第2章：PID控制原理回顾：比例(P)、积分(I)、微分(D)的作用，闭环控制系统框图

各位同学，咱们今天聊聊PID控制的基本原理。说实话，我见过太多工程师一上来就调参数，结果系统要么震荡得像过山车，要么干脆飞了。其实啊，搞懂P、I、D这三个家伙各自在干什么，比背公式重要得多。

我个人习惯，每次接手一个新项目，第一件事就是画闭环框图。不是走形式，是真的画。你想想看，一个系统从输入到输出，中间经过控制器、执行器、被控对象，再通过传感器反馈回来——这个回路里任何一个环节出问题，PID参数调得再漂亮也没用。

2.1 闭环控制系统的基本结构

先看这张图，我手绘的，虽然丑了点，但逻辑很清楚。

这张图我闭着眼睛都能画出来。你看，设定值 r(t) 和反馈值 y(t) 一比较，得到误差 e(t)。PID控制器根据这个误差算出一个控制量 u(t)，去驱动被控对象。就这么简单。

2.2 比例(P)控制——最直接的响应

比例控制，说白了就是「误差越大，动作越大」。数学上就是 u(t) = Kp * e(t)。

我记得刚入行时带我的老师傅说过一句话：「比例是油门，踩大了容易翻车，踩小了没反应。」这话糙理不糙。

比例控制的特点：

• 响应快——误差一出现，立马有动作
• 有静差——这是硬伤，纯比例控制永远追不上设定值
• Kp太大——系统会震荡，甚至发散

2.3 积分(I)控制——消除静差的利器

积分项解决的是比例控制解决不了的问题——静差。它把过去的误差累积起来，只要有残余误差，积分项就会一直增大，直到误差消失。

公式是 u(t) = Ki * ∫e(t)dt。注意这个积分符号，它代表「历史账本」。

我曾经在一个温度控制项目上吃过亏。纯比例控制，温度始终差2度到不了设定值。我加了积分项，结果积分时间设得太短，系统开始低频震荡，整个车间温度像波浪一样起伏。后来把积分时间拉长到原来的3倍，才稳定下来。

积分控制要注意：

• 消除静差——这是它的本职工作
• 积分饱和——大误差持续太久，积分项会累积到很大，导致超调严重
• 积分时间Ti——Ti越小，积分作用越强，但越容易震荡

2.4 微分(D)控制——提前预判的智慧

微分项看的是误差的变化趋势。误差在变大，它就加大控制力；误差在变小，它就收一收。公式是 u(t) = Kd * de(t)/dt。

你想想看，这就像开车时看到前面刹车灯亮了，你提前松油门。而不是等撞上了才踩刹车。

微分控制的特点：

• 抑制超调——在误差变大之前就干预
• 改善动态响应——让系统更快稳定
• 对噪声敏感——这是最大的问题，测量信号有毛刺，微分项会放大这些噪声

2.5 三种作用的综合效果

把P、I、D组合在一起，就是完整的PID控制：

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

或者写成更常用的形式：

u(t) = Kp * [e(t) + 1/Ti * ∫e(t)dt + Td * de(t)/dt]

其中 Ti 是积分时间，Td 是微分时间。

三种作用的分工很明确：

作用	主要功能	副作用	我的建议
比例(P)	快速响应误差	存在静差	先调P，找到临界点
积分(I)	消除静差	积分饱和、震荡	加限幅，Ti从大往小调
微分(D)	抑制超调、改善动态	放大噪声	先滤波，Kd从小往大加

2.6 一个简单的仿真例子

光说不练假把式。我写个简单的Python仿真，看看不同参数的效果：

import numpy as np
import matplotlib.pyplot as plt

# 模拟一阶惯性系统
def simulate_pid(Kp=1.0, Ki=0.0, Kd=0.0, setpoint=1.0, dt=0.01, steps=1000):
    # 系统参数
    K = 1.0      # 增益
    T = 1.0      # 时间常数
    
    y = 0.0      # 初始输出
    e_prev = 0.0
    integral = 0.0
    
    y_history = []
    
    for i in range(steps):
        e = setpoint - y
        integral += e * dt
        derivative = (e - e_prev) / dt
        
        u = Kp * e + Ki * integral + Kd * derivative
        
        # 一阶惯性系统
        dy = (K * u - y) / T * dt
        y += dy
        
        e_prev = e
        y_history.append(y)
    
    return y_history

# 试试不同参数
y1 = simulate_pid(Kp=1.0, Ki=0.0, Kd=0.0)   # 纯P，有静差
y2 = simulate_pid(Kp=1.5, Ki=0.5, Kd=0.0)   # PI，消除静差
y3 = simulate_pid(Kp=1.5, Ki=0.5, Kd=0.2)   # PID，响应更快

# 画图代码略，实际运行可以看到：
# 纯P：最终稳定在0.5左右，到不了1
# PI：最终稳定在1.0，但超调约20%
# PID：稳定在1.0，超调降到10%以内

2.7 本章小结

嗯，咱们把PID的基本原理过了一遍。说白了就是三件事：

• P——看现在，误差多大我动多大
• I——看过去，历史欠账要还清
• D——看未来，趋势不对提前干预

闭环控制框图是理解这一切的基础。我建议你每次调参前，都在纸上画一遍这个框图，标出每个信号的名字和方向。这个习惯我保持了十几年，从来没出过大错。

下一章咱们就动手调参了。到时候我会拿几个真实案例，带着你一步步把发散的系统拉回来。准备好了吗？

---

可可精品资料库