第7篇：基于传递函数的PI控制器设计

你是否遇到过？

做工控现场调试、机器人底盘闭环控制，或是自动驾驶低速跟车、液位恒温控制时，你是不是总被这类问题卡住：只用单纯的比例调节，温度、电机转速、水箱液位要么死活稳不住目标值，始终留一截稳态偏差够不着，要么参数稍大就剧烈超调、来回震荡；想补上积分环节消掉静差，又容易遇上系统响应滞后、调节变慢，甚至出现积分饱和导致系统失控？不少控制专业新手和一线工程师，一碰到传递函数、拉普拉斯变换就犯怵，总觉得PI控制器就是靠经验盲凑参数，摸不透背后的设计逻辑，现场调参全靠试错，效率低还没法保证系统稳定性。本篇作为经典控制理论专栏第7篇，从最通用的单回路闭环控制切入，用生活化类比+工程级案例+可直接运行的Python仿真，彻底讲透比例、积分控制的底层原理与各自短板，手把手拆解基于传递函数的PI控制器标准化设计流程，帮你彻底告别盲调，建立完整的PI控制工程思维，轻松搞定工业、机器人、自动驾驶领域的基础闭环控制场景。

核心内容：从单环节控制到PI控制器完整设计

本篇内容严格遵循"先拆解单环节、再分析缺陷、最后融合优化"的工程学习逻辑，全程选用一阶惯性环节作为核心被控对象------这是工业现场最具代表性的模型，覆盖温控系统、液位调节、普通电机转速、机械臂关节调速等90%的基础控制场景。我们先单独拆解比例控制、积分控制的工作原理、物理意义和工程局限性，再顺势引出PI控制器的融合逻辑，最后落地完整设计步骤与仿真验证，全程侧重"物理意义+工程应用"，拒绝纯数学堆砌，每一个公式、每一个参数都对应实际控制效果，让新手也能看懂、学会、用上。

一、比例（P）控制：最直观的"即时调节"，但天生有短板

1. 生活化类比+原理讲解

比例控制是所有闭环控制里最基础、最直观的逻辑，和我们日常手动调节水龙头接水的逻辑完全一致：目标是接到固定水位，当前水位和目标差得越多，拧开水龙头的幅度就越大；水位快达标时，再慢慢关小水流。核心工程逻辑：控制器输出量 = 比例系数 × 实时偏差值，这里的偏差，就是目标设定值与被控对象实际反馈值的差值，比例控制的优势是响应即时、无滞后，偏差一出现就立刻输出调节量，是闭环系统的"快速响应核心"。

2. 传递函数定义（提前明确符号，避免混淆）

为了避免后续公式混淆，先统一本篇全文核心符号定义，所有公式均遵循该定义，方便对照理解：

e(t)：时域偏差信号，计算公式为目标设定值 - 实际被控量反馈值，是控制器的核心输入信号
u(t)：控制器时域输出信号，直接作用于被控对象（如电机驱动器、调节阀、加热器）
Kp：比例系数，无量纲参数，数值越大，同等偏差下的调节力度越强，响应越快
G(s)：传递函数，s为拉普拉斯算子，用于将时域动态信号转换为复频域表示，简化线性系统分析
Gp(s)：比例控制器传递函数
Go(s) ：典型一阶惯性被控对象传递函数，本篇固定采用工业通用模型 Go(s)=1Ts+1Go(s) = \frac{1}{Ts+1}Go(s)=Ts+11 ，其中T为时间常数，直观反映系统响应的滞后程度，T越大滞后越明显
e(t)：偏差信号，目标值 - 实际被控量值
u(t)：控制器输出信号，作用于被控对象
Kp：比例系数，无量纲，越大调节力度越强
G(s)：传递函数，s为拉普拉斯算子，代表时域信号的复频域表示
Gp(s)：比例控制器传递函数
Go(s) ：典型一阶被控对象传递函数，本篇固定为 Go(s)=1Ts+1Go(s) = \frac{1}{Ts+1}Go(s)=Ts+11 ，T为时间常数，代表系统滞后程度

比例控制器时域输入输出公式（工程直观版）： u(t)=Kp⋅e(t)u(t) = Kp \cdot e(t)u(t)=Kp⋅e(t)

对公式做拉普拉斯变换（默认零初始条件，符合工程调试常规场景），得到复频域传递函数： Gp(s)=U(s)E(s)=KpGp(s) = \frac{U(s)}{E(s)} = KpGp(s)=E(s)U(s)=Kp

拉普拉斯变换后（零初始条件），传递函数： Gp(s)=U(s)E(s)=KpGp(s) = \frac{U(s)}{E(s)} = KpGp(s)=E(s)U(s)=Kp

3. 案例演示与局限性分析

我们以普通直流电机转速控制 作为工程案例，贴合实际工控场景：被控电机为一阶惯性模型，传递函数 Go(s)=15s+1Go(s) = \frac{1}{5s+1}Go(s)=5s+11 ，时间常数T=5s，代表电机从通电到转速稳定存在小幅滞后；目标转速设定为100r/min，接入比例控制器做阶跃响应测试。

测试结果很明确：加入P控制后，电机转速能快速向目标值靠近，响应速度足够快，但最终无法稳定在100r/min，始终存在固定数值的稳态误差 。核心原因很好理解：电机要维持恒定转速，控制器必须持续输出一定的驱动电压；而比例控制的输出完全依赖实时偏差，一旦偏差为0，输出立刻归零，电机就会减速，所以必须保留微小偏差，才能维持持续的控制输出，这就是比例控制无法克服的稳态误差缺陷，也注定它只能用于精度要求极低的粗调场景。

除此之外，比例参数调试也存在两难：Kp过大，系统调节力度过强，容易出现持续震荡、无法稳定；Kp过小，响应过于迟缓，稳态误差进一步放大，无论怎么调试，都躲不开"有静差"的核心短板。

加入P控制后，系统快速响应，转速快速向目标靠近，但永远无法达到100r/min稳态 ，始终存在固定偏差，也就是稳态误差 。原因很简单：要让电机维持转速，控制器必须输出一定电压，而P控制的输出完全依赖偏差，一旦偏差为0，输出就为0，电机就会减速，所以必须保留微小偏差才能维持输出，这就是P控制的致命短板------无法消除稳态误差，只适合精度要求极低的场景。

而且Kp过大，系统会震荡；Kp过小，响应太慢、偏差更大，怎么调都躲不开稳态误差。

二、积分（I）控制：消除稳态误差的"利器"，但单独用风险高

1. 生活化类比+原理讲解

积分控制就是为了彻底解决比例控制的稳态误差而生，它的核心逻辑不再只关注当前瞬时偏差，而是对历史所有偏差进行累积求和，通俗来说就是"持续记偏差的账"：只要系统还存在偏差，哪怕数值极小，积分环节都会持续累加偏差，逐步增大控制输出，直到偏差完全归零、被控量精准达标。举个温控场景的例子：室温距离目标差1℃，比例控制只会输出固定功率的热量，而积分控制会持续累积功率输出，直到室温精准达到目标值，不会留一丝偏差。

2. 传递函数与时域公式

Ki：积分系数，决定偏差累积的速度，Ki越大，积分累积越快，消除静差的速度也越快

积分控制器时域公式，核心体现偏差累积逻辑： u(t)=Ki⋅∫0te(τ)dτu(t) = Ki \cdot \int_{0}^{t} e(\tau) d\tauu(t)=Ki⋅∫0te(τ)dτ （对从初始时刻到当前时刻的所有偏差进行积分累加）

做拉普拉斯变换后，积分控制器传递函数： Gi(s)=U(s)E(s)=KisGi(s) = \frac{U(s)}{E(s)} = \frac{Ki}{s}Gi(s)=E(s)U(s)=sKi

传递函数： Gi(s)=U(s)E(s)=KisGi(s) = \frac{U(s)}{E(s)} = \frac{Ki}{s}Gi(s)=E(s)U(s)=sKi

3. 案例演示与局限性分析

依旧沿用上述电机转速控制模型，单独接入积分控制器做测试：稳态误差确实能彻底消除，电机转速最终能精准稳定在100r/min，但随之而来的是更影响工程落地的问题------系统响应极度迟缓，超调量极大，稳定性大幅下降。

根源在于积分环节的累积滞后特性：偏差刚出现时，积分输出不会立刻变大，而是缓慢累积，导致系统迟迟不响应；等到被控量快接近目标值、偏差趋近于0时，历史偏差累积的输出量已经过大，直接推着被控量冲过目标值（即超调），随后系统需要反复回调才能慢慢稳定，调节时间极长。单独的积分控制几乎无法在工业现场落地，抗干扰能力极差，稍有外界扰动就会出现大幅波动，完全不符合工程实用性要求。

原因在于积分是累积效应，有明显滞后性：偏差出现时，积分输出不会立刻变大，而是慢慢累积，系统响应迟缓；等偏差快消除时，累积的输出又太大，导致被控量冲过目标值（超调），来回震荡才能稳住。单独的I控制几乎没法工程落地，响应太慢、抗干扰能力极差，稍微有点扰动就会失控。

三、PI控制器：比例+积分融合，取长补短的最优解

1. PI控制器核心逻辑与传递函数

PI比例积分控制器，就是将比例控制的即时快速响应 与积分控制的零稳态误差两大优势深度融合，完美规避两者的单独缺陷，是工业控制领域最通用、最实用的基础控制器：比例环节负责"打头阵"，偏差出现后立刻输出调节量，快速拉近实际值与目标值的距离；积分环节负责"收尾稳控"，持续累积微小偏差，逐步消除剩余静差，让被控量最终精准稳定在目标值，两者配合实现"响应快、无静差、稳定性强"的工程控制目标。

PI控制器时域完整公式： u(t)=Kp⋅e(t)+Ki⋅∫0te(τ)dτu(t) = Kp \cdot e(t) + Ki \cdot \int_{0}^{t} e(\tau) d\tauu(t)=Kp⋅e(t)+Ki⋅∫0te(τ)dτ

复频域传递函数（PI控制器核心公式，工程设计必用）： Gpi(s)=Kp+Kis=Kp⋅s+KisGpi(s) = Kp + \frac{Ki}{s} = \frac{Kp \cdot s + Ki}{s}Gpi(s)=Kp+sKi=sKp⋅s+Ki

时域公式： u(t)=Kp⋅e(t)+Ki⋅∫0te(τ)dτu(t) = Kp \cdot e(t) + Ki \cdot \int_{0}^{t} e(\tau) d\tauu(t)=Kp⋅e(t)+Ki⋅∫0te(τ)dτ

传递函数（核心公式）： Gpi(s)=Kp+Kis=Kp⋅s+KisGpi(s) = Kp + \frac{Ki}{s} = \frac{Kp \cdot s + Ki}{s}Gpi(s)=Kp+sKi=sKp⋅s+Ki

2. 基于传递函数的PI控制器设计流程（工程实操版）

针对一阶惯性被控对象 Go(s)=1Ts+1Go(s) = \frac{1}{Ts+1}Go(s)=Ts+11 ，基于传递函数的PI控制器设计，全程采用工程实操版流程，避开复杂的数学证明，每一步都对应现场调试动作，新手也能直接套用：

Step1：辨识被控对象传递函数 ：通过工程阶跃响应测试，测出被控对象的时间常数T，确定Go(s)模型，本篇依旧采用T=5s的通用电机模型 Go(s)=15s+1Go(s) = \frac{1}{5s+1}Go(s)=5s+11
Step2：明确闭环控制性能指标：核心目标为零稳态误差、超调量≤10%、调节时间短，快速进入稳态，符合工业现场常规精度要求
Step3：PI参数分步整定（现场核心技巧）：遵循"先比例后积分"的原则，先调试Kp，让系统实现快速响应且无剧烈震荡，达到临界稳定状态；再逐步增大Ki，直至彻底消除稳态误差，严格避免Ki过大导致超调超标，工程现场常用阶跃响应试凑法，简单高效易上手
Step4：闭环系统稳定性校验：通过传递函数推导闭环总传递函数，结合二阶系统稳定性判据，验证参数合理性，杜绝参数设置不当导致的系统发散、失控问题

闭环传递函数分步推导（无跳步，新手友好）：

单回路负反馈闭环系统总传递函数通用公式： Gclosed(s)=Gpi(s)⋅Go(s)1+Gpi(s)⋅Go(s)Gclosed(s) = \frac{Gpi(s) \cdot Go(s)}{1 + Gpi(s) \cdot Go(s)}Gclosed(s)=1+Gpi(s)⋅Go(s)Gpi(s)⋅Go(s)

将PI控制器传递函数与一阶对象传递函数代入，化简后得到： Gclosed(s)=Kp⋅s+Ki5s2+(1+5Kp)s+KiGclosed(s) = \frac{Kp \cdot s + Ki}{5s^2 + (1+5Kp)s + Ki}Gclosed(s)=5s2+(1+5Kp)s+KiKp⋅s+Ki

该式为标准二阶系统传递函数，可与经典二阶系统标准式做系数匹配，计算阻尼比与自然振荡频率，直观判断系统稳定性，保证PI参数整定后系统平稳可控。

Step1：确定被控对象传递函数 ：通过工程测试（阶跃响应法）测出对象的时间常数T，确定Go(s)，本篇依旧用T=5s的电机对象 Go(s)=15s+1Go(s) = \frac{1}{5s+1}Go(s)=5s+11
Step2：明确闭环控制目标：无稳态误差、超调量小于10%、调节时间短（快速稳态）
Step3：参数整定核心思路：先调Kp，保证系统快速响应不剧烈震荡；再调Ki，慢慢增大消除稳态误差，避免Ki过大导致超调超标。工程上常用"阶跃响应试凑法"，适合现场快速调试
Step4：闭环稳定性校验：通过传递函数推导闭环传递函数，判断系统稳定性，避免参数设置不当导致失控

闭环传递函数推导（分步讲解，无跳步）：

闭环系统总传递函数 Gclosed(s)=Gpi(s)⋅Go(s)1+Gpi(s)⋅Go(s)Gclosed(s) = \frac{Gpi(s) \cdot Go(s)}{1 + Gpi(s) \cdot Go(s)}Gclosed(s)=1+Gpi(s)⋅Go(s)Gpi(s)⋅Go(s)

代入PI和对象传递函数，化简后： Gclosed(s)=Kp⋅s+Ki5s2+(1+5Kp)s+KiGclosed(s) = \frac{Kp \cdot s + Ki}{5s^2 + (1+5Kp)s + Ki}Gclosed(s)=5s2+(1+5Kp)s+KiKp⋅s+Ki

这是二阶系统传递函数，对应经典二阶系统标准式，通过系数匹配就能判断阻尼比和自然频率，保证系统稳定。

3. Python仿真实现（可直接复制运行，直观看效果）

为了让大家直观看到P、I、PI三种控制的效果差异，我们用Python的control控制库+matplotlib绘图库，做阶跃响应仿真对比，代码全程标注详细注释，无需额外改参数，复制即可直接运行，新手零门槛上手：

python 复制代码

# 导入所需库
import control as ctrl
import matplotlib.pyplot as plt
import numpy as np

# 1. 定义被控对象：一阶惯性环节 T=5s
G_o = ctrl.TransferFunction([1], [5, 1])

# 2. 定义三种控制器
Kp = 8  # 比例系数
Ki = 2  # 积分系数
# P控制器
G_p = ctrl.TransferFunction([Kp], [1])
# I控制器
G_i = ctrl.TransferFunction([Ki], [1, 0])
# PI控制器
G_pi = ctrl.TransferFunction([Kp, Ki], [1, 0])

# 3. 构建闭环系统
closed_p = ctrl.feedback(G_p * G_o, 1)
closed_i = ctrl.feedback(G_i * G_o, 1)
closed_pi = ctrl.feedback(G_pi * G_o, 1)

# 4. 阶跃响应仿真（目标值1，对应电机100r/min）
t = np.linspace(0, 30, 1000)
t_p, y_p = ctrl.step_response(closed_p, t)
t_i, y_i = ctrl.step_response(closed_i, t)
t_pi, y_pi = ctrl.step_response(closed_pi, t)

# 5. 绘图对比
plt.figure(figsize=(10, 6))
plt.plot(t_p, y_p, label='P控制 (Kp=8)', color='orange', linewidth=1.5)
plt.plot(t_i, y_i, label='I控制 (Ki=2)', color='green', linewidth=1.5)
plt.plot(t_pi, y_pi, label='PI控制 (Kp=8, Ki=2)', color='red', linewidth=2)
plt.axhline(y=1, color='black', linestyle='--', label='目标值')
plt.xlabel('时间 (s)')
plt.ylabel('归一化转速')
plt.title('P/I/PI控制阶跃响应对比')
plt.legend()
plt.grid(True)
plt.show()

4. 仿真结果解读

运行代码后，可清晰直观地看出三种控制方案的核心差异，完全贴合工程实际表现：

P控制：响应速度最快，无滞后，但稳态误差明显，始终无法达到目标值，精度不达标
I控制：最终能消除静差、精准达标，但响应极慢，超调量巨大，调节时间超长，不具备工程实用性
PI控制：响应速度接近纯比例控制，无任何稳态误差，超调量小、调节时间短，能快速进入稳定状态，完美匹配工业现场、机器人、自动驾驶的基础控制需求
P控制：响应快，但始终低于目标值，稳态误差明显
I控制：最终达标，但响应极慢，超调量大，调节时间长
PI控制：响应速度接近P控制，无稳态误差，超调量小，快速稳定，完全符合工程要求

四、三种控制算法核心对比总结

控制类型	核心优势	核心缺陷	工程适用场景
比例（P）控制	响应速度快，结构简单，无滞后	存在固定稳态误差，精度极低	精度要求低、快速粗调场景，比如简易风扇调速
积分（I）控制	彻底消除稳态误差	响应慢，滞后大，超调严重，稳定性差	几乎不单独使用，仅配合比例使用
比例积分（PI）控制	响应快、无稳态误差、稳定性好，参数易调	对大滞后对象适配性一般（需配合PID）	90%工业场景：温控、液位、电机转速、机器人闭环控制

本篇总结

比例控制依托瞬时偏差实现即时调节，响应快、结构简单，但天生存在稳态误差，无法满足高精度控制需求，是PI控制器的快速响应核心；积分控制依托偏差累积彻底消除静差，但单独使用滞后性强、超调量大、稳定性差，无法单独工程应用。PI控制器融合比例与积分两大环节，兼顾了快速响应、零稳态误差与系统稳定性，是工业现场应用最广泛的基础闭环控制器。基于传递函数设计PI控制器，核心逻辑是先辨识被控对象模型，再遵循先比例后积分的思路整定参数，最后通过仿真或稳定性分析验证效果。掌握这套PI设计方法，既能搞定绝大多数基础工业控制场景，也能为后续学习完整PID控制打下扎实的理论与工程基础。

思考题

在本篇电机转速PI仿真案例中，若将积分系数Ki从2调大至5，系统阶跃响应会出现什么变化？结合积分控制的偏差累积物理意义，分析Ki过大对系统超调量、调节时间和稳定性的具体影响，可直接修改代码运行验证结论，加深对积分参数的理解。
工业水箱液位控制对象，时间常数T远大于普通电机，系统滞后更明显，针对这类大滞后一阶惯性对象，设计PI控制器时，Kp与Ki的整定思路需要做哪些针对性调整？请结合滞后特性与PI参数的物理意义，说明调整原因。