参数设置
T_p = T_d = 5 s、T_i = 5 s、dt = 0.05 s、T_sim = 30 s 固定。t = 5 s 时施加外乱阶跃。FF 仅含增益补偿 G_ff = -K_d / K_p。
框图（突出前馈通道）
外乱 d → Gff（紫）在 d → Gd 扰动输出之前先期叠加到操作量上。外乱施加后，紫色脉冲沿补偿通道流动。
阶跃外乱响应 y(t) 和控制输入 u(t)（实时扫描）
上图：输出y(t)（红=FB单独，青=FF+FB，灰虚线=目标r=0）／下图：控制输入u(t)（橙=u_fb，紫=u_ff，绿=合计）／竖线：外乱施加t=5s。播放头从左向右扫描，外乱到来时FF+FB（青）几乎不动，而FB单独（红）大幅下陷。
理论与主要公式
对于从外乱路径进入一阶过程的阶跃外乱，本工具对比反馈单独和前馈补偿并用的阶跃响应。
过程（控制路径）和外乱路径的传递函数：
$$G_p(s) = \frac{K_p}{T_p s + 1},\qquad G_d(s) = \frac{K_d}{T_d s + 1}$$
输出为两路叠加：
$$y(s) = G_p(s)\,u(s) + G_d(s)\,d(s)$$
PI 反馈（偏差 e = r - y）：
$$u_{fb}(t) = K_c\,e(t) + \frac{K_c}{T_i}\int_0^t e(\tau)\,d\tau$$
理想前馈补偿器与本工具的简化版（仅增益）：
$$G_{ff}(s) = -\frac{G_d(s)}{G_p(s)},\qquad G_{ff} \approx -\frac{K_d}{K_p}$$
u = u_fb + u_ff。当T_p = T_d时，仅增益补偿可实现完全相消，峰值偏差大幅降低。
前馈补偿模拟器简介
🙋
我了解反馈控制，但前馈到底是什么，与反馈有什么不同？
🎓
简单说，反馈是"看到结果后动作"，前馈是"识别原因就立即先发制人"。比如室温控制，打开窗户会进冷气——这就是外乱。只用反馈的话，室温下降了才"哎呀，冷了"，然后加强加热。但如果有窗户传感器，就能在打开窗户的瞬间提前加强加热。这就是前馈。
🙋
我看上面模拟器有红线和蓝线。默认值下蓝线几乎是平的，红线在摇晃…
🎓
对，这就是关键差异。t=5秒时外乱进来，红线（仅FB）会先振荡，然后通过PI控制才平复。蓝线（FF+FB）因为知道外乱路径增益K_d这个模型，在外乱到来的瞬间就加上-K_d/K_p的操作量来先期抵消。下面的图能看到紫线u_ff，它在外乱时刻同时跳起，这就是前馈在工作。统计卡片的削减率会告诉你峰值偏差下降了多少。
🎓
现实没那么完美。完美消除只在模型精确且T_p=T_d这样的特殊情况下才行。实际上K_d和时间常数你不可能完全知道。试试把K_d滑块偏离实际值的±50%——蓝线的偏差会升高吧？剩下的误差就靠反馈来拾取。所以是"FF粗略先发制人，FB精密补正"的分工，这才是二自由度控制的核心思想。
🙋
那如果我把PI增益K_c升高，反馈不也能追上吗？
🎓
可以试试把K_c调到3到4——红线确实会改善。但峰值虽然下来了，反应会变得振荡，整定时间反而拉长。而且实机里噪声多，这样高增益会让操作量疯狂抖动，甚至造成不稳定。用低增益反馈加上前馈知识基础，能安全地达到同样的偏差低减——这就是反馈能力的限制，前馈优势所在。懂控制的工程师会在两种工具间灵活选择。
常见问答
增益误差±20%仍能获得50%以上的偏差低减，工程上已足够有用。时间常数不匹配（T_p≠T_d）主要影响整定时间而非峰值。残余偏差由反馈处理，所以前馈即使有模型误差也不会造成毁灭性后果。但补偿器反向就会适得其反，所以增益极性检查是必须的。
本工具讲的是"外乱前馈"，测量外乱信号并在操作量中抵消其影响。"目标值前馈"则从目标值r(t)反推稳态控制量加入操作量，以跳过PID的响应延迟，实现快速追踪。组合二者就是二自由度控制，能独立优化追踪性和抑制性。
这个手法要求外乱可测或可预测。测不到的外乱只能靠反馈。另一个办法是用外乱观测器(DOB)，从模型输出和实际输出之差反推外乱估计，用估计值去抵消，内部上也是一种前馈补偿。
二自由度控制将"目标值追踪"和"外乱抑制"独立设计优化。单纯反馈存在权衡（快速响应就容易超调等）。加入前馈（目标值FF和外乱FF）后，反馈专注稳定和残差补正，追踪由FF承担，实现分工。这是过程控制、伺服、汽车巡航控制等现代应用的标准框架。
现实应用
过程控制（化工厂）：蒸馏塔、反应器温度控制中，进料流量、进料温度变化都是大外乱。这些有流量计、温度计可测，加入外乱前馈能让温度波动远少于纯PID反馈。特别在大死时间工艺中，有没有FF效果天差地别，直接影响产品收率。
伺服控制（机床、机器人）：位置伺服标准做法是从目标轨迹的加速度、速度反推所需力矩，作为目标值前馈加入。这样追踪误差大幅降低，反馈PID可轻松处理扰动和负载变化。高精密切削和工业机器人高速轨迹跟踪的基础。
电力系统与汽车：发电机的负荷频率控制用需求预测作外乱FF来抑制频率波动。汽车定速巡航中，斜坡传感器提前预知坡度，在爬坡前就预增驱动力——这就是外乱前馈，比等速度下降了才加速更平顺省油。
HVAC（空调）：将室外温度、日射量作外乱前馈补偿，能应对纯室温反馈跟不上的快速变化。商业楼、精密恒温厂房、数据中心用FF+FB实现室温稳定和节能双赢。
常见误解与注意
最大误解是"加了前馈就不需要反馈"。前馈只能抵消已知模型的外乱，对模型误差、未知外乱、传感器噪声、初值偏差无能为力。实机中这些总是存在的，反馈的稳定化和零偏差保证角色不可或缺。模拟器中改K_d值可看到，偏离真实值后蓝线出现残留，这残留就由FB的积分项来拾取——这就是FF+FB的精妙之处。
第二个常见错误是前馈符号反了。理想式G_ff=-G_d/G_p的负号是"抵消"外乱的意思，符号写反了会放大外乱，比不用FF还糟。调试第一步是验证d_step正负方向改变时，蓝线偏差都保持小值。若一侧爆炸就说明符号反了。
第三点留意理想式G_ff=-G_d/G_p并非总能物理实现。若G_p的极点比G_d的慢（外乱响应更快），理想补偿器分子次数大于分母，需要微分操作，微分放大噪声难以实现。G_p有右半面零点（非最小相位）时，逆函数会有不稳定极点导致补偿器发散。现在多用简化版仅含增益K_ff=-K_d/K_p，这是对实现约束的现实妥协。