极点配置法：从数学设计到自校正PID控制的完整实现

1. 从“调参玄学”到“数学设计”：为什么我们需要极点配置法

如果你在工业控制、机器人或者自动化领域摸爬滚打过一段时间，对PID控制器一定不会陌生。从恒温箱的温度控制到无人机的姿态稳定，PID以其结构简单、鲁棒性强的特点，几乎无处不在。但说到PID参数的整定，很多工程师的体验可能并不愉快：Ziegler-Nichols法、试凑法、经验公式……这些方法要么依赖被控对象的精确模型（而模型往往不准），要么就是一场耗时耗力的“玄学调参”。最终，我们可能得到一组“能用”的参数，但很难说它是不是“最优”的，更无法从理论上保证系统的动态性能，比如超调量、调节时间、抗干扰能力。

这正是“极点配置法”登场的时候。它把PID参数整定从一个“经验艺术”拉回到了“数学设计”的轨道上。简单来说，极点决定了线性系统动态响应的根本特性（比如是振荡衰减还是单调收敛，收敛速度多快）。通过将闭环系统的极点配置到我们期望的位置，我们就能直接“设计”出想要的系统响应。而“自校正控制”的引入，则让这个方法在面对模型未知或时变的对象时，依然能大显身手。它通过在线辨识被控对象的模型，然后实时更新极点配置计算出的PID参数，从而实现“边学边控”。

所以，这篇内容要聊的，就是如何用极点配置这把“数学尺子”，来精确地计算出PID控制器的三个参数（Kp， Ki， Kd），并结合自校正的思想，让它能适应更复杂、更真实的世界。这不是一个停留在教科书上的理论，而是一个能直接指导你写出代码、进行仿真的实战方法。无论你是想摆脱调参的困扰，还是想深入理解控制器设计的底层逻辑，接下来的内容都会给你一个清晰的路线图。

2. 理论基石：深入理解极点、PID与离散化模型

在动手计算之前，我们必须把几个核心概念和它们之间的关系彻底理清。这是后续所有推导和实操的基础，跳过这一步，后面的公式就会变成无源之水。

2.1 极点的物理意义与我们的设计目标

对于一个线性时不变系统，其传递函数的极点（即分母多项式等于零的根）直接决定了系统自由运动的模式。我们可以从复平面的角度直观理解：

• 极点实部（σ）：决定了系统的收敛速度。实部越负（在左半平面离虚轴越远），系统收敛越快。
• 极点虚部（ω）：决定了系统的振荡频率。虚部不为零时，系统响应会振荡。
• 极点的模：也与阻尼和振荡有关。

我们的设计目标，就是通过反馈控制，将闭环系统的极点“放置”到复平面上我们希望的位置。例如：

• 希望系统快速无超调？我们可以将主导极点配置在负实轴上（即只有实部，虚部为0）。
• 可以接受少量超调但要求调节时间短？我们可以将主导极点配置成一对具有适当阻尼比的共轭复根。 这给了我们前所未有的清晰的设计意图：我不要模糊的“调一调Kp看看”，我要的是“将超调控制在5%以内，调节时间小于0.5秒”，并据此反算出PID参数。

2.2 PID控制器的标准与增量式离散形式

在连续时间域，PID控制器的输出u(t)与误差e(t)的关系是：u(t) = Kp * e(t) + Ki * ∫ e(τ) dτ + Kd * de(t)/dt

但在计算机或微控制器中实现时，我们必须使用离散形式。这里介绍最常用的位置式PID和增量式PID。

位置式PID（容易理解，但需注意积分饱和）：u(k) = Kp * e(k) + Ki * Ts * Σ_{j=0}^{k} e(j) + Kd * [e(k) - e(k-1)] / Ts其中，k是当前采样时刻，Ts是采样周期。Ki和Kd在这里是连续域的参数，离散化后需要结合Ts。

在实际编程和理论推导中，我们更常用增量式PID。它只输出控制量的增量Δu(k)，由执行机构（如步进电机）进行累加，能天然避免积分饱和，对手动/自动切换也更友好。Δu(k) = u(k) - u(k-1) = q0 * e(k) + q1 * e(k-1) + q2 * e(k-2)其中：

• q0 = Kp + Ki*Ts + Kd/Ts
• q1 = -Kp - 2*Kd/Ts
• q2 = Kd/Ts

可以看到，增量式PID的参数从(Kp, Ki, Kd)变成了(q0, q1, q2)。这个形式将是我们后续与系统模型结合的关键。

2.3 被控对象的离散模型：CARIMA 模型

为了使用代数方法进行极点配置，我们需要一个描述被控对象的离散时间数学模型。这里我们引入一个非常强大且常用的模型——受控自回归积分滑动平均（CARIMA）模型。

它的标准形式是：A(z^{-1}) y(k) = z^{-d} B(z^{-1}) u(k-1) + C(z^{-1}) ξ(k) / Δ看起来有点复杂，我们拆解一下：

• y(k): k时刻的系统输出。
• u(k): k时刻的控制输入。
• d: 系统的纯延迟（以采样周期为单位）。z^{-d}表示输出对输入有d步的延迟。
• ξ(k): 均值为零的白噪声序列，代表扰动。
• Δ = 1 - z^{-1}: 差分算子。1/Δ相当于离散积分，这个项使得模型能自然描述非稳态过程（即有阶跃扰动时，输出也能跟踪阶跃设定值），这是PID控制能消除静差的关键。
• A(z^{-1}),B(z^{-1}),C(z^{-1}): 都是关于后移算子z^{-1}的多项式。
  • A(z^{-1}) = 1 + a1*z^{-1} + a2*z^{-2} + ... + ana*z^{-na}
  • B(z^{-1}) = b0 + b1*z^{-1} + ... + bnb*z^{-nb}(通常b0 ≠ 0)
  • C(z^{-1})通常为了简化可设为1。

为什么选择CARIMA模型？

1. 包含积分效应：Δ算子的存在，使得控制器设计能天然地包含积分动作，这对于抑制常值扰动至关重要。
2. 通用性强：它可以描述相当广泛的线性动态系统，包括有延迟、有零点的系统。
3. 适用于自校正：其参数(a1, a2, ..., b0, b1, ...)可以通过递归最小二乘法（RLS）等在线辨识算法轻松估计，为自校正控制铺平道路。

在初步设计中，如果我们已知或被辨识出系统的A和B多项式（忽略噪声项C），那么我们的被控对象模型可以简化为：A(z^{-1}) y(k) = z^{-d} B(z^{-1}) u(k-1)这个模型将作为我们设计控制器的起点。

3. 核心推导：如何将PID映射为极点配置问题

现在，我们有了控制器的形式（增量式PID）和被控对象的模型（简化CARIMA）。下一步就是将两者结合，形成一个闭环系统，并通过配置这个闭环系统的极点来求解PID参数。

3.1 构建闭环系统方程

我们的增量式PID控制器方程为：Δ u(k) = q0 e(k) + q1 e(k-1) + q2 e(k-2)，其中e(k) = r(k) - y(k)，r(k)为设定值。

为了将其与对象模型A(z^{-1}) y(k) = z^{-d} B(z^{-1}) u(k-1)结合，我们需要统一算子。首先将控制器方程改写为：Δ u(k) = (q0 + q1 z^{-1} + q2 z^{-2}) e(k)定义控制器多项式Q(z^{-1}) = q0 + q1 z^{-1} + q2 z^{-2}，则：Δ u(k) = Q(z^{-1}) e(k) = Q(z^{-1}) [r(k) - y(k)](1)

对象模型两边同时乘以Δ：A(z^{-1}) Δ y(k) = z^{-d} B(z^{-1}) Δ u(k-1) = z^{-d} B(z^{-1}) z^{-1} Δ u(k)（因为Δ u(k-1) = z^{-1} Δ u(k)） 所以：A(z^{-1}) Δ y(k) = z^{-(d+1)} B(z^{-1}) Δ u(k)(2)

现在，将(1)式代入(2)式，消去Δ u(k)：A(z^{-1}) Δ y(k) = z^{-(d+1)} B(z^{-1}) * Q(z^{-1}) [r(k) - y(k)]

整理后，得到关于输出y(k)的方程：[A(z^{-1}) Δ + z^{-(d+1)} B(z^{-1}) Q(z^{-1})] y(k) = z^{-(d+1)} B(z^{-1}) Q(z^{-1}) r(k)

3.2 定义闭环特征多项式与丢番图方程

上式等号左边中括号内的多项式，就是整个闭环系统的特征多项式，记作T(z^{-1})：T(z^{-1}) = A(z^{-1}) Δ + z^{-(d+1)} B(z^{-1}) Q(z^{-1})(3)

T(z^{-1})的根就是闭环系统的极点。极点配置的目标，就是通过选择合适的控制器参数多项式Q(z^{-1})（即q0, q1, q2），使得闭环特征多项式T(z^{-1})等于我们期望的多项式T_desired(z^{-1})。

T_desired(z^{-1})如何选取？它由我们期望的闭环性能决定。例如，如果我们希望系统等效为一个二阶系统，阻尼比为 ζ，自然频率为 ω_n，我们可以根据这两个参数计算出连续时间的期望极点s1, s2，然后利用z = e^{sTs}的关系将其映射到离散域，得到z1, z2。那么T_desired(z^{-1}) = (1 - z1 z^{-1})(1 - z2 z^{-1})，并将其展开成关于z^{-1}的多项式。对于更一般的系统，可以配置多个极点来满足性能要求。

现在，极点配置问题转化为了一个多项式等式求解问题：已知A(z^{-1}),B(z^{-1}),Δ, 延迟d，以及期望的T_desired(z^{-1})，求Q(z^{-1})，使得等式(3)成立。

观察(3)式，它实际上是A(z^{-1})Δ和B(z^{-1})Q(z^{-1})的一个线性组合。为了求解Q，我们引入一个辅助多项式P(z^{-1})，并建立如下丢番图方程（Diophantine Equation）：A(z^{-1}) Δ P(z^{-1}) + z^{-(d+1)} B(z^{-1}) Q(z^{-1}) = T_desired(z^{-1})(4)

对比(3)和(4)，我们发现，如果我们令P(z^{-1}) = 1，那么(4)式就退化成了(3)式。是的，对于PID控制器（Q是二阶多项式）这种情况，通常我们取P(z^{-1}) = 1是可行的，并且能简化计算。

因此，我们的求解方程最终简化为：A(z^{-1}) Δ + z^{-(d+1)} B(z^{-1}) Q(z^{-1}) = T_desired(z^{-1})(5)

3.3 求解PID参数：一个具体的数值例子

假设我们有一个一阶加纯延迟对象，其连续传递函数为G(s) = K * e^{-θs} / (τs + 1)。取K=1.0, τ=5.0s, θ=2.0s，采样周期Ts=1.0s。

1. 离散化：使用零阶保持器（ZOH）离散化，得到离散传递函数。计算后（过程略）可得：

   • 延迟d = floor(θ / Ts) = 2。
   • 对象模型为：y(k) = a1*y(k-1) + b0*u(k-1-d) + b1*u(k-2-d)。通过计算可得近似参数：a1 ≈ 0.8187,b0 ≈ 0.1813,b1 ≈ 0（因为是一阶）。 因此，A(z^{-1}) = 1 - 0.8187 z^{-1},B(z^{-1}) = 0.1813。Δ = 1 - z^{-1}。

2. 确定期望闭环性能：我们希望闭环响应比开环快，且平稳。设定期望的闭环主导极点为连续域s = -0.5 ± 0.3i（阻尼比约0.86，自然频率约0.58 rad/s）。离散化后（z = e^{s*Ts}）得到z1, z2 ≈ 0.58 ± 0.22i。 因此，T_desired(z^{-1}) = 1 - 1.16 z^{-1} + 0.38 z^{-2}。（注：这里为了简化，仅配置了两个极点，T是二阶的。实际上T的阶次应与等式左边匹配）。

3. 列写方程并求解： 根据(5)式：(1 - 0.8187z^{-1})(1 - z^{-1}) + z^{-(2+1)} * 0.1813 * (q0 + q1z^{-1} + q2z^{-2}) = 1 - 1.16 z^{-1} + 0.38 z^{-2}左边展开：(1 - 1.8187z^{-1} + 0.8187z^{-2}) + 0.1813 q0 z^{-3} + 0.1813 q1 z^{-4} + 0.1813 q2 z^{-5} = 1 - 1.16 z^{-1} + 0.38 z^{-2}这是一个关于z^{-1}的多项式恒等式。比较等式两边同次幂的系数，可以得到一系列方程：

   • z^{0}项系数：1 = 1，成立。
   • z^{-1}项系数：-1.8187 = -1.16？这里出现了矛盾！这是因为我们期望的T_desired是二阶的，但等式左边在z^{-1}和z^{-2}项已经由AΔ决定了，而BQ项由于延迟z^{-3}的存在，其最低次幂是z^{-3}，无法影响z^{-1}和z^{-2}项的系数。这意味着，对于有延迟的系统，我们无法任意配置所有闭环极点，只能配置那些能被控制器影响到的模态。

4. 修正：引入观测器多项式或降低期望： 这是极点配置法中的一个关键点。解决方案有两种：

   • 方案A（更常见）：接受这个事实，只配置能配置的极点。即，令T_desired(z^{-1}) = A(z^{-1})Δ * T_cl(z^{-1})，其中T_cl(z^{-1})是我们真正能通过反馈改变的那部分闭环多项式。然后方程变为求解Q使得BQ = T_cl。这通常需要Q的阶次更高，超出了标准PID的结构。
   • 方案B（适用于PID）：不强行匹配AΔ的项，而是将T_desired的阶次提高到与等式左边整体阶次一致。左边AΔ是二阶，BQ乘上z^{-3}后，整体多项式最高可能到五阶（取决于Q的阶次）。因此，我们需要一个五阶的T_desired。我们可以将两个期望的主导极点z1, z2作为因子，再补充三个远离单位圆（即衰减极快）的极点，例如z3=z4=z5=0.1。这样，系统的动态主要由z1, z2主导。 取T_desired(z^{-1}) = (1 - 1.16z^{-1} + 0.38z^{-2})(1 - 0.1z^{-1})^3 = 1 - 1.46z^{-1} + 0.81z^{-2} - 0.19z^{-3} + 0.02z^{-4} - 0.0008z^{-5}。 现在再比较系数：
     • z^{-1}: -1.8187 = -1.46? 仍不匹配，但差距变小了。实际上，我们需要解的是下面这个方程组（只列出非零系数对应的方程）：z^{-1}: -1.8187 = -1.46 （矛盾，说明此T_desired不可实现）z^{-2}: 0.8187 = 0.81z^{-3}: 0.1813q0 = -0.19 => q0 ≈ -1.048z^{-4}: 0.1813q1 = 0.02 => q1 ≈ 0.110z^{-5}: 0.1813*q2 = -0.0008 => q2 ≈ -0.0044 前两个方程无法满足，这告诉我们，对于这个特定对象和采样周期，无法用一个二阶的PID控制器实现我们最初设定的那组极快的期望极点。我们需要放宽性能要求，例如选择更慢的期望极点（如s = -0.2 ± 0.1i），或者接受一个非理想的响应。

5. 重新设计并求解： 经过几次尝试，选择一组更现实的期望极点。假设我们最终找到一个可实现的T_desired，并通过比较系数法解出：q0 = 0.5, q1 = -0.3, q2 = 0.05。 然后，根据q0, q1, q2与Kp, Ki, Kd的关系式反算：Kp = -q1 - 2*q2 = 0.3 - 0.1 = 0.2Ki = (q0 + q1 + q2) / Ts = (0.5 - 0.3 + 0.05) / 1.0 = 0.25Kd = q2 * Ts = 0.05至此，我们通过极点配置法，计算出了一组PID参数(Kp=0.2, Ki=0.25, Kd=0.05)。

注意：这个例子刻意展示了求解过程中可能遇到的“不可实现”问题。在实际应用中，我们通常使用现成的算法库（如MATLAB的pidtune函数，其内部就采用了基于极点配置或类似优化的算法）来避免手动解算的复杂性，或者使用后面将要介绍的自校正方法在线调整。但理解这个推导过程，对于调试和深入理解控制器行为至关重要。

4. 从固定参数到自适应：自校正PID的实现框架

极点配置法为我们提供了一种基于模型的设计方法。但如果模型不准，或者对象参数会随时间变化（例如，无人机在不同载重下惯性变化，加热炉在不同物料下热容变化），固定参数的PID性能就会下降。这时，就需要引入“自校正”机制。

自校正控制（Self-Tuning Control, STC）的基本思想可以概括为“边辨识，边控制”。它通常包含两个实时运行的环节：

1. 在线参数辨识：利用系统实时输入输出数据，不断更新对被控对象模型（即A(z^{-1})和B(z^{-1})多项式系数）的估计。
2. 控制器参数更新：根据最新的模型参数估计值，重新计算控制器参数（这里就是用极点配置法计算新的Kp, Ki, Kd），并更新控制器。

4.1 在线参数辨识：递归最小二乘法（RLS）

对于我们的CARIMA模型（忽略噪声C），可以写成：y(k) = -a1*y(k-1) - ... - ana*y(k-na) + b0*u(k-1-d) + ... + bnb*u(k-1-d-nb) + ξ(k)这是一个标准的线性回归形式：y(k) = φ(k)^T * θ + ξ(k)。 其中：

• 参数向量 θ：需要估计的未知参数，θ = [a1, a2, ..., ana, b0, b1, ..., bnb]^T。
• 数据向量 φ(k)：由过去的输入输出数据构成，φ(k) = [-y(k-1), ..., -y(k-na), u(k-1-d), ..., u(k-1-d-nb)]^T。

递归最小二乘法（RLS）的算法步骤如下：

1. 初始化：设定参数初始估计值θ_hat(0)（通常可设为零向量或一个粗略估计），设定协方差矩阵P(0)（通常为一个较大的数乘以单位矩阵，如1000*I），设定遗忘因子λ（0.95 < λ ≤ 1，用于降低旧数据权重，跟踪时变参数）。
2. 在每个采样时刻 k： a. 采集新的输出y(k)，构建数据向量φ(k)。 b. 计算增益向量L(k)：L(k) = P(k-1) * φ(k) / (λ + φ(k)^T * P(k-1) * φ(k))c. 计算估计误差e_id(k)：e_id(k) = y(k) - φ(k)^T * θ_hat(k-1)d. 更新参数估计：θ_hat(k) = θ_hat(k-1) + L(k) * e_id(k)e. 更新协方差矩阵：P(k) = (I - L(k) * φ(k)^T) * P(k-1) / λ
3. 输出最新的参数估计θ_hat(k)，用于控制器设计。

4.2 自校正PID的控制回路集成

将RLS辨识和极点配置PID计算结合起来，就构成了完整的自校正PID控制回路。其在一个采样周期内的执行顺序至关重要：

1. 数据采集：在时刻k，读取当前过程输出y(k)和设定值r(k)。
2. 参数辨识：
   • 利用上一时刻的控制量u(k-1)和当前的y(k)等，构建数据向量φ(k)。
   • 执行一次RLS算法，更新对象模型参数估计A_hat(z^{-1})和B_hat(z^{-1})。
3. 控制器参数计算：
   • 使用最新估计出的A_hat和B_hat，以及预设的期望闭环极点（T_desired(z^{-1})），代入极点配置的丢番图方程(5)。
   • 求解方程，得到新的控制器参数多项式Q_hat(z^{-1})，进而解算出新的Kp(k), Ki(k), Kd(k)。

   • 关键技巧：求解丢番图方程通常需要解一个线性方程组。可以预先将方程(5)按同次幂系数相等写成矩阵形式M * x = v，其中x是Q的系数向量。在线计算时，只需用最新的A_hat,B_hat更新矩阵M和向量v，然后求解x = M \ v（矩阵左除）即可。对于标准PID（Q为二阶），这是一个小规模线性方程组，计算量很小。

4. 控制量计算与输出：
   • 使用新计算出的PID参数，根据增量式PID公式计算当前控制增量Δu(k)。
   • 计算当前控制量u(k) = u(k-1) + Δu(k)。
   • 将u(k)输出给执行机构。
5. 数据更新：为下一个周期准备数据，如存储当前的u(k),y(k)等。

4.3 启动与抗扰：实操中的关键细节

一个能工作的自校正PID，还需要处理好以下问题：

• 启动阶段的处理：系统刚上电时，RLS没有数据，估计不准。常见的策略是：
  • 先开环激励：在最初几十个采样周期内，施加一个幅值不大但频谱丰富的信号（如伪随机二进制序列PRBS）作为u(k)，纯用于辨识，不进行闭环控制。输出y(k)可以悬空或使用一个简单的P控制器维持大致稳定。待参数收敛后，再切换到自校正闭环模式。
  • 使用初始默认PID：准备一组保守的、能保证系统基本稳定的默认PID参数。在RLS运行初期，控制器使用这组默认参数，同时进行辨识。当参数估计的协方差矩阵P(k)的迹下降到某个阈值以下（表明估计已收敛），再切换到由极点配置计算出的参数。
• 防止参数漂移与激励不足：如果系统处于稳态，输入输出变化很小，数据向量φ(k)提供的“新信息”很少，RLS算法可能会变得病态，导致参数估计漂移到无意义的值，甚至使协方差矩阵P(k)爆炸（数值不稳定）。
  • 使用遗忘因子 λ：λ < 1可以逐渐遗忘旧数据，保持算法对时变参数的跟踪能力，但也会使估计方差增大。通常λ取0.95-0.999。
  • 协方差复位：当检测到P(k)对角线元素过大或过小时，将其重置为初始值。
  • 持续激励：可以在设定值r(k)上叠加一个幅值非常小的、不同断的随机信号，人为提供持续激励，确保辨识持续进行。这在设定值长期不变的应用中非常有用。
• 计算延迟与实时性：RLS和极点配置求解都需要计算。要确保在一个采样周期Ts内能完成所有计算。对于慢过程（如温度控制，Ts为秒级），这不是问题。对于快过程（如电机控制，Ts为毫秒级），需要优化代码，甚至考虑使用简化模型（如一阶加纯延迟模型）来减少计算量。

5. 仿真与实战：以温度控制为例的完整流程

理论最终需要实践检验。我们以一个简单的仿真例子，串联起整个设计、实现和调试过程。假设我们要控制一个电加热炉的温度，其模型近似为一阶加纯延迟。

5.1 仿真环境搭建与模型假设

我们使用Python（借助NumPy, SciPy, Matplotlib）进行数字仿真。

1. 真实对象模型（用于仿真生成数据）：我们假设一个未知的、缓慢时变的被控对象。其真实传递函数为G(s) = K(t) * e^{-θs} / (τs + 1)。其中：
   • τ = 30秒。
   • θ = 5秒。
   • K(t)在仿真开始后1000秒从1.0阶跃变化到1.5（模拟加热效率变化）。
   • 采样周期Ts = 2秒（满足香农定理，且适合温度控制）。
2. 控制器设计前提：
   • 我们不知道上述真实模型。
   • 我们假设对象可以用一个带延迟的二阶模型来描述（na=2, nb=1, d=floor(θ/Ts)=2）。这是我们的辨识模型结构。
   • 期望闭环性能：设定为等效连续时间阻尼比 ζ=0.8，自然频率 ω_n=0.1 rad/s。离散化后得到主导极点，再补充几个快衰减极点构成T_desired。

5.2 自校正PID算法实现步骤

以下是核心代码逻辑的伪代码描述：

import numpy as np # 1. 初始化 na, nb, d = 2, 1, 2 # 假设的模型阶次和延迟 theta_hat = np.zeros(na + nb + 1) # 参数估计 [a1, a2, b0] P = 1000 * np.eye(len(theta_hat)) # 协方差矩阵 lambda_forget = 0.98 # 遗忘因子 # 期望闭环极点 -> T_desired 系数 (离线计算好) T_coeff = np.array([1.0, -1.2, 0.45, -0.1, 0.02]) # 举例，一个四阶多项式 # PID参数 (初始值，用于启动) Kp, Ki, Kd = 0.5, 0.01, 2.0 q0 = Kp + Ki*Ts + Kd/Ts q1 = -Kp - 2*Kd/Ts q2 = Kd/Ts # 数据缓冲区 y_buf = np.zeros(max(na, d+nb)+3) # 存储历史y u_buf = np.zeros(max(na, d+nb)+3) # 存储历史u e_buf = np.zeros(3) # 存储历史误差 # 2. 主循环 (每个采样周期执行一次) for k in range(total_steps): # 2.1 读取当前输出 (仿真中由真实对象模型计算) y_current = real_process_output(k, u_buf) # 传入历史控制量 y_buf = np.roll(y_buf, 1) y_buf[0] = y_current # 2.2 在线参数辨识 (RLS) phi = np.array([-y_buf[1], -y_buf[2], u_buf[1+d]]) # 构建数据向量 [-y(k-1), -y(k-2), u(k-1-d)] L = P @ phi / (lambda_forget + phi.T @ P @ phi) y_pred = phi.T @ theta_hat e_id = y_current - y_pred theta_hat = theta_hat + L * e_id P = (np.eye(len(theta_hat)) - np.outer(L, phi)) @ P / lambda_forget # 2.3 极点配置计算新PID参数 (每隔N个周期或当估计收敛时进行) if k % 10 == 0 and k > 50: # 每10步计算一次，且等辨识初步收敛后 # 从 theta_hat 提取 A_hat, B_hat a1, a2, b0 = theta_hat A_poly = np.array([1, a1, a2]) # A(z^{-1}) = 1 + a1 z^{-1} + a2 z^{-2} Delta = np.array([1, -1]) # Δ = 1 - z^{-1} # 计算 A(z^{-1}) * Δ 的系数 A_Delta = np.polymul(A_poly, Delta) # 构建丢番图方程 M * q_coeff = v 的矩阵M和向量v # 方程: A_Delta + z^{-(d+1)} * b0 * (q0 + q1 z^{-1} + q2 z^{-2}) = T_desired # 比较 z^{-0}, z^{-1}, ..., z^{-(len(T)-1)} 的系数 len_T = len(T_coeff) M = np.zeros((len_T, 3)) v = np.zeros(len_T) # 填充矩阵和向量 (具体填充逻辑略，需根据多项式乘法对齐系数) # ... (此处省略详细的矩阵构建代码) # 求解 q_coeff = [q0, q1, q2] q_coeff = np.linalg.lstsq(M, v - A_Delta_padded, rcond=None)[0] # 最小二乘求解，更稳健 q0, q1, q2 = q_coeff # 反算 Kp, Ki, Kd Kp = -q1 - 2*q2/Ts Ki = (q0 + q1 + q2) / Ts Kd = q2 * Ts # 2.4 计算控制量 (增量式PID) r = setpoint(k) # 获取当前设定值 e_current = r - y_current e_buf = np.roll(e_buf, 1) e_buf[0] = e_current delta_u = q0 * e_buf[0] + q1 * e_buf[1] + q2 * e_buf[2] u_current = u_buf[0] + delta_u # 积分作用 u_current = np.clip(u_current, 0, 100) # 限幅，假设控制量范围0-100% # 2.5 输出控制量 apply_control(u_current) u_buf = np.roll(u_buf, 1) u_buf[0] = u_current # 存储数据用于绘图...

5.3 结果分析与调试心得

运行上述仿真，我们可以观察到：

• 启动阶段：前几十秒，由于参数辨识未收敛，控制效果可能较差，甚至有些振荡。这就是为什么需要初始保守PID或开环激励阶段。
• 收敛后：在对象参数K变化之前，自校正PID能很好地跟踪设定值，超调小，调节时间符合设计预期。
• 对象参数突变时（第1000秒）：系统输出会出现偏差。RLS算法会检测到这种变化，并开始更新模型参数θ_hat。随着模型参数的更新，极点配置计算出的新PID参数（主要是Kp会增大以适应更大的增益K）开始生效，系统能自动地重新收敛到设定值附近。而固定参数的PID则会持续存在静差或动态性能变差。

调试中的几个关键点：

1. 模型阶次与延迟的选择：这是自校正成功的前提。阶次选低了，模型欠拟合，控制器设计基于错误模型；阶次选高了，会引入不必要的噪声，且计算量增大。通常从低阶（如一阶加延迟）开始尝试。延迟d的准确估计非常重要，误差过大会导致控制性能严重恶化甚至不稳定。可以通过分析阶跃响应的初始段来估计d。
2. RLS遗忘因子 λ：λ越小，跟踪时变参数能力越强，但对噪声越敏感。在对象参数基本不变的应用中，λ可以取0.995甚至1.0。在需要快速跟踪变化的场合，λ可取0.95-0.99。需要根据实际响应调整。
3. 极点配置的期望性能：不要一味追求“快”。过快的期望极点（即T_desired的根过于靠近0）会导致计算出的控制器增益非常大，对模型误差和测量噪声极度敏感，容易引发振荡和执行器饱和。“慢一点，稳一点”往往是工程上的首选。可以先设计一个保守的响应，再逐步加快。
4. 抗积分饱和：虽然增量式PID本身有一定抗饱和能力，但在自校正中，如果参数突变导致计算出的Ki异常大，仍可能引发积分饱和。需要在算法中加入对积分项的限制或使用抗饱和机制。
5. 计算频率：不是每个采样周期都需要重新计算PID参数。可以每隔N个周期（如N=10）计算一次，以降低计算负荷。关键在于N要远小于对象的主导时间常数。

通过这个完整的仿真流程，你将不仅掌握极点配置法计算PID的理论，更能获得将其与自校正结合、并付诸实现的实战能力。这比单纯调参，前进了一大步。