首页 > 编程语言> 文章详细

PID算法

2021-01-11 14:34:28 阅读：233 来源： 互联网

标签：Kd double Ki PID 算法 Kp error

简易PID算法的快速扫盲（超详细+过程推导+C语言程序）

分类专栏： Embeded System 文章标签： pid 自动控制控制器算法版权

网上关于PID算法的文章很多，但是感觉有必要自己再进行一次总结，抽丝剥茧地重新认识了一下PID；

文章目录

- 1 前言
- 2 开环控制
- 3 闭环控制
- 4 PID
- - 4.1 系统架构
  - 4.2 理论基础
  - 4.3 离散化
  - 4.4 伪算法
- 5 C++实现
- 6 总结

相关阅读
离散增量式PID算法快速扫盲（过程推导+C语言程序）
PID算法优化之积分器抗饱和处理

1 前言

控制系统通常根据有没有反馈会分为开环系统和闭环系统，在闭环系统的控制中，PID算法非常强大，其三个部分分别为；

P：比例环节；
I：积分环节；
D：微分环节；

PID算法可以自动对控制系统进行准确且迅速的校正，因此被广泛地应用于工业控制系统。

2 开环控制

首先来看开环控制系统，如下图所示，隆哥蒙着眼，需要走到虚线旗帜所表示的目标位置，由于缺少反馈（眼睛可以感知当前距离和位置，由于眼睛被蒙上没有反馈，所以这也是一个开环系统），最终隆哥会较大概率偏离预期的目标，可能会运行到途中实线旗帜所表示的位置。

开环系统的整体结构如下所示；

这里做一个不是很恰当的比喻；

Input：告诉隆哥目标距离的直线位置（10米）；
Controller：隆哥大脑中计算出到达目标所需要走多少步；
Process：双腿作为执行机构，输出了相应的步数，但是最终仍然偏离了目标；

看来没有反馈的存在，很难准确到达目标位置。

3 闭环控制

所以为了准确到达目标位置，这里就需要引入反馈，具体如下图所示；

在这里继续举个不怎么恰当的比喻；隆哥重获光明之后，基本可以看到目标位置了；

第一步Input：告诉隆哥目标距离的直线位置（10米）；
第二步Controller：隆哥大脑中计算出到达目标所需要走多少步；
第三步Process：双腿作为执行机构，输出了相应的步数，但是最终仍然偏离了目标；
第四步Feedback：通过视觉获取到目前已经前进的距离，（比如前进了2米，那么还有8米的偏差）；
第五步err：根据偏差重新计算所需要的步数，然后重复上述四个步骤，最终隆哥达到最终的目标位置。

4 PID

4.1 系统架构

虽然在反馈系统下，隆哥最终到达目标位置，但是现在又来了新的任务，就是又快又准地到达目标位置。所以这里隆哥开始采用PID Controller，只要适当调整P，I和D的参数，就可以到达目标位置，具体如下图所示；

隆哥为了最短时间内到达目标位置，进行了不断的尝试，分别出现了以下几种情况；

跑得太快，最终导致冲过了目标位置还得往回跑；
跑得太慢，最终导致到达目标位置所用时间太长；

经过不断的尝试，终于找到了最佳的方式，其过程大概如下图所示；

这里依然举一个不是很恰当的比喻；

第一步：得到与目标位置的距离偏差（比如最开始是10米，后面会逐渐变小）；
第二步：根据误差，预估需要多少速度，如何估算呢，看下面几步；

P比例则是给定一个速度的大致范围，满足下面这个公式；
K p ∗ e ( t ) K_p*e(t) Kp∗e(t)
因此比例作用相当于某一时刻的偏差（err）与比例系数 K p K_p Kp的乘积，具体如下所示；

比例作用

绿色线为上述例子中从初始位置到目标位置的距离变化；
红色线为上述例子中从初始位置到目标位置的偏差变化，两者为互补的关系；

I积分则是误差在一定时间内的和，满足以下公式；
K i ∫ 0 t e ( τ ) d τ K_i\int_{_0}^te(\tau)d\tau Ki∫0te(τ)dτ

如下图所示；在这里插入图片描述
红色曲线阴影部分面积即为积分作用的结果，其不断累积的误差，最终乘以积分系数 K i K_i Ki就得到了积分部分的输出；

D微分则是误差变化曲线某处的导数，或者说是某一点的斜率，因此这里需要引入微分；
K d d e ( t ) d t K_d \cfrac{de(t)}{dt} Kddtde(t)

从图中可知，当偏差变化过快，微分环节会输出较大的负数，作为抑制输出继续上升，从而抑制过冲。

综上， K p ， K i ， K d K_p，K_i，K_d Kp，Ki，Kd，分别增加其中一项参数会对系统造成的影响总结如下表所示；

参数	上升时间	超调量	响应时间	稳态误差	稳定性
K p K_p Kp	减少	增加	小变化	减少	降级
K i K_i Ki	减少	增加	增加	消除	降级
K d K_d Kd	微小的变化	减少	减少	理论上没有影响	K d K_d Kd小，稳定性会提升

4.2 理论基础

上面扯了这么多，无非是为了初步理解PID在负反馈系统中的调节作用，下面开始推导一下算法实现的具体过程；PID控制器的系统框图如下所示；

图片来自Wiki

因此不难得出输入 e ( t ) e(t) e(t)和输出 u ( t ) u(t) u(t)的关系；

u ( t ) = K p e ( t ) + K i ∫ 0 t e ( τ ) d τ + K d d e ( t ) d t u(t) = K_pe(t)+K_i\int_0^te(\tau)d\tau+K_d\cfrac{de(t)}{dt} u(t)=Kpe(t)+Ki∫0te(τ)dτ+Kddtde(t)

K p K_p Kp是比例增益；
K i K_i Ki是积分增益；
K d K_d Kd是微分增益；

4.3 离散化

在数字系统中进行PID算法控制，需要对上述算法进行离散化；假设系统采样时间为 Δ t \Delta t Δt
则将输入 e ( t ) e(t) e(t)序列化得到；

( e 0 , e 1 , e 2 , ⋯ , e n − 2 , , e n − 1 , e n ) (e_0,e_1,e_2,\cdots,e_{n-2},,e_{n-1},e_{n}) (e0,e1,e2,⋯,en−2,,en−1,en)

将输出 u ( t ) u(t) u(t)序列化得到；
( u 0 , u 1 , u 2 , ⋯ , u n − 2 , , u n − 1 , u n ) (u_0,u_1,u_2,\cdots,u_{n-2},,u_{n-1},u_{n}) (u0,u1,u2,⋯,un−2,,un−1,un)

比例项： K p e ( t ) → 离散化 K p e k K_pe(t)\xrightarrow{离散化}K_pe_k Kpe(t)离散化

Kpek
积分项： K i ∫ 0 t k e ( τ ) d τ → 离散化 K i ∑ i = 1 k e ( i ) Δ t K_i\int_0^{t_k}e(\tau)d\tau\xrightarrow{离散化}K_i\displaystyle\sum_{i=1}^ke(i)\Delta t Ki∫0tke(τ)dτ离散化
Kii=1∑ke(i)Δt
微分项： K d d e ( t k ) d t → 离散化 K d e ( k ) − e ( k − 1 ) Δ t K_d\cfrac{de(t_k)}{dt}\xrightarrow{离散化}K_d\cfrac{e(k) -e(k-1)}{\Delta t} Kddtde(tk)离散化

KdΔte(k)−e(k−1)

所以最终可以得到式①，也就是网上所说的位置式PID：
u ( k ) = K p e k + K i ∑ i = 1 k e ( i ) Δ t + K d e ( k ) − e ( k − 1 ) Δ t \color{#0000FF} u(k)=K_pe_k+K_i\displaystyle\sum_{i=1}^ke(i)\Delta t+K_d\cfrac{e(k) -e(k-1)}{\Delta t} u(k)=Kpek+Kii=1∑ke(i)Δt+KdΔte(k)−e(k−1)
将式①再做一下简化；
Δ u ( k ) = u ( k ) − u ( k − 1 ) \Delta u(k) = u(k) - u(k-1) Δu(k)=u(k)−u(k−1)
最终得到增量式PID的离散公式如下：

Δ u ( k ) = K p ( e ( k ) − e ( k − 1 ) ) + K i e ( k ) + K d ( e ( k ) − 2 e ( k − 1 ) + e ( k − 2 ) ) \Delta u(k)=K_p(e(k)-e(k-1))+K_ie(k)+K_d \Big( e(k)-2e(k-1)+e(k-2) \Big) Δu(k)=Kp(e(k)−e(k−1))+Kie(k)+Kd(e(k)−2e(k−1)+e(k−2))

4.4 伪算法

这里简单总结一下增量式PID实现的伪算法；


previous_error := 0		//上一次偏差
integral := 0			//积分和

//循环 
//采样周期为dt
loop:
	//setpoint 设定值
	//measured_value 反馈值
    error := setpoint − measured_value	//计算得到偏差
    integral := integral + error × dt	//计算得到积分累加和
    derivative := (error − previous_error) / dt	//计算得到微分
    output := Kp × error + Ki × integral + Kd × derivative	//计算得到PID输出
    previous_error := error	//保存当前偏差为下一次采样时所需要的历史偏差
    wait(dt)	//等待下一次采用
    goto loop

5 C++实现

这里是增量式PID算法的C语言实现；

pid.cpp

#ifndef _PID_SOURCE_
#define _PID_SOURCE_

#include <iostream>
#include <cmath>
#include "pid.h"

using namespace std;

class PIDImpl
{
    public:
        PIDImpl( double dt, double max, double min, double Kp, double Kd, double Ki );
        ~PIDImpl();
        double calculate( double setpoint, double pv );

    private:
        double _dt;
        double _max;
        double _min;
        double _Kp;
        double _Kd;
        double _Ki;
        double _pre_error;
        double _integral;
};


PID::PID( double dt, double max, double min, double Kp, double Kd, double Ki )
{
    pimpl = new PIDImpl(dt,max,min,Kp,Kd,Ki);
}
double PID::calculate( double setpoint, double pv )
{
    return pimpl->calculate(setpoint,pv);
}
PID::~PID() 
{
    delete pimpl;
}


/**
 * Implementation
 */
PIDImpl::PIDImpl( double dt, double max, double min, double Kp, double Kd, double Ki ) :
    _dt(dt),
    _max(max),
    _min(min),
    _Kp(Kp),
    _Kd(Kd),
    _Ki(Ki),
    _pre_error(0),
    _integral(0)
{
}

double PIDImpl::calculate( double setpoint, double pv )
{
    
    // Calculate error
    double error = setpoint - pv;

    // Proportional term
    double Pout = _Kp * error;

    // Integral term
    _integral += error * _dt;
    double Iout = _Ki * _integral;

    // Derivative term
    double derivative = (error - _pre_error) / _dt;
    double Dout = _Kd * derivative;

    // Calculate total output
    double output = Pout + Iout + Dout;

    // Restrict to max/min
    if( output > _max )
        output = _max;
    else if( output < _min )
        output = _min;

    // Save error to previous error
    _pre_error = error;

    return output;
}

PIDImpl::~PIDImpl()
{
}

#endif

pid.h

#ifndef _PID_H_
#define _PID_H_

class PIDImpl;
class PID
{
    public:
        // Kp -  proportional gain
        // Ki -  Integral gain
        // Kd -  derivative gain
        // dt -  loop interval time
        // max - maximum value of manipulated variable
        // min - minimum value of manipulated variable
        PID( double dt, double max, double min, double Kp, double Kd, double Ki );

        // Returns the manipulated variable given a setpoint and current process value
        double calculate( double setpoint, double pv );
        ~PID();

    private:
        PIDImpl *pimpl;
};

#endif

pid_example.cpp

#include "pid.h"
#include <stdio.h>

int main() {

    PID pid = PID(0.1, 100, -100, 0.1, 0.01, 0.5);

    double val = 20;
    for (int i = 0; i < 100; i++) {
        double inc = pid.calculate(0, val);
        printf("val:% 7.3f inc:% 7.3f\n", val, inc);
        val += inc;
    }

    return 0;
}

编译并测试；

g++ -c pid.cpp -o pid.o
# To compile example code:
g++ pid_example.cpp pid.o -o pid_example

6 总结

本文总结了PID控制器算法在闭环系统中根据偏差变化的具体调节作用，每个环节可能对系统输出造成什么样的变化，给出了位置式和增量式离散PID算法的推导过程，并给出了位置式算法的C++程序实现。

由于作者能力和水平有限，文中难免存在错误和纰漏，请不吝赐教。

小麦大叔

CSDN签约作者有梦想的咸鱼更多干货，欢迎关注公众号：[小麦大叔]</br>一个野生攻城狮的原创分享，</br>涉及内容包括但不限于嵌入式、物联网、单片机、编程技术、PCB、硬件设计等等。</br>来交个朋友？

点赞 38
评论 19
分享
收藏 229
打赏
举报
关注
一键三连

腾讯位置服务开发应用征文大赛开启报名！大疆无人机等你来挑战！ 01-08 如今与地图相关的位置服务已经成为开发者工具箱里的“标配”，不管是小程序开发、获取定位信息还是展示地图上的某个地点。现在分享你和腾讯位置服务有关的故事，可以是使用教程、案例分享、知识总结…大疆无人机、王者荣耀机器人多重好礼陪你跨年！单片机之C语言实现简单的PID算法从零开始学单片机的博客

673 说到PID算法，想必大部人并不陌生，PID算法在很多方面都有重要应用，比如电机的速度控制，恒温槽的温度控制，四轴飞行器的平衡控制等等，作为闭环控制系统中的一种重要算法，其优点和可实现性都成为人们的首选。下面简单来讲解一下PID算法：首先PID算法是有比例，积分，微分三部分组成，先说下比例部分，所谓比例部分，就是呈线性关系，举个例子，一个电热丝加热水，开始的时候温度很低，离50℃很大，这时应该加大...

码哥IOT技术栈:那些曲线图都是咋画的4月前回复 1
- 爱码士小麦大叔回复:draw.io1月前回复

爱码士ITKaven:好文！希望博主以后多多分享哈！19天前回复

爱码士水巷石子:深有感触1月前回复

标签：Kd,double,Ki,PID,算法,Kp,error
来源： https://www.cnblogs.com/linyinmobayu/p/14261994.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9