参数设置
过程时常数 T_p = 1 s、标称模型 K_n = 2 / T_n = 1 s、PI积分时间 T_i = 1 s、采样 dt = 0.02 s。目标值保持 r = 1，扰动 d 实时连续印加，并排比较 PI单独（受扰动产生偏差）与 DOB+PI（保持目标值）。Q 滤波带宽为 ω_Q = 1/τ_Q。
实时扰动抑制（滚动时间序列）
上段＝输出 y（红＝PI单独发生漂移／蓝＝DOB+PI保持目标 r=1／灰虚线＝目标 r）。下段＝真实扰动 d（橙）与 DOB 估计 d̂（绿）重叠跟踪。减小 τ_Q 可加强蓝色保持并使 d̂ 更快追上 d。
理论与主要公式
一阶过程$G_p(s) = K_p/(T_p s + 1)$受输入扰动$d$作用时，用标称模型$G_n(s) = K_n/(T_n s + 1)$来估计扰动，就是DOB。
扰动估计（理想形式与Q滤波形式）：
$$\hat{d}_{\text{raw}} = G_n^{-1}(s)\, y - u, \qquad \hat{d} = Q(s)\,\hat{d}_{\text{raw}}$$
由于$G_n^{-1}$是非真实的（improper），需用低通Q滤波$Q(s) = 1/(\tau_Q s + 1)$实现真实化。
最终控制输入（DOB+PI）：
$$u = u_c - \hat{d}, \qquad u_c = K_c\, e + \frac{K_c}{T_i} \int e\, dt$$
离散实现中$\hat{d}[k] = (1-\alpha)\,\hat{d}[k-1] + \alpha\,\hat{d}_{\text{raw}}[k]$，其中$\alpha = dt/(\tau_Q + dt)$。
扰动观测器(DOB)模拟器简介
🙋
PI控制应该最终能使扰动收敛到零吧。为什么还要额外加"扰动观测器"这样的机制呢？
🎓
简单说，PI控制是"看到结果再动作"的事后补偿。当外乱输入时，输出马上产生偏差，然后PI才根据这个偏差慢慢地通过积分项来抵消。在模拟器里看"PI单独 峰值偏差"这张卡片，默认参数下约0.5的偏差产生了。这是响应迟缓不可避免的。
🎓
它看标称模型$G_n(s)$与实测输出$y$的差。如果过程按预测动作，那么从输入$u$计算出的模型输出与实测$y$应该一致。如果不一致，就说明"有未知的输入外乱作用了"。用公式表示就是$\hat{d} = Q(s)(G_n^{-1}(s)\,y - u)$。然后把$-\hat{d}$作为控制输入注入，就能抵消外乱。
🙋
看"DOB+PI 峰值偏差"卡片，约0.09，确实不到原来的1/5！但τ_Q增大时效果就下降了。
🎓
$Q(s) = 1/(\tau_Q s + 1)$是对估计扰动d̂的低通滤波。τ_Q越大，估计越钝，从外乱来到抵消的延迟就越长。你可能会想，那就把τ_Q改得很小不就行了？但实际系统有传感器噪声和未建模的高阶动态。如果Q的通过带宽太宽，就会把那些放大，导致振荡。这就是τ_Q设计的核心：速度与鲁棒性的权衡。
🙋
即使真实增益K_p变化，而模型K_n = 2不变，DOB还是在工作呢。
🎓
这就是DOB的优势。试试把K_p从1改到5，无论是多少，DOB+PI的偏差都比PI单独小。原因是DOB把"实测和模型的偏差"当成等效外乱来处理，所以增益误差、轻微的时常数差都被自动补偿了。这就是为什么DOB在教科书中是"鲁棒控制"的入门例。伺服电机的负载扭矩补偿就用这个原理实现的。
常见问题
两者都能消除定常扰动，但机理不同。积分动作是对输出误差进行时间积分，虽然能达到定常无误差，但在过渡过程中必然产生偏差，峰值往往较大。DOB直接估计并抵消扰动本身，能把过渡过程的峰值偏差减小近一个数量级。实际应用中常见的是DOB与PI结合，PI负责定常追踪，DOB负责扰动抑制，形成功能分工。
基本结构相同，但Q(s)的阶数需根据$G_n^{-1}$的非真实度提升。n阶过程需要$Q(s) = 1/(\tau_Q s + 1)^n$这样的分母次数为n的形式来实现真实化。高阶带来设计参数增加，稳定余量评估也更谨慎。实现时离散化精度(dt)和微分项的噪声敏感性成为问题，常与状态空间表示、同次扰动观测器(UDE)等高级方法结合。
会的。典型的不稳定化因素包括：(1)Q滤波通过带宽内存在未建模的高阶动态或时间延迟；(2)非最小相位（右半平面零点）过程的应用；(3)传感器噪声导致的微分项发散。模拟器中即使τ_Q改到0.05也不会不稳定（因为是理想模型），但实际系统中Q的通过带宽一般限制在过程带宽的1/3～1/5以下，必须在测试台上验证稳定裕度。
应用很广。典型例子包括：液压执行器的摩擦与泄漏补偿、化工过程的未测扰动补偿、汽车主动减振、电源变换器的负载变动补偿、无人机(UAV)的风扰动补偿等。共同特点是"难以建模的扰动频繁出现，且需要高速响应"的应用场景。单用PI的事后补偿性能不足的地方，正是DOB大显身手的舞台。最近还有与模型预测控制(MPC)、强化学习结合的研究。
实际应用
伺服电机驱动系统：DOB最大的应用领域是工业机床、机器人、半导体曝光机等高精度伺服系。负荷扭矩变化、摩擦、齿槽扭矩等难以建模的扰动，可通过编码器位置和标称模型估计后抵消，使追踪精度提升一个数量级。微米级加工精度、纳米级台面定位等超精密要求的场景中，DOB已成为标配。
硬盘、光盘磁头定位：HDD磁头伺服中，盘片振动、外部冲击、气流等扰动通过DOB抑制。伺服采样间隔内要求高速响应的领域，DOB提供了线性PID所不能达到的外乱抑制性能。同理也用于光学拾音头的焦点与跟踪控制。
电动助力转向(EPS)与电动执行器：汽车EPS中，路面凹凸引起的反力、转向轴摩擦都是扰动。DOB通过估计补偿，抑制传导给驾驶者的不适感，实现自然的转向手感。协作机器人关节也用DOB基础的外力估计，用于接触检知和安全停止。
工艺过程与化工厂：反应热、吸热变化、原料成分变化等难测扰动常作用在化工过程上。DOB作为PI的补强，用来吸收经时变化的增益与时常数，温度控制、浓度控制中常见。实现时与IMC(内部模型控制)框架结合，保持与经典PID整定的互通性。
常见误解与注意事项
最常见的误解是，"装上DOB就不用调PI"。DOB主要负责扰动抑制，但目标值追踪、定常无误差仍然是PI（尤其是积分动作）的任务。在模拟器中试试把PI增益K_c改到0.1，即使开启DOB，起动也很慢，整定时间会长。DOB与PI是分工关系而非替代关系，两边都需妥善设计。
第二常见的是，"τ_Q越小越好"的思路。在模拟器中τ_Q = 0.05时偏差最小，但实物系统中这个值会把测量噪声和未建模动态急速放大，引起振荡或颤震。实践经验是从过程主时常数的1/10～1/30开始，然后在测试台上同时检验阶跃响应和随机扰动响应，边调边确认。
最后，DOB估计的不是"真实扰动的物理值"。DOB其实估计的是"在标称模型$G_n$框架下，等效的输入扰动"。改变模型增益或时常数，估计值会跟着变。你在模拟器中当K_p ≠ K_n（有模型误差）时，d̂与真的d会有偏差，这就是原因。重要的不是"猜对扰动"，而是"这个估计对偏差抑制有效"。DOB本质上是鲁棒控制的一种手法，要这样认识才对。