电机驱动开发学习8. PID 算法

一、控制系统简介
- [1.1 什么是控制系统](#1.1 什么是控制系统)
- [1.2 开环与闭环](#1.2 开环与闭环)
- [1.3 为什么需要 PID](#1.3 为什么需要 PID)
[二、PID 算法是什么](#二、PID 算法是什么)
- [2.1 基本公式](#2.1 基本公式)
- [2.2 三个环节分别做什么](#2.2 三个环节分别做什么)
- - [P --- 比例](#P — 比例)
  - [I --- 积分](#I — 积分)
  - [D --- 微分](#D — 微分)
- [2.3 位置式与增量式](#2.3 位置式与增量式)
- [2.4 调参直觉](#2.4 调参直觉)
[三、Python 搭建 PID 仿真环境](#三、Python 搭建 PID 仿真环境)
- [3.1 环境准备](#3.1 环境准备)
- [3.2 被控对象：一阶惯性系统](#3.2 被控对象：一阶惯性系统)
- [3.3 PID 控制器实现](#3.3 PID 控制器实现)
- [3.4 交互式动态仿真](#3.4 交互式动态仿真)
四、仿真实验
- [4.1 运行方式](#4.1 运行方式)
- [4.2 实验一：只用 P，观察稳态误差](#4.2 实验一：只用 P，观察稳态误差)
- [4.3 实验二：加入 I 消除稳态误差](#4.3 实验二：加入 I 消除稳态误差)
- [4.4 实验三：加入 D 抑制超调](#4.4 实验三：加入 D 抑制超调)
- [4.5 实验四：方波跟踪（推荐观察超调/振荡）](#4.5 实验四：方波跟踪（推荐观察超调/振荡）)
- [4.6 实验五：扰动与正弦跟踪](#4.6 实验五：扰动与正弦跟踪)
- [4.7 调参顺序（与在线工具一致）](#4.7 调参顺序（与在线工具一致）)
五、仿真结果分析
- [5.1 阶跃响应指标](#5.1 阶跃响应指标)
- [5.2 常见问题与参数方向](#5.2 常见问题与参数方向)
六、从仿真到嵌入式
附录：仿真代码结构

一、控制系统简介

在开始学习 PID 之前，需要先理解控制系统在做什么。

1.1 什么是控制系统

控制系统由三部分组成：

组成部分	作用	举例
被控对象	接受输入、产生输出的物理或数学过程	水箱水位、房间温度、机械位置
传感器	测量被控对象的实际状态	液位计、温度计、编码器
控制器	根据目标与实际的偏差，计算控制量	PID 控制器

控制的目标通常是：让被控对象的某个量稳定地跟踪设定值（Setpoint）。

1.2 开环与闭环

开环控制：控制器直接给出固定输出，不参考测量值。

复制代码

设定值 ──→ 控制器 ──→ 被控对象 ──→ 输出

特点：结构简单，但无法自动纠正误差。负载变化、环境干扰都会导致输出偏离目标。

闭环控制（反馈控制）：把传感器测到的实际值反馈回来，与目标比较后修正输出。

复制代码

        ┌──────────────────────────────────┐
        │                                  │
设定值 ─┤→ 误差 ──→ 控制器 ──→ 被控对象 ──→ 输出
        │    ↑                           │
        │    └──────── 传感器 ←───────────┘
        └──────────────────────────────────┘

其中：

复制代码

误差 e(t) = 设定值 r(t) - 实际值 y(t)

闭环控制能自动补偿干扰，是 PID 发挥作用的前提。

1.3 为什么需要 PID

闭环里常见的问题是：

响应太慢，很久才接近目标
超调太大，冲过目标后再回来
存在稳态误差，永远差一点点到不了目标
负载突变后恢复慢

PID 通过三个环节分别处理这些问题：

环节	主要作用
P（比例）	误差越大，输出越大，加快响应
I（积分）	累积历史误差，消除稳态偏差
D（微分）	预测误差变化趋势，抑制超调

二、PID 算法是什么

2.1 基本公式

连续时间下的标准 PID 公式为：

复制代码

u(t) = Kp·e(t) + Ki·∫e(t)dt + Kd·de(t)/dt

上式含义：控制量 = 比例项 + 积分项 + 微分项。逐项说明如下。

整体符号

符号	含义
`u(t)`	控制量（输出）：控制器计算后送给被控对象的量，如加热功率、阀门开度、PWM 等
`t`	时间：连续变化的时刻

误差 e(t)

公式中的 e(t) 通常定义为：

复制代码

e(t) = r(t) - y(t)

符号	含义
`r(t)`	设定值（目标）：希望系统达到的值
`y(t)`	实际值（反馈）：传感器测到的当前值
`e(t)`	误差：目标与实际之差；`e > 0` 表示尚未到达目标，`e = 0` 表示已跟踪上

PID 的核心就是：根据误差 e 的大小和变化，决定控制量 u 该加多少、减多少。

第一项 Kp·e(t) --- 比例（P）

符号	含义
`Kp`	比例系数：P 环节的"力度"
`Kp·e(t)`	比例项：误差越大，输出越大

直觉：现在差多少，就按比例去补多少 。误差大则输出大、响应快；误差小则输出小、动作变缓。单独使用 P 时，系统往往存在稳态误差，即系统已经稳定下来之后，输出仍与设定值之间保留一个固定的小偏差，无法完全归零（例如目标 100，实际长期停在 95）。

第二项 Ki·∫e(t)dt --- 积分（I）

符号	含义
`Ki`	积分系数：I 环节的"力度"
`∫e(t)dt`	误差对时间的积分：把历史上每一时刻的误差累加起来
`Ki·∫e(t)dt`	积分项：对长期偏差的累积补偿

直觉：不只看"现在差多少"，还看"已经差多久了" 。只要误差持续不为零，积分项就会不断增大，推动输出继续变化，直到误差归零。用来消除稳态误差 ；Ki 过大会导致超调和积分饱和，即输出冲过目标后才慢慢回落，以及控制量已达上限时积分仍在累加、造成恢复缓慢或大幅振荡。

第三项 Kd·de(t)/dt --- 微分（D）

符号	含义
`Kd`	微分系数：D 环节的"力度"
`de(t)/dt`	误差对时间的导数：误差变化有多快
`Kd·de(t)/dt`	微分项：根据误差变化趋势做"提前刹车"

直觉：不看误差大小，而看误差变化有多快 。误差快速减小时，D 项产生反向作用，抑制超调；误差突然变大时，D 项会提前加大反应。对测量噪声较敏感，实际系统中常需滤波。

三项合在一起

复制代码

u(t) =  现在差多少就补多少     +  差多久就补多少        +  差得有多急就提前调节
        ─────────────────       ───────────────         ─────────────────────
        Kp·e(t)    (P)          Ki·∫e(t)dt   (I)         Kd·de(t)/dt   (D)

离散实现（嵌入式和仿真最常用）中，设采样周期为 dt，第 k 次采样时：

复制代码

e(k) = r(k) - y(k)

P项:  Kp · e(k)
I项:  Ki · Σ e(i)·dt
D项:  Kd · [e(k) - e(k-1)] / dt

u(k) = P项 + I项 + D项

这就是位置式 PID：每次直接算出控制量的绝对值。

2.2 三个环节分别做什么

P --- 比例

复制代码

u_P = Kp × e

Kp 越大：响应越快，但容易振荡
Kp 越小：响应慢，但更平稳
单独使用 P 时，系统往往存在稳态误差（例如被控对象有持续负载时，P 项不足以把误差完全消除）

I --- 积分

复制代码

u_I = Ki × Σ(e × dt)

只要误差不为零，积分项就会持续累加，直到把误差"积"到零
能消除稳态误差
但积分过大会导致超调和积分饱和（输出已到极限，积分还在累加）

工程上必须加积分限幅和**抗饱和（Anti-windup）**处理。

D --- 微分

复制代码

u_D = Kd × (e(k) - e(k-1)) / dt

相当于看"误差变化有多快"
误差快速减小时，D 项产生反向作用，抑制超调
对噪声敏感，实际系统中常对测量值滤波后再求微分

2.3 位置式与增量式

形式	输出含义	适用场景
位置式	直接输出控制量绝对值	温度、位置、PWM 占空比
增量式	输出相对上次的增量 Δu	步进电机、阀门开度微调

本教程仿真采用位置式 PID，与后续嵌入式实现一致。

2.4 调参直觉

调参没有唯一公式，但有一个实用顺序：

先设 Ki=0, Kd=0，从小到大调 Kp，直到出现轻微振荡
加入 Ki，消除稳态误差
若超调仍大，再加入少量 Kd

经典 Ziegler-Nichols 法可作为参考，但仿真 + 实机微调往往更直观。

三、Python 搭建 PID 仿真环境

在把 PID 写到 STM32 之前，先用 Python 仿真可以：

快速理解 P / I / D 各自对波形的影响
安全地试错调参，不烧硬件
建立"看到阶跃响应曲线"的直觉

3.1 环境准备

需要 Python 3.8+，安装依赖：

bash 复制代码

pip install numpy matplotlib

3.2 被控对象：一阶惯性系统

用一个简单的一阶惯性环节作为被控对象：

复制代码

T · dy/dt + y = K · u

含义：输出 y 不会瞬间跟随输入 u，而是以时间常数 T 逐渐逼近。很多物理过程（温度、液位、RC 电路）在一阶近似下都类似这个模型。

离散化（欧拉法）：

python 复制代码

dy = (K * u - y) / T
y  = y + dy * dt

本教程取 K=1.0, T=2.0，即控制量满幅时，输出约 2 秒后接近稳态。

3.3 PID 控制器实现

python 复制代码

class PIDController:
    def __init__(self, kp, ki, kd, dt, out_min=-10, out_max=10, integral_max=50):
        self.kp, self.ki, self.kd = kp, ki, kd
        self.dt = dt
        self.out_min, self.out_max = out_min, out_max
        self.integral_max = integral_max
        self.integral = 0.0
        self.prev_error = 0.0

    def update(self, setpoint, measurement):
        error = setpoint - measurement

        p_term = self.kp * error
        self.integral += self.ki * error * self.dt
        self.integral = max(-self.integral_max, min(self.integral_max, self.integral))
        d_term = self.kd * (error - self.prev_error) / self.dt
        self.prev_error = error

        output = p_term + self.integral + d_term
        output = max(self.out_min, min(self.out_max, output))

        # 积分抗饱和
        if output >= self.out_max and error > 0:
            self.integral -= self.ki * error * self.dt
        elif output <= self.out_min and error < 0:
            self.integral -= self.ki * error * self.dt

        return output

3.4 交互式动态仿真

本教程采用实时交互仿真 ，体验类似在线工具 ElysiaTools PID 可视化与 Luis Llamas PID Simulator：

拖动 Kp / Ki / Kd 滑块，曲线实时变化
响应曲线：目标值、实际输出、误差
PID 分量：P / I / D 三条输出随时间滚动
物理动画：红块=目标位置，蓝块=实际位置
实时指标：当前误差、积分项、微分项、超调量、调节时间
操作按钮 ：暂停/继续、重置、阶跃、方波、扰动、正弦跟踪

被控对象为一阶惯性系统 + 纯滞后（更贴近真实工业对象）：

复制代码

T · dy/dt + y = K · u(t - delay)

仿真步长 dt = 0.05 s（20 Hz），由定时刷新间隔决定，不是从 PID 公式推导出来的。

完整代码见 sim/pid_simulation.py。

四、仿真实验

4.1 运行方式

bash 复制代码

cd sim
python pid_simulation.py          # 交互式动态仿真（默认）
python pid_simulation.py --static # 静态 P/PI/PID 对比图

启动后会出现交互窗口，界面布局如下：

区域	内容
上方	响应曲线（目标 / 输出 / 误差）
左下	P / I / D 分量曲线
右下	物理位置动画
底部	Kp/Ki/Kd/噪声滑块 + 操作按钮 + 实时指标（目标值滑块仅阶跃模式显示）

4.2 实验一：只用 P，观察稳态误差

将 Ki=0, Kd=0，Kp 从 0.5 逐步调到 3.0
点击「阶跃」（此时会出现「目标值」滑块）
拖动目标值滑块设为 50（或其他值）
观察：输出能否快速上升？稳定后是否与目标有固定偏差？

预期：Kp 越大响应越快，但单独 P 往往存在稳态误差 。

4.3 实验二：加入 I 消除稳态误差

保持 Kp=2.0，Kd=0
将 Ki 从 0 逐步增大到 0.1 → 0.5 → 1.0
观察稳态误差是否消失，超调是否变大

预期：Ki 合适时可消除稳态误差；过大则超调增加、调节时间变长。

4.4 实验三：加入 D 抑制超调

在实验二较好的 PI 参数基础上，加入 Kd（如 0.3 → 0.8）
观察超调量和振荡是否减小

预期：适量 Kd 可抑制超调；过大且开启「噪声」滑块时，输出会抖动。

4.5 实验四：方波跟踪（推荐观察超调/振荡）

方波目标在高低两档之间反复阶跃，每个边沿都是一次阶跃响应，比正弦更容易观察：

上升/下降沿是否有超调
平台段是否有稳态误差（纯 P 时明显）
Ki 过大时是否在边沿附近来回振荡

操作：点击「方波」，目标在 25↔75 之间切换，周期 4 s（每档 2 s）。建议从 Ki=0, Kd=0 增大 Kp，再逐步加 Ki 对比边沿波形。

4.6 实验五：扰动与正弦跟踪

点击「扰动」：对被控对象施加负载突变，观察 PI/PID 能否拉回目标
点击「正弦」：目标值平滑变化，测试动态跟踪（相位滞后、幅值衰减）

4.7 调参顺序（与在线工具一致）

先只用 Kp，调到响应可接受
有稳态误差时加 Ki
超调或振荡过大时再加 Kd
每次只改一个参数，小幅调整

也可参考在线工具的观察指南：ElysiaTools 观察指南

五、仿真结果分析

5.1 阶跃响应指标

指标	含义	期望
上升时间	输出从 10% 到 90% 目标值的时间	越短越好（在稳定前提下）
超调量	超过目标值的峰值比例	越小越好，工业上常要求 < 10%
调节时间	进入并保持在误差带内的时间	越短越好
稳态误差	稳定后与目标的差	越接近 0 越好

5.2 常见问题与参数方向

现象	可能原因	调整方向
响应太慢	Kp 太小	增大 Kp
振荡 / 超调大	Kp 或 Ki 太大	减小 Kp/Ki，或加 Kd
有稳态误差	缺少积分或 Ki 太小	增大 Ki
控制量长时间饱和	积分 windup	加抗饱和，减小 Ki
输出抖动	D 项对噪声敏感	减小 Kd，或滤波

六、从仿真到嵌入式

本篇文章聚焦 PID 原理与 Python 仿真。掌握以下内容后，再进入下一篇（电机速度闭环）会轻松很多：

理解误差 e = 设定值 - 测量值
能手写位置式 PID，含积分限幅与抗饱和
通过仿真观察 P / I / D 对阶跃响应的影响
知道"先 P，再 I，最后 D"的调参顺序

下一篇将把同样的 PID 结构移植到 STM32，用编码器反馈实现电机速度闭环控制。

附录：仿真代码结构

复制代码

lesson8. PID算法/
├── README.md              # 本文
└── sim/
    └── pid_simulation.py  # 完整仿真脚本

依赖安装：

bash 复制代码

pip install numpy matplotlib

快速验证：

bash 复制代码

cd sim && python pid_simulation.py