不用微积分的PID：用Excel搭建可视化闭环控制实验台

PID 控制器是工业自动化和嵌入式控制中最常见的算法，但很多初学者第一次看到公式里的积分项、微分项时，心里多少会发怵：这要不要先补一遍微积分才能调参？其实完全不用。把 PID 公式离散化之后，剩下的就是“累加”和“相减”，这东西在 Excel 里用几列公式就能跑通。本文分享一套“不用微积分的 PID”实验方法：不需要写一行代码，只需要一个空白电子表格，就能亲手搭出一个 PID 闭环控制系统，完成参数整定实验，甚至能直观看到比例、积分、微分各自对响应曲线的影响。学完之后，你可以把同一套离散化逻辑平滑迁移到 STM32、Python、MATLAB 等真实项目中。

1. 背景：为什么 PID 可以用电子表格讲清楚

1.1 PID 不是一个需要“高数”才能理解的算法

PID 是 Proportional（比例）、Integral（积分）、Differential（微分）的缩写。中文里常写成“比例-积分-微分控制器”。它的作用很简单：根据“目标值”和“当前测量值”之间的误差，计算出一个控制量，让测量值尽快、平稳地逼近目标值。

在连续数学表达式中，PID 的输出是：

[ u(t)=K_p e(t) + K_i \int e(t) dt + K_d \frac{de(t)}{dt} ]

一看到积分符号 (\int) 和导数符号 (\frac{d}{dt})，很多人的第一反应是“完了，要复习微积分”。但实际上，在数字控制器和计算机控制系统里，我们并不能直接处理连续积分和连续微分，所有公式都要离散化。

离散化之后，积分变成“误差的累加”，微分变成“误差的差值”。累加和差值，小学算术就能搞定。所以我说“Calculus-free PID”，并不是把 PID 简化成了另一个东西，而是指：在数字世界里，PID 的底层实现本来就是简单的加减乘除。

1.2 电子表格是理解 PID 的最佳“白板”

电子表格（Excel、WPS、Google Sheets 等）天然适合做离散化计算：

• 每一行可以代表一个采样周期。
• 每一列可以存放设定值、测量值、误差、比例项、积分项、微分项、输出值。
• 用填充柄向下拖拽公式，就能模拟一个连续运行的控制回路。
• 插入折线图，就能看到超调、振荡、稳态误差等经典现象。

这种方式的优势是“透明”。Python 代码写一个回调函数，你只能看到最终曲线；但在电子表格中，你能清楚地看到每一行误差如何变化、积分项如何累积、微分项如何对噪声敏感。这对于建立 PID 直觉非常有帮助。

1.3 这篇文章适合谁

• 刚开始学 PID，但被微积分公式劝退的初学者。
• 准备在 STM32、PLC、ROS 等平台上做 PID 控制，想先理解算法本质的开发者。
• 已经会调参，但想找一个快速验证工具，观察参数变化对响应影响的人。
• 需要给学生或新人做控制算法培训，需要一个可视化实验环境的人。

读完本文，你将掌握 PID 的离散化形式、电子表格模拟方法、参数整定实验，以及从电子表格迁移到真实代码的完整思路。

2. PID 控制的核心原理拆解

2.1 三个基本项：比例、积分、微分

在离散系统中，我们按固定的采样周期 (T) 定时读取测量值，每次计算一次控制输出。假设当前时刻为第 (k) 次采样，目标值为 (SV_k)，测量值为 (PV_k)，误差为：

[ e_k = SV_k - PV_k ]

那么三个分项分别这样算。

2.1.1 比例项：现在错多少

比例项的输出是：

[ P_k = K_p \times e_k ]

它把当前误差放大 (K_p) 倍。误差大，输出就大；误差小，输出就小。比例项是控制系统的主力，但单独使用通常会出现“稳态误差”——系统稳定后，测量值和目标值之间始终差了一截。

比如你用比例控制一个风扇转速，设定 3000 转，当负载导致转速下降时，比例项会提高输出电压，但它需要存在误差才能维持输出，所以最终转速通常会稳定在目标值附近，但不会完全等于目标值。

2.1.2 积分项：过去错多少

积分项在离散系统中是“误差的累加”：

[ I_k = I_{k-1} + K_i \times e_k \times T ]

也可以写成：

[ I_k = K_i \times T \times \sum_{j=1}^{k} e_j ]

关键点：积分项会把历史误差一直记着。只要有残差存在，积分项就会持续增大，从而推动输出逐渐逼近目标值，最终消除稳态误差。

但积分项太强也会带来问题：超调变大、系统出现低频振荡，甚至积分饱和。

2.1.3 微分项：误差变化趋势

微分项在离散系统中是“误差的差值除以采样周期”：

[ D_k = K_d \times \frac{e_k - e_{k-1}}{T} ]

它预测误差接下来是变大还是变小。如果误差正在快速减小，微分项会产生一个反向“刹车”作用，抑制超调。

但微分项有一个著名的副作用：对测量噪声非常敏感。因为噪声会让相邻两次采样误差产生抖动，微分项会把这种抖动放大，严重时系统会高频振荡。

2.2 位置式 PID 与增量式 PID

上述公式计算的是控制器输出 (u_k) 的绝对值，称为“位置式 PID”：

[ u_k = P_k + I_k + D_k ]

实际嵌入式项目中还有一种常见写法是“增量式 PID”，它只计算输出的增量：

[ \Delta u_k = u_k - u_{k-1} ]

增量式的优势是输出不会突变，适合带积分执行机构的场合，比如步进电机调速。但理解 PID 本质，先看位置式更直观。电子表格模拟也更容易。

2.3 采样周期 T 的重要性

离散 PID 公式里的 (T) 不是摆设。(T) 越小，控制越接近连续系统，但计算负担和噪声敏感度也会增加；(T) 越大，控制越粗糙，甚至可能失稳。

在电子表格中，(T) 就是一个单元格里的数值。改变它，你会立刻看到曲线变化。这也是电子表格实验的价值所在——不用写代码，改一个单元格就能体验采样周期的影响。

3. 环境准备：创建一个 PID 电子表格模拟器

3.1 软件环境

本文以最常见的 Excel 操作为例，但同样适用于 WPS 表格、Google Sheets、LibreOffice Calc。公式基本都是通用的。

版本不需要特别新，只要是近十年内的办公表格软件都可以。重点是掌握“单元格引用”“填充柄下拉”“插入折线图”这三个基础操作。

3.2 被控对象模型

要模拟闭环控制，我们需要一个“被控对象”。现实中它可能是电机、加热器、水箱液位等。本文使用一个最经典的一阶惯性系统，数学描述是：

[ T_s \frac{dPV}{dt} + PV = K_s \times u ]

其中：

• (u)：控制器输出（例如控制电压）
• (PV)：被控量（例如转速、温度、液位）
• (K_s)：系统增益
• (T_s)：系统时间常数

这个模型的好处是：只需要两个参数 (K_s) 和 (T_s)，就能模拟大多数常见的惯性对象。离散化之后，下一时刻的测量值公式为：

[ PV_{new} = PV_{old} + \frac{T}{T_s} \times (K_s \times u_{old} - PV_{old}) ]

这个公式非常容易放进电子表格。它不涉及真实硬件，却保留了闭环系统的主要特征。

3.3 表格整体设计

我们准备让每一行代表一个采样时刻。列结构如下：

参数区放在右侧单元格，例如 K 列：

• K1：(K_p)
• K2：(K_i)
• K3：(K_d)
• K4：采样周期 (T)
• K5：系统增益 (K_s)
• K6：系统时间常数 (T_s)
• K7：输出下限
• K8：输出上限

修改参数区里的数值，整个响应曲线会跟着变化，这就是“几乎在电子表格里实现 PID”的核心体验。

4. 手把手搭建 PID 电子表格模拟器

4.1 设置参数区

打开一个空白工作表，在 K1:K8 单元格输入以下初值：

这些值会在后续实验中反复修改。

4.2 输入表头

在第 1 行输入表头：

4.3 输入初始状态行（第 2 行）

我们需要在第 2 行建立初始状态。此时系统刚刚上电，测量值为 0，控制器还没有开始累积积分，微分项也为 0。

在 A2 输入：

0

B2 输入设定值，这里模拟一个从 0 阶跃到 100 的过程：

100

C2 输入初始测量值：

0

D2 输入误差公式：

=B2-C2

E2 输入比例项公式：

=$K$1*D2

F2 输入积分项初值：

0

G2 输入微分项初值：

0

H2 输入输出值，同时做限幅，防止出现负数或超过执行器范围：

=MAX($K$7,MIN($K$8,E2+F2+G2))

注意这里使用了绝对引用$K$7、$K$8，目的是让公式下拉时不会改变行号。

4.4 输入第二行（第 3 行）并下拉

第 3 行开始体现真正的闭环迭代。先输入 A3 时间：

=A2+$K$4

B3 设定值继续保持 100：

= B2

C3 测量值需要根据上一行的输出 (u_2) 和上一行的测量值 (PV_2)，用一阶惯性模型更新：

=C2 + ($K$4/$K$6)*($K$5*H2 - C2)

这里再解释一下这个公式的来由：离散化后的对象模型 (PV_{new} = PV_{old} + \frac{T}{T_s}(K_s \times u - PV_{old}))。H2 是上一行输出，C2 是上一行测量值。

D3 误差公式：

=B3-C3

E3 比例项：

=$K$1*D3

F3 积分项，使用上一行 F2 累加：

=F2 + $K$2*D3*$K$4

G3 微分项，使用当前行与上一行的误差差值：

=$K$3*(D3-D2)/$K$4

H3 输出限幅：

=MAX($K$7,MIN($K$8,E3+F3+G3))

选中 A3:H3，使用填充柄向下拖拽。拖到第 102 行左右，就是模拟 10 秒（100 步 x 0.1s）。

4.5 绘制响应曲线

选中 A 列、C 列、H 列，也就是时间、测量值、输出值，插入“带平滑线和数据标记的折线图”。

如果在 Excel 中不方便一次选中不连续列，可以先插入空白折线图，然后右键“选择数据”，分别添加：

• 系列名称：PV，X 轴选择 A 列数据，Y 轴选择 C 列数据。
• 系列名称：SV，X 轴选择 A 列数据，Y 轴选择 B 列数据。
• 系列名称：u，X 轴选择 A 列数据，Y 轴选择 H 列数据。

也可以直接选中 A、C、H 三列后插入折线图，Excel 会自动生成。

初始参数下，你应该能看到测量值在 1 秒左右上升到接近 100，然后出现一个较小的超调，最终稳定在 100 附近。这就是一个完整的 PID 闭环响应。

4.6 预期结果说明

在 (K_p=1.0, K_i=0.2, K_d=0.05, T=0.1) 的初始参数下，测量值会快速上升，但因为积分项存在，超调可能达到 10% 左右，然后经过几次衰减振荡后收敛。输出 u 会从 100% 开始，随后逐渐下降，稳定在维持测量值 100 所需的输出值附近。

如果你的曲线完全不动，或者出现直线上升，请先检查 C3 公式里是否引用了 H2，F3 公式是否引用了 F2，G3 公式是否引用了 D2。这是最容易出错的地方。

5. 用电子表格完成 PID 参数整定实验

有了这个“电子表格 PID 实验台”，接下来可以亲手做三个经典实验。这比直接改代码更能建立直觉。

5.1 实验一：纯比例控制，观察稳态误差

将 (K_i) 和 (K_d) 都设为 0，只保留 (K_p=1.0)，刷新后下拉，观察曲线。

你会发现测量值会快速上升，然后稳定在某个值，但永远达不到 100，比如稳定在 95 左右。这个差值就是“稳态误差”。原因很简单：比例控制需要误差存在才能产生输出；误差为零时，比例项输出为零，系统无法维持。

你可以试着把 (K_p) 提高到 3、5、10，会发现稳态误差变小，但超调和振荡会变大。这验证了一个结论：单纯增加比例增益无法彻底消除稳态误差，只会让系统越来越“急躁”。

这个实验强烈建议在电子表格里做一次，因为屏幕上每一行的误差数据都清晰可见，你能亲眼看到稳态误差不是“调不好”，而是结构性的存在。

5.2 实验二：加入积分项，消除稳态误差

恢复 (K_p=1.0)，设置 (K_i=0.2)，(K_d=0)。

此时测量值会更快地贴近 100，最终误差趋近于零。同时你也会看到超调比纯比例控制更大，甚至出现低频振荡。

积分项的魅力在于：它“记住”了过去的误差。哪怕当前误差很小，只要不等于零，积分项就会一点点累积，推动输出继续变化，直到误差彻底归零。但积分项也像一把双刃剑，(K_i) 太大、(T) 太大，甚至启动时的初始误差就会导致积分饱和，输出长时间维持在最大值，系统剧烈超调。

你可以试着把 (K_i) 从 0.2 改到 0.5，再改到 1.0，观察超调如何一步步变大。

5.3 实验三：加入微分项，抑制超调

恢复 (K_p=1.0, K_i=0.2)，设置 (K_d=0.05)，然后观察曲线。

微分项会在误差快速变小时提前“刹车”，所以超调通常会小于纯比例积分控制。继续增大 (K_d) 到 0.2、0.5，你会发现超调被压制，但曲线变得“毛糙”，甚至出现高频抖动。这就是微分项在放大测量噪声。

为了更直观地体验噪声对微分项的影响，你可以在 C 列测量值公式里故意加一个小扰动，例如改成：

=C2 + ($K$4/$K$6)*($K$5*H2 - C2) + $K$9

K9 单元格里填一个随机噪声值（比如=RAND()*0.5-0.25），然后观察 G 列微分项的变化。你会看到：即使测量值只抖动了一点，微分项也可能会跳得很大。

这个实验也解释了为什么真实项目里，微分项通常需要配合低通滤波使用，甚至很多系统干脆不用微分项。

5.4 参数整定的经验口诀

电子表格实验做完后，可以记住一条通用调参顺序：

1. 先把 (K_i)、(K_d) 设为 0，只留 (K_p)，从小到大增加，直到系统出现等幅振荡。
2. 再把 (K_p) 适当回退到振荡点的 50% 左右。
3. 加入 (K_i)，从小到大增加，直到稳态误差被消除，但注意观察超调。
4. 最后加入 (K_d)，从小到大增加，用来抵消超调，但小心噪声放大。

这只是一条经验，不是万能公式。实际项目中，结合 Ziegler-Nichols 等整定方法，或者 MATLAB Response Optimizer 这类工具，可以做更精细的调优。但电子表格实验能帮你建立“参数改变后曲线会怎么变”的直觉，这种直觉在真实调试中远比死记公式更有价值。

6. 从电子表格到真实代码：Python 实现同一个 PID

如果只在电子表格里跑，你可能还会怀疑“这套逻辑能不能搬到真实程序里”。下面用 Python 实现完全相同的离散 PID 和一阶惯性系统，可以直接运行。你可以对比输出结果和电子表格生成的曲线，会发现它们几乎完全一致。这个对照过程，是把电子表格思路迁移到代码的关键一步。

6.1 完整示例代码

import numpy as np import matplotlib.pyplot as plt # PID 参数 Kp = 1.0 Ki = 0.2 Kd = 0.05 # 采样周期 T = 0.1 # 被控对象参数 K_sys = 1.0 T_sys = 1.0 # 输出限幅 umin = 0 umax = 100 # 模拟时长 t_end = 10 t = np.arange(0, t_end, T) n = len(t) # 设定值：阶跃到 100 SV = np.ones(n) * 100 # 初始化变量 PV = np.zeros(n) u = np.zeros(n) I = 0.0 e_prev = 0.0 for i in range(n): # 当前误差 e = SV[i] - PV[i] # 比例项 P = Kp * e # 积分项（使用上一次累积值，当前时刻输出中还没有加入本次误差） # 对应电子表格中 F 列：第 2 行积分为 0，第 3 行才开始累加 I = I # 保持当前 I 用于输出 # 微分项：第一次采样时微分项为 0，避免初始冲击 if i == 0: D = 0.0 else: D = Kd * (e - e_prev) / T # 控制器输出 u_raw = P + I + D u[i] = np.clip(u_raw, umin, umax) # 更新积分项，供下一次使用 I = I + Ki * e * T # 根据一阶惯性模型计算下一时刻的测量值 if i < n - 1: PV[i + 1] = PV[i] + (T / T_sys) * (K_sys * u[i] - PV[i]) # 记录当前误差，用于下一次微分项 e_prev = e # 绘图 plt.figure(figsize=(10, 5)) plt.plot(t, SV, '--', label='SV') plt.plot(t, PV, label='PV') plt.plot(t, u, label='u') plt.xlabel('Time (s)') plt.ylabel('Value') plt.legend() plt.grid(True) plt.title('Discrete PID in Python') plt.show()

需要注意，代码中积分项更新位置刻意和电子表格保持一致：当前行的输出使用的是上一行累积下来的 (I)，输出计算完之后才把当前误差累加进去。这样不会出现“本周期输出提前包含本周期积分变化”的问题。

运行这段代码后，你会得到与电子表格几乎一致的曲线。但由于电子表格中微分项的计算方式、浮点精度、输出限幅位置可能存在细微差异，数值不会逐位完全相同，这属于正常现象。

6.2 电子表格与代码的优势互补

电子表格的优势是“便于观察和教学”，每一列计算过程都摊开展示在眼前。代码的优势是“便于迭代和集成”，可以快速写进你的 STM32 项目、ROS 节点或自动化控制系统。

建议你同时掌握两者：先用电子表格理解 PID 内部计算过程，再用 Python 做批量参数扫描，最后迁移到目标硬件。这种路径比直接啃公式硬快得多。

7. 常见问题与排查思路

在搭建电子表格 PID 模拟器和后续控制实验过程中，容易遇到这些问题。下面整理成一张速查表。

如果曲线发散，一个快速排查手段是把 (K_i)、(K_d) 全设为 0，只保留很小的 (K_p)，确认系统能稳定。然后再逐步增加 (K_p)、(K_i)、(K_d)。这本质上就是“控制变量法”，在电子表格里操作非常方便。

8. PID 工程实战建议与安全边界

电子表格只是起点，真实系统远比这个模拟复杂。把 PID 用在实际项目中，以下建议值得认真对待。

8.1 采样时间和执行器刷新频率要匹配

采样周期 (T) 不是越短越好，也不是越长越好。它需要与传感器响应速度、执行器刷新频率、控制器计算能力匹配。电子表格里随手可以改 (T)，但到嵌入式环境，定时器中断频率、通信周期都会限制最高采样率。

8.2 输出限幅和积分限幅必须一起处理

只对输出限幅，不限制积分项，很容易出现“积分饱和”。现象是：当系统长时间无法达到目标时，积分项累积到很大；一旦测量值到达目标，积分项还需要很长时间才能“吐出来”，导致严重超调。

常见处理方式是在积分项计算时做限幅，或者仅在输出未饱和时积分。具体到电子表格，可以把 F 列公式改为限幅形式：

=MAX($K$7, MIN($K$8, F2 + $K$2*D3*$K$4))

这样积分项不会超过执行器能力范围，对抗积分饱和有一定帮助。

8.3 微分项必须考虑噪声抑制

真实传感器都有噪声，纯微分项会把噪声放大，因此工程上常用“不完全微分”或“微分先行”。最灵活的做法是让微分项通过一个低通滤波器，比如：

[ D_{filtered} = \alpha \times D_{raw} + (1-\alpha) \times D_{filtered_prev} ]

其中 (\alpha) 是滤波系数。电子表格只能模拟理想情况，真实项目中这一点不能省。

8.4 手动自动切换和参数保存

很多板卡和控制器支持手动/自动模式切换。在切换瞬间，如果 PID 输出和手动输出不一致，系统会产生冲击。通常需要在切换前把积分项重置为当前输出对应的值，或者实行“无扰切换”（bumpless transfer）。

此外，参数整定结果不要只看一组曲线，要保存多组参数样本，记录目标对象、工况、采样周期、Kp/Ki/Kd 和响应指标。这样后续调优才能有据可查。

8.5 生产环境安全边界

如果 PID 控制用在真实设备上，比如电机、加热器、压力阀，一定要有安全保护机制：

• 输出限幅必须根据执行器安全范围设置。
• 增加急停逻辑，例如测量值超过安全阈值时强制输出为 0 或切到安全状态。
• 修改参数应在测试环境或低功率工况下先验证，确认无异常后再接入生产系统。
• 涉及数据库、生产环境变更时，要遵守最小权限原则并做好备份。
• PID 只是控制层的一部分，不要忽视传感器故障、通信中断、执行器卡死等异常情况。

这些内容看似与“电子表格模拟 PID”无关，但实际上是从实验环境走向真实项目时最容易踩坑的地方。提前知道，能省很多现场调试时间。

9. 总结与下一步学习路线

这篇文章围绕“Calculus-free PID almost in a spreadsheet”展开，核心是让你不必纠结微积分，而是用离散化视角和电子表格工具，亲手搭出一个可视化的 PID 闭环系统。

你实际操作时，应该已经尝到了三个阶段的变化：

• 第一阶段，纯比例控制，看到稳态误差。
• 第二阶段，加入积分项，看到超调和振荡。
• 第三阶段，加入微分项，看到超调被压制，也看到噪声放大。

这种“亲眼看曲线变化”的体验，比记住任何公式都更牢固。如果你能独立完成这三个实验，并尝试修改 Kp、Ki、Kd、T 等参数，那么 PID 对你来说就不是一个黑盒了。

下一步可以继续延伸的方向包括：

• 把电子表格里的离散 PID 公式迁移到 STM32 或 Arduino，做电机转速闭环。
• 研究增量式 PID 与位置式 PID 的区别，以及各自的适用场景。
• 学习串级 PID 和双环 PID，比如四轴飞行器中常见的内环角速度、外环角度控制。
• 了解模糊 PID 等自适应控制方法，它们能在参数变化较大的工况下自动调整 PID 参数。
• 使用 MATLAB Response Optimizer 或 Simulink 做更精细的模型仿真与参数优化。

无论你最后走向哪个方向，电子表格里这几列数据，就是你理解 PID 的“最原始版本”。把这一套计算逻辑吃透，再去接触上层工具和真实硬件，会顺畅得多。现在就可以打开一个空白电子表格，把这 8 个参数和 3 行公式填进去，下拉到 100 行，再把图表画出来。只有亲手拖动一次填充柄，你才能真正感受到：“ PID 原来不过如此。”