01前言

本次采用Simulink工具鏈完成，小車的所有代碼均基于Simulink Target Support Package完成。

02所需要的硬件&軟件

1.普通帶編碼器的直流電機。

2.Arduino Due控制板及數據線（類似dSPACE MAB進行RCP開發,但是性能完全沒有可比性，開個玩笑）。

3.Matlab&Simulink R2019b （民間通用版本即可）。

4.電腦一臺。

03前期準備工作

（1）安裝Arduino硬件支持包

這并不是本文的重點，網上有許多這方面的教程，包括MATLAB錄制的研討會均有類似的視頻教程。有意的同學可以自行查閱相關資料，十分簡單。

（2）Simulink模型

新建Simulink Model,并且打開Library Browser。 找到Simulink Supprot Package for Arduino Hardware

按照下圖搭建模型。 其中Tachometer模塊在硬件支持包中的Sensor模塊里（2019b有，低版本2018a并沒有。

需要自己通過編碼器脈沖的上升沿或者下降沿捕獲進行）具體通過高低電平進行捕獲的模型在硬件支持包中的DrivePID例程中的Encoder子模塊中有搭建。

可以看到，Tachometer輸出量并不是help中講的RPM，而是脈沖/每分鐘。

Tachometer模塊中設置的即是編碼器的單個信號線連接的PIN口（這里用一根信號線就無法測量方向了，請注意編碼器信號線是5V電壓，本次使用的單片機IO最高容忍3.3V，需要初中知識進行分壓電路的搭建，如果使用其他芯片，請查詢數據手冊該IO口的最高容忍電壓），采樣時間設置0.05即可。

由于我智能小車輪子轉一圈采集390個脈沖，輪子直徑64毫米。 所以簡單計算即可得到輪速轉一圈行駛的距離，單位m/s。

后面經過了一個一階低通濾波器，這個在網上可以找到關于一階低通濾波的公式，然后進行搭建，這里就不是贅述了。

接下來進行驅動模塊的搭建，關于L298N驅動模塊的使用，這里我使用一路電機進行調試，29和27PIN腳設置成高電平和低電平，PIN2設置為ENA。 在Arduino 支持包中，PWM模塊輸入值0-255對應0-100%占空比，PWM頻率在Due中驅動模塊固定1KHz。

Step階躍信號目的在于仿真時間2s時進行階躍輸入，占空比改變至100，我們需要做的就是進行數據記錄，記錄本次仿真的時間，輸入和輸出。

如何記錄呢，那么我們需要在相應的信號線上右鍵， 選擇Log Selected Signals。我們需要對Step輸出線，低通濾波后的速度進行Datalog。

最后設置Arduino外部仿真調試環境。

在Set COM port端口中可以手動輸入您的硬件串口號如果在上傳程序失敗的時候。 接下來進行在線調試，類似keil軟件中的debug模式。

在2019b以下版本的同學點擊仿真按鈕旁邊的下拉菜單選擇External模式即可。

我在使用2018a版本無法進行數據datalog，可以通過串口進行數據傳輸，具體請查閱相關資料。

點擊按鈕開始離線仿真，模型會編譯成代碼刷寫進硬件。

前期準備工作完成，相信無論用基于模型設計的方式還是手動寫代碼的方式，完成以上工作都不會難。

接下來就進入本次教程的正題。

04正題

數據導出到Workspace

如圖所示，點擊Data Inspector

分別將左側數據拖入進對應的框圖即可查看數據記錄效果，如果您已經有小車并且已經進行開環PWM測速，您需要關注以下的每一步。

只要您有相應的PWM和速度值都可以使用以下方法進行PID調速，不僅限于使用Aruduino類似的快速原型開發。

如圖所示，右鍵數據，進行導出，導出至Workspace即可。

同樣的方式將兩組數據全部導出，分別是PWM和Speed。

返回Matlab主界面，您會看在工作空間看到如下圖所示。

使用代碼即可將數據解析出來，如下圖所示。

再看工作空間內容，即可得到我們熟悉的數據類型。

系統辨識

我們通過輸入和輸出基于Matlab的System Identification工具箱即可辨識出小車驅動的傳遞函數，從而進行PID整定。 具體方法如下。

打開系統辨識工具箱。

將時域數據導入。

導入后，點擊導入后的曲線，然后點擊Time Plot即可查看曲線。

然后如圖選擇系統估計的模式。

您可以根據您的需要選擇辨識的傳遞函數結構，這里我選擇二階振蕩模型。

然后點擊Estimate,稍等片刻，可以在工具箱主界面查看我們的辨識結果，高亮辨識后的曲線，點擊Model Output,即可查看辨識曲線。

我辨識出來后的重合度達到98.2，效果還是可觀的。

這一步的最后，右鍵上面的辨識曲線，即出現需要的傳遞函數參數了。

離線仿真

得到系統的傳遞函數，那當然是十分愉悅的事情，在學習控制理論的時候總是先給出系統模型，但是在實際項目中模型是需要辨識的，這就是課本和實際的差距。

我們得到參數后即可在Simulink環境進行仿真環境的搭建了，將上圖的參數輸入至Transfer Fcn模塊中。

在進行仿真前，因為進行的是連續系統仿真，所以將仿真時間改成變步長。 看一下仿真效果和實際輸出基本一致。

因為需要PID控制，那么我們可以添加PID控制器模塊進行模型的搭建，搭建完如下圖所示。

簡單仿真一下，沒有更改PID模塊的任何參數，所以結果很差。

這時我們需要打開PID模塊，點擊Tune按鈕，請求Matlab幫助我們進行自整定！

隨后自動打開PID Tune的App。

似乎已經幫您完成了整定功能，您只需要調整Robust to Aggressive橫條去看系統的響應，選擇您喜歡的位置，然后點擊Updata Block參數會更新至您的控制器。

此時您發下PID模塊的參數已經被更改了，那么調整模型，在Step模塊設置您期望速度，例如我需要小車行駛速度為1m/s。

點擊仿真看看效果。

控制器離散化

是不是借助Maltab/Simulink環境很簡單就完成了PID的整定了，有同學會問，這有啥用，我需要跑進板子里啊，別急，我們現在研究的是S域，計算機控制器是離散系統，我們需要把控制器從S域轉換到Z域去。

步驟如下圖所示：

2019b用戶如下圖找到該App，2019b之前的用戶在Analysis->Control Design->Model Disretizer找到即可。

您可以選擇0階保持或者1階保持進行離散化，采樣時間我個人設置0.05s。

然后點擊s->z按鈕，最后Store Setting。

回到模型，您可以看見算法和模型都從S域變成Z域了。

在Solver中將采樣時間改成定步長，采樣時間設置成0.05，再次進行仿真。

很不幸模型輸出已經振蕩！ 這時您需要重復上述步驟再次在PID tune中進行整定。 這里我就不重復步驟，直接給整定后的仿真效果。

這是最后自整定的PID參數。

實車效果

仿真效果可以接受，這個時候我們就完成了PID離散控制器的設計了，接下來就需要刷寫到板子里。

重新改變模型如下圖所示。

替換傳遞函數模型，也可以進行對比。

將實車速度替換掉傳遞函數的反饋值。 點擊外部模式仿真，看一下實車效果如何。

經過模型自動生成代碼刷寫到控制器后，實車測試和仿真結果圖有如下對比，在超調量上有些區別，但是實際控制器中超調更小。

最后都趨于平穩。 藍色是仿真結果，紫色是實際控制器效果。

05總結

仿真可以節省我們太多時間，如果您使用STM32，S12K進行手工代碼開發，可以通過串口進行數據采集導入Excel，然后導入到Matlab進行模型的系統辨識，將PID控制器生成原子子系統，進行編寫數據字典

管理輸入輸出信號和參數（非常重要），再使用Embedded Coder生成代碼，在中斷服務函數中調用生成的代碼函數，基于模型設計的方法可以加快控制器的開發。

審核編輯：湯梓紅