被控对象时间常数 T_p = 5 s，标称模型 K_n = 2 / T_n = 5 s，PI 积分时间 T_i = 5 s，采样 dt = 0.05 s，仿真时长 T_sim = 20 s。t = 0 时施加目标值阶跃 r = 1，t = 10 s 时施加扰动阶跃 d。
上=输出 y（红=单独 PI、蓝=DOB+PI、灰=目标 r）/ 中=扰动 d（黑）与 DOB 估计 d̂（绿）/ 下=控制输入 u（红=PI、蓝=DOB+PI）
对一阶过程 $G_p(s) = K_p/(T_p s + 1)$ 加入输入扰动 $d$ 时，DOB 利用标称模型 $G_n(s) = K_n/(T_n s + 1)$ 来估计扰动。
扰动估计（理想形式与 Q 滤波形式）：
$$\hat{d}_{\text{raw}} = G_n^{-1}(s)\, y - u, \qquad \hat{d} = Q(s)\,\hat{d}_{\text{raw}}$$
$G_n^{-1}$ 是非真有理（improper），需用低通 Q 滤波器 $Q(s) = 1/(\tau_Q s + 1)$ 使其可实现。
最终控制输入（DOB+PI）：
$$u = u_c - \hat{d}, \qquad u_c = K_c\, e + \frac{K_c}{T_i} \int e\, dt$$
离散实现：$\hat{d}[k] = (1-\alpha)\,\hat{d}[k-1] + \alpha\,\hat{d}_{\text{raw}}[k]$，其中 $\alpha = dt/(\tau_Q + dt)$。
什么是扰动观测器 (DOB) 模拟器
🙋
PI 控制最终也能把扰动误差收敛到零吧？为什么还要专门加一个「扰动观测器」？
🎓
大致来说，PI 是「先看到结果（输出误差）再动作」的事后响应。扰动一来输出立刻偏离，PI 再靠积分项慢慢拉回。看模拟器里「单独 PI 峰值偏差」卡片：默认参数下偏差约 0.5。这个延迟是 PI 本身决定的，因为它只能看到误差。
🎓
它看的是标称模型 $G_n(s)$ 与实测输出 $y$ 的差。如果被控对象按模型走，两者一致；不一致，就把差解释为「未知输入扰动」。公式上是 $\hat{d} = Q(s)(G_n^{-1}(s)\,y - u)$。把 $-\hat{d}$ 注入到输入端，就能在扰动出现的瞬间几乎立刻把它抵消掉。
🙋
「DOB+PI 峰值偏差」卡片显示约 0.09，确实小了将近一个数量级！但 τ_Q 调大效果就变差了。
🎓
$Q(s) = 1/(\tau_Q s + 1)$ 是估计 d̂ 的低通滤波器。τ_Q 越大，估计越迟钝，扰动从产生到被抵消的延迟越大。那能不能把 τ_Q 设到极小？仿真里没问题，但在实物上 Q 的通带也会放大传感器噪声和未建模高阶动态，导致振荡。「速度与鲁棒性的权衡」是 Q 滤波器设计的核心。
🙋
真实增益 K_p 改变、模型 K_n 还是 2 时，DOB 仍能正常工作。
🎓
这正是 DOB 的强项。把 K_p 在 1〜5 范围内扫一遍——任意值下 DOB+PI 都比单独 PI 偏差小。DOB 把「实测与模型的偏差」整体当作等效扰动处理，所以增益误差和轻微时间常数偏差都被自动补偿。这就是教科书把 DOB 当作鲁棒控制入门例子的原因，伺服电机的负载转矩补偿就是这套机制的工程实现。
常见问题
DOB 与积分 (I) 作用有什么不同？
两者都能消除稳态扰动误差，但机制不同。积分作用对误差进行时间积分，稳态值能归零，但过渡过程中峰值偏差较大。DOB 直接估计扰动并立即抵消，可以将峰值偏差缩小将近一个数量级。实际工程中两者并用：PI 负责稳态跟踪，DOB 负责扰动抑制，二者互补而非竞争。
同样的 DOB 设计能用于高阶被控对象吗？
基本架构相同，但 $Q(s)$ 的阶数必须与 $G_n^{-1}$ 的相对阶匹配。$n$ 阶被控对象使用 $Q(s) = 1/(\tau_Q s + 1)^n$ 来使逆模型可实现。阶数升高后设计参数增多，稳定裕度评估也更需谨慎。数字实现中微分项的噪声敏感性是常见问题，因此 DOB 常与状态空间观测器或未知扰动估计器 (UDE) 等更高级的方法结合使用。
启用 DOB 会导致系统不稳定吗？
有可能。典型不稳定因素包括：(1) 未建模高阶动态或时滞落入 Q 滤波器通带；(2) 应用于非最小相位（右半平面零点）被控对象；(3) 传感器噪声驱动微分项发振。模拟器使用理想模型，即使 τ_Q = 0.05 也保持稳定，但实物上通常将 Q 通带控制在被控对象带宽的 1/3〜1/5 以下，并必须在试验台上验证稳定裕度。
伺服电机以外还有哪些 DOB 应用？
应用相当广泛。典型例子包括液压执行器的摩擦与泄漏补偿、化工过程的不可测扰动补偿、汽车主动振动控制、电源变换器的负载扰动抑制、无人机 (UAV) 的风扰动抑制等。共同点是「频繁出现难以建模的扰动且要求快速响应」的场景，仅靠 PI 的事后补偿性能不足。近年还研究 DOB 与模型预测控制 (MPC) 及强化学习的结合。
实际应用
伺服电机驱动系统： DOB 最重要的应用是机床、机器人、半导体光刻机等高精度伺服系统。把负载转矩波动、摩擦、齿槽转矩等难以建模的扰动从编码器位置和标称模型中估计出来并加以抵消，跟踪精度可提升一个数量级以上。微米级加工精度和纳米级工件台定位中，DOB 已经成为标配元件。
硬盘和光盘磁头定位： HDD 磁头伺服系统利用 DOB 抑制盘片振动、外部冲击和气流扰动。在伺服采样间高速响应的领域，DOB 提供了线性 PID 难以达到的扰动抑制性能。同样的原理也应用于光头的聚焦与跟踪伺服。
电动助力转向 (EPS) 与电动执行器： 汽车 EPS 中，路面凹凸的反作用力和转向轴摩擦都是扰动。DOB 估计并补偿这些扰动，可以抑制传给驾驶员的不良振动，营造自然的转向手感。协作机器人的关节执行器同样利用基于 DOB 的外力估计来检测人机接触并执行安全停止。
过程控制和化工厂： 反应器的放热吸热波动、原料组成变化等难以测量的扰动持续作用的化工过程，常用 DOB 增强 PI 控制。温度控制和浓度控制中，把增益和时间常数的时变特性当作等效扰动吸收的设计很常见。实现上常与 IMC (内模控制) 框架结合，与教科书式 PID 整定方法保持兼容。
常见误解与注意事项
最常见的误解是认为「有了 DOB，PI 调参就可以马虎了事」 。DOB 负责扰动抑制，但目标值跟踪和稳态误差消除仍是 PI（特别是积分作用）的任务。在模拟器中将 K_c 调到 0.1 试试——即使启用 DOB，上升仍然迟缓，调节时间也变长。DOB 与 PI 是分工而非竞争，两者都需要正确设计。
其次常见的是认为 τ_Q 越小性能越好 。模拟器中 τ_Q = 0.05 时偏差最小，但实物上 Q 通带内的测量噪声和未建模动态会被放大，引起振荡或抖振。实用经验是从被控对象主导时间常数的 1/10〜1/30，或目标伺服带宽的 2〜3 倍以下出发，在试验台上同时观察阶跃响应和随机扰动响应来调整。
最后请注意，DOB 并不真正「知道」扰动的物理本质 。它估计的是「从标称模型 $G_n$ 视角看到的等效输入扰动」，并非真实的物理负载转矩。改变模型增益或时间常数，估计值也会改变。在模拟器中将 K_p $\ne$ K_n（存在模型误差）时，d̂ 的估计与真值 d 会有少量偏差就是这个原因。重要的不是「准确还原真实扰动」，而是「估计能有效抑制偏差」。DOB 只是鲁棒控制的一种手段。