PID 整定算子组

本目录提供面向工业过程控制 PID 整定链路的 Ascend C 算子组。当前正式提交 12 个独立算子，覆盖从过程模型辨识、模型质量诊断、PID 参数生成、候选闭环仿真与评分，到控制性能和过程能力评估的主要环节。

整条工程链路可以概括为：

采集数据 -> 模型辨识 -> 残差诊断 -> PID 参数生成 -> 候选仿真/评分/选优 -> 性能/能力评估

每个 pid_* 目录都是独立算子工程，拥有独立的 CMakeLists.txt、op_host/、op_kernel/、tests/、examples/ 和 README。顶层目录不提供统一 CMake，公共 Python reference 和共享头文件放在 common/，全链路验证工具放在 e2e/。

算子总览

阶段	算子目录	Host API	作用
模型辨识	pid_fopdt_basis_gemm_fit	aclnnPidFopdtBasisGemmFit	FOPDT 一阶惯性加纯滞后模型 basis-GEMM 辨识
模型辨识	pid_ipdt_basis_gemm_fit	aclnnPidIpdtBasisGemmFit	IPDT 积分加纯滞后模型 basis-GEMM 辨识
模型辨识	pid_sopdt_basis_gemm_fit	aclnnPidSopdtBasisGemmFit	SOPDT 二阶惯性加纯滞后模型 basis-GEMM 辨识
模型诊断	pid_residual_diagnostics	aclnnPidResidualDiagnostics	全序列残差均值、RMSE、Durbin-Watson、多 lag 自相关和白噪声诊断
模型诊断	pid_windowed_residual_diagnostics	aclnnPidWindowedResidualDiagnostics	滑窗残差诊断，用于暴露分段漂移和局部模型失配
PID 参数生成	pid_tuning_rule_batch	aclnnPidTuningRuleBatch	对 FOPDT 参数批量生成 Ziegler-Nichols、IMC、Cohen-Coon 三类 PID 参数
候选仿真	pid_fopdt_batch_rollout_score	aclnnPidFopdtBatchRolloutScore	FOPDT 模型的批量闭环 rollout 评分与最优 PID 选择
候选仿真	pid_ipdt_batch_rollout_score	aclnnPidIpdtBatchRolloutScore	IPDT 模型的批量闭环 rollout 评分与最优 PID 选择
候选仿真	pid_sopdt_batch_rollout_score	aclnnPidSopdtBatchRolloutScore	SOPDT 模型的批量闭环 rollout 评分与最优 PID 选择
候选特征	pid_step_response_features	aclnnPidStepResponseFeatures	从 PID 候选阶跃响应轨迹提取 rise、settling、overshoot、IAE、ISE 等特征
性能评估	pid_control_performance_metrics	aclnnPidControlPerformanceMetrics	批量计算 Harris、IAE、ISE、超调、稳定时间等控制性能指标
能力评估	pid_process_capability_metrics	aclnnPidProcessCapabilityMetrics	批量计算均值、标准差、Cp、Cpk、Pp、Ppk 和越限比例

核心计算路线

模型辨识阶段采用 basis-GEMM 路线。FOPDT、IPDT、SOPDT 三类模型先把候选参数网格转换为单位增益响应基函数矩阵 basis_t[N, M]，再对 B 条回路的中心化输出 y_centered[B, N] 执行：

dot[B, M] = y_centered[B, N] x basis_t[N, M]
K_hat[b, m] = dot[b, m] / basis_norm[m]
SSE[b, m] = y_energy[b] - dot[b, m]^2 / basis_norm[m]
best[b] = argmin_m SSE[b, m]

其中 dot 由 CANN 内置 MatMul 完成，自定义算子负责增益估计、SSE 评分和 best-candidate reduce，输出 best_sse[B]、best_k[B] 和 best_idx[B]。这一路线的价值在于多回路共享基函数后可以塌缩为大 GEMM，dot[B,M] 保持在 device 侧直接接后续 reduce。

下游整定阶段分为两类：

• 规则整定：pid_tuning_rule_batch 根据模型参数直接生成经验 PID 参数，是当前 FOPDT E2E 链路中的候选生成阶段；它不作为性能主线宣传，但保留为端到端完整性的一环。
• 仿真选优：pid_*_batch_rollout_score 在候选 PID 维度做批量闭环递推，融合候选特征、评分和 best 选择，输出每条回路的最优候选。pid_step_response_features 保留为候选轨迹可解释特征提取算子。

诊断和评估算子适合接在 device-resident 流水线中作为后处理，减少中间轨迹或中间统计量回传 Host 的成本。

构建与测试

每个算子独立构建。以 pid_fopdt_basis_gemm_fit 为例：

cd prediction/ProcessControl/PIDModelFit/pid_fopdt_basis_gemm_fit
cmake -S . -B build -DCMAKE_BUILD_TYPE=Release -DSOC_VERSION=Ascend910B3
cmake --build build -j$(nproc)

常用测试入口：

# Python reference 精度测试
python tests/test_<op>.py

# ACL/NPU smoke，具体可执行文件名见各算子 README
./build/test_aclnn_<op> 0

# NPU/CPU benchmark，参数见各算子 README
./build/benchmark_<op> ...

全链路验证工具位于 e2e，用于串联真实算子并和 CPU reference 对齐。公共 NumPy reference 位于 common。

验证结论与工程定位

已在 node202 / Ascend910B3 环境上完成多批构建、smoke、Python reference 和 benchmark 验证。当前较稳定的结论如下：

• 模型辨识是最明确的 NPU 价值点。B=64,N=1024,M=256 下，FOPDT/IPDT/SOPDT 的 MatMul + reduce resident e2e 约 0.17-0.30 ms，cold e2e 约 0.39-0.99 ms，相对 CPU 64 线程完整 fit 有明显优势，且 idx_diff=0。
• 全链路 device-resident 方案可以把辨识、候选仿真和后处理串起来，中间张量留在 device 侧。实测显示 rollout 阶段通常占 E2E 主要耗时，因此全链路加速会随候选数和仿真步数变化。
• 残差诊断、控制性能、过程能力、候选特征等归约/扫描类算子更适合挂在 NPU resident 链路后端；单独从 Host 调用时，H2D/D2H 可能压平 kernel 优势。
• pid_tuning_rule_batch 算术强度较低，不适合作为单独性能卖点，但它支撑 E2E 中“模型参数 -> PID 候选”的规则整定阶段，因此保留在正式提交中。
• pid_basis_gemm_reduce_tiled、pid_fopdt_closed_loop_score、pid_frequency_stability_scan、pid_control_candidate_score、pid_control_candidate_best 五个探索/历史原型不进入本次正式 12 算子提交；相关方向可在后续完成单 kernel 化、向量化或语义收敛后再评估。

更详细的设计、测试和性能材料见：

• 设计文档
• 测试报告
• 算子用途分类

各算子的数学定义、API、benchmark 细节位于对应算子目录下的 docs/algorithm.md、docs/api_reference.md 和 docs/benchmark.md。