PID 控制器原理及实战

一杯水果茶！

已于 2025-05-05 11:36:59 修改

阅读量1.1k

点赞数 26

分类专栏：瞎捣鼓文章标签： PID

于 2025-03-23 10:35:49 首次发布

本文链接：https://blog.csdn.net/xiaoyuting999/article/details/146451675

版权

瞎捣鼓专栏收录该内容

25 篇文章

订阅专栏

原理
开源 PID 库

原理

拿走不客气：看不懂的 直接看例子，回来就能看懂了。

PID 控制器通过比例（P）、积分（I）和微分（D）三项来调节系统输出，以使 系统误差（设定值与实际值之间的差异） 尽快趋近于零，用于闭环控制系统中作为控制器。

闭环控制系统：

在这里插入图片描述

【总结】

比例项（P）： 误差增大时立即产生较大控制信号，主要影响 系统响应速度。
积分项（I）： 用于 消除稳态误差，但必须防止在输出饱和时的 “积分饱和”，通常通过积分限幅或 抗饱和设计 来实现。
微分项（D）： 预测误差变化趋势，对系统突发扰动做出反应，同时由于噪声敏感，需加 低通滤波器 平滑输出。
增益调整： 各项增益的设置基于系统特性和期望响应，不能简单地认为误差增大时各项增益就应该随之“增大”或“减小”，而是需要在实际调试过程中权衡系统响应速度、稳定性以及抗噪声能力。

【补充说明】

积分项消除稳态误差： 积分项通过累计持续存在的误差来补偿比例项的不足。例如，在温控系统中，室内漏风导致温度始终低于目标值，积分项累计的误差最终促使系统输出额外的控制力，使温度达到预期值。
微分项的作用： 微分项生成的是反向调整力，用于抑制误差变化过快而可能引发的过冲或振荡。它通过预测误差的变化趋势来提供阻尼作用，但不会与积分项互相抵消，而是协同工作：积分项用于消除稳态误差，微分项用于平滑动态响应。
积分抗饱和机制：在加热器等执行器达到输出极限时，通过限制积分项的累积或进行反馈校正，避免因积分饱和引起的过冲问题，使得系统在解除饱和状态后能更快恢复到目标温度。
微分低通滤波：用于滤除传感器噪声，使得微分项只反映真实的温度变化率，从而避免因噪声引起的不稳定调整，确保系统响应更加平滑和稳定。

通过综合调整这些参数，可以设计出既快速又稳定的 PID 控制器，满足不同系统的控制需求。

各项的原理、计算方法以及在误差变化时它们的作用

1. 比例项（P）

基本原理： 比例项直接与当前误差成正比。其控制作用可以表达为

$u_P = K_P \times e(t)$

其中， $K_P$ 是比例增益， $e (t)$ 是当前误差。当误差增大时，比例项输出也会相应增大，从而使控制器输出快速响应错误变化。

增益调节：

较高的 $K_P$ ： 响应更迅速，但可能导致 系统超调或振荡。
较低的 $K_P$ ： 响应较缓，但系统 稳定性更高。

因此， $K_P$ 的设定主要取决于系统的动态特性和期望响应速度，通常通过实验或模型分析来确定最佳值，而不是简单地在误差增大时“增大”或“减小”。

2. 积分项（I）

基本原理： 积分项对过去的误差进行累计，从而消除稳态误差。其计算公式为

$u_I = K_I \times \int_0^t e(\tau) \, d\tau$

当系统长期存在小误差时，积分项会不断累积，直到消除该误差。

误差增大时的作用： 如果误差突然增大，积分项的累计速度会加快，但其作用并不是立即的大幅度调整，而是 逐步补偿持续存在的偏差。
积分抗饱和（Anti-Windup）：当控制器输出受到限制（例如执行器饱和）时，积分项如果持续累加可能导致“积分饱和”（Windup），使系统恢复过程变慢。为防止这一现象，可以采取以下措施：
- 积分限幅： 对积分项的累计值设定上限和下限。
- 反馈抗饱和： 当输出饱和时，暂停或调整积分项的积分操作，使积分部分与实际可行的控制输出相匹配。

例如，在温度控制系统中，当加热器达到最大功率时，继续积分会导致系统过度“记忆”错误，此时通过抗饱和技术抑制积分的继续累积，有助于系统在条件解除后迅速恢复正常控制。

3. 微分项（D）

基本原理： 微分项关注误差的变化率，即误差的导数，提供了一种预测性修正。计算公式为
$u_D = K_D \times \frac{d}{dt} e(t)$

当误差变化较快（例如系统出现突然扰动）时，微分项会迅速作出反应，提前抑制误差的进一步恶化。

误差增大时的作用： 如果误差突然增大，微分项会根据误差上升的速率产生一个反向的调整力，从而“平滑”响应，防止过冲。
微分低通滤波：由于微分项对噪声非常敏感，实际实现时通常会在微分计算前加上低通滤波器。
- 低通滤波器作用： 滤除高频噪声，确保微分项仅反映真正的误差变化趋势，而不是噪声的快速波动。
- 实现方法： 可以用一阶滤波器（例如以时间常数 $\tau_D$ 设计的低通滤波器）平滑微分信号，从而提高系统鲁棒性。

一阶低通滤波器（First-order Low-pass Filter）在控制系统和信号处理中非常常见，它的本质就是：让低频信号通过，抑制高频信号。
“低通” = Low-pass filter，意思是：

低频信号（信号变化慢）可以通过
高频信号（信号变化太快）会被削弱/抑制

假设 x[n] 是一个跳跃很快的信号：x: 0 → 10 → -5 → 7 → 0，经过低通滤波器，输出就会变得平滑很多： y_filtered: 0 → 2 → 1 → 2.5 → 1.8。也就是说：“滤波器让信号变化速度变慢”，就像一个“惯性”系统。
想象你是司机，脚在控制油门（控制器），眼睛在观察车速（系统响应）：

没滤波：你一看到速度掉一点点，立刻猛踩油门 → 系统震荡
有滤波：你反应慢一点，不理会细微速度抖动 → 行驶更平稳

一阶低通滤波器的常见形式是： $τ \cdot d y / d t + y = x$

x 是输入（未滤波的信号）
y 是输出（滤波后的信号）
τ 是时间常数（越大滤波越慢）

对应离散系统，常写成： y[n] = (α * x[n]) + (1 - α) * y[n-1] 或者 y_filtered = (N * dt * x + y_prev) / (1 + N * dt)

N 越大 → 响应越快（滤波越弱，更接近原始信号）
N 越小 → 响应越慢（滤波更强，抑制高频）

如果 N 设得过小，低通滤波器会强烈抑制微分项，导致滤波后的微分项很平滑（→ 接近零），微分项几乎没参与控制。

举例分析：温度控制系统（例子很重要~）

假设我们设计一个 PID 控制器用于控制室内温度，目标设定为 22°C，而当前温度为 20°C，误差 $e (t) = 2$ °C。

比例项： 如果 $K_P = 5$ ，则比例输出为

$u_P = 5 \times 2 = 10$

表示当前需要较大的调整来提高温度。
积分项： 假设过去一段时间内温度一直低于设定值（稳态误差），积分累计了较大的误差。如果 $K_I = 1$ ，且积分累计达到 3，则

$u_I = 1 \times 3 = 3$
积分项如何消除稳态误差：积分项通过不断累积误差，在比例项无法单独调整到目标温度时，提供额外的“推动力”。
- 稳态误差产生的原因： 在温控系统中，假设室内由于漏风或其他外界干扰，系统维持在一个平衡点，但这个平衡点低于目标温度。例如：目标温度为 22℃，但由于漏风，室内温度可能稳定在 20℃。此时，比例项可能输出一个正值，使得加热器开始工作，但由于漏风带走的热量刚好和加热器补偿的热量平衡，温度长期维持在 20℃，系统存在稳态误差 2℃。
- 积分项的作用： 积分项通过不断累积误差来计算累计偏差： $u_I = K_I \int_{0}^{t} e(\tau) d\tau$ 。在温控例子中，当温度长期低于 22℃时，每一时刻的误差（2℃）都会被累加。随着时间的推移，这个积分值会不断增加，直到输出的控制量足够大，从而克服漏风带来的影响，让室内温度逐步上升到目标温度。因此，当比例项的输出不足以消除漏风带来的热量损失时，积分项会“记住”这个累积的误差，并在一定时间后输出额外的控制力，推动温度进一步上升。
- 举例说明： 假设温控系统目标为 22℃，实际稳定在 20℃，误差始终为 +2℃。
  - 初期： 比例项 $u_P = K_P \times 2$ 已经启动加热，但由于环境漏风，温度并未上升。
  - 累积： 积分项开始积累这个 2℃ 的误差，如果 $K_I$ 适中，经过一段时间积分量积累到某个值，使得 $u_I = K_I \times (\text{累计误差})$ 增加控制力。
  - 结果： 当 $u_P + u_I$ 超过一个临界值后，加热器输出足够的热量克服漏风带走的热量，使室内温度上升到预期值 22℃。
但如果 加热器功率有限，导致控制信号被限制，积分限幅或抗饱和机制 会防止积分项继续增长，避免在系统恢复后造成温度过冲。
积分抗饱和机制如何工作？
- 限制积分项累计： 当检测到控制信号已经饱和时，可以暂停或限制积分项的累积，防止积分部分继续增加。
- 反馈校正： 在某些实现中，会根据实际输出与计算输出之间的偏差，对积分部分进行反馈校正，快速将积分值拉回到合适范围内。
温控系统中的例子：
- 假设温控目标为 22℃，但由于漏风或环境扰动，温度一度下降到 20℃。为了补偿这个 2℃ 的误差，PID 控制器的积分项会开始累积误差。
- 然而，如果加热器已经在最大功率状态，额外的积分累计并不会转化为更高的加热功率，而只是“堆积”在控制器内部。
- 当环境条件改善时，这个过大的积分项可能会导致温度迅速上升超过 22℃，引发过冲。
- 采用抗饱和机制后，当检测到加热器输出已达上限时，积分项的累积将被限制，从而避免这种不必要的“记忆效应”，使系统能平稳地恢复到目标温度。
微分项： 若温度变化速率较快（例如突然有冷风进来导致温度下降），微分项能预测这一趋势。如果 $K_D = 2$ 且温度下降速率为 -0.5°C/s，则

$u_D = 2 \times (-0.5) = -1$

此项起到预警和抑制过冲作用。
微分项的具体作用及其与积分项的关系？
- 微分项的作用： 微分项关注误差的变化率，即当前误差相对于之前状态的变化速度。其计算公式为： $u_D = K_D \frac{de(t)}{dt}$ 。当误差突然发生变化（例如温度迅速下降或上升）时，微分项会立刻反应，并产生一个与误差变化方向相反的调整力。
  - 防止过冲和振荡： 如果温度变化过快，微分项会产生一个反向力（例如误差上升很快时，输出一个负的调整信号），起到“阻尼”作用，减少系统过冲或震荡的可能性。
  - 预测未来趋势： 微分项可以看作对未来一小段时间内误差变化的预估，通过提前反应，平滑系统响应。
- 与积分项的关系： 积分项主要负责消除长期存在的稳态误差，而微分项则对系统的瞬间变化作出反应，两者在时间尺度和功能上有所不同：
  - 互补作用： 微分项不会与积分项“互冲掉”，而是共同作用于控制信号。积分项积累误差并推动系统修正稳态偏差，而微分项则在出现急剧变化时提供阻尼，防止系统反应过于激烈。
  - 平衡系统动态： 在一些情况下，积分项可能由于持续累积而导致系统响应迟滞或过冲，而微分项可以抑制这种现象，使系统响应更加平稳。
  - 设计时的调试： 调试 PID 控制器时，往往需要通过经验调整 $K_I$ 和 $K_D$ 的值，使得二者配合得当：既能消除稳态误差，又能抑制快速变化带来的负面影响，而不会相互抵消对方的正向作用。
仍以温控系统为例：
- 积分项作用： 当室内温度长期低于目标温度时，积分项不断累积误差，从而推动加热器输出更大功率。
- 微分项作用： 如果 由于某个瞬间外部风速突然增大导致温度急剧下降，微分项会立刻检测到温度下降的速率，并输出一个反向信号，提醒系统不要过快调节，避免温度“过补”而反弹到过高的状态。
- 协同工作： 最终，比例项提供即时反应，积分项消除稳态偏差，而微分项则平滑和预防突发变化，两者各司其职，共同稳定系统温度。
但实际中，微分项经过 低通滤波 后，可能调整为 -0.8，进一步减少噪声带来的误差放大效应。
低通滤波（Low-Pass Filtering）的作用？
在实际温控系统中，温度传感器的读数通常会受到噪声干扰。直接计算误差的变化率（即微分项）时，这些 高频噪声会被放大，导致微分项输出异常，从而使控制器反应过于敏感，出现不稳定的情况。
低通滤波如何工作：
- 滤除高频噪声：低通滤波器 允许低频信号（代表真实的温度变化）通过，而衰减高频信号（大多为噪声）。
- 平滑微分信号：经过低通滤波后的误差信号更为平滑，计算出的微分项也更为稳定，从而防止控制器因噪声引起不必要的反向调整。
温控系统中的例子：
- 假设温度传感器由于外部电磁干扰或其他因素，数据中夹杂了一些瞬间的噪声。
- 如果直接使用这些数据计算微分项，即使实际温度变化较平缓，噪声也可能使得误差的导数值剧烈波动，导致 PID 控制器瞬间输出一个较大的反向调整力，从而使温度波动剧烈。
- 通过在微分项前添加一个低通滤波器，只有较平滑、低频的真实温度变化会被传递给微分计算，从而避免噪声对系统的干扰，保证系统响应平稳。
总控制输出： 总输出 $u$ 为三项之和

$u = u_P + u_I + u_D = 10 + 3 - 0.8 = 12.2$

该输出指示加热器需要提高功率，但抗饱和机制保证当加热器功率达到上限时，积分项不会继续累积，从而避免未来温度过冲。

还有一个非常经典的水箱加水的例子，参考 PID控制算法原理（抛弃公式，从本质上真正理解PID控制）
还有一个控制无人机飞行高度的例子，参考通俗易懂的 PID 控制算法讲解
还有一个跑到目标位置的例子，参考简易PID算法的快速扫盲（超详细+过程推导+C语言程序）

调整各项增益值

原则上，误差增大时：

比例项： 增大误差直接使得比例输出增大，其作用即时有效，但过高的比例增益可能引起系统振荡。
积分项： 对于短期突变的误差，不宜立即累积过多积分；而对于长期持续的误差，则需要适当的积分作用来消除稳态偏差。
微分项： 能迅速响应误差变化率，但由于噪声问题，需通过低通滤波器调节，防止引入过多高频信号。

增益调整的目标： 调整各项增益的主要目标在于在保证系统响应迅速的同时避免过冲、振荡和积分饱和。一般来说：

比例增益 $K_P$ 应根据系统敏感性确定。
积分增益 $K_I$ 要足够小以防止饱和，但又要足够大以消除稳态误差。抗饱和设计（例如积分限幅）在积分作用较强时尤为重要。
微分增益 $K_D$ 则需要结合低通滤波来抑制噪声，确保其对误差变化速率的响应是平滑且真实的。

低通滤波器会抑制高频噪声的影响，但是在 Kd 较大时，控制器对误差变化的敏感性会增大，导致 更大的微分信号 被放大。尽管滤波器会尝试平滑这些高频成分，但如果 Kd 过大，仍然会导致系统对误差波动的反应过度，产生震荡。

如果系统震荡多、超调大 → 增加 Kd
如果系统反应迟钝或过于敏感 → 减小 Kd

在这里插入图片描述

参考 Wiki PID 增益调试方式：PID 控制器

Ziegler Nicholes reaction curve method：

Matlab/simulink 中有 PID 组件，然后 PID Tune 可以直接拖动上方的响应时间和稳健特性来自适应调节状态演进（实线）以及 PID 输出的电压（虚线）。

在这里插入图片描述

开源 PID 库

伪码参考：
在这里插入图片描述
开源库（ 都基于固定的 PID 参数，没有内置自适应调节机制 ）：

对于 Python，常用的有 python-control、simple-pid 以及 ivmech/ivPID；
MATLAB 平台上，可使用官方的 Control System Toolbox；
C++ 领域则有功能强大的 ACADO Toolkit 和基于 Eigen 实现的 LQR/PID 示例；
在机器人领域，ROS 提供了 ros_control 及其 PID 插件。

Python 推荐库

1. python-control

python-control

功能：提供连续和离散系统的状态空间、传递函数、零极点增益模型及相关分析与设计（如根轨迹、伯德图、LQR、PID 调谐工具）
安装：pip install control

  from control import ss, lqr, ss2tf, rootlocus
  sys = ss(A, B, C, 0)
  K, S, E = lqr(sys, Q, R)       # LQR 设计
  rootlocus(sys * K)             # 根轨迹 PID 调谐辅助

2. simple-pid

simple-pid

功能：轻量级、零依赖的 PID 控制器，仅实现 P、I、D 三项计算，适合实时嵌入式与简单测试，支持积分限幅（钳制）和输出限幅；
安装：pip install simple-pid

from simple_pid import PID  # 假设已经安装： pip install simple-pid
import time

Kp,Ki,Kd = 1.0,0.1,0.01  # 指定 Kp, Ki, Kd（三项增益根据系统调节）
pid = PID(Kp, Ki, Kd,
          setpoint=0.0,         # 目标值为 0
          sample_time=0.01,     # 每 0.01 秒计算一次输出
          output_limits=(None, None)  # 不做输出饱和限幅，如需限幅，可填 `(min_u, max_u)`
)

# 下面的 loop 演示如何在仿真或实时控制里使用：
current_time = time.time()
while True:
    current_z = read_sensor_z()   # 获取当前测量值
    control_voltage = pid(current_z)  # 计算控制量（如果距离上次 sample_time 未到则返回上次结果）
    apply_voltage(control_voltage) # 将控制量作用到系统
    time.sleep(0.001)  # 等待下一个采样周期

3. ivPID

ivmech/ivPID

功能：另一款纯 Python 实现的 PID 控制器，API 简洁，支持自动积分限幅和输出限幅；
获取：git clone https://github.com/ivmech/ivPID 或 pip install ivpid

ivPID 控制器的默认实现是 基于系统实时时间 time.time() 进行采样控制（即：每隔 sample_time 秒才更新一次）。但在真实应用（如控制仿真或机器人环境）中，通常有一个明确、固定的采样间隔，比如 dt = 1e-4 秒，只需在每次调用 .update() 时显式提供当前模拟时间，而不让它用 time.time()，

from ivPID import PID

pid = PID(Kp=1.2, Ki=1.0, Kd=0.01)  # 初始化 PID 控制器
pid.SetPoint = 0.0  # 目标位置为 0
pid.sample_time = 1e-4  # 设置采样时间为 0.0001 秒
pid.windup_guard = 10  # 设置防积分饱和限制

dt = 1e-4
sim_time = 0.0  # 模拟过程中的时间步

for step in range(num_steps):
    current_z = get_current_z()  # 获取当前输出
	control_voltage = pid.update(feedback_value=current_z, current_time=sim_time)  # 显式传入模拟时间
    apply_control_voltage(control_voltage)
    sim_time += dt  # 手动推进时间

MATLAB 平台

Control System Toolbox

功能：MATLAB 官方工具箱，支持状态空间、传递函数建模，PID 调谐器、LQR、MPC 等多种经典与现代控制方法；可与 Simulink 无缝集成。
```
sys = ss(A, B, C, 0);
K = pidtune(sys, 'PID');         % 自动 PID 调谐
[K,S,P] = lqr(sys, Q, R);        % LQR 设计
```

Adaptive Tuning

自适应增益方法 旨在根据系统状态或环境变化在线调整 PID 参数，从而提高控制器在非线性或时变系统中的性能。

增益调度（Gain Scheduling）：根据系统工作点或外部扰动的大小 预先设计一系列 PID 参数，运行时 根据当前状态选择对应参数。这种方法实现简单，但要求对系统各工况有充分建模或实验数据支持。
P.A. Tapp A, A Comparion of three self-tuning control algorithms

假设温控系统在不同环境下具有不同的动态特性：
- 低温环境下：由于热容大或散热条件较好，温度上升较慢，此时可能需要 较高的比例增益和积分增益 来快速提升温度。
- 高温环境下：系统可能处于敏感状态（防止温度过冲），这时需要 降低比例增益，甚至提高微分作用 以抑制过冲。
通过增益调度，我们可以预先确定在不同室温（或其他参数，如风速、湿度等）下的最佳 PID 参数组合。实际运行时，系统会根据当前环境条件选择合适的参数，从而提高温控效果。这种方法的优点是实现简单、易于理解，但需要对各工作点进行充分实验或建模。
模型参考自适应控制（MRAC）：MRAC 通过设计一个 参考模型（期望系统响应模型），使实际系统的输出跟踪参考模型。当实际输出与参考输出存在差异时，利用自适应律（通常基于 Lyapunov 理论或其他稳定性证明方法）实时调整 PID 参数，使系统响应尽可能接近参考模型。MRAC 对模型精度要求较高，适用于模型已知或可以近似的场合。
P.A. Tapp A, A Comparion of three self-tuning control algorithms

在温控场景中，假设设计一个参考模型，要求温度响应平滑且无超调。实际温控系统可能受外界扰动（如突发的漏风）影响，响应偏离参考模型。MRAC 算法会 比较实际温度变化和参考模型输出的差距，然后 根据这个偏差在线调整 PID 增益：
- 如果 实际温度上升速度低于参考模型，则自动提高比例和积分增益，以加强加热力度；
- 如果 温度上升过快或出现过冲，则调整微分增益（或降低比例增益），以抑制系统的动态过激响应。
这种方法依赖于参考模型的设计以及自适应律的稳定性保证，能够在一定程度上应对温控系统中的非线性和时变特性。
自整定控制（Self-Tuning Regulator, STR）：自整定控制结合了在线系统辨识与控制参数调整。通过实时收集系统数据（如温度、加热器输出等），利用 递归最小二乘法或其他辨识算法估计系统动态模型（如传递函数或状态空间模型）。基于辨识结果，计算出最优 PID 参数，使闭环系统达到预期性能。
考虑温控系统在实际运行过程中，由于外部环境（如季节、房屋隔热性能变化等）引起系统动态特性发生变化。STR 方法会在线收集温度数据，利用辨识算法得到系统的热响应模型：
- 当检测到系统响应变慢（可能由于季节性变化引起的散热加剧），则系统辨识结果显示延迟或增益降低，此时可以自动提高 PID 参数，增强加热力度；
- 当环境变化使得温度上升较快，辨识结果反馈出系统响应增益上升，控制器会适当降低 PID 参数，以避免过冲。
通过这种方式，STR 实现了根据实际系统动态特性在线调节 PID 参数的能力，从而使温控系统始终保持在较优的调节状态。
模糊逻辑 PID 控制：利用模糊逻辑规则，将输入（如温度误差、误差变化率等）与输出（PID 增益调整量）之间建立模糊关系。设计一组模糊规则，例如“如果温度误差大且上升速度快，则增加微分作用”，或者“如果温度误差较小但持续存在，则增强积分作用”。控制器根据实时温控数据，通过模糊推理自动调整 PID 参数。
神经网络 PID 控制：利用神经网络学习系统动态特性，建立输入（温度误差、环境参数）和输出（PID 参数调整）的映射关系。通过离线训练和在线更新，神经网络能够自适应地捕捉系统的非线性和时变特性。

Frankcklin Rivas-echeverria. Nerual Network-based Auto-Tuning for PID Controllers

在温控系统中，可以使用神经网络对过去的温度响应数据进行训练，建立一个预测模型。当实际温度响应与预测不符时，神经网络根据误差反向调整输出的 PID 参数，达到优化控制的目的。

直接训练一个神经网络作为 PID 控制器， F. Shahraki, M.a. Fanaei. Adaptive System Control with PID Neural networks