PID 控制¶

PID 是工业界使用最广泛的控制算法，没有之一。超过 90% 的工业控制回路都在用 PID 或其变体。

一、PID 是什么¶

PID 控制器根据误差 \(e(t) = r(t) - y(t)\)（目标值 − 实际值）来计算控制量，由三项组成：

\[ u(t) = K_p \, e(t) + K_i \int_0^t e(\tau)\,d\tau + K_d \, \frac{de(t)}{dt} \]

在 \(s\) 域中：

\[ C(s) = K_p + \frac{K_i}{s} + K_d s \]

graph LR
    R["目标值 r"] --> SUM((+/-))
    SUM -->|误差 e| P["P: 比例<br>Kp × e"]
    SUM -->|误差 e| I["I: 积分<br>Ki × ∫e dt"]
    SUM -->|误差 e| D["D: 微分<br>Kd × de/dt"]
    P --> ADD((Σ))
    I --> ADD
    D --> ADD
    ADD -->|控制量 u| PLANT["被控对象"]
    PLANT -->|输出 y| OUT["输出"]
    OUT --> SUM

二、P / I / D 各项的物理意义¶

2.1 比例项（P）¶

\[ u_P = K_p \cdot e(t) \]

做什么：误差越大，输出越大。就像弹簧——你拉得越远，回复力越大。
效果：提高响应速度，减小稳态误差。
问题：单纯的 P 控制无法消除稳态误差。

为什么 P 控制有稳态误差？

假设控制一个水箱水位。水位低于目标 → 打开阀门进水。水位越接近目标 → 阀门开度越小 → 进水流量越小。

当进水流量 = 出水流量时，系统达到平衡，但此时水位并没有完全到达目标——因为如果误差 = 0，控制量也 = 0，没有动力维持水位。

这个残余误差就是 \(e_{ss} = \frac{1}{1 + K_p}\)（对于一个 0 型系统）。\(K_p\) 越大，误差越小，但永远不为零。

2.2 积分项（I）¶

\[ u_I = K_i \int_0^t e(\tau)\,d\tau \]

做什么：累积历史误差。即使当前误差很小，只要一直存在，积分就会持续增长，产生越来越大的控制输出。
效果：消除稳态误差（这是 I 项存在的核心意义）。
问题：引入相位滞后，可能导致超调和振荡。

积分消除稳态误差的直觉

还是水箱例子。加了 I 项后，即使水位差只有一点点，积分项也会随时间持续累积，不断增大阀门开度，直到水位完全到达目标值。此时误差 = 0，积分不再增长，输出维持在一个恒定值——恰好补偿出水流量。

2.3 微分项（D）¶

\[ u_D = K_d \cdot \frac{de(t)}{dt} \]

做什么：关注误差的变化速率。误差在快速减小 → 提前减小控制量；误差在增大 → 立刻加大控制量。
效果：预测未来趋势，抑制超调，增加阻尼。
问题：对噪声极其敏感（噪声的导数很大）。

D 项的直觉

类比开车刹车：你不会等到距前车 0 距离才踩刹车，而是看到距离在快速减小时就提前减速。D 项就是这个"提前量"。

三、P / I / D 参数效果总结¶

增大参数	响应速度	超调量	稳态误差	稳定性
\(K_p\) ↑	⬆ 加快	⬆ 增大	⬇ 减小（但不消除）	⬇ 变差
\(K_i\) ↑	⬆ 加快	⬆ 增大	消除	⬇ 变差
\(K_d\) ↑	— 轻微影响	⬇ 减小	— 无影响	⬆ 变好（适度时）

不是所有情况都要用完整 PID

P 控制：简单场景，允许一定稳态误差
PI 控制：最常见组合，消除稳态误差（温度控制、流量控制）
PD 控制：需要快速响应，不关心稳态误差（某些位置伺服）
PID 控制：需要兼顾精度和动态性能

四、离散化 PID¶

在嵌入式系统中，PID 必须用离散形式实现。采样周期为 \(T\)：

4.1 位置式 PID¶

\[ u(k) = K_p \, e(k) + K_i \, T \sum_{j=0}^{k} e(j) + K_d \, \frac{e(k) - e(k-1)}{T} \]

特点：输出是控制量的绝对值。积分项需要保存所有历史误差的累积。

4.2 增量式 PID¶

\[ \Delta u(k) = K_p [e(k) - e(k-1)] + K_i \, T \, e(k) + K_d \frac{e(k) - 2e(k-1) + e(k-2)}{T} \]

\[ u(k) = u(k-1) + \Delta u(k) \]

特点：输出是控制量的增量。不需要累积历史，更适合嵌入式实现。

位置式 vs 增量式

	位置式	增量式
输出	绝对控制量	控制量增量
积分饱和	容易出现	天然避免
无扰切换	困难	容易
适用场景	阀门开度等绝对量	电机 PWM 等增量式执行器

五、PID 调参方法¶

5.1 手动调参经验法¶

这是最常用的工程方法，按以下顺序：

调参三步法

第一步：只调 P

令 \(K_i = 0\)，\(K_d = 0\)
从小到大增大 \(K_p\)
观察阶跃响应：响应快但开始出现明显振荡时，记下此时的 \(K_p\)
取 \(K_p\) 为该值的 60%~70%

第二步：加入 I

保持 \(K_p\) 不变，从小到大增大 \(K_i\)
观察稳态误差是否被消除
如果超调变大、振荡加剧，减小 \(K_i\)
找到一个消除稳态误差但超调可接受的值

第三步：加入 D

如果超调仍然太大，从小到大增大 \(K_d\)
\(K_d\) 能抑制超调，但太大会导致高频振荡（噪声放大）
通常 \(K_d\) 远小于 \(K_p\)

5.2 Ziegler-Nichols 整定法¶

一种经典的半经验方法：

临界比例法：

令 \(K_i = 0\), \(K_d = 0\)
增大 \(K_p\) 直到系统出现等幅持续振荡
记录此时的 \(K_p = K_u\)（临界增益）和振荡周期 \(T_u\)

控制器类型	\(K_p\)	\(K_i\)	\(K_d\)
P	\(0.5 K_u\)	—	—
PI	\(0.45 K_u\)	\(\frac{0.54 K_u}{T_u}\)	—
PID	\(0.6 K_u\)	\(\frac{1.2 K_u}{T_u}\)	\(\frac{0.075 K_u \cdot T_u}{1}\)

Ziegler-Nichols 的局限

需要让系统达到临界振荡，在实际系统中可能有风险
调出的参数通常超调较大（约 25%），需要后续微调
更适合作为起点，而非最终参数

5.3 软件辅助调参¶

在嵌入式开发中，常用方法：

串口/CAN 实时调参：运行时通过上位机动态修改 PID 参数
示波器观察：用 DAC 或串口输出目标值和实际值的曲线
MATLAB/Simulink 仿真：建立电机模型，先在仿真中整定参数

六、工程中的 PID 改进¶

6.1 积分抗饱和（Anti-Windup）¶

问题：当执行器输出饱和（如 PWM 已达 100%），误差仍在累积积分项，导致积分项膨胀到很大的值。当误差方向反转时，需要很长时间才能消化掉积分量——造成严重超调。

解决方案：

方案 1：积分限幅方案 2：条件积分方案 3：反算抗饱和

integral += error * dt;
if (integral > INTEGRAL_MAX) integral = INTEGRAL_MAX;
if (integral < INTEGRAL_MIN) integral = INTEGRAL_MIN;

// 只在误差较小时启用积分
if (fabs(error) < ERROR_THRESHOLD) {
    integral += error * dt;
}

// 当输出饱和时，反向修正积分项
u_raw = Kp * error + Ki * integral + Kd * deriv;
u_sat = clamp(u_raw, U_MIN, U_MAX);
integral += (u_sat - u_raw) / Ka * dt; // Ka 为反算增益

6.2 微分滤波¶

D 项对噪声敏感，实践中几乎不会直接用纯微分。常用方法：

一阶低通滤波：

\[ D_{\text{filtered}}(s) = \frac{K_d s}{1 + \frac{K_d}{N} s} \]

其中 \(N\) 是滤波系数，通常取 8~20。这等价于在微分后加一个截止频率为 \(\frac{N}{K_d}\) 的低通滤波器。

// 离散实现
derivative = (error - prev_error) / dt;
filtered_derivative = alpha * filtered_derivative + (1 - alpha) * derivative;
// alpha = tau / (tau + dt), tau 为滤波时间常数

6.3 微分先行（Derivative on Measurement）¶

问题：当目标值突变（阶跃输入）时，误差的导数会出现脉冲，导致控制量瞬间冲击。

解决方案：对测量值而非误差做微分：

\[ u_D = -K_d \frac{dy(t)}{dt} \quad \text{（注意负号）} \]

目标值的突变不会引起微分冲击，但仍然能对输出的变化做出反应。

6.4 前馈补偿¶

PID 是反馈控制——必须先产生误差，才能修正。前馈在误差产生之前就施加补偿。

\[ u = u_{\text{PID}} + u_{\text{FF}} \]

前馈的例子

控制机械臂的关节角度。已知关节受重力影响，可以用逆动力学模型直接计算需要的力矩作为前馈量 \(u_{\text{FF}} = \tau_{\text{gravity}}\)，PID 只负责补偿剩余的小误差。

七、PID 参数整定的完整思维导图¶

graph TB
    START["开始调参"] --> P["1. 只用 P 控制"]
    P --> P_Q{"响应够快？"}
    P_Q -->|慢| P_UP["增大 Kp"]
    P_UP --> P
    P_Q -->|振荡| P_DOWN["减小 Kp 到 60%~70%"]
    P_DOWN --> I["2. 加入 I"]
    P_Q -->|合适| I
    I --> I_Q{"稳态误差消除？"}
    I_Q -->|有余差| I_UP["增大 Ki"]
    I_UP --> I
    I_Q -->|超调大| I_DOWN["减小 Ki"]
    I_DOWN --> D
    I_Q -->|合适| D["3. 加入 D"]
    D --> D_Q{"超调可接受？"}
    D_Q -->|超调大| D_UP["增大 Kd"]
    D_UP --> D
    D_Q -->|高频振荡| D_DOWN["减小 Kd，加滤波"]
    D_DOWN --> DONE["调参完成 ✅"]
    D_Q -->|合适| DONE

八、一段完整的嵌入式 PID 代码¶

typedef struct {
    float Kp, Ki, Kd;
    float integral;
    float prev_error;
    float prev_derivative;  // 用于微分滤波
    float output_min, output_max;
    float integral_min, integral_max;
    float dt;
    float alpha;  // 微分滤波系数
} PID_Controller;

float PID_Update(PID_Controller *pid, float setpoint, float measurement) {
    // 1. 计算误差
    float error = setpoint - measurement;

    // 2. 比例项
    float P = pid->Kp * error;

    // 3. 积分项（带抗饱和）
    pid->integral += error * pid->dt;
    if (pid->integral > pid->integral_max) pid->integral = pid->integral_max;
    if (pid->integral < pid->integral_min) pid->integral = pid->integral_min;
    float I = pid->Ki * pid->integral;

    // 4. 微分项（对测量值微分 + 低通滤波）
    float raw_derivative = -(measurement - pid->prev_error) / pid->dt; // 微分先行
    float D_filtered = pid->alpha * pid->prev_derivative
                     + (1.0f - pid->alpha) * raw_derivative;
    float D = pid->Kd * D_filtered;

    // 5. 输出限幅
    float output = P + I + D;
    if (output > pid->output_max) output = pid->output_max;
    if (output < pid->output_min) output = pid->output_min;

    // 6. 保存状态
    pid->prev_error = measurement;  // 注意：微分先行时保存的是测量值
    pid->prev_derivative = D_filtered;

    return output;
}

代码要点

积分限幅防止 windup
微分先行避免目标值突变引起冲击
低通滤波抑制噪声
输出限幅保护执行器