尧图网站开发 
上篇聊调参时我提了一嘴积分限幅一定要设很多读者私信问为什么。积分饱和integral windup是PID在实际工程中最常见、也最容易被忽视的问题。仿真里调得好好的参数一到真实系统就疯狂超调甚至振荡十有八九是积分饱和在作怪。今天把积分饱和的来龙去脉讲透——怎么产生的、什么后果、怎么解决。面试里这个问题频率很高它是区分课本PID和工程PID的分水岭。积分饱和到底是怎么发生的先回顾一下积分项。积分项的本质是把历史误差累加起来只要误差不为零积分值就一直增长。理想情况下没问题——误差慢慢消除积分项趋于稳定。但实际系统有一个理想模型里没有的东西执行器饱和。电机有最大电压限制舵机有最大角度限制。当PID控制量超出执行器能力时执行器只能输出最大值。控制量被截断了但积分项不知道还在继续累加误差。举个具体例子。电机最大输出100目标值从0跳到50。误差很大积分项快速累积。电机很快饱和在100但系统跟不上。误差依然很大积分项还在往上加。等系统接近目标值了误差变号但积分项还停在高位——需要很长时间才能退饱和。这段时间控制量一直饱和系统严重超调。def pid_with_windup(target, measured, kp, ki, kd, dt, max_out100): integral 0.0 prev_error 0.0 for i in range(500): error target - measured integral error * dt # 不管饱和持续累加 output kp*error ki*integral kd*(error-prev_error)/dt actual max(-max_out, min(max_out, output)) measured (actual - 0.5*measured) * dt prev_error error return integral # 会非常大 print(pid_with_windup(100, 0, 1.0, 0.5, 0.1, 0.01))积分项累积到好几百系统严重超调。这就是积分饱和的典型表现。积分饱和的危害不只是超调恢复时间极长。积分项累积到很大值后需要误差反向且持续足够长时间才能退饱和。这段时间系统基本不受控。可能振荡发散。饱和太严重时退饱和后系统往反方向冲积分项又反向累积来回振荡极端情况直接发散。目标值切换时性能恶化。正常跟踪小误差时表现很好目标值大幅切换比如机械臂从A移到B积分饱和就导致严重超调。之前面试一家做服务机器人的公司面试官问机器人过门槛时IMU的pitch角突变PID超调很久才稳定怎么解决我说先查是不是积分饱和。一查果然是——IMU角度突变导致积分快速累积电机饱和后积分继续涨角度回来了积分还在输出大值。四种抗积分饱和方案工程上解决积分饱和的方法很多介绍四种最常用的。方案一积分限幅Integral Clamping。最简单粗暴——给积分项设一个上下限。积分值超过限幅就截断。class PIDWithClamping: def __init__(self, kp, ki, kd, integral_limit50.0): self.kp, self.ki, self.kd kp, ki, kd self.integral_limit integral_limit self.integral 0.0 self.prev_error 0.0 def update(self, error, dt): self.integral error * dt self.integral max(-self.integral_limit, min(self.integral_limit, self.integral)) derivative (error - self.prev_error) / dt output self.kp*error self.ki*self.integral self.kd*derivative self.prev_error error return output限幅值怎么设一般设为控制输出最大值的50%-80%除以Ki。简单有效大部分场景够用。方案二条件积分Conditional Integration。只在合理条件下才让积分累加——误差小于阈值、且控制量未饱和时才积分。代码实现很简单在积分累加前加一个if判断。比限幅更聪明但阈值怎么选需要经验。方案三积分分离Integral Separation。大误差时只用PD小误差时才加I项。目标值大幅切换时特别有效。class PIDIntegralSeparation: def __init__(self, kp, ki, kd, threshold5.0): self.kp, self.ki, self.kd kp, ki, kd self.threshold threshold self.integral 0.0 self.prev_error 0.0 def update(self, error, dt): self.integral error * dt gain_i self.ki if abs(error) self.threshold else 0.0 derivative (error - self.prev_error) / dt output self.kp*error gain_i*self.integral self.kd*derivative self.prev_error error return output方案四反算抗饱和Back-Calculation。工业界用得最多也最优雅。核心思想执行器饱和时把饱和差值反馈回积分项。class PIDBackCalculation: def __init__(self, kp, ki, kd, kbNone, max_output100.0): self.kp, self.ki, self.kd kp, ki, kd self.max_output max_output self.kb kb if kb else ki self.integral 0.0 self.prev_error 0.0 def update(self, error, dt): derivative (error - self.prev_error) / dt raw self.kp*error self.ki*self.integral self.kd*derivative actual max(-self.max_output, min(self.max_output, raw)) # 反算饱和差值反馈给积分项 self.integral (error*self.ki self.kb*(actual - raw)) * dt self.prev_error error return actual反算法的好处不饱和时跟普通PID一样饱和时积分项被拉回来。Kb影响退饱和速度——Kb越大退饱和越快太大会引入额外动态。一般Kb取Ki的2-5倍。面试实战怎么回答抗积分饱和面试官问你知道积分饱和吗千万别只说加个限幅就行了。建议这样回答积分饱和的本质是执行器饱和导致积分持续累积后果是超调增大、恢复变慢、甚至振荡。方案有几种——积分限幅最简单条件积分和积分分离更智能但需调阈值反算法最优雅工业界用得最多。面试官追问你项目里用的哪种你就说场景。目标值大幅切换的系统用积分分离需要平稳过渡的用反算法简单场景积分限幅就够了。之前面试一家人形机器人公司面试官问平衡控制器怎么抗积分饱和的我说反算法。面试官又问Kb怎么选的我说先取Ki的3倍看恢复时间调整太慢加大Kb有振荡减小Kb。答到这程度差不多了。积分饱和是PID从课本走向工程的必经之路。仿真里永远遇不到因为仿真没有执行器饱和。但一到真实系统这个问题几乎一定会冒出来。理解成因、掌握方案、知道什么场景用什么方法——这些是面试中真正能拉开差距的东西。下一篇讲PID微分滤波——微分噪声放大的工程处理。D项能减小超调、提高稳定性但它有个致命缺陷对高频噪声极度敏感。纯微分会把噪声放大到不可接受的程度。下篇讲怎么解决。如果这篇文章对你有帮助欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。「机器人软件开发面试·从入门到精通」连载系列上一篇第183篇 PID调参实战——从Ziegler-Nichols到实际工程经验 下一篇预告第185篇 PID微分滤波——微分噪声放大的工程处理有任何问题欢迎评论区留言我会尽量回复。 
上篇聊调参时我提了一嘴积分限幅一定要设很多读者私信问为什么。积分饱和integral windup是PID在实际工程中最常见、也最容易被忽视的问题。仿真里调得好好的参数一到真实系统就疯狂超调甚至振荡十有八九是积分饱和在作怪。今天把积分饱和的来龙去脉讲透——怎么产生的、什么后果、怎么解决。面试里这个问题频率很高它是区分课本PID和工程PID的分水岭。积分饱和到底是怎么发生的先回顾一下积分项。积分项的本质是把历史误差累加起来只要误差不为零积分值就一直增长。理想情况下没问题——误差慢慢消除积分项趋于稳定。但实际系统有一个理想模型里没有的东西执行器饱和。电机有最大电压限制舵机有最大角度限制。当PID控制量超出执行器能力时执行器只能输出最大值。控制量被截断了但积分项不知道还在继续累加误差。举个具体例子。电机最大输出100目标值从0跳到50。误差很大积分项快速累积。电机很快饱和在100但系统跟不上。误差依然很大积分项还在往上加。等系统接近目标值了误差变号但积分项还停在高位——需要很长时间才能退饱和。这段时间控制量一直饱和系统严重超调。def pid_with_windup(target, measured, kp, ki, kd, dt, max_out100): integral 0.0 prev_error 0.0 for i in range(500): error target - measured integral error * dt # 不管饱和持续累加 output kp*error ki*integral kd*(error-prev_error)/dt actual max(-max_out, min(max_out, output)) measured (actual - 0.5*measured) * dt prev_error error return integral # 会非常大 print(pid_with_windup(100, 0, 1.0, 0.5, 0.1, 0.01))积分项累积到好几百系统严重超调。这就是积分饱和的典型表现。积分饱和的危害不只是超调恢复时间极长。积分项累积到很大值后需要误差反向且持续足够长时间才能退饱和。这段时间系统基本不受控。可能振荡发散。饱和太严重时退饱和后系统往反方向冲积分项又反向累积来回振荡极端情况直接发散。目标值切换时性能恶化。正常跟踪小误差时表现很好目标值大幅切换比如机械臂从A移到B积分饱和就导致严重超调。之前面试一家做服务机器人的公司面试官问机器人过门槛时IMU的pitch角突变PID超调很久才稳定怎么解决我说先查是不是积分饱和。一查果然是——IMU角度突变导致积分快速累积电机饱和后积分继续涨角度回来了积分还在输出大值。四种抗积分饱和方案工程上解决积分饱和的方法很多介绍四种最常用的。方案一积分限幅Integral Clamping。最简单粗暴——给积分项设一个上下限。积分值超过限幅就截断。class PIDWithClamping: def __init__(self, kp, ki, kd, integral_limit50.0): self.kp, self.ki, self.kd kp, ki, kd self.integral_limit integral_limit self.integral 0.0 self.prev_error 0.0 def update(self, error, dt): self.integral error * dt self.integral max(-self.integral_limit, min(self.integral_limit, self.integral)) derivative (error - self.prev_error) / dt output self.kp*error self.ki*self.integral self.kd*derivative self.prev_error error return output限幅值怎么设一般设为控制输出最大值的50%-80%除以Ki。简单有效大部分场景够用。方案二条件积分Conditional Integration。只在合理条件下才让积分累加——误差小于阈值、且控制量未饱和时才积分。代码实现很简单在积分累加前加一个if判断。比限幅更聪明但阈值怎么选需要经验。方案三积分分离Integral Separation。大误差时只用PD小误差时才加I项。目标值大幅切换时特别有效。class PIDIntegralSeparation: def __init__(self, kp, ki, kd, threshold5.0): self.kp, self.ki, self.kd kp, ki, kd self.threshold threshold self.integral 0.0 self.prev_error 0.0 def update(self, error, dt): self.integral error * dt gain_i self.ki if abs(error) self.threshold else 0.0 derivative (error - self.prev_error) / dt output self.kp*error gain_i*self.integral self.kd*derivative self.prev_error error return output方案四反算抗饱和Back-Calculation。工业界用得最多也最优雅。核心思想执行器饱和时把饱和差值反馈回积分项。class PIDBackCalculation: def __init__(self, kp, ki, kd, kbNone, max_output100.0): self.kp, self.ki, self.kd kp, ki, kd self.max_output max_output self.kb kb if kb else ki self.integral 0.0 self.prev_error 0.0 def update(self, error, dt): derivative (error - self.prev_error) / dt raw self.kp*error self.ki*self.integral self.kd*derivative actual max(-self.max_output, min(self.max_output, raw)) # 反算饱和差值反馈给积分项 self.integral (error*self.ki self.kb*(actual - raw)) * dt self.prev_error error return actual反算法的好处不饱和时跟普通PID一样饱和时积分项被拉回来。Kb影响退饱和速度——Kb越大退饱和越快太大会引入额外动态。一般Kb取Ki的2-5倍。面试实战怎么回答抗积分饱和面试官问你知道积分饱和吗千万别只说加个限幅就行了。建议这样回答积分饱和的本质是执行器饱和导致积分持续累积后果是超调增大、恢复变慢、甚至振荡。方案有几种——积分限幅最简单条件积分和积分分离更智能但需调阈值反算法最优雅工业界用得最多。面试官追问你项目里用的哪种你就说场景。目标值大幅切换的系统用积分分离需要平稳过渡的用反算法简单场景积分限幅就够了。之前面试一家人形机器人公司面试官问平衡控制器怎么抗积分饱和的我说反算法。面试官又问Kb怎么选的我说先取Ki的3倍看恢复时间调整太慢加大Kb有振荡减小Kb。答到这程度差不多了。积分饱和是PID从课本走向工程的必经之路。仿真里永远遇不到因为仿真没有执行器饱和。但一到真实系统这个问题几乎一定会冒出来。理解成因、掌握方案、知道什么场景用什么方法——这些是面试中真正能拉开差距的东西。下一篇讲PID微分滤波——微分噪声放大的工程处理。D项能减小超调、提高稳定性但它有个致命缺陷对高频噪声极度敏感。纯微分会把噪声放大到不可接受的程度。下篇讲怎么解决。如果这篇文章对你有帮助欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。「机器人软件开发面试·从入门到精通」连载系列上一篇第183篇 PID调参实战——从Ziegler-Nichols到实际工程经验 下一篇预告第185篇 PID微分滤波——微分噪声放大的工程处理有任何问题欢迎评论区留言我会尽量回复。