PID com Anti-Windup: Teoria, Ajuste e Validação Experimental

O windup integral é um dos modos de falha mais comuns em controladores PID em produção. Este post cobre o problema a partir dos primeiros princípios, deriva o esquema de anti-windup por back-calculation, mostra como o Synapsys o implementa e valida o projeto contra uma planta simulada de segunda ordem.

O problema do windup

Um controlador PID com saturação na saída tem uma interação problemática: quando o atuador está saturado, o integrador continua acumulando erro mesmo que a saída esteja limitada. Quando o sinal do erro se inverte, o integrador leva muito tempo para "desacumular" antes que a saída saia da saturação — causando sobressinal e oscilação.

---

Anti-windup por back-calculation

O esquema de back-calculation realimenta o erro de saturação para o integrador com ganho $1/T_t$:

$$\dot{I}(t) = K_i \cdot e(t) + \frac{1}{T_t}\bigl[u_{sat}(t) - u_{uns}(t)\bigr]$$

Quando a saída não está saturada, $u_{sat} = u_{uns}$ e o termo de correção é zero — o integrador se comporta normalmente.

Implementação no Synapsys

from synapsys.algorithms import PID

pid = PID(
    Kp    = 5.0,
    Ki    = 2.0,
    Kd    = 0.1,
    dt    = 0.01,
    u_min = -1.0,
    u_max =  1.0,
    # anti_windup=True é o padrão
)

u = pid.compute(setpoint=5.0, measurement=y)

---

Simulação comparativa

Simulação

import numpy as np
from synapsys.algorithms import PID
from synapsys.api import ss, c2d

planta = c2d(ss([[-0.5]], [[1]], [[1]], [[0]]), dt=0.01)

def rodar_sim(anti_windup: bool, n_passos: int = 800):
    pid = PID(Kp=5.0, Ki=2.0, Kd=0.05, dt=0.01,
              u_min=-1.0, u_max=1.0, anti_windup=anti_windup)
    x = np.zeros(1)
    ys = []
    for i in range(n_passos):
        setpoint = 3.0 if i < 400 else -3.0
        y = float(x[0])
        u = np.array([pid.compute(setpoint, y)])
        x, _ = planta.evolve(x, u)
        ys.append(y)
    return np.array(ys)

y_sem = rodar_sim(anti_windup=False)
y_com = rodar_sim(anti_windup=True)

Resultados

Sem anti-windup:

• Degrau positivo: sobressinal ~40% antes de estabilizar
• Degrau negativo: transiente grande por windup acumulado

Com anti-windup:

• Ambos os degraus: resposta limpa, similar a primeira ordem
• Sobressinal < 5%
• Tempo de acomodação reduzido em ~60%

---

Diretrizes de ajuste para pesquisa

Parâmetro	Efeito	Ponto de partida
$K_p$	Velocidade de resposta	FOPDT: $K_p = 0,6 / (K_{planta} \cdot \tau)$
$K_i = K_p / T_i$	Eliminação de erro em regime permanente	$T_i = 2\tau$
$K_d = K_p \cdot T_d$	Amortecimento, amplificação de ruído	$T_d = \tau / 4$
$u_{min}, u_{max}$	Limites do atuador	Especificação física do atuador

---

Conexão com a literatura

O esquema de back-calculation usado no Synapsys segue Åström & Hägglund (2006) Advanced PID Control, Capítulo 6.

@book{astrom2006advanced,
  author    = {Åström, Karl Johan and Hägglund, Tore},
  title     = {Advanced PID Control},
  publisher = {ISA — The Instrumentation, Systems, and Automation Society},
  year      = {2006},
  isbn      = {978-1556175169},
}

A referência completa da API está em synapsys.algorithms →.