第4章微分控制（D）

第四节：微分控制（D）——给系统装上“预见性刹车”

聊完了比例和积分，咱们终于来到了PID里最“聪明”的一环——微分控制。

说实话，我刚入行那会儿，对微分项的理解特别肤浅。觉得它就是“加个阻尼”，让系统别那么抖。后来在调试一台高速贴片机时，才真正体会到微分控制的妙处。那台机器每次加减速都像坐过山车，直到我加入了合适的微分项，整个运动曲线才变得丝滑。

好，咱们今天就把微分控制彻底讲透。

微分控制，说白了就是“看趋势”。

比例控制看的是“现在差多少”，积分控制看的是“过去差了多少”，而微分控制看的是“未来会差多少”。

它的数学表达式很简单：

D_out = Kd * (de/dt)

其中de/dt就是误差的变化率。误差变化越快，微分输出越大。

你想想看，如果误差正在快速增大，说明系统正在远离目标。这时候微分项会提前输出一个反向力，把系统“拽”回来。反过来，如果误差正在快速减小，说明系统快要冲过头了，微分项会提前刹车。

这就是微分控制的本质——预测性控制。

核心理解：微分项不关心误差有多大，只关心误差变化有多快。它就像一个经验丰富的司机，看到前方红灯就提前松油门，而不是等到跟前才急刹车。

Kd这个参数，调起来很有意思。我个人的经验是：Kd太小没感觉，Kd太大系统会“神经质”。

咱们用一张表来看清楚：

这里有个关键点：微分项对高频信号特别敏感。为什么？因为高频信号的变化率大啊。你想想，一个正弦波频率越高，它的斜率就越大，微分项算出来的值就越大。

我曾经调试一台伺服压机，位置精度要求0.01mm。一开始Kd设得比较大，结果电机嗡嗡响，还发热。后来用示波器一看，微分项的输出全是毛刺——都是传感器噪声被放大了。

我的调参习惯：先设Kd=0，调好PI参数让系统稳定。然后一点点增加Kd，每次增加20%，观察响应曲线。当看到超调明显减小且没有引入高频抖动时，就停手。记住，微分项是“调味料”，不是“主菜”。

好，咱们重点聊聊这个。微分噪声放大，可以说是PID控制里最让人头疼的问题之一。

为什么会这样？

咱们回到微分公式：D_out = Kd * (de/dt)。

假设你的位置反馈信号里有一个高频噪声，幅度只有0.1mm，频率是100Hz。这个噪声的变化率是多少？粗略估算一下：

de/dt ≈ 0.1mm * 2π * 100Hz ≈ 62.8 mm/s

如果Kd=0.1，那么微分项输出的噪声幅度就是6.28。你看，0.1mm的噪声被放大成了6.28的输出！

这就是微分噪声放大的本质——微分运算本身就是高通滤波器，频率越高，放大倍数越大。

我曾经踩过的坑：有一次调试一台精密运动平台，编码器分辨率1μm，但信号线没做屏蔽。结果微分项的输出直接饱和了，电机一直在高频震荡。我花了整整两天才找到原因——不是算法问题，是信号质量问题。从那以后，我养成了一个习惯：先看反馈信号的波形，再调微分参数。

既然问题清楚了，解决方案也就有了。我总结了三个实用方法：

对反馈信号做低通滤波
这是最直接的方法。在微分计算之前，先对误差信号或反馈信号做一阶低通滤波。截止频率一般设为系统带宽的3-5倍。
```
// 一阶低通滤波示例
filtered_error = α * raw_error + (1-α) * filtered_error_prev
// α = T / (T + τ)，T为采样周期，τ为滤波时间常数
```
使用不完全微分
标准的微分是纯微分，噪声敏感。不完全微分在微分项后面也加一个低通滤波器，相当于“钝化”了微分作用。
```
// 不完全微分实现
D_out = Kd * (de/dt) * (1 / (1 + Tf * s))
// Tf是滤波时间常数，s是拉普拉斯算子
```
只在误差较大时启用微分
这个技巧比较取巧。当误差小于某个阈值时，把微分项置零。因为小误差区域往往是稳态区域，微分项容易引入噪声。
```
if (abs(error) < deadband) {
    D_out = 0;
} else {
    D_out = Kd * (error - error_prev) / dt;
}
```

我的建议：如果系统对噪声特别敏感，优先考虑方法1和方法2的组合。方法3虽然简单，但会在阈值处引入非线性，有些场合不适用。

为了让你对微分控制有个整体认识，我画了张图：

嗯，微分控制的内容就这些。说白了，它是个好东西，但用不好会惹麻烦。我的建议是：先保证反馈信号干净，再谈微分调参。信号质量不行，再好的算法也白搭。

好了，这一节就到这里。记住微分控制的精髓——看趋势，提前动作，但别被噪声带偏了节奏。