如何整定 PID 控制器：一份实用指南

PID 控制器把系统当前所处位置与目标位置之间的误差，转换成对控制量的修正量。PID 控制器由比例、积分、微分三项构成，所谓整定，就是决定每一项以多强的力度参与控制。可靠的做法是每次只调一项，按固定顺序进行，每改一次就观察一次响应。你可以打开 PID 控制器模拟器跟着一起做。

比例增益起

先把积分增益和微分增益归零。然后提高比例增益（Kp），直到设定值变化时系统能够快速响应。增益太小，反应迟钝；增益太大，则会超调并振荡。到响应够快、只有轻微振荡的时候就停下来——这个状态就是接下来加入其余两项的起点。

有一条好用的经验法则：**P 项给你的是速度。**它只对当下的误差作出反应，除此之外什么也不做。

加微分来压住超调

接着提高微分增益（Kd）。微分作用响应的是误差变化得有多快，所以当系统接近设定值时，它就像刹车一样把系统拉住。纯比例控制留下的超调和振铃，正是靠它消除的。

只加到刚好能让振荡稳定下来即可。加得太多会让控制器变得神经质，因为微分项会把测量值里的任何噪声都放大。如果你的信号本身噪声很大，就在微分之前先滤波，或者干脆更多地依靠比例项和积分项。

最后才加积分

比例项和微分项一起用，仍然可能留下一个小小的稳态偏差——系统会停在离设定值差一点的地方。积分项（Ki）解决的正是这个问题：它把误差随时间累积起来，持续推动，直到偏差被消除。

只有当稳态误差稳定存在、每次都能重复出现时，才慢慢加入积分增益。积分是三项里响应最慢的一项，也最容易加过头，所以一点点就能起很大作用。

当心积分饱和

积分饱和是 PID 最经典的失效方式。当执行器饱和时——电机已经全速运转，阀门已经全开——系统根本无法响应，但积分项还在继续累积误差。等到误差终于反号，此前积攒的那一大股作用力会一次性释放出来，系统因此严重超调。

防止它的办法有两种：一是限幅积分项（输出处于饱和状态时不再往里累加），二是反算（用请求输出与实际输出之间的差值把积分项慢慢泄放下去）。最简单的限幅写法如下：

float candidateIntegral = integral + error * dt;
float raw = kp * error + ki * candidateIntegral + kd * derivative;
float output = constrain(raw, outputMin, outputMax);
if (raw == output) integral = candidateIntegral; // only accumulate when not saturated

别在循环时序上自欺欺人

三项运算都依赖一个稳定的时间步长。在单片机里，循环中一个漫长的 delay() 会额外引入死区时间，让微分项无论调到多高都没有用，同时还会让积分项失真。要让循环跑得够快、间隔足够稳定，并把真实流逝的时间传进计算里。

快速逼近：Ziegler–Nichols 起点

不断加大 P 直到找到振荡，这一步不只是做个合理性检查——它还给了你一个数字，整套参数都可以从它算出来。把 I 和 D 设为零，不断加大 P，直到输出以稳定的幅度振荡，既不增大也不衰减，然后记下两个数：

• Ku——出现这种振荡时的比例增益（极限增益）
• Tu——振荡的周期，单位是秒

然后：

这些参数是**起点，不是答案。**经典那一行是故意选得激进的，通常会带来 20–40% 的超调：对电机来说没问题，对一只靠近桌面的机械臂来说则完全不能接受。最后一行则是拿响应速度去换不超调的落点。

这个方法的价值在于，它把三个未知量换成了两次测量。花二十分钟测出 Ku 和 Tu，比瞎猜一整个下午都更接近正确答案，之后你就能从一个合理的起点凭手感继续微调。

对测量值求微分，而不是对误差求微分

只需要改一行代码，就能解决关于 D 项最常见的一条抱怨。

设定值发生阶跃时，误差也跟着阶跃。阶跃信号的导数在瞬间大得惊人，于是控制器会为一个与物理毫无关系的原因输出一个剧烈的修正——什么都没动，你只是要求了另一个目标值。放到机器人上，就是每次改变目标时都会来一次猛烈的抖动。

// Derivative kick: the setpoint step goes straight into the output.
float derivative = (error - lastError) / dt;

// Derivative on measurement: the setpoint contributes nothing at all.
float derivative = -(measurement - lastMeasurement) / dt;

之所以要取相反的符号，是因为误差定义为 setpoint − measurement，改成对测量值求微分就相当于取一次负号。设定值保持不变时，这两种写法在数学上完全等价；一旦设定值变化，只有后一种写法的行为是正确的。

**除非你有具体的理由不支持，否则就对测量值求微分。**几乎没有哪种场合是需要这个微分冲击的。

给微分项加滤波，否则 D 只会放大你的噪声

求微分会放大高频成分，而传感器噪声按定义就是高频的。一个每 10 ms 采样一次、抖动幅度为 ±2 个计数的信号，微分估计值的摆动范围会达到每秒 ±200 个计数——而 D 项会把这些摆动直接变成电机指令。

常见的结果是，人们因此断定 D 项没有用，索性把它设成零。真正的问题在上游：

// A first-order filter on the derivative term only.
// alpha = dt / (tau + dt); tau is the filter time constant in seconds.
const float tau = 0.05f;                       // 50 ms
const float alpha = dt / (tau + dt);
dFiltered += alpha * (dRaw - dFiltered);

tau 的取值是一个权衡：取小了噪声照样存活，取大了 D 项就是在依据已经过时的信息做决策，而这恰恰是 D 项存在的意义所要避免的。先从循环周期的三到五倍开始取值，只在一抖动停止之后再往上加。

一个完整的控制器

把上面所有内容合到一处：

struct Pid {
  float kp, ki, kd;
  float outMin, outMax;
  float tau;                 // derivative filter time constant

  float integral = 0;
  float lastMeasurement = 0;
  float dFiltered = 0;
  bool  primed = false;
};

float pidUpdate(Pid &c, float setpoint, float measurement, float dt) {
  if (dt <= 0) return 0;

  const float error = setpoint - measurement;

  // Derivative on measurement, low-pass filtered.
  if (!c.primed) { c.lastMeasurement = measurement; c.primed = true; }
  const float dRaw = -(measurement - c.lastMeasurement) / dt;
  const float alpha = dt / (c.tau + dt);
  c.dFiltered += alpha * (dRaw - c.dFiltered);
  c.lastMeasurement = measurement;

  // Provisional integral, committed only if the output does not saturate.
  const float candidate = c.integral + error * dt;
  const float raw = c.kp * error + c.ki * candidate + c.kd * c.dFiltered;
  const float out = constrain(raw, c.outMin, c.outMax);
  if (raw == out) c.integral = candidate;      // conditional integration

  return out;
}

这里面有三样东西，是“能在机器人上工作的控制器”和“只在教科书上成立的控制器”之间的区别：对测量值求微分、对微分项做滤波，以及条件积分——执行器饱和时积分项不会被累积起来，因此不会发生积分饱和。

从响应形状做诊断

只看响应曲线，几乎每一种整定故障你都能叫出名字：

最后一行值得特别强调，因为那并不是缺陷。增益描述的是一个特定的被控对象，而被控对象里还包括电池电量、底盘质量、地面状况和减速箱温度。一套在满电电池上完美工作的参数，放到电量将尽的电池上就会变得迟钝，因为同样的占空比现在能产生的转矩更小了。专业的做法有两种：在下面套一层速度环（这样控制器下发的是速度而不是占空比），或者做增益调度（准备好几套参数，按工况选用）。

把循环时序量化一下

I 项和 D 项都是按流逝时间来算的，所以一个“随时跑完、随时进入下一轮”的循环，等于拿着一句谎话在算这两项。

**用 micros() 测量 dt 并把它传进去。**这件事不花任何代价，能扛住随着功能增加而不断变化的循环时长，还能把整类莫名其妙的问题从整定过程中清除掉。

如果还能让循环跑得更快，那就去做——一个以 20 Hz 采样的控制器，拿到的是最多已经过去 50 ms 的信息，而过时的信息不是任何增益能补救的。把 delay() 调用去掉，通常能让第一台机器人从 20 Hz 提升到几百赫兹，而且跟踪效果变好完全不需要动任何增益。

自己动手试一试

打开 PID 控制器模拟器，把 I 和 D 增益归零，按上面的顺序走一遍。留意超调、调节时间和稳态误差分别是怎么响应单独一项的。等你在这里把各种形状都看明白了，同样的直觉就能迁移到真实的电机、加热器，或者 循迹模拟器 里的转向环上。