PidTuningRuleBatch【免费下载链接】mat-chem-sim-pred面向工业领域聚焦计算仿真、预测两大核心场景构建面向流程工业机理数据双轮驱动的领域计算层推动AI for Science在材料化学领域的深度应用。项目地址: https://gitcode.com/cann/mat-chem-sim-pred功能说明PidTuningRuleBatch面向 FOPDT 模型参数的批量 PID 经验整定。输入过程增益K、时间常数T、纯滞后L和 IMC 闭环时间常数lambda一次输出三类规则的 PID 参数Ziegler-Nichols reaction curve IMC PID Cohen-Coon PID输出pid_params[B, 3, 3] # Kp, Ki, Kd diagnostics[B, 3, 4] # valid, dead_time_ratio, aggressiveness, lambda_ratio该算子用于大规模模型参数网格、数字孪生批量回路和 PID 初值生成场景。输入输出含义输入来自上游 FOPDT 模型辨识结果process_gain[B] # K过程增益 time_constant[B] # T一阶时间常数 dead_time[B] # L纯滞后 lambda_value[B] # lambdaIMC 闭环时间常数输出pid_params[B, 3, 3]的第二维是规则顺序为0 Ziegler-Nichols reaction curve 1 IMC PID 2 Cohen-Coon PID最后一维为0 Kp 1 Ki 2 Kd输出diagnostics[B, 3, 4]的最后一维为0 valid # K/T/L/lambda 是否有效 1 dead_time_ratio # L / T 2 aggressiveness # |Kp| T*|Ki| |Kd|/T 3 lambda_ratio # lambda / L与 PID 候选仿真的关系该算子只负责从 FOPDT 模型参数生成三套经验整定 PID 初值。它不会做闭环仿真也不会判断哪套 PID 最好。后续若接pid_fopdt_batch_rollout_score可以把这三套规则作为候选K,T,L - tuning_rule_batch - 3 组 Kp/Ki/Kd - rollout_score - best当前 accuracy E2E 就是这种口径每条回路只在 ZN/IMC/Cohen-Coon 三个候选中选最优。性能 E2E 为了压测 rollout则使用手工生成的大规模kp/ki/kd网格候选数可扫到 256、512、1024、4096、16384 等这些大规模候选不是tuning_rule_batch直接产生的。工程上更常见的用法是把三套规则作为种子再在每个种子附近做比例扰动或网格扩展形成几十到几千个 PID 候选后再仿真筛选。计算公式记tau T theta L lam lambda ratio theta / tauZiegler-NicholsKp 1.2 * tau / (K * theta) Ti 2 * theta Td 0.5 * theta Ki Kp / Ti Kd Kp * TdIMC PIDKp (tau 0.5 * theta) / (K * (lam 0.5 * theta)) Ti tau 0.5 * theta Td tau * theta / (2 * tau theta) Ki Kp / Ti Kd Kp * TdCohen-CoonKp tau / (K * theta) * (4/3 theta / (4 * tau)) Ti theta * (32 6 * ratio) / (13 8 * ratio) Td theta * 4 / (11 2 * ratio) Ki Kp / Ti Kd Kp * Td手推例子假设两条回路process_gain [2, 0] time_constant [10, 8] dead_time [2, 1] lambda_value [4, 2]第 0 条回路有效K 2, T 10, L 2, lambda 4 ratio 0.2 lambda_ratio 2Ziegler-NicholsKp 1.2 * 10 / (2 * 2) 3 Ti 2 * 2 4 Td 0.5 * 2 1 Ki 3 / 4 0.75 Kd 3 * 1 3IMCKp (10 1) / (2 * (4 1)) 1.1 Ti 11 Td 10 * 2 / (20 2) 0.9091 Ki 1.1 / 11 0.1 Kd 1.1 * 0.9091 1.0Cohen-CoonKp 10 / (2 * 2) * (4/3 2/40) 3.4583 Ti 2 * (32 6*0.2) / (13 8*0.2) 4.5479 Td 2 * 4 / (11 2*0.2) 0.7018 Ki 3.4583 / 4.5479 0.7605 Kd 3.4583 * 0.7018 2.4276因此pid_params[0] [ [3.0000, 0.7500, 3.0000], [1.1000, 0.1000, 1.0000], [3.4583, 0.7605, 2.4276], ]第 1 条回路K0输入无效三套 PID 参数清零valid0。当前结论当前版本已经在 node202 / Ascend910B3 上完成 smoke、构建和 benchmark 验证并作为 FOPDT E2E 链路中的候选生成阶段保留。需要注意的是该算子每条回路只做少量闭式公式算术强度低不适合作为单独性能卖点。它的工程价值主要是让model parameters - PID candidates - rollout score这条链路可以保持 device-resident真正的 NPU 加速主力仍是 basis-GEMM 模型辨识、批量闭环 rollout、残差诊断和指标类融合后处理。【免费下载链接】mat-chem-sim-pred面向工业领域聚焦计算仿真、预测两大核心场景构建面向流程工业机理数据双轮驱动的领域计算层推动AI for Science在材料化学领域的深度应用。项目地址: https://gitcode.com/cann/mat-chem-sim-pred创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
CANN/mat-chem-sim-pred PID批量整定规则
PidTuningRuleBatch【免费下载链接】mat-chem-sim-pred面向工业领域聚焦计算仿真、预测两大核心场景构建面向流程工业机理数据双轮驱动的领域计算层推动AI for Science在材料化学领域的深度应用。项目地址: https://gitcode.com/cann/mat-chem-sim-pred功能说明PidTuningRuleBatch面向 FOPDT 模型参数的批量 PID 经验整定。输入过程增益K、时间常数T、纯滞后L和 IMC 闭环时间常数lambda一次输出三类规则的 PID 参数Ziegler-Nichols reaction curve IMC PID Cohen-Coon PID输出pid_params[B, 3, 3] # Kp, Ki, Kd diagnostics[B, 3, 4] # valid, dead_time_ratio, aggressiveness, lambda_ratio该算子用于大规模模型参数网格、数字孪生批量回路和 PID 初值生成场景。输入输出含义输入来自上游 FOPDT 模型辨识结果process_gain[B] # K过程增益 time_constant[B] # T一阶时间常数 dead_time[B] # L纯滞后 lambda_value[B] # lambdaIMC 闭环时间常数输出pid_params[B, 3, 3]的第二维是规则顺序为0 Ziegler-Nichols reaction curve 1 IMC PID 2 Cohen-Coon PID最后一维为0 Kp 1 Ki 2 Kd输出diagnostics[B, 3, 4]的最后一维为0 valid # K/T/L/lambda 是否有效 1 dead_time_ratio # L / T 2 aggressiveness # |Kp| T*|Ki| |Kd|/T 3 lambda_ratio # lambda / L与 PID 候选仿真的关系该算子只负责从 FOPDT 模型参数生成三套经验整定 PID 初值。它不会做闭环仿真也不会判断哪套 PID 最好。后续若接pid_fopdt_batch_rollout_score可以把这三套规则作为候选K,T,L - tuning_rule_batch - 3 组 Kp/Ki/Kd - rollout_score - best当前 accuracy E2E 就是这种口径每条回路只在 ZN/IMC/Cohen-Coon 三个候选中选最优。性能 E2E 为了压测 rollout则使用手工生成的大规模kp/ki/kd网格候选数可扫到 256、512、1024、4096、16384 等这些大规模候选不是tuning_rule_batch直接产生的。工程上更常见的用法是把三套规则作为种子再在每个种子附近做比例扰动或网格扩展形成几十到几千个 PID 候选后再仿真筛选。计算公式记tau T theta L lam lambda ratio theta / tauZiegler-NicholsKp 1.2 * tau / (K * theta) Ti 2 * theta Td 0.5 * theta Ki Kp / Ti Kd Kp * TdIMC PIDKp (tau 0.5 * theta) / (K * (lam 0.5 * theta)) Ti tau 0.5 * theta Td tau * theta / (2 * tau theta) Ki Kp / Ti Kd Kp * TdCohen-CoonKp tau / (K * theta) * (4/3 theta / (4 * tau)) Ti theta * (32 6 * ratio) / (13 8 * ratio) Td theta * 4 / (11 2 * ratio) Ki Kp / Ti Kd Kp * Td手推例子假设两条回路process_gain [2, 0] time_constant [10, 8] dead_time [2, 1] lambda_value [4, 2]第 0 条回路有效K 2, T 10, L 2, lambda 4 ratio 0.2 lambda_ratio 2Ziegler-NicholsKp 1.2 * 10 / (2 * 2) 3 Ti 2 * 2 4 Td 0.5 * 2 1 Ki 3 / 4 0.75 Kd 3 * 1 3IMCKp (10 1) / (2 * (4 1)) 1.1 Ti 11 Td 10 * 2 / (20 2) 0.9091 Ki 1.1 / 11 0.1 Kd 1.1 * 0.9091 1.0Cohen-CoonKp 10 / (2 * 2) * (4/3 2/40) 3.4583 Ti 2 * (32 6*0.2) / (13 8*0.2) 4.5479 Td 2 * 4 / (11 2*0.2) 0.7018 Ki 3.4583 / 4.5479 0.7605 Kd 3.4583 * 0.7018 2.4276因此pid_params[0] [ [3.0000, 0.7500, 3.0000], [1.1000, 0.1000, 1.0000], [3.4583, 0.7605, 2.4276], ]第 1 条回路K0输入无效三套 PID 参数清零valid0。当前结论当前版本已经在 node202 / Ascend910B3 上完成 smoke、构建和 benchmark 验证并作为 FOPDT E2E 链路中的候选生成阶段保留。需要注意的是该算子每条回路只做少量闭式公式算术强度低不适合作为单独性能卖点。它的工程价值主要是让model parameters - PID candidates - rollout score这条链路可以保持 device-resident真正的 NPU 加速主力仍是 basis-GEMM 模型辨识、批量闭环 rollout、残差诊断和指标类融合后处理。【免费下载链接】mat-chem-sim-pred面向工业领域聚焦计算仿真、预测两大核心场景构建面向流程工业机理数据双轮驱动的领域计算层推动AI for Science在材料化学领域的深度应用。项目地址: https://gitcode.com/cann/mat-chem-sim-pred创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
