，绿色代表积分值，蓝线代表加热器的温度，红色横线则是期望值。
当我们打开控制开关时，由于error是一个正值，积分器开始不断积分，当我们打开加热开关后，代表蓝线的加热器温度开始不断上升，但由于误差始终存在，积分器的值不断增加，并且最终由于加热器的温度有限，最终积分器的值会超出实际能产生的加热温度继续上升，红色的实际温度超过了期望值以后，积分器的值已经超过期望值很多了，这时候积分器的值开始下降，但是仍然高于加热器最高温度，所以加热器会继续加热，产生危险。这就是纯积分器带来的问题。
要解决这个问题也很简单，只需在actuator前加一个积分值和阈值的绝对值比较器，以及输入和积分值的正负号比较器就可以了，如果发现积分器的输出不合理时，断开积分回路即可，这个会在接下来的实践篇详讲。

通过上文的讲述，我们知道，纯积分器和比较器混合系统（PI)一定会产生这样一个问题：输出会超过期望值，通过一定的反复震荡逼近我们的期望值。
如果我们想避免这个问题，就得再添加一个组件来约束，我们知道积分器实则反应了对系统过去的一种描述，所以我们需要引入对于系统未来的一种描述来平衡，显然，数学工具中，微分器就是一个非常好的组件：

可见，微分器描述了误差的变化速率，在系统往期望值行进的过程中（也就是误差减小的过程中），微分器给出了一个调整，防止了输出过冲，使得曲线更加平滑：

但是纯微分器也存在一个问题——放大噪声，特别是高频噪声。
噪声原本是存在于系统中的幅值较小的干扰信号，我们假设噪声是正弦波：
在幅值相同的情况下，很明显，高频噪声通过微分器产生的干扰要严重得多。
所以我们一般要在微分器前面串联一个低通滤波器。
微分器在s plant 表达为1/s，而低通滤波器则是N/s+N，N为截止频率，单位是弧度。 那么实际中的微分器就为N/s(s+N），值得注意的是在matlab中我们常见的D环节是由积分器实现的，这是怎么一回事呢？其实是因为我们把微分器和LF的串联用积分器和一个数乘的并联：

从S plant的分析结果来看，这两种结构的效果是完全一致的，但是由于微分器所占用的计算资源更多，所以我们常常用积分器来实现D环节，那么一个完整的PID环节也就只包含了积分器和数乘器，最大程度地节省了计算资源。

PID的基本原理就介绍到这里，由于本人不是自动化专业的人士，所以难免会有错误，望海涵！

本文参考了外国友人brain的matlab tech 节目，如有侵权立即删除，谢谢！