一阶倒立摆双闭环PID控制：从建模到参数整定的完整实践

简介：基于双闭环PID控制的一阶倒立摆系统课程设计文档，面向自动控制原理学习者与从事PID控制算法研究的工程技术人员。内容系统梳理了一阶倒立摆的数学建模过程，涵盖对象模型与线性化模型的处理方法，并结合SIMULINK仿真平台给出完整的建模、封装及验证流程；同时，围绕内环电机速度控制与外环摆杆角度伺服控制两部分，详细说明双闭环PID控制器的设计思路与参数调整步骤。包内为1个PDF文件（即完整设计说明书），压缩包大小约1.75MB。文档覆盖从理论推导、仿真实验到鲁棒性检验的完整闭环设计流程，并附有性能指标求解程序与附录技术细节。目前已有916人学习浏览，读者可借此掌握倒立摆系统的PID控制设计方法，也可将其作为自动化课程设计的参考模板，快速迁移到类似非线性、自不稳定系统的控制方案中。

1. 双闭环PID控制的一阶倒立摆，为什么值得自己动手做一遍

一阶倒立摆（通常指小车-摆杆系统）几乎是控制理论里“最便宜的不稳定系统”。它天生只有一个稳定平衡点——摆杆竖直朝下；你想要的竖直朝上状态，本质是持续施加控制力才能维持的不稳定平衡。任何一点点扰动，比如地面震动、电机齿槽转矩波动、编码器量化噪声，都会在几百毫秒内把摆杆甩下去。正因为这样，倒立摆成了验证控制算法实时性和鲁棒性的标准试金石。

双闭环PID控制是目前工程上最容易落地、也最常被低估的方案。常见的认知误区是“PID太基础，不如直接上LQR或滑模”。但实际调过就会明白：单环PID面对倒立摆这种强耦合、欠驱动、非线性系统，很难同时兼顾快速性和稳定性；而双闭环把“角度稳定”和“速度/位置跟踪”拆成内外两个环，每个环各管一段，参数物理意义清晰，调试起来非常直观。这篇文从建模、仿真到参数整定，把一阶倒立摆的双闭环PID方案完整走一遍，既给能直接跑的代码，也讲清楚每个参数为什么这么设、调参时初学者最容易在哪一步把系统调崩。无论你是准备课程设计，还是在研究更复杂控制器前想找一个可靠的基线方案，这套流程都值得完整跟一遍。

2. 一阶倒立摆建模：先立起状态方程，才知道双闭环要控制什么

2.1 动力学模型推导：从受力分析到状态空间

一阶倒立摆的标准构成是一辆小车加一根自由摆杆。小车受电机驱动力F，在水平轨道上运动；摆杆通过转轴安装在小车上，可以在竖直平面内自由旋转。建模的目标是搞清楚“给小车施加多少力，摆杆角加速度会怎么变”，这是设计任何控制器的前提。

常见做法是用拉格朗日方程推导。设小车质量M，摆杆质量m，摆杆长度l，摆杆质心到转轴距离为l/2，小车位移为x（向右为正），摆杆与竖直向上方向的夹角为θ（顺时针为正），小车与轨道之间的摩擦系数为b，摆杆转轴处的阻尼为c，电机驱动力为F。

先写出系统动能和势能。小车动能是：

T_car = 1/2 * M * x_dot²

摆杆质心位置需要通过车位置和摆角表示。摆杆质心的水平坐标是x + (l/2)*sin(θ)，竖直坐标是(l/2)*cos(θ)，所以摆杆质心速度的平方是水平分量平方加竖直分量平方。经过化简，摆杆动能包含平动和转动两部分：

T_pend = 1/2 * m * (x_dot² + l * x_dot * cos(θ) * θ_dot + (l²/4) * θ_dot²) + 1/2 * J * θ_dot²

其中转动惯量J = (1/12) * m * l²（绕质心）。系统总动能是两者之和，总势能是摆杆质心的重力势能：

V = m * g * (l/2) * cos(θ)

把拉格朗日量L = T - V代入拉格朗日方程：

d/dt(∂L/∂x_dot) - ∂L/∂x = F - b * x_dot d/dt(∂L/∂θ_dot) - ∂L/∂θ = -c * θ_dot

经过整理（这是推导中最容易出错的部分，建议用符号计算工具验证一次），得到两个非线性微分方程：

(M + m) * x_ddot + m * l/2 * cos(θ) * θ_ddot - m * l/2 * sin(θ) * θ_dot² = F - b * x_dot m * l/2 * cos(θ) * x_ddot + (J + m * l²/4) * θ_ddot - m * g * l/2 * sin(θ) = -c * θ_dot

写成矩阵形式更清晰：

| M+m m*l/2*cos(θ) | | x_ddot | | m*l/2*sin(θ)*θ_dot² - b*x_dot | | m*l/2*cos(θ) J+m*l²/4 | | θ_ddot | = | m*g*l/2*sin(θ) - c*θ_dot |

2.2 线性化与状态空间表达：双闭环设计的理论地基

倒立摆的任务是让摆杆稳定在竖直向上，即θ=0附近。在这个平衡点附近做小角度近似，令sin(θ)≈θ，cos(θ)≈1，忽略高阶项，上述非线性方程可以简化为线性方程：

(M + m) * x_ddot + (m*l/2) * θ_ddot = F - b * x_dot (m*l/2) * x_ddot + (J + m*l²/4) * θ_ddot - (m*g*l/2) * θ = -c * θ_ddot

从这个方程组可以看到一个关键特征：小车的直线加速度和摆杆的角加速度耦合在一起，而且系统矩阵中m*g*l/2这一项是正反馈项——摆角偏离竖直向上时，重力会进一步加大偏离，这就是系统不稳定的根源。

选取状态变量x = [x, x_dot, θ, θ_dot]ᵀ，输入u = F，输出取y = [x, θ]ᵀ，可以写出标准状态空间形式：

x_dot = A * x + B * u y = C * x + D * u

其中A矩阵包含了一个正项来自重力，这决定了开环系统有一个极点位于右半平面，系统是不稳定的。B矩阵描述控制力如何同时影响小车加速度和摆杆角加速度。

拿到状态空间模型后，可以验证系统的可控性。很多教材直接给出“倒立摆系统可控”的结论，但实际做一次ctrb计算会让你对系统有更直观的理解；如果模型参数不准确，比如忽略了电机电枢电感导致的执行器动态，可控性结论可能改变。实际操作中我不会直接依赖可控性矩阵的秩，而是把它作为一个必要的检查步骤：秩不满的话，说明模型化简过度，需要回到动力学方程重新检查。

2.3 为什么双闭环而不是单闭环或状态反馈

有了状态空间模型，理论上可以选择LQR或者极点配置来设计全状态反馈控制器。但工程上有三个现实问题：

第一，小车位置x需要测量，摆杆角度θ需要测量，而角速度θ_dot通常没有直接的传感器，要么加装陀螺仪，要么通过编码器差分近似。微分在离散系统中会放大高频噪声，这在控制周期短时尤其致命。

第二，LQR的权重矩阵Q和R的物理意义不直观。一套Q、R参数调好后，如果改了机械结构（比如换了更长的摆杆），需要重新调两个矩阵，调试成本高。

第三，也是最重要的一点，工程上通常希望摆杆能稳定在某个目标位置，甚至跟踪一个运动轨迹。这时候需要同时控制位置和角度，单环PID很难兼顾“摆角稳定”和“位置跟踪”两个目标——你紧着摆角调，位置响应会变慢；紧着位置调，摆角容易振荡。

双闭环的解法是把任务拆开：内环（角度环）以最快的速度稳住摆角，这是“稳住”的核心；外环（位置环）根据小车当前位置偏差产生一个角度给定值，让小车“跟着走”。注意这里有个巧妙的设计：位置环的输出不是直接的力，而是一个角度——等于在告诉角度环“你把摆杆往这个方向偏一点，车就往反方向走”。这个θ_ref经过角度环解算成控制力F。两层各自闭环，各自调参，互不纠缠。

以下对比表可以直观看出差异：

需要说明的是，双闭环PID不等于“比LQR差”。在倒立摆这种执行器带有明显延迟和饱和的系统中，串级结构天然有抗饱和优势：内环先饱和，外环的偏差累积会被内环的饱和限制住，不容易出现大幅超调。这也是工业过程控制中串级控制长期占据主流的原因。实际项目中，我见过很多用LQR调了几个月最后退回双闭环PID的案例；先把双闭环PID调明白，再考虑更高级的控制器，是比较靠谱的路线。

3. 用Python在本地搭一阶倒立摆双闭环仿真：先看到系统在动，再谈调参

3.1 仿真框架设计：离散化方法是第一道坑

写仿真之前，需要想清楚一个问题：控制周期和物理仿真的时间尺度怎么分离。真实系统是连续的，但控制器是离散的，每隔一个固定时间间隔采样一次、计算一次输出。仿真里需要同时处理这两个时间尺度。

我一般这样设计：使用固定步长的数值积分模拟真实物理系统，步长dt_physics取0.1毫秒；控制器每隔dt_control = 5毫秒执行一次，也就是控制频率200Hz。为什么控制频率取200Hz而不是更高？这由执行器（常见直流电机+驱动器）的实际带宽决定，高了没有额外收益，反而会放大编码器和电流传感器的噪声；低了内环相位裕度不够，容易振荡。

Python里做数值积分有很多选择，SciPy的solve_ivp或odeint都可以。但对于倒立摆仿真，我更推荐自己写一个简单的四阶Runge-Kutta（RK4）积分器。原因是倒立摆系统本身不复杂，自己写RK4只有十几行代码，能精确控制积分步长，还能顺便验证一下自己对模型的理解是否正确；用通用求解器反而容易在事件检测上踩坑。

import numpy as np def pendulum_dynamics(state, F, M, m, l, b, c, g=9.81): """ 一阶倒立摆连续动力学方程（非线性模型） 默认单位：kg, m, s, N 参数说明： state = [x, x_dot, theta, theta_dot] - x: 小车位置，向右为正，单位 m - theta: 摆杆与竖直向上方向的夹角，顺时针为正，单位 rad - F: 作用在小车上的水平外力，向右为正，单位 N 返回：状态导数 [x_dot, x_ddot, theta_dot, theta_ddot] """ x, x_dot, theta, theta_dot = state J = (1/12) * m * l**2 # 质量矩阵（2x2），来源于拉格朗日方程整理后的矩阵形式 M_matrix = np.array([ [M + m, m * l/2 * np.cos(theta)], [m * l/2 * np.cos(theta), J + m * l**2/4] ]) # 右侧向量：包含外部力、摩擦力、重力、科氏力项 rhs = np.array([ F - b * x_dot + m * l/2 * np.sin(theta) * theta_dot**2, m * g * l/2 * np.sin(theta) - c * theta_dot ]) # 解2x2线性方程组得到加速度 acc = np.linalg.solve(M_matrix, rhs) x_ddot, theta_ddot = acc[0], acc[1] return np.array([x_dot, x_ddot, theta_dot, theta_ddot]) def rk4_step(func, state, F, dt, *args): """ 四阶Runge-Kutta积分器 dt: 物理仿真步长，单位 s """ k1 = func(state, F, *args) k2 = func(state + 0.5 * dt * k1, F, *args) k3 = func(state + 0.5 * dt * k2, F, *args) k4 = func(state + dt * k3, F, *args) return state + (dt / 6.0) * (k1 + 2 * k2 + 2 * k3 + k4)

这段代码的关键在于pendulum_dynamics里的质量矩阵求解。很多人第一次写倒立摆仿真时，会把两个二阶方程强行消元成一个显式的θ_ddot表达式，然后在推导过程中丢掉某个交叉项；直接保留矩阵形式并用np.linalg.solve求解，既不容易出错，阅读代码的人也更容易对照前面的推导过程验证。

3.2 双闭环控制器的离散实现：内环快、外环准

控制器的核心是串级结构。先定义两个独立的PID类，参数可以分别设置：

class PID: def __init__(self, kp, ki, kd, output_limits=None, setpoint=0.0): """ 离散PID控制器 参数说明： - kp: 比例增益，内环单位通常是 N/rad，外环单位通常是 rad/m - ki: 积分增益，注意这是对误差的累积增益，不是时间积分 - kd: 微分增益 - output_limits: (min, max) 输出限幅；内环输出是力，要限幅;外环输出是角度，也要限幅 """ self.kp = kp self.ki = ki self.kd = kd self.output_limits = output_limits self.setpoint = setpoint self._integral = 0.0 self._last_error = 0.0 def compute(self, measurement, dt): """ 计算PID输出 dt: 控制周期，单位 s """ error = self.setpoint - measurement self._integral += error * dt derivative = (error - self._last_error) / dt output = self.kp * error + self.ki * self._integral + self.kd * derivative self._last_error = error # 输出限幅：倒立摆中必须加限幅，否则计算出的力远超电机能力 if self.output_limits is not None: output = np.clip(output, self.output_limits[0], self.output_limits[1]) # 简单的积分抗饱和：如果输出被限幅，停止积分累积 if output == self.output_limits[0] or output == self.output_limits[1]: self._integral -= error * dt return output def set_setpoint(self, sp): self.setpoint = sp

这里有一个细节值得单独说明：积分项的累积方式。self._integral += error * dt使用的是误差对时间的积分，而不是直接累加误差。这保证了dt改变时，积分项的行为是连续的；如果你直接累加误差、不乘dt，同样的PID参数在不同控制周期下效果会完全不一样。我见过不少仿真实例没有乘dt，参数看起来“能跑”，一换控制周期就发散，根源就在这。

双环的连接方式写在主仿真循环里：

# 系统参数（一组典型的实物参数） M = 1.0 # 小车质量 kg m = 0.2 # 摆杆质量 kg l = 0.5 # 摆杆长度 m b = 0.1 # 小车与轨道摩擦系数 c = 0.01 # 摆杆转轴阻尼 # 控制器参数（初始值，后面调） angle_pid = PID(kp=50.0, ki=10.0, kd=5.0, output_limits=(-30.0, 30.0), setpoint=0.0) position_pid = PID(kp=1.2, ki=0.0, kd=0.8, output_limits=(-0.3, 0.3), setpoint=0.0) # 仿真参数 dt_physics = 0.0001 # 物理积分步长 0.1ms dt_control = 0.005 # 控制周期 5ms pos_target = 0.0 # 小车目标位置 if __name__ == "__main__": state = np.array([0.05, 0.0, 0.1, 0.0]) # 初始状态：位置偏移5cm，摆角偏移0.1rad sim_time = 10.0 n_physics = int(dt_control / dt_physics) time = 0.0 while time < sim_time: # 每个控制周期内，用固定步长RK4跑多个物理步 for _ in range(n_physics): # 外环输出：角度给定 theta_ref = position_pid.compute(state[0], dt_control) angle_pid.set_setpoint(theta_ref) # 内环输出：控制力 F = angle_pid.compute(state[2], dt_control) F = np.clip(F, -30.0, 30.0) # 执行器限幅 # 积分一步 state = rk4_step(pendulum_dynamics, state, F, dt_physics, M, m, l, b, c) time += dt_physics

看一下这个循环的逻辑顺序，有个很容易搞错的点：外环的采样时刻应该是和控制周期同步的，但物理积分步长更小，所以外环在每个控制周期内只计算一次，而不是在每个物理步里都计算。上面代码里，position_pid.compute和angle_pid.compute在每个物理步都被调用了，但传入的dt_control是5ms而不是物理步长——这会导致多个物理步内累计多次PID计算，行为与真实控制器不一致。

正确的写法是让每个控制周期只执行一次PID计算，然后剩余的物理步继续使用这个控制力：

while time < sim_time: # 仅在每个控制周期的起始时刻计算一次 theta_ref = position_pid.compute(state[0], dt_control) angle_pid.set_setpoint(theta_ref) F = angle_pid.compute(state[2], dt_control) F = np.clip(F, -30.0, 30.0) for _ in range(n_physics): state = rk4_step(pendulum_dynamics, state, F, dt_physics, M, m, l, b, c) time += dt_physics F = 0.0 # 本周期结束，先清零，等下周期重新计算

第二种写法对应真实的定时器中断控制逻辑：控制中断到来时采集位置和角度，计算输出，写入DAC或PWM寄存器，然后这5ms内输出值保持不变。仿真只有反映了这种零阶保持特性，调出的参数才能平滑地迁移到实物上。

3.3 仿真结果怎么判断有效性：四条曲线一个指标

跑完一次仿真，不要只看最终“没倒”，要看四条曲线的行为和它们之间的时序关系。这四条曲线是：小车位置x、摆杆角度θ、外环输出θ_ref、内环输出F。外加一个关键指标——稳态时θ_ref不为零的持续时间。

我一般在仿真里做个简单的统计函数输出这些指标，判断标准如下：

摆杆角度θ的超调量应小于0.05rad（约3度），调整时间（进入±0.02rad误差带）小于1秒。注意摆角不能无振荡回零，否则说明系统阻尼偏高，抗扰能力不足。

小车位置x应该单调趋向目标位置，超调小于15%，稳态误差收敛到±1cm以内。位置环的响应速度明显慢于角度环，这是正常现象；如果位置环比角度环还快，说明内外环带宽没有拉开，系统会变得非常敏感。

θ_ref（外环输出）应当是小振幅的平滑信号，幅度小于0.1rad，频率集中在0.5-2Hz。如果θ_ref出现高频抖动，大概率是位置环的微分项被噪声放大，需要压低kd。

控制力F应当远低于限幅值，且不出现周期性饱和。如果F频繁顶到30N上，说明系统的控制器增益不足，或者限幅太紧对执行器有额外要求。

判断仿真有效后，下一步才是完整的参数整定流程。

4. 一阶倒立摆双闭环PID参数整定：先内后外，分步逼近，别想一步到位

4.1 内环（角度环）整定：从临界比例度法起步

角度环是整个系统的基石，它的目标是“让摆角快速且无超调地回到零”。角度环整定不正确，外环再怎么调都没用。

常见做法是从纯比例控制开始做临界比例度实验：把Ki和Kd设为0，逐步增大Kp，直到系统产生等幅振荡。记录此时的临界增益Ku和振荡周期Tu。注意，这个实验是在闭环状态下做的——也就是说，把摆角传感器接上、控制器输出接上执行器，但给一个很小的初始摆角扰动，观察系统是否衰减或发散。

以下是一个典型的整定顺序：

先给一组初始值：Kp=1，Ki=0，Kd=0。运行仿真，如果初始摆角0.05rad后系统很快发散，说明增益太低。以1.5倍增长Kp，每次仿真3秒，观察摆角行为。当发现摆角不再发散而是持续振荡（幅度不变），记下当前Kp为Ku，振荡周期为Tu。

用齐格勒-尼古拉斯法给出PID初值：Kp=0.6Ku，Ki=0.5Tu，Kd=0.125Tu。这里Ki和Kd的单位要和你代码里的实现方式对齐——如果代码里Ki是误差积分增益（乘了dt），那么KI应该等于Kp乘以某个时间常数的倒数。

然后在这组初值基础上做手工微调。微调的方向有规律可循：

Kp决定系统的响应速度和稳态精度。Kp偏小时，摆角响应慢，稳态时存在一个小的恒定角度误差（因为需要用摆角偏差来维持小车加速或抵抗摩擦力）；Kp偏大时，系统趋向振荡。判断标志是：给一个初始扰动后，摆角以2-3次的衰减振荡回零，这是接近最优的状态；如果只有一次过冲然后缓慢回零，说明Kp相对Ki偏小。

Ki用来消除稳态误差。在倒立摆中，它主要补偿电机死区和摩擦的不对称性。但要注意：Ki过大会造成低速持续振荡，通常表现为摆角在小幅范围内周期抖动，频率在0.5Hz左右。很多初学者在角度环加上Ki后系统开始振荡，第一反应是减小Kp，结果越减越糟。正确的做法是保持Kp不变，先把Ki降下来，观察振荡是否消失。

Kd提供阻尼，用于抑制超调。但角度环的Kd有天然上限：如果Kd过大，高频分量被严重放大，表现为摆角信号上叠加明显的锯齿噪声。离散控制系统的经验法则是，Kd的等效微分时间不应超过控制周期的3-5倍；超过后微分项的意义就不大了。

角度环调好后，做两个补充测试：一是推一下摆杆让它偏离0.3rad，观察恢复时间；二是持续一段时间不控制，确认摆杆掉落后系统能重新立起来（这在仿真里需要增加整定逻辑才能测到，但在实物上很容易表现为电机堵转）。如果这两个测试都通过，内环暂告一段落。

4.2 外环（位置环）整定：带宽分离是核心原则

外环整定的前提是内环已经能可靠地稳定摆角。外环的输入是小车位置偏差，输出是角度给定。注意，外环的输出通常要经过限幅：默认最大给0.3rad（约17度），限制过大会让内环饱和，过小会让小车移动速度过慢。

外环比内环更容易被忽略的问题是：内外环带宽分离。内环闭环带宽应该至少是外环的3-5倍。判断方法可以从阶跃响应估计：内环的上升时间约0.2秒，外环的上升时间应设置在约1秒以上。如果外环太快（比如上升时间0.5秒以下），内外环会产生共振，系统的摆角会呈现出等幅振荡甚至发散。

位置环的整定也是先Kp后Kd再Ki的顺序。初始设置Kp=0.5（输出限制在±0.2rad以内），Ki=0，Kd=0。给一个小车位置偏差（比如0.3m），观察位置响应。位置环的Kp物理意义是“小车每偏离目标1米，给角度环下发多少弧度的角度给定”；这个值不应太大，通常0.5-2.0之间。设置过大的后果是：小车距离目标还很远时，角度给定就达到上限，此时内环一直输出最大力让小车加速，速度会不断增长，到达目标时超调巨大。

位置环的Kd作用是抑制小车速度过快，效果是给角度给定的变化率限幅。Kd过大会导致一个问题：小车稍有速度变化，角度给定就剧烈摆动，反而干扰了内环稳定的摆角。一个简便的验证方法是仿真中把位置环Kd调到0，观察位置超调是否可接受；如果可接受就不加Kd，不可接受再加。

位置环的Ki通常是三者中最小的，甚至可以为0。因为位置环的稳态误差主要来自轨道摩擦，而摩擦力在倒立摆中可以被内环的动态抵消掉一部分。如果你希望小车精确停在目标位置，可以加一点点Ki。但如果小车在到达目标后出现位置方向的周期蠕动（大约0.5-1Hz的慢振荡），多半是Ki过大。

4.3 一组典型参数与仿真现象对照表

为了给完全没有调参经验的人一个参考，以下给出两组经过仿真验证的参数，分别对应“快速响应”和“平稳跟踪”两种目标取向：

注意一点：快速响应组的控制周期设成2ms，是考虑到系统带宽提高后需要更快的采样来保证稳定性。不要在同一组机械结构上只改PID参数而不改控制周期，那样对比不客观。

用快速响应组跑10秒仿真，摆角和位置的响应曲线会呈现这样的特征：初始摆角0.1rad时，前0.5秒内摆角收敛到±0.01rad，同时小车位置开始平移；小车从0.1m位置移动到目标位置的时间在3-4秒之间，超调约8%；稳态时摆角维持在0.005rad附近（因为需要轻微倾斜来产生抵抗摩擦的推力）。这个稳态摆角存在是正常现象，不是误差。

4.4 调参失败的常见症状与对策

参数调到系统发散时，不要急着全部清零重调，先判断是哪个环出了问题。典型症状有两类边界情况。

第一类是内环发散。表现是：初始摆角很小，0.2秒内摆角迅速增大直到超出数值范围，控制力F始终贴近限幅值。处理办法是：把外环的Kp、Ki、Kd全部置零，角度环给定固定为0，只调内环。等内环稳定后，再逐步恢复外环参数。

第二类是内外环共振。表现是：位置缓慢做成衰减振荡的同时摆角也在同步振荡，相位关系大约差180度——小车往左时摆杆偏右。这时先检查位置环Kp是否过大，其次检查内环Kd是否太小。如果内环阻尼足够，共振幅度会明显减弱。

有一个容易忽略的干扰源：物理仿真步长与控制器频率的关系。如果物理步长设成了1ms而控制周期是5ms，控制周期内积分5次还算合理；但有人直接把物理步长设成与控制周期相同，RK4在一个大的固定步长下精度不够，会导致仿真结果偏“硬”，实际系统反而没有仿真中那么振荡。反过来，物理步长太小会让仿真时间变长，建议保持在控制周期的1/10到1/50之间。

参数整定的核心心法：每次只改一个参数，改动幅度不超过当前值的30%，仿真后记录行为，再决定下一步方向。用Excel记录调参历史比靠脑子记可靠得多，特别是当你把参数从“能跑”调到“好”的时候，中间每一步的失败数据都对后续判断有价值。

5. 仿真到实物迁移的三个必做处理：积分饱和、微分滤波和角度限幅

仿真调通后，把控制代码搬到真实系统时总会发现“仿真里好好的，实物上一通电就倒”。问题几乎总是出在三个容易被忽略的工程细节上。

第一个是积分饱和。仿真里的限幅很简单，但实物执行器在输出饱和时，积分项还在继续累积，等误差反向时积分项需要很长时间才能退饱和，导致大超调甚至发散。处理方式是上一章代码里写过的简单抗积分饱和：输出达到限幅时暂停积分累积。但仅靠这一条还不够，建议进一步做积分限幅：给积分项本身设定一个上限，防止积分项在饱和期内积累到异常大的值。内环积分项限幅一般设为输出限幅的10%-20%，外环积分项限幅设为输出限幅的5%-10%。

第二个是微分项的噪声放大。实物中的角度信号来自编码器或IMU，编码器差分求角速度会把量化噪声放大；IMU的角速度信号则有温漂。常见做法是不直接使用原始微分项，而是使用带一阶低通滤波的微分。以下给出带滤波的PID变体代码，这个写法在STM32或LinuxCNC等系统上都能直接套用：

class PIDWithFilter: def __init__(self, kp, ki, kd, filter_alpha, output_limits=None): """ 带一阶低通滤波的离散PID 参数说明： - filter_alpha: 低通滤波系数，0.1-0.5之间；越小滤波越强，但相位滞后越大 微分通道执行：y[n] = alpha * raw_derivative + (1 - alpha) * y[n-1] """ self.kp = kp self.ki = ki self.kd = kd self.alpha = filter_alpha self.output_limits = output_limits self._integral = 0.0 self._last_measurement = None self._filtered_derivative = 0.0 def compute(self, measurement, dt): if self._last_measurement is None: self._last_measurement = measurement derivative = 0.0 else: derivative = (measurement - self._last_measurement) / dt self._last_measurement = measurement # 一阶低通：滤波系数越小，噪声衰减越好，但相位滞后越明显 self._filtered_derivative = (self.alpha * derivative + (1 - self.alpha) * self._filtered_derivative) error = self.setpoint - measurement self._integral += error * dt output = (self.kp * error + self.ki * self._integral + self.kd * self._filtered_derivative) # 抗积分饱和处理 if self.output_limits is not None: output = np.clip(output, self.output_limits[0], self.output_limits[1]) # 如果输出饱和，回退本次积分累积 if output == self.output_limits[0] or output == self.output_limits[1]: self._integral -= error * dt return output

这里的filter_alpha取值很有讲究。太小（比如0.05）会让微分通道几乎失效，系统阻尼不足；太大（比如0.9）滤波效果不明显。实际经验是从0.2开始调，观察摆角的噪声幅值和超调量的变化。如果摆角曲线的毛刺明显减小但超调没有增大，可以继续减小；如果超调开始明显增加，说明滤波带来的相位滞后已经损害了稳定域。

第三个是角度限幅和跳变的处理。编码器角度在跨越±180度时会出现跳变，在竖直向上这个工作点附近，摆杆的测量范围恰好跨越了这个跳变点。如果不对原始角度做展开处理，PID会看到一个从+179度瞬间跳到-179度的巨大误差，输出剧烈冲击，系统直接倒下。常见做法是把角度差映射到[-π, π]区间：

def wrap_angle_diff(theta_measured, theta_ref): """ 计算角度误差并映射到 [-pi, pi]，避免编码器过零跳变导致的误差突变 """ diff = theta_measured - theta_ref while diff > np.pi: diff -= 2 * np.pi while diff < -np.pi: diff += 2 * np.pi return diff

这段函数很短，但几乎是倒立摆实物调试中救命级别的代码。缺失它的代价，往往是一通电就听到电机猛抽一下然后摆杆砸向限位。

最后一个值得花的功夫是做一个简单的上位机监控页面，实时画出摆角和位置波形。无论是用Python的matplotlib动画还是写一个简单的WebSocket推流到浏览器，目的都是让你能直观地看到系统在控制器参数变化时的行为变化。调参不能盲调，曲线是你唯一的客观依据。从原本的说明书式推导到现在，经历了建模、仿真、整定到实物迁移四个阶段，应该能够独立赶走一台一阶倒立摆了。

本文还有配套的精品资源，点击获取