PID相关参数讲解:1、比例系数Kp与静态误差

这篇具有很好参考价值的文章主要介绍了PID相关参数讲解:1、比例系数Kp与静态误差。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

 PID的结构与公式

PID相关参数讲解:1、比例系数Kp与静态误差

PID相关参数讲解:1、比例系数Kp与静态误差

来研究静态误差的同学,应该是对PID的原理有一定理解了,简单的概念也不用过多重复。
比例控制时PID控制中最简单的一个,很多能用代码编写PID代码的同学,也不一定理解这个比例系数Kp的意义,以及比例控制的原理。

讲PID最好的道具还是那个可能会漏水的水缸


假设有这么一个水缸。

你要让那个水缸的水位维持在1米的高度,(这个1米就是设定的目标值Setpoint)。

刚开始的时候水缸水位是0.2米,(这个0.2米,可以认为是初始输入值或者反馈值Input)。

计算一下,1 - 0.2 =0.8米,这个0.8米就是误差error。

主角小明可以来灌水了,假设旁边有个水源可以取水,这个时候水缸还不漏水,当前只研究比例控制算法:

这个就表示每次要加的水的量。

这个有的博文把它与取水的容器来类比,比如水杯、水瓢,水盆等,容积越大,就越大,其实这不是很合适,就是一个系数,最好不要跟什么容器扯上关系。可以在不同的来看看水缸是怎么灌满的。

假设,勤劳的小明选择用一个水瓢来灌水,比例系数。

第一次灌水:t1,要灌的水量,水缸的水位从0.2上升到0.6米,显然还没有到1米的水位,还差0.4米,需要继续灌水。

第二次灌水:t2,要灌的水量,水缸的水位从0.6上升到0.8米,显然还是没到一米的水位,还差0.2米,需要继续灌水;

第三次灌水:t3,要灌的水是0.1米,水缸的水位到0.9米了;

......

一直这么灌下去,水缸肯定能接近水满。

再假设,勤劳的小明选择用一个水瓢来灌水,比例系。

第一次灌水:t1,要灌的水量,水缸的水位从0.2上升到0.76米,显然还没有到1米的水位,还差0.24米,需要继续灌水。

第二次灌水:t2,要灌的水量,水缸的水位从0.76上升到0.928米,显然还是没到一米的水位,还差0.072米,需要继续灌水;

第三次灌水:t3,要灌的水是0.0504米,水缸的水位到0.9504米了;

......

一直这么灌下去,水缸也肯定能接近水满。

如果,只要一次就灌满了。

就从这三个比例系数的例子可以看出,把越大,水缸灌满的越快。

不管是多少,水缸都灌满了,跟静态误差好像没有半点关系。是的,是一点关系都没有,主要是因为这个水缸好。如果是一个漏水的破缸,你看看能不能把水缸给灌满。

一口漏水的破缸

假设有个漏水的水缸,每次加水的过程中,它都会漏0.1米的高度;

小明还是以比例系数的比例来灌水

一直灌下去,当某次把水缸的水位灌到了0.8米,这个时候问题出现了

因为误差,比例系数;

那么下次要灌的水量就是0.1米,刚好漏的水量也是0.1米,是不是巧了,这个水缸永远只能被灌到0.8米的水位,距离01米的水位差0.2米,这个0.2米就是稳态误差

有兴趣的小朋友可以去算下不同的比例系数区灌水,应该都会有一个稳态的误差。

在生活中,像水缸漏水系统有很多,温度控制系统中,物体本身就会散热,这个散热就相当于“漏水”了;汽车运动过程中,有风阻和路阻,这也相当于“漏水”。所以单独的比例控制还是不能满足复杂的系统的。

稳态误差怎么消除,那就是下一章要聊的积分控制。文章来源地址https://www.toymoban.com/news/detail-500541.html

到了这里,关于PID相关参数讲解:1、比例系数Kp与静态误差的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板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TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 数据结构:图及相关算法讲解

    概念多,但是不难理解,难的算法部分基本都是图解。 图是由顶点集合及顶点间的关系组成的一种数据结构:G = (V, E),其中 V为顶点集合,E为边集合 。 顶点和边 :图中结点称为顶点,第i个顶点记作vi。两个顶点vi和vj相关联称作顶点vi和顶点vj之间有一条边,图中的第k条边

    2024年03月12日
    浏览(37)
  • 相关系数(皮尔逊相关系数和斯皮尔曼相关系数)

     本文借鉴了数学建模清风老师的课件与思路,可以点击查看链接查看清风老师视频讲解:5.1 对数据进行描述性统计以及皮尔逊相关系数的计算方法_哔哩哔哩_bilibili 注:直接先看 ( 三、两个相关系数系数的比较 ) 部分!!! 目录 ​编辑 一、数据的描述性统计分析  二、

    2024年01月21日
    浏览(36)
  • 相关系数、相关指数和回归系数等概念含义

            最近在工作中,遇到进行相关分析的问题,查找各种资料相关资料有两个方向:相关系数及相关指数。特记下用于以后查询         相关系数:又叫简单相关系数或线性相关系数,一般用字母r表示,用来度量两个变量间的线性关系。公式:                      

    2024年02月08日
    浏览(41)
  • Pearson相关系数和Spearman相关系数的区别

      参考资料前两个博客讲解的非常详细,因本人想要自己梳理下,才有此文,请直接跳转即可。 (1)简单来说   协方差:变量具有 同增、同减 的趋势。趋势越接近,则相关性越大,反之越小。   相关系数:协方差的标准化,把数值控制在[-1,1]的区间表示。方便比较

    2023年04月14日
    浏览(41)
  • 数学建模冲国奖之——Person相关系数和Spearman相关系数

      目录 一、简介 二、Person相关系数 三、相关性可视化 四、皮尔逊相关系数的理解误区 五、对皮尔逊相关系数的两点总结 六、Person系数习题 七、Person系数假设检验适用前提 八、Spearman相关系数 九、Spearman相关系数假设检验  十、两者适用性 本讲我们介绍两种最常用的相关

    2024年02月06日
    浏览(35)
  • 数学建模:相关性分析学习——皮尔逊(pearson)相关系数与斯皮尔曼(spearman)相关系数

    目录 前言 一、基本概念及二者适用范围比较 1、什么是相关性分析 2、什么是相关系数 3、适用范围比较 二、相关系数 1.皮尔逊相关系数(Pearson correlation) 1、线性检验 2、正态检验 3、求相关系数 2、斯皮尔曼相关系数(Spearman correlation) 1、秩相关系数 2、使用条件 3、求相

    2024年01月17日
    浏览(42)
  • 考虑时空相关性的风电功率预测误差MATLAB代码

    微 ❤ 关注“电气仔推送”获得资料(专享优惠) 风电功率预测置信区间误差分析拟合 1.风电功率预测误差--时空相关性 展示第一一个时间段的风电功率预测与实际风电功率值的比较。填充区域表示预测的不确定性,显示了95%置信区间内预测可能的范围。蓝色虚线表示置信区

    2024年02月07日
    浏览(35)
  • 【数学建模】——相关系数

    本讲我们将介绍两种最为常见的相关系数:皮尔逊person相关系数和斯皮尔曼spearman等级相关系数。它们可以用来衡量两个变量之间的相关性的大小,根据数组满足的不同条件,我们要选择不同的相关性系数进行行计算和分析(建模论文中最容易用错的方法)。 总体和样本:

    2024年02月16日
    浏览(32)
  • 数学建模-相关系数

    excel基本操作:ctrl+右,ctrl+左,ctrl+shift+下/右,ctrl+shift+空格 题目里有数据,给出描述性统计是比较好的习惯 excel描述性统计:数据-数据分析-描述统计 MATLAB要做散点图C62个 SPSS可以直接画出两两之间的散点图:图形-旧对话框-散点图-矩阵散点图-所有变量放入 不太明显的相关

    2024年02月16日
    浏览(59)
  • 相关系数python实现

    R的值在-1和1之间,包括-1和1。 公式1: 其中,Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差。 或者 公式2: 可以转换

    2024年02月05日
    浏览(33)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包