PID原理与python的简单实现和调参_python

来源:脚本之家  责任编辑:小易  
目录
一、前言二、PID控制算法详解2.1 比例控制算法2.1.1 比例控制python简单示意2.1.2 比例控制存在的一些问题2.2 积分控制算法(消除稳态误差)2.2.1 python简单实现2.3 微分控制算法(减少控制中的震荡)3.3.1 加入微分控制算法的python简单示意2.4 PID算法总结三、牛顿法调参

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

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内容请搜索真格学网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真格学网!

您可能感兴趣的文章:python scrapy拆解查看Spider类爬取优设网极细讲解Python如何获取pid和进程名字Python中rapidjson参数校验实现Python爬虫框架之Scrapy中Spider的用法python scrapy项目下spiders内多个爬虫同时运行的实现python爬虫scrapy基于CrawlSpider类的全站数据爬取示例解析Python中Pyspider爬虫框架的基本使用详解Python爬虫Scrapy框架CrawlSpider原理及使用案例Python爬虫之Spider类用法简单介绍

  • 本文相关:
  • python安装以及ide的配置教程
  • opencv python 对指针仪表读数识别的两种方式
  • mac安装python3的方法步骤
  • python顺序的读取文件夹下名称有序的文件方法
  • django实现httpresponse返回json数据为中文
  • python与caffe改变通道顺序的方法
  • 详解django admin高级用法
  • python发送arp欺骗攻击代码分析
  • python基础入门之列表(一)
  • pytorch 多维数组运算过程的索引处理方式
  • python 获取指定进程pid,怎么总是错
  • 如何用python简单的设计开发异步任务调度队列
  • python怎么获得进程的pid
  • 如何用python得到当前运行的脚本的PID
  • 如何用python得到当前运行的脚本的PID
  • 如何用python得到当前运行的脚本的PID
  • 如何用python得到当前运行的脚本的PID
  • 如何用python得到当前运行的脚本的PID
  • python中的os.getpid是什么,pid有什么用
  • 如何使用python做android的自动化测试
  • Python 使用psutil模块显示进程利用率psutil.error.AccessDenie...
  • 怎样在Python中操作Docker容器
  • ubuntu python64位支持libsvm吗
  • 如何利用python使用libsvm
  • python怎么让进程暂停
  • python 中os.system和commands.getoutput的区别
  • 如何使用python做android的自动化测试
  • 网站首页网页制作脚本下载服务器操作系统网站运营平面设计媒体动画电脑基础硬件教程网络安全vbsdos/bathtahtcpythonperl游戏相关vba远程脚本coldfusionruby专题autoitseraphzonepowershelllinux shellluagolangerlang其它首页pythonpython scrapy拆解查看spider类爬取优设网极细讲解python如何获取pid和进程名字python中rapidjson参数校验实现python爬虫框架之scrapy中spider的用法python scrapy项目下spiders内多个爬虫同时运行的实现python爬虫scrapy基于crawlspider类的全站数据爬取示例解析python中pyspider爬虫框架的基本使用详解python爬虫scrapy框架crawlspider原理及使用案例python爬虫之spider类用法简单介绍python安装以及ide的配置教程opencv python 对指针仪表读数识别的两种方式mac安装python3的方法步骤python顺序的读取文件夹下名称有序的文件方法django实现httpresponse返回json数据为中文python与caffe改变通道顺序的方法详解django admin高级用法python发送arp欺骗攻击代码分析python基础入门之列表(一)pytorch 多维数组运算过程的索引处理方式python入门教程 超详细1小时学会pythonpycharm 2020最新永久激活码(附最新激活python 元组(tuple)操作详解python 列表(list)操作方法详解python 字典(dictionary)操作详解pycharm 2020年最新激活码(亲测有效)python strip()函数 介绍pycharm 使用心得(一)安装和首次使用python中使用xlrd、xlwt操作excel表格详解python 中文乱码问题深入分析教你在pycharm中使用tensorflow的方法django权限机制实现代码详解python区块链创建block class教程使用matplotlib 绘制精美的数学图形例子selenium获取登录cookies并添加cookies自动登录的方法python神经网络使用tensorflow实现自编码autoencoderpython实现过滤敏感词使用python获取cpu和内存信息的思路与实现(linux系统)python调用jar包方法实现过程解析对python进行数据分析_关于package的安装问题
    免责声明 - 关于我们 - 联系我们 - 广告联系 - 友情链接 - 帮助中心 - 频道导航
    Copyright © 2017 www.zgxue.com All Rights Reserved