PID控制算法学习

最新推荐文章于 2024-09-24 11:33:01 发布

哲学旺仔

最新推荐文章于 2024-09-24 11:33:01 发布

阅读量1k

点赞数

文章标签： python pid

原文链接：https://cloud.tencent.com/developer/article/1456305

版权

PID控制算法简单原理学习+Python演示

PID控制算法学习

PID控制算法学习

这篇文章是转载自：原文链接，原文作者。
这里仅仅是记录一下自己的学习过程加一些简单的代码注释补全。

1. PID算法控制运用在哪些地方？

PID：比例(Proportion)，积分(Integral)，微分(Differential)
PID算法可以用来控制温度，压强，流量，化学成分，速度等等。汽车的定速巡航；伺服驱动器中的速度位置控制；冷却系统的温度；液压系统的压力等都可以通过PID算法实现，很好的保证系统的稳定性。

2. PID算法的原理

先了解几个概念：

偏差/误差 e：某时刻的系统的输出值(output)和目标值(target)之差

参数	对应概念
$K_p$	比例系数
$K_i$	积分系数
$K_d$	微分系数
$T_i$	积分时间
$T_d$	微分时间

原理图

在这里插入图片描述
如图，当得到输出后，将输出和输入的差值作为偏差，将这个偏差信号经过比例，积分，微分3种运算方式叠加后再以一定的方式加入到输入中，从而控制最终的结果，达到想要的输出值。

公式

PID的公式原理：
$\hat{s}(t)$

$K_pe(t) + {1\over T_{i}} \int e(t)dt + T_d {d e(t) \over dt}$

如果需要在计算机上实现，需要将其离散化：

$K_p e[k] + K_i \sum_{n=0}^k e[n] + K_d(e[k]-e[k-1])$

$\ that: \ {T \over T_i} = K_i, \ {T \over T_d} = K_d)$

注：这里的 $u [k]$ 是PID控制的输出，也就是是控制量，而不是系统的输出。表示的是系统输出应该增加（减少）的量。

比例系数 $K_p$ :

增大比例系数使系统反应灵敏，调节速度加快，并且可以减小稳态误差。但是比例系数过大会使超调量增大，振荡次数增加，调节时间加长，动态性能变坏，比例系数太大甚至会使闭环系统不稳定。

比例控制不能消除稳态误差。

注：稳态误差可以这么理解：（知乎的例子）假设一个泳池每单位时间漏水0.1，现有蓄水0.8，只用propotion的话并且 $K_p=0.5$ 的时候，注水0.2 * 0.5 = 0.1。这样注水后水池有水0.8+0.1-0.1 = 0.8。这样的话就永远注不满水。这就是稳态误差的一个例子。

积分系数 $K_i$ :

使系统消除稳态误差,提高无差度。积分控制的作用是，只要系统有误差存在，积分调节就进行,积分控制器就不断地积累，输出控制量，直至无差,积分调节停止,积分调节输出一常值。因而，只要有足够的时间，积分控制将能完全消除误差，使系统误差为零，从而消除稳态误差。积分作用的强弱取决于积分时间常数Ti,Ti越小,积分作用就越强，积分作用太强会使系统超调加大，甚至使系统出现振荡，反之Ti大则积分作用弱。加入积分调节可使系统稳定性下降,动态响应变慢。

注：用注水的例子来说，假设不仅使用了比例系数，也使用积分系数，那么就算稳态误差存在，由于积分一直在增长，控制量也就会增长而不是停在0.1每单位的注水，这样最终我们能达到1的满水状态。

微分系数 $K_d$ :

微分控制可以减小超调量，克服振荡，使系统的稳定性提高，同时加快系统的动态响应速度，减小调整时间，从而改善系统的动态性能。

微分的控制作用跟偏差的变化的速度有关，微分控制能够预测偏差，产生超前的校正作用，有助于减少超调。

注：微分系数在注水的例子里可以理解为：如果临近满水的状况下，每次计算出来的注水量仍然很大，这时候就可以算上微分系数的分量作为缓冲，即减少超调量的震荡。

3. PID算法的python实现

首先建立一个PID的算法模块，算法原理就是上面的式子，保存为PID.py，如下：

import time

class PID:
    def __init__(self, P, I, D):
    　　# 输入系数
        self.Kp = P
        self.Ki = I
        self.Kd = D
        self.sample_time = 0.00
        self.current_time = time.time()
        self.last_time = self.current_time
        self.clear()
    def clear(self):
        self.SetPoint = 0.0	# 真实期望值 0.0
        self.PTerm = 0.0
        self.ITerm = 0.0
        self.DTerm = 0.0
        self.last_error = 0.0
        self.int_error = 0.0
        self.output = 0.0
    def update(self, feedback_value):
        # 计算误差 - 真实误差
        error = self.SetPoint - feedback_value
        # 计算经过的时间（微分的时间） - delta t
        self.current_time = time.time()
        delta_time = self.current_time - self.last_time
        # 计算误差的变化（微分的误差） - delta e
        delta_error = error - self.last_error
        if (delta_time >= self.sample_time):
            self.PTerm = self.Kp * error # 比例系数项
            self.ITerm += error * delta_time # 积分系数项
            self.DTerm = 0.0
            if delta_time > 0:
                self.DTerm = delta_error / delta_time # 微分系数项
            self.last_time = self.current_time # 记录新时间节点
            self.last_error = error # 记录新误差
            self.output = self.PTerm + (self.Ki * self.ITerm) + (self.Kd * self.DTerm)


    def setSampleTime(self, sample_time):
        self.sample_time = sample_time

然后在相同路径下建立一个test_pid.py，实现PID控制的算法示意，如下：

import PID #导入上面的PID算法
import time
import matplotlib.pyplot as plt
import numpy as np
from scipy.interpolate import make_interp_spline


def test_pid(P, I , D, L):
	# 初始化实例
    pid = PID.PID(P, I, D)
	
	# 真实期望值1.1
    pid.SetPoint=1.1
    # 开始采样时间.01
    pid.setSampleTime(0.01)
	
	# 采样数量
    END = L
    feedback = 0
    feedback_list = []
    time_list = []
    setpoint_list = []

    for i in range(1, END):
        pid.update(feedback)
        output = pid.output
        feedback += output # PID控制系统的函数 - 返回的修正值
        time.sleep(0.01)
        feedback_list.append(feedback) # 记录每次PID算法调整后的输出值
        setpoint_list.append(pid.SetPoint)
        time_list.append(i)

	# 画图部分
    time_sm = np.array(time_list)
    time_smooth = np.linspace(time_sm.min(), time_sm.max(), 300)
    # 插值 - 绘制平滑曲线，为了更好的展示效果
    feedback_smooth = make_interp_spline(time_list, feedback_list)(time_smooth)
    plt.figure(0)
    plt.grid(True)
    plt.plot(time_smooth, feedback_smooth,'b-')
    plt.plot(time_list, setpoint_list,'r')
    plt.xlim((0, L))
    plt.ylim((min(feedback_list)-0.5, max(feedback_list)+0.5))
    plt.xlabel('time (s)')
    plt.ylabel('PID (PV)')
    plt.title('PythonTEST PID--xiaomokuaipao',fontsize=15)

    plt.grid(True)
    plt.show()

if __name__ == "__main__":
    test_pid(1.2, 1, 0.001, L=100)

最终的输出如下：
在这里插入图片描述
其中，红色线是目标值(setpoint)，蓝色线是在当前 $K_p$ ， $K_i$ ， $K_d$ 参数下的震荡结果，最终趋于目标值，实现了控制。

从而用python实现了PID算法的简单示意。

4. PID调试的一些经验

PID调试的一般原则：

在输出不震荡时，增大比例增益；

在输出不震荡时，减少积分时间常数；

在输出不震荡时，增大微分时间常数；

PID调节口诀：

参数整定找最佳，从小到大顺序查

先是比例后积分，最后再把微分加

曲线振荡很频繁，比例度盘要放大

曲线漂浮绕大湾，比例度盘往小扳

曲线偏离回复慢，积分时间往下降

曲线波动周期长，积分时间再加长

曲线振荡频率快，先把微分降下来

动差大来波动慢，微分时间应加长

理想曲线两个波，前高后低四比一

一看二调多分析，调节质量不会低