PID原理与python的简单实现和调参
更新时间：2022年08月25日 14:26:36 作者：Scc_hy
这篇文章主要介绍了PID原理与python的简单实现和调参文章围绕主题展开详细的内容介绍，具有一定的参考价值。感兴趣的小伙伴可以参考一下
一、前言
近期在实际项目中使用到了PID控制算法，于是就该算法做一总结。
二、PID控制算法详解
2.1 比例控制算法
例子: 假设一个水缸，需要最终控制水缸的水位永远维持在1米的高度。
水位目标：T 当前水位：Tn 加水量：U 误差：error error=T-Tn 比例控制系数：kp U = k_p * errorU=kp∗error initial: T=1; Tn=0.2, error=1-0.2=0.8; kp=0.4
2.1.1 比例控制python简单示意
T=1
Tn=0.2
error=1-0.2
kp=0.4
for t in range(1, 10):
U = kp * error
Tn += U
error = T-Tn
print(f't={t} | add {U:.5f} => Tn={Tn:.5f} error={error:.5f}')
"""
t=1 | add 0.32000 => Tn=0.52000 error=0.48000
t=2 | add 0.19200 => Tn=0.71200 error=0.28800
t=3 | add 0.11520 => Tn=0.82720 error=0.17280
t=4 | add 0.06912 => Tn=0.89632 error=0.10368
t=5 | add 0.04147 => Tn=0.93779 error=0.06221
t=6 | add 0.02488 => Tn=0.96268 error=0.03732
t=7 | add 0.01493 => Tn=0.97761 error=0.02239
t=8 | add 0.00896 => Tn=0.98656 error=0.01344
t=9 | add 0.00537 => Tn=0.99194 error=0.00806
"""2.1.2 比例控制存在的一些问题
根据kp取值不同，系统最后都会达到1米，只不过kp大了达到的更快。不会有稳态误差。 若存在漏水情况，在相同情况下，经过多次加水后，水位会保持在0.75不在再变化,因为当U和漏水量一致的时候将保持不变——即稳态误差 U=k_p*error=0.1 => error = 0.1/0.4 = 0.25U=kp∗error=0.1=>error=0.1/0.4=0.25，所以误差永远保持在0.25
T=1
Tn=0.2
error=1-0.2
kp=0.4
extra_drop = 0.1
for t in range(1, 100):
U = kp * error
Tn += U - extra_drop
error = T-Tn
print(f't={t} | add {U:.5f} => Tn={Tn:.5f} error={error:.5f}')
"""
t=95 | add 0.10000 => Tn=0.75000 error=0.25000
t=96 | add 0.10000 => Tn=0.75000 error=0.25000
t=97 | add 0.10000 => Tn=0.75000 error=0.25000
t=98 | add 0.10000 => Tn=0.75000 error=0.25000
t=99 | add 0.10000 => Tn=0.75000 error=0.25000
"""实际情况中，这种类似水缸漏水的情况往往更加常见
- 比如控制汽车运动，摩擦阻力就相当于是"漏水"
- 控制机械臂、无人机的飞行，各类阻力和消耗相当于"漏水"
所以单独的比例控制，很多时候并不能满足要求
2.2 积分控制算法(消除稳态误差)
比例+积分控制算法：
误差累计
积分控制系数
误差累计
积分控制系数2.2.1 python简单实现
T=1
Tn=0.2
error=1-0.2
kp=0.4
extra_drop = 0.1
ki=0.2
sum_error = 0
for t in range(1, 20):
sum_error += error
U = kp * error + ki * sum_error
Tn += U - extra_drop
error = T-Tn
print(f't={t} | add {U:.5f} => Tn={Tn:.5f} error={error:.5f}')
"""
t=14 | add 0.10930 => Tn=0.97665 error=0.02335
t=15 | add 0.11025 => Tn=0.98690 error=0.01310
t=16 | add 0.10877 => Tn=0.99567 error=0.00433
t=17 | add 0.10613 => Tn=1.00180 error=-0.00180
t=18 | add 0.10332 => Tn=1.00512 error=-0.00512
t=19 | add 0.10097 => Tn=1.00608 error=-0.00608
"""2.3 微分控制算法(减少控制中的震荡)
在越靠近目标的时候则加的越少。 
- kd: 微分控制系数
- d_error/d_t ~= error_t - error_t_1：误差的变化
3.3.1 加入微分控制算法的python简单示意
令：kd=0.2; d_error = 当前时刻误差-前时刻误差
T=1
Tn=0.2
error=1-0.2
kp=0.4
extra_drop = 0.1
ki=0.2
sum_error = 0
kd=0.2
d_error = 0
error_n = 0
error_b = 0
for t in range(1, 20):
error_b = error_n
error_n = error
# print(error_b1, error_b2)
d_error = error_n - error_b if t >= 2 else 0
sum_error += error
U = kp * error + ki * sum_error + kd * d_error
Tn += U - extra_drop
error = T-Tn
print(f't={t} | add {U:.5f} => Tn={Tn:.5f} error={error:.5f} | d_error: {d_error:.5f}')
"""
t=14 | add 0.09690 => Tn=0.96053 error=0.03947 | d_error: 0.01319
t=15 | add 0.10402 => Tn=0.96455 error=0.03545 | d_error: 0.00310
t=16 | add 0.10808 => Tn=0.97263 error=0.02737 | d_error: -0.00402
t=17 | add 0.10951 => Tn=0.98214 error=0.01786 | d_error: -0.00808
t=18 | add 0.10899 => Tn=0.99113 error=0.00887 | d_error: -0.00951
t=19 | add 0.10727 => Tn=0.99840 error=0.00160 | d_error: -0.00899
"""2.4 PID算法总结
for kp_i in np.linspace(0, 1, 10): pid_plot(kp=kp_i, ki=0.2, kd=0.2)
for ki_i in np.linspace(0, 1, 10): pid_plot(kp=0.5, ki=ki_i, kd=0.2)
for kd_i in np.linspace(0, 1, 10): pid_plot(kp=0.5, ki=0.2, kd=kd_i)
pid_plot(kp=0.65, ki=0.05, kd=0.5, print_flag=True)
三、牛顿法调参
损失函数采用：RMSE
from scipy import optimize
import matplotlib.pyplot as plt
import numpy as np
def pid_plot(args, plot_flag=True, print_flag=False):
kp, ki, kd = args
T=1
Tn=0.2
error=1-0.2
extra_drop = 0.1
sum_error = 0
d_error = 0
error_n = 0
error_b = 0
Tn_list = []
for t in range(1, 100):
error_b = error_n
error_n = error
d_error = error_n - error_b if t >= 2 else 0
sum_error += error
U = kp * error + ki * sum_error + kd * d_error
Tn += U - extra_drop
error = T-Tn
Tn_list.append(Tn)
if print_flag:
print(f't={t} | add {U:.5f} => Tn={Tn:.5f} error={error:.5f} | d_error: {d_error:.5f}')
if plot_flag:
plt.plot(Tn_list)
plt.axhline(1, linestyle='--', color='darkred', alpha=0.8)
plt.title(f'$K_p$={kp:.3f} $K_i$={ki:.3f} $K_d$={kd:.3f}')
plt.ylim([0, max(Tn_list) + 0.2])
plt.show()
loss = np.sqrt(np.mean(np.square(np.ones_like(Tn_list) - np.array(Tn_list))))
return loss
boundaries=[(0, 2), (0, 2), (0, 2)]
res = optimize.fmin_l_bfgs_b(pid_plot, np.array([0.1, 0.1, 0.1]), args=(False, False), bounds = boundaries, approx_grad = True)
pid_plot(res[0].tolist(), print_flag=True)
pid_plot([0.65, 0.05, 0.5], print_flag=True)牛顿法调参结果图示 ：
简单手动调参图示：
到此这篇关于PID原理与python的简单实现和调参的文章就介绍到这了,更多相关PID与python内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
Python中也存在条件选择和循环语句，其风格和C语言、java的很类似，不过在书写语法上还是存在一些区别的，接下来同大家一起了解下，希望可以帮助你更好的学习python，感兴趣的你可不要错过了哈2013-03-03
这篇文章主要为大家详细介绍了opencv实现车牌识别，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2022-07-07
Python强化练习之PyTorch opp算法实现月球登陆器
在面向对象出现之前，我们采用的开发方法都是面向过程的编程(OPP)。面向过程的编程中最常用的一个分析方法是“功能分解”。我们会把用户需求先分解成模块，然后把模块分解成大的功能，再把大的功能分解成小的功能，整个需求就是按照这样的方式，最终分解成一个一个的函数2021-10-10
这篇文章主要介绍了Python 爬虫的原理,文中讲解非常细致，帮助大家更好的学习和认识爬虫，感兴趣的朋友可以了解下2020-07-07
这篇文章主要介绍了Python Selenium 之数据驱动测试的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-08-08
粘包就是在数据传输过程中有多个数据包被粘连在一起被发送或接受,本文主要介绍了python粘包的解决方案,具有一定的参考价值,感兴趣的可以了解一下2024-01-01
文章介绍了Python中使用时间戳和时间模块的操作,包括获取当前时间、计算程序运行时间以及时间戳与时间字符串之间的转换2025-02-02
Python和Java的语法对比分析语法简洁上python的确完美胜出
Python是一种广泛使用的解释型、高级编程、通用型编程语言，由吉多·范罗苏姆创造，第一版发布于1991年。这篇文章主要介绍了Python和Java的语法对比，语法简洁上python的确完美胜出 ,需要的朋友可以参考下2019-05-05
这篇文章主要介绍了PyQt5 显示超清高分辨率图片的方法，帮助大家更好的理解和阿学习使用pyqt5，感兴趣的朋友可以了解下2021-04-04
python调用cmd命令时遇到的路径空格问题和中文乱码的解决
这篇文章主要介绍了python调用cmd命令时遇到的路径空格问题和中文乱码的解决方案,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2024-02-02
最新评论