本页目录

经典 VI · PID：工业界的真正主力

层次：本科核心 + 业界绝对主力 ｜这一页是理论与实践落差最大的地方。一个常被学界轻视、被业界依赖的事实：工业控制回路中，PID（及其简化形式 PI）占据压倒性多数。它诞生近百年，历经无数"更先进"方法的挑战而地位不摇。本页讲清它为什么如此成功，以及那些教科书公式里没有、但决定实际成败的工程细节。

学习层：一台温控箱，既要跟上设定值，也要扛住开门扰动

1. 具体工程情境：先判断控制器会不会被限幅困住

把半导体温控箱在一个工作点附近简化成一阶对象。加热功率 \(u\) 有硬边界，温度输出 \(y\) 需要在 \(1\) 的归一化设定值附近运行；\(t=1\ \mathrm{s}\) 施加设定值阶跃，\(t=6\ \mathrm{s}\) 打开箱门引入负扰动。实验使用

\[ y_{k+1}=a y_k+(1-a)(u_{\mathrm{sat}}+d),\qquad a=e^{-\Delta t/\tau}, \]

其中 \(\Delta t=0.1\ \mathrm{s}\)、\(\tau=1.6\ \mathrm{s}\)、\(u_{\mathrm{sat}}\in[-1.2,1.2]\)。这是一个有意简化的对象，让 PID 的三个项和饱和逻辑可以逐采样审计。

预测门，必须先作答：

P、I、D 中哪一项累积过去的误差？
执行器已经饱和而误差仍同号时，反算抗饱和应让积分器继续累加，还是卸载？
两自由度 PID 降低 \(\beta\) 时，首先缓解设定值阶跃的冲击，还是改变对象时间常数？

2. 正式公式桥：三项、饱和和抗饱和必须放在同一张账上

实验使用比例设定值加权、测量微分和反算抗饱和：

\[ \begin{aligned} e_k&=r_k-y_k,\\ u_k^*&=K_p(\beta r_k-y_k)+I_k-K_d\dot y_k,\\ u_{\mathrm{sat},k}&=\operatorname{clip}(u_k^*,-1.2,1.2),\\ I_{k+1}&=I_k+\Delta t\left[K_i e_k+ K_{\mathrm{aw}}(u_{\mathrm{sat},k}-u_k^*)\right]. \end{aligned} \]

当 anti-windup 关闭时，最后一项被拿掉，\(I_k\) 会在饱和期间继续朝同一方向累积。\(K_p\) 看当前误差，\(K_i\) 消除常值静差，\(K_d\) 看测量趋势；\(\beta<1\) 可以降低设定值阶跃的比例冲击，但扰动反馈仍通过 \(-y_k\) 进入。调一个参数，不能假装三个目标彼此独立。

3. 动手实验：比较两自由度、饱和和积分状态

提交三项预测后，拖动 \(K_p,K_i,K_d,\beta\) 和扰动幅值，并切换 anti-windup。上图同时画 \(r,y\)，下图画实际进入对象的 \(u_{\mathrm{sat}}\) 及边界；表格保留每个采样时刻的 P、I、D、\(u^*\)、\(u_{\mathrm{sat}}\) 和 \(y_{k+1}\)。固定默认值为 \(K_p=4,K_i=0.8,K_d=0.35,\beta=0.75,d=-0.15\)。

JavaScript 失效时的静态 fallback：默认对象为 \(\tau=1.6\ \mathrm{s}\)、\(\Delta t=0.1\ \mathrm{s}\)、\(|u|\le1.2\)，控制器为 \(K_p=4,\ K_i=0.8,\ K_d=0.35,\ \beta=0.75\)，在 \(t=6\ \mathrm{s}\) 加入 \(d=-0.15\)。读账顺序如下：

时刻/项目	设定值与扰动	计算链	应检查的现象
\(t=1\ \mathrm{s}\)	\(r=1,d=0\)	\(u^*=K_p\beta=3>1.2\)	先发生上限饱和
饱和采样	误差仍为正	anti-windup 项为 \(K_{\mathrm{aw}}(u_{\mathrm{sat}}-u^*)<0\)	积分器被卸载
\(t=6\ \mathrm{s}\)	\(d=-0.15\)	对象输入是 \(u_{\mathrm{sat}}+d\)	跟踪和抗扰共享执行器余量
末端	约 14 s	逐行比较 \(P+I+D=u^*\) 与 clip 后的 \(u_{\mathrm{sat}}\)	不能把未饱和命令当成真实执行量

纯 PID 公式没有表达执行器边界、采样保持、测量噪声、时滞或非线性热传导；这个 fallback 和脚本都只是在一阶线性工作点上说明机制。

4. 误区与模型边界

anti-windup 不是“让输出超过限幅”：它只改变积分状态，执行器仍只能收到 \(u_{\mathrm{sat}}\)。
D 不是未来信息：它是测量变化率的局部预测，噪声、采样和滤波会限制可用带宽。
降低 \(\beta\) 不是免费午餐：它通常减小设定值冲击，却没有消除对象时滞、扰动或输入约束。
一阶对象不是工业装置本身：真实温控箱可能有多时间常数、热耦合、死区、加热器非线性和传感器延迟；本实验不能据此宣称某组参数可直接投运。

一、三项各自在做什么

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

项	作用	代价
P（比例）	按当前误差修正，提供基本响应速度	单用有稳态误差（第一页）
I（积分）	消除稳态误差，补偿未知常值扰动	引入 −90° 相移，降低裕度；会饱和
D（微分）	按误差变化率提前修正，增加阻尼、抑制超调	放大高频噪声

直观解释：P 看现在，I 看过去（累积），D 看未来（趋势）。这个"现在-过去-未来"的三元结构，正是它足够通用的原因。

频域视角（承第五页）：PI 提升低频增益（改善跟踪与抗扰），PD 提供正相位（改善裕度）。PID ≈ 滞后补偿 + 超前补偿——第四页说过，它们是同一件事的两种表述。

二、为什么 PID 如此成功

这值得认真回答，而不是当作历史惯性：

只需三个参数，且每个都有物理直觉——现场工程师能理解、能手调，不需要模型；
不需要对象模型：整定可以完全基于实验响应；
对大多数工业对象够用：多数过程（温度、流量、压力、液位）是低阶、近似线性、慢时变的——PID 的能力恰好覆盖这个范围；
鲁棒：参数不精确时性能平缓退化，不会突然崩溃；
生态成熟：所有 PLC、DCS、变频器都内置 PID 模块，有成熟的整定与诊断工具，运维人员熟悉。

第 5 条常被低估：一项技术的胜出往往不只因为它更好，还因为整个生态围绕它建立。（🔗 微电子站反复出现的同一模式：新技术必须打败一个成熟生态。）

三、工程细节：教科书不讲、现场必须做的

这一节是本页的核心价值。理想 PID 公式直接实现，几乎一定出问题。

① 抗积分饱和（anti-windup）——最重要的一条。

当执行器饱和（阀门全开、电流到限，第三页），实际输出不再跟随控制量，但积分项仍在累加误差。等到误差反向时，积分器里已经累积了巨大的值，需要很长时间"卸载"，造成严重超调与长时间失控。

解法：

条件积分：饱和时停止积分累加；
反算（back-calculation）：把饱和量反馈回积分器，按 \((u_{sat}-u)\) 成比例地扣减积分。

任何实用 PID 都必须有抗饱和，否则第一次大扰动就会暴露问题。

② 微分项的三个修正：

必须滤波：纯微分 \(K_d s\) 在高频增益无限大，会把传感器噪声放大到淹没信号。实用形式是 \(\dfrac{K_d s}{1 + (K_d/N)s}\)，\(N\) 取 5–20（这正是第四页的超前补偿器）；
微分作用于测量而非误差（derivative on measurement）：设定值阶跃变化时，误差的微分是冲激，会产生巨大的微分冲击（derivative kick）。改为对输出 \(-K_d\dot{y}\) 微分即可避免；
噪声大的场合干脆不用 D——这就是为什么工业上 PI 比 PID 更常见（流量、压力回路噪声大，几乎都用 PI；温度回路慢而平滑，才常用 PID）。

③ 设定值加权（两自由度）：比例项也可只作用于部分设定值 \(u_P = K_p(\beta r - y)\)。这让"跟踪设定值"与"抑制扰动"可以分别整定——单自由度 PID 的一个根本局限是这两个目标共用一组参数，无法独立优化。两自由度结构是工业上的常见做法。

④ 无扰切换（bumpless transfer）：手动/自动切换、参数在线修改时，必须保证控制输出不跳变（通过初始化积分器实现）。这是投运现场的实际需求。

四、整定方法

① Ziegler–Nichols（1942）：经典但需谨慎。

临界比例度法：只用 P，逐渐加大增益直到等幅振荡，记下临界增益 \(K_u\) 与周期 \(T_u\)，按表查参数；
反应曲线法：由开环阶跃响应的时滞 \(L\) 与斜率求参数。

Z-N 的问题（必须知道）：它按"四分之一衰减比"设计，整定结果通常偏激进——超调大、裕度低（相位裕度常不足 30°）。在实际装置上做临界振荡实验本身也可能不安全。 它的价值是给出量级正确的起点，而非最终参数。

② 基于模型的整定：如 IMC（内模控制）/ Lambda 整定——先辨识一阶加时滞模型（FOPDT），再按闭环期望时间常数直接算参数。结果比 Z-N 保守稳健，是过程工业的主流做法，且只有一个可调旋钮（期望闭环速度），非常适合现场。

③ 频域整定：按目标相位裕度设计（第五页）。

④ 自整定（auto-tuning）：继电反馈法自动激发极限环、辨识临界点，现代 PLC 与温控器普遍内置。

实践中的典型流程：先粗调 P（把增益加到响应够快但未振荡），再加 I（消除静差，注意别加太多），最后视噪声决定是否加 D。大量现场 PID 从未被认真整定过，长期工作在保守的默认参数上——这也是工业界的真实状况之一。

五、PID 的局限：什么时候它不够

诚实地列出 PID 力不从心的场合，正是研究生课程存在的理由：

情形	问题	出路
大时滞	相位裕度被吃光，只能大幅降增益	Smith 预估、MPC（第十七页）
多变量强耦合	回路间相互干扰，单独整定各自回路会互相打架	解耦、多变量 MPC
有硬约束	PID 无法显式处理"温度不得超过 X"	MPC（第十七页，这是它最大的卖点）
强非线性	单组参数无法覆盖工作范围	增益调度、非线性控制（第十五页）
非最小相位	性能天花板低（第二、五页）	无法根治，只能接受或改机械设计
需要最优性	PID 不优化任何指标	LQR（第八页）、MPC

注意最后一行的措辞：PID 不是任何意义上的最优控制器——它只是一个结构简单、鲁棒、够用的启发式。这既是它的局限，也是它的优点（不优化任何具体指标，意味着它不会因为指标设错而灾难性地失败）。

六、要点

P 看现在、I 看过去、D 看未来；PID ≈ 超前 + 滞后补偿；
PID 的统治地位来自"少参数 + 无需模型 + 够鲁棒 + 生态成熟"；
抗饱和、微分滤波、微分作用于测量、两自由度——这四条工程细节决定实际成败；
Z-N 偏激进，只当起点；过程工业主流是基于模型的 Lambda/IMC 整定；
PID 在大时滞、强耦合、硬约束、强非线性面前力不从心——这正是后面几线的动机。

线一结束。下一线转向现代控制：把系统写成状态方程，用矩阵语言处理多输入多输出，并引入两个极重要的概念——能控性与能观性。