PID参数优化：极值搜索算法在工业控制中的应用

1. 项目概述：当PID控制遇上极值搜索算法

在工业控制领域，PID参数整定一直是个让人又爱又恨的技术活。记得刚入行时，我花了整整两周时间手动调整一个反应釜的温度控制参数，那种反复试错的煎熬至今难忘。直到接触了极值搜索算法（Extremum Seeking Control, ESC），才发现原来参数优化还能这么玩——让算法自己去找最优解，就像给控制系统装上了自动驾驶仪。

这个项目要解决的问题很明确：针对批次生产过程（比如化工反应、生物发酵这类重复性作业），用极值搜索算法自动优化PID控制器的三个关键参数（比例系数Kp、积分时间Ti、微分时间Td）。传统方法要么依赖经验公式，要么需要建立精确的数学模型，而ESC的优势在于它只需要知道系统输出的"好坏"（即性能指标），就能像盲人爬山一样逐步逼近最优参数组合。

提示：批次过程指具有明确开始-结束边界、周期性重复的生产过程，其动态特性往往呈现非线性、时变特点，这正是传统PID整定方法最头疼的场景。

2. 核心原理拆解：极值搜索如何"盲调"PID参数

2.1 极值搜索算法的工作机制

想象你在蒙眼玩" hotter or colder"游戏：通过同伴喊"更热了"或"更冷了"的提示，逐步靠近隐藏的热源。极值搜索算法本质上就是这种启发式策略的数学实现：

1. 扰动注入：给当前参数（比如Kp）叠加一个高频小幅振荡信号（通常用正弦波），就像故意左右摇摆试探坡度
2. 响应解调：监测系统输出性能指标（如控制误差的平方），通过高通滤波+乘法器提取梯度方向
3. 积分更新：沿梯度方向调整参数，如同顺着山坡向上爬的步长累积

python复制# 极值搜索核心代码示例（简化版）
def extremum_seeking():
    while True:
        dither = A * sin(w*t)  # 高频扰动
        perf = system_output(Kp + dither)  # 获取性能指标
        filtered = high_pass(perf)         # 高通滤波
        gradient = filtered * dither       # 同步解调
        Kp += alpha * low_