前言

         PID 是自动控制里最经典、也最容易"调翻车"的三参数控制器。很多人背了一大堆公式，却对"为什么增益大了就振荡"没有直观感受。
  这篇文章不堆公式，用一个纯 Python、零第三方依赖的 PID 闭环仿真，在终端里改三个数（Kp / Ki /  Kd），让你亲手看到阶跃响应曲线怎么变。你只要会跑 Python，就能跟着复现、改参、看结果。代码已开源（见文末）。

  一、为什么要用"仿真"理解 PID

  真实设备（电机、加热器、水箱）都有反应滞后和惯性，调参不对会振荡甚至损坏设备。而仿真可以随便试、反复看，是理解 PID
  最快、最省钱的方式。本文的仿真对象是一个"一阶惯性 + 纯滞后"模型，用于近似真实的机电对象。

  二、改三个参数，曲线立刻变

  我用三组参数跑同样的阶跃（目标 = 100），对比极其明显：

  正常参数 Kp=3, Ki=0.6, Kd=1.2，曲线平滑升到 100，几乎无超调：
  - 上升时间（到 90%）：5.18s
  - 超调量：0%
  - 调节时间（±2%）：13.58s

  调太小 Kp=0.5, Ki=0.02, Kd=0.1，太"肉"，反应慢，25s 还不够：
  - 峰值：51.9（远低于 100）
  - 上升时间：未达到 90%

  调太猛 + 带滞后 Kp=8, Ki=2, Kd=0, 纯滞后=3s，疯狂振荡，超调 55%，冲到 155，且永远不收敛，数值范围直接到 -93 ~ 167：

  为什么第三个会炸？ 因为系统有纯滞后（dead time）：你的控制量隔一段时间才生效。等你觉得"太慢"拼命加增益时，上一波的控制
  量还没消退，新一波又叠加，矫枉过正，来回横跳。工业上很多对象都有滞后，所以 PID 参数必须整定，不能随口拍。

  三、核心代码

  class PID:
      def update(self, measurement: float) -> float:
          error = self.setpoint - measurement
          if self._first_sample:
              self._prev_error, self._prev_measurement = error, measurement
              self._first_sample = False
          derivative = -(measurement - self._prev_measurement) / self.dt  # 微分作用于测量值
          output_unclamped = self.kp*error + self.ki*self.integral + self.kd*derivative
          lo, hi = self.output_limits
          if lo <= output_unclamped <= hi:      # 抗饱和
              self.integral += error * self.dt
          output = self.kp*error + self.ki*self.integral + self.kd*derivative
          self.output = max(lo, min(hi, output))
          return self.output

  四、怎么跑

  需要 Python 3.8+（Windows 到 python.org 下载安装，勾选 "Add to PATH"）。

  python pid_demo.py
  python pid_demo.py --kp 0.5 --ki 0.02 --kd 0.1
  python pid_demo.py --kp 8 --ki 2 --kd 0 --deadtime 3
  python test_pid.py

  五、正确性说明

        我写了 test_pid.py，断言验证：纯比例项正确、积分积累、闭环收敛到设定值、输出限幅、抗饱和。6 项全部通过（ALL 6 TESTS
  PASSED）。

  六、从仿真到真硬件

        下一步计划把它接到真实设备：用 Arduino / ESP32 / PLC 驱动电机或加热器，把上面这套 PID 算法搬到单片机（C 移植），或让
        PC 通过串口闭环。如果这篇对你有用，点个赞关注我，我后续更新"从仿真到真 STM32"的实操篇。