PID 控制算法基础：从原理到嵌入式实现

PID 控制是自动控制领域中应用最广泛的算法，没有之一。从工业电机调速到家用空调温控，从无人机姿态稳定到 3D 打印机的温度管理，PID 的身影无处不在。本文是 PID 系列的第一篇（基础篇），将从零开始讲解 PID 的核心原理、离散化方法、代码实现和参数整定技巧。如果你已经掌握基础，可以直接阅读第二篇进阶篇，深入了解增量式 PID、抗积分饱和、串级控制等高级主题。

---

一、PID 是什么？

PID 是 Proportional-Integral-Derivative（比例-积分-微分）的缩写，是一种基于反馈的闭环控制算法。它的核心思想非常直观：根据目标值与实际输出值之间的误差，通过 P、I、D 三个环节协同计算出一个控制量，驱动被控对象朝目标值靠近。

1.1 典型应用场景

应用领域	被控量	控制量
直流电机调速	转速（RPM）	PWM 占空比
温度控制	温度（°C）	加热器功率
压力控制	管道压力（kPa）	阀门开度
伺服系统	位置 / 角度	电流指令
无人机姿态	俯仰 / 横滚角	电机转速差

1.2 闭环控制框图

        误差 e(t)        控制量 u(t)        实际输出 y(t)
 r(t) ──→ ⊕ ──→ [ PID 控制器 ] ──→ [ 执行器 + 被控对象 ] ──→──┬──→ y(t)
          ↑ -                                                   │
          └────────────── [ 传感器（反馈） ] ◄──────────────────┘

整个控制过程形成一个闭环：传感器不断测量实际输出，PID 控制器根据误差计算控制量，执行器根据控制量作用于被控对象，循环往复直到误差趋近于零。

---

二、控制量 u(t) / u[k] 的物理意义

理解 PID 的关键，是搞清楚控制量 u(t) 到底代表什么。

2.1 连续 vs 离散

• 连续形式 u(t)：理论分析中使用，时间 t 连续变化
• 离散形式 u\lbrack k\rbrack：嵌入式实现中使用，每隔采样周期 T 计算一次

2.2 控制量在不同场景中的物理含义

应用场景	控制量 u 的含义	取值范围示例	作用方式
直流电机调速	PWM 占空比	0% ~ 100%	占空比越大，电机转速越高
温度控制	加热功率（或 PWM）	0 ~ 255（8-bit）	功率越大，升温越快
压力控制	阀门开度	0° ~ 90°	开度越大，流量越大
伺服系统	电流指令	-10A ~ +10A	电流驱动电机产生力矩

2.3 信号流向

 目标值 r(t)                                     实际输出 y(t)
    │                                                 ↑
    ▼                                                 │
  误差 e(t) = r(t) - y(t)                            │
    │                                                 │
    ▼                                                 │
  ┌────────────┐    控制量 u(t)    ┌──────────────┐   │
  │ PID 控制器  │ ───────────────→ │ 执行器 + 对象  │ ──┘
  └────────────┘                  └──────────────┘

2.4 变量定义

符号	名称	含义
r(t)	目标值 / 设定值（Setpoint）	期望的输出值
y(t)	实际输出（Process Variable）	传感器测量到的当前值
e(t)	误差（Error）	e(t) = r(t) - y(t)
u(t)	控制量（Control Output）	PID 计算得到的输出值

2.5 温控实例 —— 变量对应表

假设我们要将水温控制在 50°C：

通用符号	工程术语	本例中含义	当前值示例
r(t)	SP（Setpoint）	目标温度	50°C
y(t)	PV（Process Variable）	当前水温	42°C
e(t)	Error	温度偏差	+8°C
u(t)	CO（Control Output）	加热器 PWM 占空比	72%

物理因果链：

PID输出 u(t)=72% → PWM占空比72% → 加热器功率↑ → 热量输入↑ → 水温上升 → y(t)→50°C

---

三、P、I、D 三环节详解

3.1 误差的定义

e(t) = r(t) - y(t)

误差为正表示实际值低于目标值（不足），误差为负表示实际值超过目标值（超调）。

3.2 连续 PID 公式

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

三项分别对应：比例项（P）、积分项（I）、微分项（D）。

3.3 三环节对比

环节	公式	作用	直观理解	缺点
P（比例）	K_p \, e(t)	按误差大小比例输出控制量	"踩油门力度正比于偏差"——偏差大就猛踩，偏差小就轻踩	存在稳态误差，无法完全消除偏差
I（积分）	K_i \int_0^t e(\tau) d\tau	累积历史误差，消除稳态误差	"记住过去所有偏差，慢慢补偿"——即使当前误差很小，只要累积不为零就持续输出	容易引起超调和振荡，积分饱和问题
D（微分）	K_d \frac{de(t)}{dt}	预测误差变化趋势，抑制超调	"预判趋势，提前刹车"——误差快速减小时主动减小控制量	对噪声极其敏感，高频噪声被放大

3.4 参数增减对系统的影响

参数变化	响应速度	超调量	稳态误差	稳定性
K_p 增大	加快	增大	减小（但不消除）	降低
K_p 减小	减慢	减小	增大	提高
K_i 增大	略加快	明显增大	消除更快	降低
K_i 减小	略减慢	减小	消除更慢	提高
K_d 增大	略减慢	明显减小	几乎无影响	提高（过大则降低）
K_d 减小	略加快	增大	几乎无影响	降低

---

四、从连续到离散 —— 嵌入式实现基础

4.1 为什么要离散化？

在嵌入式系统中，传感器以固定周期采样，控制器以固定周期运算。我们无法处理连续时间信号，必须将连续 PID 公式转化为离散形式，让单片机能够"一步一步"地计算。

4.2 离散化基本概念

• 采样周期 T：两次计算之间的时间间隔（如 10ms）
• 第 k 次采样：时刻 t = kT 时的采样值
• 离散误差：e\lbrack k\rbrack = r\lbrack k\rbrack - y\lbrack k\rbrack

4.3 离散化近似

连续运算	离散近似方法	离散公式
积分 \int e \, dt	矩形累加法	\sum_{i=0}^{k} e\lbrack i\rbrack \cdot T
微分 \frac{de}{dt}	后向差分法	\frac{e\lbrack k\rbrack - e\lbrack k-1\rbrack}{T}

4.4 离散 PID 公式（位置式）

u\lbrack k\rbrack = K_p \, e\lbrack k\rbrack + K_i \sum_{i=0}^{k} e\lbrack i\rbrack \cdot T + K_d \, \frac{e\lbrack k\rbrack - e\lbrack k-1\rbrack}{T}

展开来看各项的含义：

• 比例项：K_p \, e\lbrack k\rbrack —— 当前误差乘以比例系数
• 积分项：K_i \sum_{i=0}^{k} e\lbrack i\rbrack \cdot T —— 所有历史误差的累加和乘以采样周期
• 微分项：K_d \, \frac{e\lbrack k\rbrack - e\lbrack k-1\rbrack}{T} —— 当前误差与上一次误差的差值除以采样周期

4.5 两种实现形式

离散 PID 在代码层面有两种经典实现方式：

形式	特点	适用场景
位置式 PID	直接输出控制量的绝对值	舵机位置控制、阀门开度控制
增量式 PID	输出控制量的增量 \Delta u	电机调速、步进电机控制

本篇先讲解位置式 PID 的实现，增量式 PID、抗积分饱和、微分滤波等进阶内容将在第二篇（进阶篇）中详细展开。

---

五、代码实现

5.1 C 语言实现（位置式 PID）

以下是一个适用于嵌入式平台的完整 PID 控制器实现：

/* ===== PID 控制器 - C 语言实现 ===== */

typedef struct {
    float Kp, Ki, Kd;        // PID 三个增益参数
    float setpoint;           // 目标值 r(t)
    float integral;           // 积分累积项
    float prev_error;         // 上一次误差（用于微分计算）
    float output_max;         // 输出上限（防止执行器饱和）
    float output_min;         // 输出下限
} PID_t;

/**
 * @brief  初始化 PID 控制器
 * @param  pid       PID 结构体指针
 * @param  kp/ki/kd  三个增益参数
 * @param  setpoint  目标值
 */
void PID_Init(PID_t *pid, float kp, float ki, float kd, float setpoint) {
    pid->Kp = kp;
    pid->Ki = ki;
    pid->Kd = kd;
    pid->setpoint = setpoint;
    pid->integral = 0.0f;
    pid->prev_error = 0.0f;
    pid->output_max = 100.0f;   // 默认输出范围 0~100
    pid->output_min = 0.0f;
}

/**
 * @brief  PID 计算（每个采样周期调用一次）
 * @param  pid       PID 结构体指针
 * @param  feedback  当前反馈值 y[k]（传感器测量值）
 * @param  dt        采样周期 T（单位：秒）
 * @return 控制量 u[k]
 */
float PID_Compute(PID_t *pid, float feedback, float dt) {
    // 1. 计算误差
    float error = pid->setpoint - feedback;

    // 2. 积分累加（矩形近似）
    pid->integral += error * dt;

    // 3. 微分计算（后向差分）
    float derivative = (error - pid->prev_error) / dt;

    // 4. 合成 PID 输出
    float output = pid->Kp * error
                 + pid->Ki * pid->integral
                 + pid->Kd * derivative;

    // 5. 保存本次误差供下次微分使用
    pid->prev_error = error;

    // 6. 输出限幅（保护执行器）
    if (output > pid->output_max) output = pid->output_max;
    if (output < pid->output_min) output = pid->output_min;

    return output;
}

5.2 Python 实现

class PID:
    """
    PID 控制器：P管现在，I管过去，D管未来
    """
    def __init__(self, kp, ki, kd):
        self.kp = kp
        self.ki = ki
        self.kd = kd
        self.integral = 0.0
        self.prev_error = 0.0

    def compute(self, target, current, dt):
        """
        计算 PID 输出
        :param target:  目标值 r[k]
        :param current: 当前反馈值 y[k]
        :param dt:      采样周期 T（秒）
        :return:        控制量 u[k]
        """
        error = target - current              # 误差
        self.integral += error * dt            # 积分累加
        derivative = (error - self.prev_error) / dt  # 微分差分
        self.prev_error = error                # 保存误差

        return self.kp * error + self.ki * self.integral + self.kd * derivative

5.3 调用示例 —— 电机转速控制

# === 直流电机转速 PID 控制示例 ===
import time

pid = PID(kp=2.0, ki=0.5, kd=0.1)
target_rpm = 1000       # 目标转速
dt = 0.01               # 采样周期 10ms

for _ in range(500):
    current_rpm = read_encoder()               # 读取编码器测量转速
    pwm_duty = pid.compute(target_rpm, current_rpm, dt)

    pwm_duty = max(0, min(100, pwm_duty))      # 限幅 0~100%
    set_motor_pwm(pwm_duty)                     # 设置 PWM 输出

    time.sleep(dt)

---

六、实战：直流电机转速控制

6.1 控制目标

保持直流电机转速稳定在 1000 RPM，使用光电编码器测量实际转速，通过 PWM 驱动电机。

6.2 控制流程

┌─────────────────────────────────────────────────────────────────┐
│ 每隔 T=10ms 执行一次：                                          │
│                                                                 │
│  ① 读取编码器 → y[k] = 820 RPM                                 │
│  ② 计算误差   → e[k] = 1000 - 820 = 180 RPM                   │
│  ③ PID 计算   → u[k] = Kp·180 + Ki·Σe + Kd·Δe/T              │
│  ④ 输出限幅   → u[k] = clamp(u[k], 0, 100)                    │
│  ⑤ 设置 PWM   → PWM占空比 = u[k]%                              │
│                                                                 │
│  等待下一个采样周期...                                            │
└─────────────────────────────────────────────────────────────────┘

6.3 伪代码

PID_Init(&motor_pid, Kp=2.0, Ki=0.5, Kd=0.1, setpoint=1000)

while (系统运行) {
    current_rpm = Encoder_ReadRPM()          // 读取当前转速
    pwm = PID_Compute(&motor_pid, current_rpm, 0.01)  // 计算控制量
    Motor_SetPWM(pwm)                        // 输出到电机驱动
    Delay_ms(10)                             // 等待一个采样周期
}

6.4 响应过程分析

阶段	转速 y	误差 e	P 项	I 项	D 项	控制量 u
启动初期	0 RPM	+1000	大（猛加速）	快速累积	大（误差剧变）	接近上限
快速上升	600 RPM	+400	中等	继续累积	负值（减速趋势）	中等偏高
接近目标	980 RPM	+20	很小	缓慢累积	负值（抑制超调）	小幅调整
稳态运行	1000 RPM	≈0	≈0	维持补偿	≈0	稳定值

---

七、参数整定方法

PID 参数整定是实际工程中最具挑战性的环节。好的参数能让系统快速、平稳地到达目标；差的参数会导致振荡、超调甚至系统失控。

7.1 常用整定方法对比

方法	原理	优点	缺点	适用场景
经验试凑法	手动调节，观察响应	简单直观，不需数学模型	依赖经验，耗时	简单系统、快速原型
Ziegler-Nichols 法	基于阶跃响应特征参数	有公式可循，较系统化	需要开环阶跃响应数据	可获取阶跃响应的系统
临界比例法	先找临界振荡点，再计算参数	不需要数学模型	需让系统处于临界振荡（有风险）	允许短暂振荡的系统
MATLAB 自动调参	软件自动优化	最精确，可视化调参	需要系统模型或实测数据	复杂系统、精度要求高

7.2 经验试凑法 —— 快速整定步骤

7.3 观察与诊断

现象	可能原因	调整方向
响应慢，长时间达不到目标	Kp 太小	增大 Kp
到达目标但有持续偏差	缺少积分项或 Ki 太小	增大 Ki
剧烈振荡，无法稳定	Kp 或 Ki 过大	减小 Kp 和 Ki
超调严重（冲过目标再回来）	Ki 过大或缺少微分	减小 Ki，增大 Kd
高频抖动 / 输出不断跳变	Kd 过大或传感器噪声	减小 Kd，增加滤波
升温/升速很快但回不来	积分饱和	添加积分限幅（进阶篇讲解）

---

八、控制模式对比

实际工程中并不总是使用完整的 PID 三项，有时只用 P 或 PI 就够了。

控制模式	组成	优点	缺点	典型应用场景
P 控制	仅比例项	结构简单，响应快	存在稳态误差	对精度要求不高的场景，如粗略调速
PI 控制	比例 + 积分	消除稳态误差	可能超调，响应略慢	温度控制、流量控制等大多数工业场景
PD 控制	比例 + 微分	响应快，超调小	无法消除稳态误差	快速跟踪场景，如机器人关节
PID 控制	比例 + 积分 + 微分	综合性能最优	参数整定复杂	精度和动态性能都要求高的场景

---

九、基础问答

Q1：PID 三个参数各自的作用是什么？如何整定？

**P（比例）**：按当前误差比例输出控制量，Kp 越大响应越快但容易振荡。
**I（积分）**：累积历史误差，消除稳态偏差，Ki 越大消除越快但容易超调。
**D（微分）**：预测误差变化趋势，抑制超调和振荡，Kd 越大减振效果越强但对噪声敏感。

整定方法：经验试凑法"先 P 后 I 再 D"。先将 Ki=Kd=0 单独调 P 到轻微振荡后减小 20%~30%；再加 I 消除稳态误差；最后加 D 减小超调。也可以使用 Ziegler-Nichols 法或 MATLAB 自动调参。

Q2：PID 控制的本质是什么？u(t) 代表什么？

PID 控制的本质是**基于误差的反馈控制**——根据目标值与实际输出之间的偏差，计算应该施加多大的控制作用。

u(t) 是**控制量**，代表 PID 输出给执行器的指令。它不是目标值本身，而是实现目标的"力度"。例如在电机控制中 u(t) 是 PWM 占空比，在温控中 u(t) 是加热器功率。u(t) 通过执行器转化为物理作用，改变被控对象的状态。

Q3：离散化 PID 为什么需要固定采样周期？

离散 PID 中，积分使用累加近似（\sum e\lbrack i\rbrack \cdot T），微分使用差分近似（\frac{e\lbrack k\rbrack - e\lbrack k-1\rbrack}{T}）。如果采样周期 T 不固定：

1. **积分失真**：每次累加的时间权重不同，积分值不准确
2. **微分失真**：相同的误差变化量在不同 T 下计算出不同的变化率
3. **参数失效**：Ki 和 Kd 本质上与 T 耦合，T 变化等于参数在变化

因此嵌入式实现中通常使用定时器中断确保 PID 在严格固定的周期内执行。

Q4：P 控制和 PI 控制的区别？什么时候必须加 I？

**P 控制**只有比例项，输出正比于当前误差。当系统存在外部扰动或负载时，P 控制会产生**稳态误差**——系统稳定后偏差不为零。这是因为一旦误差为零，P 项输出也为零，无法维持控制作用。

**PI 控制**增加了积分项。即使当前误差很小，只要累积误差不为零，积分项就会持续输出控制量，最终把稳态误差"积"到零。

**必须加 I 的场景**：
- 系统有恒定外部扰动（如电机带负载，需要持续力矩维持转速）
- 对稳态精度有要求（如温度必须精确控制在 ±0.5°C 以内）
- 被控对象本身不含积分环节（如大多数热系统、流量系统）

Q5：PID 有哪些局限性？什么场景下 PID 不适用？

PID 的局限性：
1. **依赖线性假设**：PID 本质是线性控制器，对强非线性系统效果差
2. **单输入单输出**：标准 PID 只处理一个误差、一个输出，多变量耦合系统需要更复杂的方案
3. **无模型预测能力**：PID 是"事后反应"，不能提前预知扰动
4. **参数固定**：一组参数只在特定工作点附近最优，工况大范围变化时需要自适应或增益调度

不适用的场景：纯滞后很大的系统（如长管道温度控制）、强非线性系统（如化学反应釜）、多变量耦合系统。这些场景通常需要模型预测控制（MPC）、模糊控制或自适应控制等高级方法。

---

十、总结

本篇作为 PID 系列的基础篇，覆盖了从理论到实现的核心内容：

• PID 的本质：基于误差的闭环反馈控制，通过 P（比例）、I（积分）、D（微分）三项协同工作
• 控制量 u(t)：PID 唯一的输出产品，是施加给执行器的"控制力度"，不是目标值本身
• 三环节分工：P 管现在（按误差比例响应）、I 管过去（累积消除稳态误差）、D 管未来（预判趋势抑制超调）
• 离散化要点：积分用累加、微分用差分、采样周期必须固定
• 代码实现：结构体封装参数，每个周期调用一次计算函数，注意输出限幅
• 参数整定：先 P 后 I 再 D，根据响应现象诊断并调整

---

本文为 PID 控制系列第 1 篇（共 2 篇）。