经典控制理论

Proportional Integral Derivative

PID 控制器是工业控制中应用最广泛的反馈控制算法，通过比例、积分、微分三个环节的组合，实现对系统误差的快速、准确、稳定控制。

📖 1. 概述

PID（Proportional-Integral-Derivative）控制器是一种线性反馈控制器，其核心思想是根据系统误差（设定值与实际输出之差）的比例、积分、微分组合来生成控制信号。

📊

比例 P

当前误差的响应，快速但有稳态误差

📐

积分 I

历史误差的累积，消除稳态误差

⚡

微分 D

误差变化趋势的预测，抑制超调

🎯

广泛应用

工业控制中 90% 以上的控制器采用 PID

💡

核心优势：PID 控制器结构简单、鲁棒性好、不需要精确的数学模型，只需调节三个参数（Kp, Ki, Kd）即可实现良好的控制效果。

🔧 2. PID 原理

2.1 比例环节（P）

$$u_P(t) = K_p \cdot e(t)$$

比例环节的输出与误差信号成正比，是最基本的控制环节。

优点

响应速度快
结构简单
即时响应误差变化

缺点

存在稳态误差
Kp 过大会导致振荡
无法消除常值干扰

2.2 积分环节（I）

$$u_I(t) = K_i \cdot \int_0^t e(\tau)d\tau$$

积分环节的输出与误差的累积量成正比，用于消除稳态误差。

✅

作用：积分环节能够消除比例控制无法消除的稳态误差，但会引入相位滞后，可能导致系统超调和振荡。

2.3 微分环节（D）

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

微分环节的输出与误差的变化率成正比，用于预测误差变化趋势。

💡

作用：微分环节能够抑制超调、改善动态性能，但对噪声敏感，实际应用中需要滤波处理。

2.4 PID 各环节响应对比

📝 3. 公式推导

3.1 连续时间形式

PID 控制器的连续时间表达式：

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

其中：

符号	含义	作用
$K_p$	比例增益	控制当前误差的响应强度
$K_i$	积分增益	控制历史误差累积的响应强度
$K_d$	微分增益	控制误差变化率的响应强度
$e(t)$	误差信号	$e(t) = r(t) - y(t)$

3.2 离散时间形式

使用矩形积分近似和后向差分近似：

$$u(k) = K_p \cdot e(k) + K_i \cdot T_s \cdot \sum_{i=0}^{k} e(i) + K_d \cdot \frac{e(k) - e(k-1)}{T_s}$$

其中 $T_s$ 为采样周期。离散形式便于数字控制器实现。

3.3 传递函数形式

在 Laplace 域中，PID 控制器的传递函数为：

$$G_c(s) = \frac{U(s)}{E(s)} = K_p + \frac{K_i}{s} + K_d s = \frac{K_d s^2 + K_p s + K_i}{s}$$

标准 PID 形式

工程中常用的标准形式：

$$G_c(s) = K_p \left(1 + \frac{1}{T_i s} + T_d s\right)$$

其中 $T_i = K_p/K_i$ 为积分时间常数，$T_d = K_d/K_p$ 为微分时间常数。

并联 PID 形式

各环节独立调节：

$$G_c(s) = K_p + \frac{K_i}{s} + K_d s$$

连续时间

$$u(t) = K_p e(t) + K_i \int_0^t e(\tau)d\tau + K_d \dot{e}(t)$$

离散时间

$$u(k) = K_p e(k) + K_i T_s \sum_{i=0}^{k} e(i) + \frac{K_d}{T_s}[e(k)-e(k-1)]$$

📊 4. 频域分析

4.1 伯德图（Bode Plot）

伯德图用于分析系统频率响应，包含幅频特性和相频特性两部分。

$$G_c(j\omega) = K_p + \frac{K_i}{j\omega} + K_d j\omega$$

频段	主导环节	幅频斜率	相频特性
低频段 ($\omega \to 0$)	积分 I	-20 dB/dec	$\to -90°$
中频段	比例 P	0 dB/dec	$\to 0°$
高频段 ($\omega \to \infty$)	微分 D	+20 dB/dec	$\to +90°$

🔧 交互式频域分析（拖动滑块调整参数）

Kp: 1.0

Ki: 0.5

Kd: 0.2

伯德图 - 幅频特性

伯德图 - 相频特性

奈氏图

极点-零点图

4.2 奈氏图（Nyquist Plot）

奈氏图是频率响应在复平面上的极坐标表示，用于判断闭环系统稳定性。

$$G_c(j\omega) = \text{Re}(\omega) + j \cdot \text{Im}(\omega)$$

⚠️

奈氏稳定判据：若开环传递函数 $G_c(s)G_p(s)$ 的奈氏曲线包围 (-1, j0) 点的次数等于开环右半平面极点数，则闭环系统稳定。

4.3 极点-零点图

PID 控制器的传递函数为：

$$G_c(s) = \frac{K_d s^2 + K_p s + K_i}{s}$$

特征	位置	影响
极点	$s = 0$（原点）	积分环节，消除稳态误差
零点	由 $K_d s^2 + K_p s + K_i = 0$ 决定	影响系统动态响应

🎯 5. 稳定性分析

5.1 劳斯-赫尔维茨判据

对于闭环特征方程 $1 + G_c(s)G_p(s) = 0$，劳斯判据可用于判断稳定性。

一阶系统 PID 控制▼

系统：$G_p(s) = \frac{K}{\tau s + 1}$

$$G_c(s)G_p(s) = \frac{K(K_d s^2 + K_p s + K_i)}{s(\tau s + 1)}$$

闭环特征方程：$\tau s^2 + (1 + KK_d)s + KK_p = 0$

稳定条件：$\tau > 0, 1+KK_d > 0, KK_p > 0$（始终成立）

二阶系统 PID 控制▼

系统：$G_p(s) = \frac{K}{s(\tau s + 1)}$

$$G_c(s)G_p(s) = \frac{K(K_d s^2 + K_p s + K_i)}{s^2(\tau s + 1)}$$

闭环特征方程：$\tau s^3 + s^2 + KK_d s^2 + KK_p s + KK_i = 0$

使用劳斯判据判断稳定性。

5.2 相位裕度与增益裕度

相位裕度 (PM)

定义：增益穿越频率处相位与 -180° 的差值。

$$PM = 180° + \angle G(j\omega_{gc})$$

推荐：$PM \geq 45°$ 保证良好的阻尼特性。

增益裕度 (GM)

定义：相位穿越频率处增益的倒数。

$$GM = \frac{1}{|G(j\omega_{pc})|}$$

推荐：$GM \geq 6$ dB 保证足够的稳定性。

✅

经验法则：对于典型的 PID 控制系统，相位裕度 45°~60°、增益裕度 6~12 dB 可获得良好的动态响应和鲁棒性。

🔥 6. PID 变体

PI 控制器▼

$$G_c(s) = K_p + \frac{K_i}{s} = \frac{K_p s + K_i}{s}$$

特点：消除稳态误差，但无法预测误差变化趋势。

适用：对动态响应要求不高、主要关心稳态精度的场合。

PD 控制器▼

$$G_c(s) = K_p + K_d s$$

特点：预测误差变化趋势，改善动态性能，但无法消除稳态误差。

适用：响应速度要求高、稳态误差可接受的场合。

增量式 PID▼

$$\Delta u(k) = u(k) - u(k-1)$$

$$\Delta u(k) = K_p[e(k)-e(k-1)] + K_i e(k) + K_d[e(k)-2e(k-1)+e(k-2)]$$

特点：输出控制量的增量，避免积分饱和，便于无扰切换。

抗积分饱和 PID▼

当控制量达到饱和限制时，停止积分累积或反向积分：

$$\text{if } |u| \geq u_{\max}, \text{ then } u_I(k) = u_I(k-1) - \alpha \cdot e(k)$$

作用：防止执行器饱和时积分项持续累积导致的超调。

滤波 PID▼

对微分项添加低通滤波器，抑制高频噪声：

$$G_c(s) = K_p + \frac{K_i}{s} + \frac{K_d s}{\tau_f s + 1}$$

作用：保留微分环节的相位超前特性，同时抑制高频噪声放大。

PID 变体对比

类型	优点	缺点	适用场景
PID	全面、鲁棒	参数多、调参复杂	通用
PI	简单、消除稳态误差	响应较慢	温度、液位控制
PD	响应快、抑制超调	有稳态误差	伺服系统
增量式	无积分饱和、便于切换	需要历史数据	过程控制

🏗️ 7. 调参方法

7.1 Ziegler-Nichols 方法

经典的 PID 参数整定方法，基于系统的临界增益和临界周期。

临界增益法（第二法）：
1. 仅使用比例控制，逐步增大 Kp 直到系统等幅振荡
2. 记录此时的临界增益 $K_u$ 和振荡周期 $T_u$
3. 按下表计算 PID 参数

控制器类型	Kp	Ti	Td	Ki	Kd
P	0.5 Ku	-	-	-	-
PI	0.45 Ku	Tu/1.2	-	0.54 Ku/Tu	-
PID	0.6 Ku	Tu/2	Tu/8	1.2 Ku/Tu	0.075 Ku·Tu

7.2 手动整定原则

Step 1: 先调 P

从小到大增加 Kp，直到系统响应快但不振荡（超调 < 20%）。

Step 2: 再调 I

从小到大增加 Ki，消除稳态误差，同时避免过大的超调。

Step 3: 最后调 D

从小到大增加 Kd，抑制超调，改善动态性能，注意避免噪声放大。

7.3 常见调参经验

💡

温度控制

Kp 适中，Ki 较小，Kd 较小（响应慢）

💡

位置控制

Kp 较大，Ki 适中，Kd 较大（快速响应）

💡

流量控制

Kp 较小，Ki 适中，Kd 较小（抑制噪声）

💡

压力控制

Kp 适中，Ki 较小，Kd 适中（平衡响应与稳定性）

7.4 参数对系统性能的影响

参数增大	上升时间	超调量	调节时间	稳态误差
$K_p$ 增大	减小	增大	基本不变	减小
$K_i$ 增大	减小	增大	增大	消除
$K_d$ 增大	基本不变	减小	减小	基本不变

⚠️

注意：PID 参数之间存在耦合，调整一个参数可能影响其他参数的效果。实际调参时需要反复迭代，综合考虑各项性能指标。

🚀 8. 应用场景

🌡️ 温度控制▼

工业炉、烘箱、反应釜等温度控制系统。

Python 仿真Python

import numpy as np
import matplotlib.pyplot as plt

# 一阶惯性系统
K, tau = 1.0, 10.0  # 增益、时间常数
Kp, Ki, Kd = 2.0, 0.1, 0.5
dt, T = 0.1, 100
t = np.arange(0, T, dt)
x, e_prev, integral = 0, 0, 0

for i in range(1, len(t)):
    e = 1 - x  # 阶跃响应
    integral += e * dt
    derivative = (e - e_prev) / dt
    u = Kp * e + Ki * integral + Kd * derivative
    x = x + dt * (-x + K * u) / tau
    e_prev = e

🛰️ 电机速度控制▼

直流电机、伺服电机的速度控制。

Python 仿真Python

# 电机模型: J*dw/dt = Kt*i - B*w
J, B, Kt = 0.01, 0.1, 0.5  # 转动惯量、摩擦、力矩常数
Kp, Ki, Kd = 10, 5, 0.1
dt, T = 0.001, 2
t = np.arange(0, T, dt)
w, e_prev, integral = 0, 0, 0

for i in range(1, len(t)):
    e = 100 - w  # 目标转速 100 rad/s
    integral += e * dt
    derivative = (e - e_prev) / dt
    i_cmd = Kp * e + Ki * integral + Kd * derivative
    w = w + dt * (Kt * i_cmd - B * w) / J
    e_prev = e

🚗 自动驾驶纵向控制▼

车辆速度控制、自适应巡航控制 (ACC)。

输入：目标车速、当前车速
输出：油门/刹车控制量
特点：需要考虑执行器延迟和车辆动力学

🏭 过程控制▼

化工、制药、食品等工业过程控制。

液位控制：储罐液位稳定
流量控制：管道流量调节
压力控制：容器压力稳定
浓度控制：混合物浓度调节

🤖 机器人关节控制▼

工业机器人、协作机器人的关节位置/力矩控制。

位置环：PI 控制，消除稳态误差
速度环：PI 控制，快速跟踪
力矩环：P 控制，高带宽响应

📊 9. 与其他方法对比

方法	优点	缺点	适用场景
PID	简单、鲁棒、不需模型	非最优、调参困难	通用、快速部署
LQR	最优性、理论完善	需要精确模型	线性系统、无约束
MPC	处理约束、多变量	计算量大	有约束、非线性
H∞	强鲁棒性	保守、复杂	不确定性大
模糊 PID	不需精确模型、自适应	规则设计主观	非线性、不确定

决策流程图

选型指南：

✅ 简单系统 + 快速部署 + 不需模型 → PID
✅ 线性系统 + 无约束 + 需要最优 → LQR
✅ 有约束 + 非线性 + 计算资源充足 → MPC
✅ 强鲁棒性要求 + 模型不确定 → H∞
✅ 非线性 + 无精确模型 + 经验知识 → 模糊 PID

💡

实践联系：当 LQR 的 Q = diag(Kp, 0), R = 1/Ki 时，LQR 的稳态增益与 PI 控制器类似。MPC 在无限时域、无约束、线性系统下退化为 LQR，而 LQR 可看作 PID 的多变量扩展。

❓ 10. 常见问题

10.1 PID 控制器振荡怎么办？

⚠️

常见原因及解决方案：
1. Kp 过大 → 减小比例增益
2. Ki 过大 → 减小积分增益
3. Kd 过大 → 减小微分增益（可能放大噪声）
4. 采样周期过小 → 增大采样周期

10.2 如何消除稳态误差？

✅

方法：
1. 增加积分环节（Ki > 0）
2. 增大积分时间（减小 Ki）
3. 使用积分抗饱和策略
4. 检查执行器是否饱和

10.3 PID 与 LQR 的关系？

对于一阶系统 $\dot{x} = -ax + bu$：

LQR 增益 $K = \sqrt{q/r}$，类似于比例增益
积分环节的引入可消除稳态误差，类似于 LQR 中添加积分状态
PID 可看作 LQR 的简化版本，适用于不需要精确模型的场合

10.4 数字 PID 的实现方式？

位置式 PID

$$u(k) = K_p e(k) + K_i \sum_{i=0}^{k} e(i) + K_d [e(k)-e(k-1)]$$

缺点：需要累积历史误差，易积分饱和。

增量式 PID