PID算法是一种闭环控制算法，其英文全称为Proportional（比例）、Integral（积分）、Derivative（微分）。它的核心思想是借助偏差，也就是设定值与实际值的差值，来计算控制量，进而让系统的实际输出尽可能接近设定值。例如在空调温度控制中，若想让室温稳定在25℃（设定值），而当前室温是30℃（实际值），那么偏差就是25 - 30 = -5℃。PID控制器会依据这个偏差，自动对空调的制冷功率进行调整，最终使室温稳定在25℃。
PID算法有连续域和离散域两种公式表达。连续域公式为u(t)=Kp⋅ e (t)+Ki⋅∫0te(τ)dτ+Kd⋅dtde(t) ，其中u(t)是控制器输出的控制量，e(t)=SP - PV（偏差，设定值SP减去实际值PV），Kp为比例系数，Ki是积分系数，Kd是微分系数。在实际工程里，由于计算机是周期性采样计算，所以使用离散化的PID公式更具实用价值。离散化公式为u(k)=Kp⋅e(k)+Ki⋅∑0ke(i)T+Kd⋅Te(k) - e(k - 1) ，这里的k表示当前采样周期，T是采样周期，e(k)为当前周期偏差，e(k - 1)是上一周期偏差。
比例环节的输出与当前偏差成正比，公式是Pout = Kp⋅e(k)。它的主要作用是即时响应偏差，偏差越大，比例输出越大，控制作用也就越强。其优点是反应迅速，能快速减小偏差。然而它也存在缺点，仅依靠比例环节，系统会存在稳态误差，比如空调始终与设定值差1℃；而且Kp过大会导致系统震荡，甚至不稳定。
积分环节的输出与偏差的累积和成正比，公式为Iout = Ki⋅∑0ke(i)T。它的作用是消除稳态误差，只要存在偏差，积分就会不断累积，直到偏差为0，积分输出才会停止变化。该环节的优点是彻底解决了比例环节的稳态误差问题，但它具有滞后性，Ki过大会导致系统超调量增大，例如空调温度冲到23℃再回调到25℃，甚至会出现震荡。
微分环节的输出与偏差的变化率成正比，公式是Dout = Kd⋅Te(k) - e(k - 1)。它的作用是预判偏差的变化趋势，提前给出抑制性的控制量，偏差变化越快，微分输出越大，能有效抑制系统超调。其优点是改善系统的动态特性，减小超调，加快系统响应速度。不过，微分环节对噪声非常敏感，比如传感器的微小波动会被放大；Kd过大会导致系统抗干扰能力下降，控制量波动剧烈。
位置式PID的公式就是离散化公式u(k)=Kp⋅e(k)+Ki⋅∑0ke(i)T+Kd⋅Te(k) - e(k - 1) 。其特点是输出u(k)是绝对的控制量，像电机的目标转速、阀门的开度等。但积分项会累积，当系统出现较大偏差时，积分饱和可能导致控制量超出范围。这种形式适用于需要确定绝对控制量的场景。
增量式PID通过计算相邻两次控制量的差值来输出，公式推导为Δu(k)=u(k) - u(k - 1)=Kp[e(k) - e(k - 1)]+Kie(k)T+KdTe(k) - 2e(k - 1)+e(k - 2) 。其特点是输出是控制量的增量，不会出现积分饱和，适用于步进电机等需要增量控制的场景，并且抗干扰能力比位置式强。
微分先行PID将微分环节的输入从偏差改为实际值PV，避免设定值SP突变时微分环节输出剧烈波动。适用于设定值需要频繁调整的系统，比如机器人轨迹跟踪系统。
这是现场最常用的整定方法，核心思路是“先比例，后积分，再微分”。首先令Ki = 0、Kd = 0，然后逐渐增大Kp，直到系统输出出现轻微震荡，此时的Kp记为临界比例系数Kcr。接着减小Kp到0.6 - 0.8Kcr，逐渐增大Ki，直到稳态误差消除，且系统无明显超调。最后逐渐增大Kd，直到系统超调量减小，响应速度加快，同时避免噪声放大。
这是一种基于临界参数的整定方法。步骤为：先令Ki = 0、Kd = 0，缓慢增大Kp，直到系统输出出现持续等幅震荡，记录此时的临界比例系数Kcr和临界震荡周期Tcr。再根据经验公式计算参数，如P控制规律下Kp = 0.5Kcr、Ki = 0、Kd = 0；PI控制规律下Kp = 0.45Kcr、Ki = 1.2Kp/Tcr、Kd = 0；PID控制规律下Kp = 0.6Kcr、Ki = 2Kp/Tcr、Kd = KpTcr/8。需要注意的是，该方法的公式是经验性的，实际参数需要根据系统特性进行微调。
在工业机器人的伺服系统中，PID算法起着关键作用。以机械臂关节的位置控制为例，机械臂需要精确地移动到指定位置。通过PID算法，系统会根据机械臂当前位置（实际值）与目标位置（设定值）的偏差，计算出控制量。比例环节能快速响应偏差，使机械臂迅速朝着目标位置移动；积分环节消除稳态误差，确保机械臂最终准确到达目标位置；微分环节则抑制机械臂在移动过程中的超调，使运动更加平稳。
数控机床的伺服系统对加工精度要求极高。在控制刀具的进给速度和位置时，PID算法能根据设定的加工路径和实际的刀具位置、速度偏差进行实时调整。例如，在加工复杂曲面时，刀具需要不断改变进给速度和方向。PID控制器通过比例、积分、微分三个环节的协同作用，精确控制伺服电机的运转，保证刀具按照预定路径准确加工，提高加工精度和表面质量。
随着人工智能技术的不断发展，PID算法正朝着智能化方向迈进。智能PID控制器，如模糊PID控制器、神经网络PID控制器等应运而生。这些智能控制器可以根据系统的实时状态自动调整参数，以适应不同的工作条件和环境变化。例如，模糊PID控制器利用模糊逻辑对PID参数进行在线调整，能够更好地处理非线性、不确定性系统；神经网络PID控制器则通过神经网络的学习能力，自动优化PID参数，提高系统的自适应性和鲁棒性。
尽管PID算法具有结构简单、易于实现等优点，但在一些复杂的应用场景中仍面临挑战。例如，在非线性、时变系统中，传统的PID算法可能无法达到理想的控制效果。此外，PID参数整定需要丰富的经验和专业知识，对于一些缺乏专业技术人员的企业来说，参数整定可能成为一个难题。而且，随着系统对控制精度和响应速度要求的不断提高，如何进一步优化PID算法以满足这些需求，也是当前面临的重要挑战。