PID 控制模拟：咖啡锅炉温度控制
本仓库是一段经典的 PID（比例-积分-微分）控制 模拟代码，用离散时间仿真演示从「仅 P」到「P+I」再到「完整 PID」的调参过程，以及不同控制策略下的温度曲线现象。
一、PID 基本理论与公式
1.1 什么是 PID
PID 是一种根据设定值（setpoint）与当前测量值（measured value）的偏差，计算控制量（如加热功率）的算法，广泛应用于温度、速度、液位等闭环控制。
控制器输出由三部分叠加而成：
| 环节 | 英文 | 作用 |
|---|---|---|
| P | Proportional | 与当前误差成正比，误差大则输出大，响应快 |
| I | Integral | 与误差的积分成正比，消除稳态误差（静差） |
| D | Derivative | 与误差的变化率成正比，抑制超调、加快稳定 |
1.2 连续时间公式
设设定值为 (r(t))，测量值为 (y(t))，误差 (e(t) = r(t) - y(t))，则 PID 输出为：
[
u(t) = K_p, e(t) + K_i \int_0^t e(\tau),d\tau + K_d,\frac{de(t)}{dt}
]
- (K_p)：比例增益
- (K_i)：积分增益
- (K_d)：微分增益
1.3 离散时间公式（本代码采用）
在数字控制中，以采样间隔 (\Delta t) 离散化后，第 (k) 步：
- 误差：(e_k = r_k - y_k)
- 积分（累加近似）：(\sum e_k \cdot \Delta t)
- 微分（差分近似）：(\frac{e_k - e_{k-1}}{\Delta t}) 或对测量值求导（见下）
离散 PID 输出：
[
u_k = K_p, e_k + K_i \sum_{i=0}^{k} e_i,\Delta t + K_d,\frac{e_k - e_{k-1}}{\Delta t}
]
本代码中微分项采用「对测量值求导」（derivative on measurement），即用 (-\frac{y_k - y_{k-1}}{\Delta t}) 代替对误差的微分，在越过设定值时不会出现微分项突变，有利于减少超调和振荡。
二、模拟代码 tmp_ctrl.py 说明
2.1 项目结构
tmp_ctrl.py：主程序，包含 PID 类、一阶惯性+散热的热力学模型、三种调参对比与绘图。pid_simulation.png：运行后生成的温度曲线图。
2.2 核心类：PIDController
def __init__(self, Kp, Ki, Kd, dt):
Kp, Ki, Kd：三个增益。dt：采样/仿真步长（如 0.1 s）。- 内部维护：
integral（误差积分）、prev_error、prev_measured（用于微分对测量值）。
输出计算：
output = Kp * error + Ki * integral + Kd * derivative
- error：
setpoint - measured_value。 - integral：每步累加
error * dt（可在此基础上做积分限幅、抗饱和，本示例未做）。 - derivative：采用 derivative on measurement
- 公式：
derivative = -(measured_value - prev_measured) / dt - 含义：对「测量值」随时间的变化率取反，温度上升越快，微分项越负，相当于「刹车」，且过设定值时不会因误差反号而产生微分尖峰。
- 公式：
2.3 被控对象：simulate_system
def simulate_system(Kp, Ki, Kd, duration=100, dt=0.1, setpoint=92.0):
- 物理假设：
- 室温 20°C，目标温度 92°C。
- 加热：功率
power线性转化为温升，等效为power * 0.5 * dt。 - 散热：与环境温差成正比，
heat_loss = (current_temp - 20) * 0.05，每步减去heat_loss * dt。
- 控制量：PID 输出
power限制在[0, 100]（0%～100% 功率）。 - 状态更新：
current_temp += (power * 0.5 - heat_loss) * dt
即一阶惯性 + 线性散热的热力学模型。
因此，被控对象是带滞后的温度系统：加热有惯性，散热与温差有关，仅 P 控制会存在静差。
2.4 三种调参对比（三条曲线）
| 曲线 | 参数 | 说明 |
|---|---|---|
| 蓝线 | Kp=5, Ki=0, Kd=0 | 仅 P 控制 |
| 橙线 | Kp=5, Ki=2, Kd=0 | P + I |
| 绿线 | Kp=3.5, Ki=0.8, Kd=2.5 | 完整 PID，且微分对测量值 |
- 仿真时间 100 s，步长 0.1 s。
- 绘图时红色虚线为目标 92°C。
2.5 运行与出图
- 运行：
python tmp_ctrl.py - 会在当前工作目录生成
pid_simulation.png，并在 Windows 下用默认程序打开；若无 GUI 环境则仅保存图片。
三、曲线现象解释
3.1 蓝线：Only P（Kp=5）
- 现象：温度较快上升，但稳定在目标以下（约 90°C），与 92°C 存在约 2°C 的稳态误差（静差）。
- 原因：
- 仅比例控制时，输出 (u = K_p \cdot e)。
- 要维持一定加热功率以抵消散热，必须保持 (e > 0)，即温度必然低于设定值。
- 因此纯 P 无法在带恒定负载（散热）的系统中消除静差。
3.2 橙线：P + I（Ki=2）
- 现象：温度会超过 92°C，出现明显超调（例如冲到约 107°C），然后经振荡逐渐稳定到 92°C。
- 原因：
- 积分项会累积历史误差，把静差消除，最终能稳定在设定值。
- 但积分具有「惯性」：接近目标时误差已变小，积分却已经累积得很大，导致控制量一时过大，温度冲过目标。
- 没有微分「刹车」，超调与振荡较明显。
3.3 绿线：P + I + D（derivative on measurement）
- 现象：升温较快，超调明显减小，较快平稳到 92°C，曲线更平滑。
- 原因：
- 微分项对「测量值变化率」响应：升温越快，微分越负，输出被压低，相当于提前刹车。
- 使用 derivative on measurement 后，在越过 92°C 的瞬间不会出现误差反号导致的微分尖峰，因此更稳定。
- 同时 Kp、Ki 取适中值（3.5、0.8），配合 Kd=2.5，在抑制超调和保持响应速度之间取得平衡。
四、小结
- PID 公式：离散形式为 P（误差）+ I（误差积分）+ D（误差或测量值的变化率）；本代码采用对测量值的微分以减轻超调。
tmp_ctrl.py：实现了离散 PID 与一个简单的咖啡锅炉温度模型（加热+线性散热），并对比了 P、PI、PID 三条曲线。- 现象：P 有静差；P+I 消静差但易超调；P+I+D（含 derivative on measurement）在相同仿真下超调更小、收敛更平滑。
运行 python tmp_ctrl.py 即可复现上述三条温度曲线并得到 pid_simulation.png。
import os
import sys
import numpy as np
import matplotlib.pyplot as pltclass PIDController:def __init__(self, Kp, Ki, Kd, dt):self.Kp = Kpself.Ki = Kiself.Kd = Kdself.dt = dtself.integral = 0self.prev_error = 0self.prev_measured = None # for derivative-on-measurement, avoids spike when crossing setpointdef compute(self, setpoint, measured_value):error = setpoint - measured_valueself.integral += error * self.dt# derivative on measurement: dampens rate of temp rise, no spike when error flips at setpointif self.prev_measured is None:self.prev_measured = measured_valuederivative = -(measured_value - self.prev_measured) / self.dtself.prev_measured = measured_valueoutput = self.Kp * error + self.Ki * self.integral + self.Kd * derivativeself.prev_error = errorreturn outputdef simulate_system(Kp, Ki, Kd, duration=100, dt=0.1, setpoint=92.0):pid = PIDController(Kp, Ki, Kd, dt)time = np.arange(0, duration, dt)values = []current_temp = 20.0 # 初始室温for t in time:# 模拟物理环境：锅炉在散热，散失速度与温差成正比heat_loss = (current_temp - 20.0) * 0.05# PID 计算控制功率power = pid.compute(setpoint, current_temp)# 限制功率范围 (0% - 100%)power = max(0, min(100, power))# 温度更新 (功率增加温度，散热降低温度)current_temp += (power * 0.5 - heat_loss) * dtvalues.append(current_temp)return time, values# --- 模拟三个调试阶段 ---
# 1. 只调 P (存在静差)
t1, v1 = simulate_system(Kp=5.0, Ki=0.0, Kd=0.0)
# 2. 加入 I (消除静差但产生超调)
t2, v2 = simulate_system(Kp=5.0, Ki=2.0, Kd=0.0)
# 3. Full PID + derivative on measurement: moderate Kd to avoid discrete-time noise
t3, v3 = simulate_system(Kp=3.5, Ki=0.8, Kd=2.5)# --- 绘图 ---
plt.figure(figsize=(12, 6))
plt.axhline(y=92, color='r', linestyle='--', label='Target (92°C)')
plt.plot(t1, v1, label='Only P (Kp=5): Steady-state Error', alpha=0.8)
plt.plot(t2, v2, label='P + I (Ki=2): Overshoot occurs', alpha=0.8)plt.plot(t3, v3, label='P + I + D (Kp=3.5, Ki=0.8, Kd=2.5, deriv on meas)', linewidth=2)plt.title('PID Tuning Simulation: Coffee Boiler Temperature Control')
plt.xlabel('Time (s)')
plt.ylabel('Temperature (°C)')
plt.legend()
plt.grid(True)
# 先保存到当前工作目录（保证有写权限），再尝试打开
fig_path = os.path.join(os.getcwd(), "pid_simulation.png")
fig = plt.gcf()
fig.savefig(fig_path, dpi=150)
plt.close()
if os.path.exists(fig_path):if sys.platform == "win32":os.startfile(os.path.normpath(fig_path))else:os.system(f'{"open" if sys.platform == "darwin" else "xdg-open"} "{fig_path}"')
else:print("图片保存失败，请检查当前目录写权限:", os.getcwd())