7.3 PID控制从手工整定到代码实现

7.3 PID控制：从手工整定到代码实现

本节摘要：PID 控制器以"比例治当下、积分治过去、微分治未来"的三项叠加统治工业控制百年。本节逐项拆解三项的作用与副作用，手写离散 PID 实现并复现积分饱和现象与抗饱和修复，给出 Ziegler-Nichols 整定流程与仿真验证的完整闭环。

一条百年公式

u(t) = Kp·e(t) + Ki·∫e(τ)dτ + Kd·de/dt。误差 e 是设定值与实测值之差，控制量 u 是三项加权和：比例项盯着当下误差，误差越大纠正越猛；积分项累积过去的误差，专治"稳态残留偏差"；微分项预判误差的变化趋势，提前刹车抑制超调。1911 年斯佩里陀螺、1939 年泰勒公司的气动控制器用的就是它的雏形，今天它仍占工业回路的大多数——一个三项公式活了一百年，不是因为精致，而是因为不依赖精确模型：只要系统大致单调，PID 靠反馈就能对付。

三项的分与合

先在 7.1 的二阶系统上逐项做拆解实验。只上比例（P）：响应快但有余差——增益越高余差越小，但高到某处开始振荡（第 1 章烤箱实验的重演）。加积分（I）：余差被慢慢碾平，代价是相位滞后、超调加剧、且带来积分饱和风险。加微分（D）：超调被抑制、稳定裕度增加，但它对测量噪声极其敏感（噪声的导数被放大）：

import numpy as np

def plant_response(Kp, Ki, Kd, T=8.0, dt=0.005, m=1.0, c=1.2, k=9.0):
    """二阶系统 + PID 的闭环仿真，返回位置轨迹与误差统计"""
    x, v, integ, e_prev = 0.0, 0.0, 0.0, 1.0
    traj = []
    for _ in range(int(T / dt)):
        e = 1.0 - x                          # 设定值 1
        integ += e * dt
        deriv = (e - e_prev) / dt
        u = Kp * e + Ki * integ + Kd * deriv
        e_prev = e
        a = (u - c * v - k * x) / m
        v += a * dt
        x += v * dt
        traj.append(x)
    t = np.array(traj)
    return t.max(), t[-1]

print("纯P Kp=5   超调 %.2f 末值 %.3f（余差明显）" % plant_response(5, 0, 0))
print("PI Kp=5,Ki=3 超调 %.2f 末值 %.3f（余差消失但超调增大）" % plant_response(5, 3, 0))
print("PID 全家桶  超调 %.2f 末值 %.3f（微分压住超调）" % plant_response(5, 3, 0.5))
​

积分饱和：PID 最著名的坑

执行器有物理上限（阀门开度 0 到 100%），误差长期同号时，积分项会累积到远超执行器极限的数值；设定值回摆后，积分项要花很久"放电"，导致大幅超调甚至振荡——这就是积分饱和（windup）。复现与修复：

def pid_with_windup(antiwindup=True, Kp=5, Ki=6, T=12.0, dt=0.005,
                    m=1.0, c=1.2, k=9.0, u_max=2.0):
    x, v, integ, e_prev = 0.0, 0.0, 0.0, 1.0
    peak = 0.0
    for i in range(int(T / dt)):
        r = 1.0 if i * dt < 6 else -1.0        # 设定值中途翻转
        e = r - x
        integ_raw = integ + e * dt
        u_raw = Kp * e + Ki * integ_raw
        u = np.clip(u_raw, -u_max, u_max)
        # 抗饱和：只在输出未饱和或积分方向有利于退饱和时才累积
        if (not antiwindup) or (abs(u_raw) <= u_max) or (u_raw * e < 0):
            integ = integ_raw
        a = (u - c * v - k * x) / m
        v += a * dt
        x += v * dt
        peak = max(peak, abs(x))
    return peak

print("无抗饱和 峰值偏差 %.2f" % pid_with_windup(False))
print("有抗饱和 峰值偏差 %.2f" % pid_with_windup(True))
​

抗饱和的手段一脉相承：积分钳位、反算（back-calculation，把超限部分按速率回灌给积分项）、条件积分。逻辑核心都一样——执行器已经顶死时，别让积分继续空转攒债。

PID 三项与整定路线

整定：从手感到流程

Ziegler-Nichols 临界增益法是百年经典流程：先只上比例并逐步增大增益，直到系统出现等幅振荡，记下临界增益 Ku 与振荡周期 Tu；然后按经验表 Kp = 0.6Ku、Ki = 1.2Ku/Tu、Kd = 0.075Ku·Tu 落地，再微调。它的价值不在参数多准，而在给了可复现的起手式。现代工程更常见的姿势是仿真整定：把 7.1 的模型搭起来，用网格搜索或最优化（把超调、调节时间、稳态误差加权成一个目标函数——对，第 3 章的优化兵器直接可用）扫参数取最优，最后小范围实机验证。理论工具如根轨迹与频域裕度（伯德图上的相位裕度、增益裕度）则回答"离失稳还有多远"的鲁棒性问题，是整定时的安全护栏。

⚠️ 常见坑：微分项直接对测量值求导。测量噪声被导数放大后 injected 进执行器，阀门会高频抖动。标准做法是对测量值做低通滤波，或干脆只用 PI（工业现场大多数回路就是 PI）。

本节要点回顾

• 三项口诀：比例治当下、积分治过去、微分治未来；副作用分别是振荡、饱和、噪声放大；
• 积分饱和是 PID 头号坑，钳位/反算/条件积分三招可解，核心是顶死时不攒债；
• Ziegler-Nichols 给可复现起手式，仿真整定 + 频域裕度护栏是现代标配；
• PID 长寿靠免模型：对模型精度要求低，靠反馈吃饭；
• 参数整定本身是优化问题，第 3 章兵器可无缝复用——两条战线在此握手。

反馈的"手工时代"到此为止。下一章让增益从经验变成计算：LQR 用一条二次代价解出最优反馈，卡尔曼滤波从噪声里捞出状态，强化学习把"最优"延伸到模型未知的世界。