一、什么是 PID？
PID 控制器是工业界使用最广泛的反馈控制算法。它持续测量误差 e(t) = 设定值 − 实际值， 并把误差的「现在(P)」「过去(I)」「未来(D)」三种信息加权求和，得到控制输出 u(t)：
u(t) = Kp·e(t) + Ki·∫₀ᵗ e(τ)dτ + Kd·de(t)/dt
离散实现（采样周期 Δt）：
u[k] = Kp·e[k] + Ki·Σe[j]·Δt + Kd·(e[k]−e[k−1])/Δt
二、多维度理解三个参数
维度 1 · 数学含义
- P（比例）：只看当前误差。误差越大，出力越大。但误差为零时出力也为零，所以面对持续扰动（如重力、负载、散热）会留下稳态误差。
- I（积分）：累加历史误差。只要误差不归零，积分就不断增长，最终顶住恒定扰动、消除稳态误差；代价是响应变"钝"、容易超调甚至振荡。
- D（微分）：看误差的变化趋势。误差快速缩小时提前"踩刹车"，抑制超调、增加阻尼；但对测量噪声非常敏感。
维度 2 · 物理直觉（开车类比）
- P：离目的地越远，油门踩得越深；
- I：发现一直被顶头风拖慢（误差一直在），就额外多给一点油，且越欠越补；
- D：眼看就要冲过停车线了（误差迅速变小），提前松油门带刹车。
维度 3 · 时域响应特征（增大某一参数的影响）
| 增大参数 | 上升时间 | 超调量 | 调节时间 | 稳态误差 | 稳定性 |
|---|---|---|---|---|---|
| Kp ↑ | 减小 | 增大 | 小幅变化 | 减小(不消除) | 变差 |
| Ki ↑ | 减小 | 增大 | 增大 | 消除 | 变差 |
| Kd ↑ | 小幅变化 | 减小 | 减小 | 无影响 | 改善(噪声小时) |
维度 4 · 工程实践要点
- 积分饱和 (Windup)：执行器到达极限（阀门全开、电压到顶）后误差仍在累积，积分越攒越大，导致回程时巨大超调。解决：积分限幅 / 反算抗饱和。本网站的仿真均内置了抗饱和，可在"恒温控制"场景中体会。
- 微分噪声：D 项放大高频噪声，工程上常加一阶低通滤波，或改为"对测量值微分"。
- 输出限幅：真实执行器都有上下限，仿真中也做了限幅，更贴近实际。
- 采样周期：离散 PID 的 Δt 应远小于系统时间常数（经验上 1/10 以下）。
三、手动调参口诀与步骤（试凑法）
"参数整定找最佳，从小到大顺序查；先是比例后积分，最后再把微分加。"
- 令 Ki=Kd=0，从小到大增大 Kp，直到系统响应足够快、出现轻微振荡，然后退回一些；
- 逐步加入 Ki 消除稳态误差，Ki 过大会引起缓慢振荡，需折中；
- 若超调仍偏大，加入少量 Kd 增加阻尼；噪声大的系统慎用 D；
- 施加扰动（本网站每个场景都有扰动按钮）检验抗扰能力，反复微调。
建议顺序游玩：参数实验室 → 电机（看 I 抗负载）→ 恒温（看积分饱和）→ 无人机（看重力稳态误差与 D 的阻尼作用）。
🧪 参数实验室 —— 二阶系统位置控制
被控对象：m·x″ = u − c·x′（质量块推到目标位置）。这是最能展现超调与振荡的教学对象。先只用 P，再加 I、加 D，观察曲线变化。
实验建议
- 预设「纯 P」：注意没有持续扰动时纯 P 也能到达目标，但 Kp 大了会振荡；
- 把 Kp 拉大：本对象纯 P 始终缓慢收敛，但 Kp 越大振荡衰减越慢；真正的持续振荡来自积分——理论上当 Ki > 1.2·Kp 时本系统失稳（Routh 判据），预设「激进(等幅振荡)」正好压在 Ki = 1.2·Kp 的临界稳定边界上，可看到等幅振荡，此时只要加一点 Kd 就立即镇定；
- 预设「PD」再对比「PID」：D 是阻尼，I 是除稳态误差的"慢功夫"；
- 点「施加外力扰动」：观察只有含 I 的组合能完全顶回扰动。
🔄 场景一 · 直流电机转速控制
模型：J·ω′ = K·u − b·ω − Tload，电压限幅 ±24V。目标：让转盘稳定在设定转速，加上负载后仍能恢复。
这个场景教会你什么？
- 转速控制对象近似一阶系统，纯 P 就能跟得不错——直到负载出现；
- 点「加载负载」：纯 P 时转速被压低且永远回不去（稳态误差 = 负载/某常数 ÷ Kp 相关），因为误差必须留着才能维持出力；
- 加入 Ki 后再加载（3 N·m）：转速短暂跌落后被积分"扛"回设定值——这就是 I 项的核心价值；
- 点「超重负载 6 N·m」：维持 150 rad/s 需要 (0.05×150+6)/0.5 = 27V，超过 ±24V 上限——执行器饱和后，再完美的 PID 也到不了目标（极限转速只有 120 rad/s）。这时盯着电压指标看"⚠饱和"，体会抗积分饱和为什么重要。
🌡 场景二 · 恒温箱温度控制（时间 20 倍速）
模型：C·T′ = Pmax·u − h·(T − Tenv)，加热功率 0~1000W，只能加热不能制冷（单向执行器），环境温度 25℃。热过程慢，已按 20 倍速播放。
这个场景教会你什么？
- 温度系统时间常数大（升温慢），而且只能加热、降温全靠散热，超调的代价是"等它自己凉下来"；
- 把 Ki 调大并切换目标温度：升温阶段加热器满功率（饱和），若无抗饱和，积分疯长会导致冲过目标好几度——本仿真内置抗饱和，可点「关闭抗饱和」按钮对比灾难效果；
- 「开盖散热」相当于散热突然加剧的持续扰动，再次体现 I 项扛扰动；「倒入冷水」是阶跃式状态扰动；
- 适量 Kd 能在温度逼近目标时提前收油，明显减小超调。
🚁 场景三 · 无人机定高悬停
模型：m·z″ = u·Fmax − m·g（m=1kg，最大推力 20N，油门 0~100%）。悬停需要持续约 49% 油门对抗重力——重力就是一个永不消失的恒定扰动。
这个场景教会你什么？
- 预设「纯 P」：无人机悬停在目标之下——必须留着一段误差来产生抵抗重力的油门，这就是恒定扰动下 P 控制的本质缺陷；
- 加入 Ki：积分慢慢攒出"悬停油门"，机体贴线悬停（真机上常用前馈 + 小积分实现同样效果）；
- 双积分对象（推力→加速度→速度→高度）天生容易振荡，Kd 在这里相当于人造空气阻尼，几乎不可缺少——试试把 Kd 归零；
- 点「阵风」：观察 D 项第一时间产生强烈反应（它看的是变化率），P、I 随后跟进。
📷 场景四 · 摄像头光学防抖 OIS（俯视图）
模型：音圈电机（VCM）驱动镜片组，机械阻尼极低（ζ=0.012），弹簧将镜片与机身耦合。摄像头晃动时弹簧把镜片"拖走"，OIS 通过 PID 把镜片拉回世界坐标原点（= 图像稳定）。
物理方程：m·x″ + b·x′ + k·x = K·u + k·xcam（m=1g，b=0.003，k=5.6 N/m，VCM K=5.6）
这个场景教会你什么？
- 无防抖：弹簧将镜片拖向机身位置，镜片随机身同步晃动，图像完全模糊；
- 纯 P=10（会振铃）：P 把镜片拉回中心，防抖率约 91%——但机械阻尼极低（ζ=0.012），VCM 遇到突发冲击（点击按钮）后会振铃长达约 2.9 秒（在"有 OIS"取景框中可见快速抖动）；
- PD 推荐：Kd 提供主动阻尼，将闭环阻尼比从 0.012 提升至 0.66，冲击后 0.05s 内收敛——这是 D 项在高性能 VCM 中最关键的工程作用；
- 完整 PID：Ki 消除弹簧偏置/重力引起的静态偏差（点"模拟相机倾斜"后对比有无 I 的静止误差）；
- 传感器噪声 ON + 大 Kd：展示 D 的核心代价——D 对噪声的微分放大造成镜片高频抖动，这也是真实 OIS 限制 Kd 上限的原因；
- 俯视图中蓝色圆为 OIS 镜片，左下取景框（红）= 无防抖画面，右下（绿）= 有 OIS 画面，观察两个圆点的抖动幅度差异。