PID 控制

PID 用比例、积分、微分三种作用加权叠加消除误差，是反馈控制的工业标准——不需要被控对象的精确模型，就能把常微分方程描述的动态系统稳定拉回设定值。

核心公式

设定值 $r (t)$ 与测量值 $y (t)$ 之差为误差 $e (t) = r (t) - y (t)$ ，控制器输出：

$u (t) = K_{p} e (t) + K_{i} \int_{0}^{t} e (τ) d τ + K_{d} \frac{d e ( t )}{d t}$

项	作用	直觉	副作用
比例 P	$K_{p} e$	误差大就用力拉，即时响应	留稳态误差，过大会振荡
积分 I	$K_{i} \int e$	累积历史误差，清零残余偏差	相位滞后，易超调、积分饱和
微分 D	$K_{d} \overset{e}{˙}$	预测趋势提前刹车，增加阻尼	放大噪声

三项分别回应误差的现在、过去、未来——这是 PID 的全部直觉。

为什么有效

多数被控对象在工作点附近可近似为低阶线性系统（一阶滞后 + 纯延迟），PID 的两个零点恰好能补偿这类极点结构
只依赖误差信号、不依赖模型——参数漂移、模型失配下依然鲁棒，这是它统治工业界的真正原因
频域视角：控制器传递函数 $C (s) = K_{p} + \frac{K _{i}}{s} + K_{d} s$ ，积分项抬高低频增益消除稳态误差，微分项抬高频宽加速响应

闭环特征方程 $1 + C (s) G (s) = 0$ 的根决定收敛、振荡还是发散——本质是常微分方程的稳定性问题（特征方程一节），系统化的稳定判据见系统稳定性 Stability。

调参

手动整定顺序：I、D 置零，增大 $K_{p}$ 到响应出现明显振荡后回退；加 $K_{i}$ 消稳态误差；最后加 $K_{d}$ 压超调。

现象	调整
响应慢、稳态误差大	增大 $K_{p}$
超调、振荡	减小 $K_{p}$ 或增大 $K_{d}$
稳态误差消不掉	增大 $K_{i}$
单调收敛但太慢	增大 $K_{i}$ （盯住超调）
执行器抖动、噪声敏感	减小 $K_{d}$ ，微分项加低通滤波

Ziegler–Nichols 整定：纯 P 下增大增益至等幅振荡，记临界增益 $K_{u}$ 与振荡周期 $T_{u}$ ：

控制器	$K_{p}$	$K_{i}$	$K_{d}$
P	$0.5 K_{u}$	—	—
PI	$0.45 K_{u}$	$0.54 K_{u} / T_{u}$	—
PID	$0.6 K_{u}$	$1.2 K_{u} / T_{u}$	$0.075 K_{u} T_{u}$

给的是起点不是终点，几乎总要再看响应曲线微调。

离散实现

计算机用求和替积分、差分替微分，采样周期 $T$ （采样带来的全部工程权衡见离散控制系统 Digital Control）。位置式输出绝对量：

$u_{k} = K_{p} e_{k} + K_{i} T \sum_{j = 0}^{k} e_{j} + \frac{K _{d}}{T} (e_{k} - e_{k - 1})$

增量式输出变化量，适合执行器本身带积分特性的场景（步进电机、阀门开度）：

$Δ u_{k} = K_{p} (e_{k} - e_{k - 1}) + K_{i} T e_{k} + \frac{K _{d}}{T} (e_{k} - 2 e_{k - 1} + e_{k - 2})$

工程上三个必做的改进：

微分先行：对测量值 $y$ 而非误差 $e$ 微分，设定值阶跃时不会产生微分踢（derivative kick）
微分滤波：微分项串一阶低通 $\frac{K _{d} s}{1 + τ _{f} s}$ ，压制高频噪声
积分抗饱和（anti-windup）：执行器饱和期间冻结或回算积分项，否则退出饱和极慢、超调恶化

Python 实现

import numpy as np
 
class PID:
    """位置式 PID：微分先行 + 条件积分抗饱和"""
    def __init__(self, kp, ki, kd, dt, umin=-10.0, umax=10.0):
        self.kp, self.ki, self.kd, self.dt = kp, ki, kd, dt
        self.umin, self.umax = umin, umax
        self.integral = 0.0
        self.y_prev = 0.0
 
    def __call__(self, r, y):
        e = r - y
        d = -(y - self.y_prev) / self.dt  # 对测量值微分，设定值阶跃时不产生微分踢
        u_unsat = self.kp * e + self.integral + self.kd * d
        # 输出未饱和才积累积分，饱和期间冻结，防 windup
        if self.umin < u_unsat < self.umax:
            self.integral += self.ki * e * self.dt
        self.y_prev = y
        return np.clip(u_unsat, self.umin, self.umax)
 
# 一阶滞后对象 dy/dt = (u - y) / tau，单位阶跃响应
dt, tau, steps = 0.01, 0.5, 800
pid = PID(kp=2.0, ki=4.0, kd=0.1, dt=dt, umax=5.0)
y, hist = 0.0, []
for _ in range(steps):
    u = pid(1.0, y)          # 设定值 r = 1
    y += dt * (u - y) / tau  # 欧拉法推进被控对象
    hist.append(y)
# 调参实验：ki=kd=0 纯 P 收敛到 0.8（稳态误差）；补 ki 后误差清零；
# kd 过大（>0.5）时未滤波的微分项反而使响应迟滞

理论定位

适用边界：单变量、工作点附近近似线性、延迟不太大的回路——覆盖绝大多数工业场景
力不从心处：多变量耦合、强非线性、大纯延迟 → 状态空间、LQR、MPC；无模型可辨识时转向强化学习
尽管现代控制理论层出不穷，工业回路九成以上仍是 PID：简单、鲁棒、任何维护工程师都看得懂

应用场景

过程控制：温度、流量、压力、液位回路，炼化与半导体制造的标配
运动控制：电机伺服、云台增稳、无人机姿态环（Pixhawk 的级联 PID）、3D 打印机（Marlin 固件）
日常设备：空调恒温、烤箱、定速巡航
同构场景：任何「测误差 → 反馈修正」的循环，如服务限流、训练超参调度，PID 都是第一直觉起点

知识花园

探索