3. 自动舵积分饱和抑制与抗积分风up策略实现

恒定风干扰下的积分饱和问题

航向保持时，恒定横风会产生持续偏航力矩，PID 中的积分项必须累积出足够的舵角来抵消它。但若积分在误差较大阶段持续累积，一旦航向接近目标，积分项已“存”了过多舵角指令，导致舵角反向超调、航向来回摆动，这就是积分饱和。本例在 Nomoto 一阶模型上实现两种抗饱和策略并对比。

采用离散模型：ψ(k+1)=ψ(k)+T·(K·δ(k)+w)/T₁，其中 ψ 为航向，δ 为舵角，w 为等效恒定风干扰力矩（以角速度形式注入），T 为采样周期。控制器输出舵角指令 δ_cmd = Kp·e + Ki·Σe + Kd·ė，e = ψ_ref − ψ。

仿真实现

下面给出完整可运行的 Python 脚本，包含两种策略的控制器类、同一风干扰场景下的仿真与指标计算。参数为教学示例值，非实测。

import numpy as np

# Nomoto 一阶模型参数（示例）
K, T1, T = 0.18, 12.0, 0.5      # 增益、时间常数、采样周期
W_WIND = 0.012                   # 恒定风干扰（等效角速度，rad/s）
PSI_REF = 0.0                    # 目标航向
PSI0 = 0.35                      # 初始航向偏差（rad）
KP, KI, KD = 1.6, 0.05, 2.2      # 基础 PID 参数
I_MAX = 0.35                     # 积分限幅值（策略A）
EPS = 0.05                       # 积分分离门限（策略B）

def simulate(strategy, n=600):
    psi, integ, prev_e = PSI0, 0.0, PSI_REF - PSI0
    hist = []
    for k in range(n):
        e = PSI_REF - psi
        de = (e - prev_e) / T
        if strategy == "clamp":
            integ += e * T
            integ = np.clip(integ, -I_MAX, I_MAX)   # 积分限幅
        elif strategy == "sep":
            if abs(e) < EPS:                         # 仅小误差时积分
                integ += e * T
        u = KP * e + KI * integ + KD * de
        u = np.clip(u, -0.6, 0.6)                    # 舵角物理限幅
        psi = psi + T * (K * u + W_WIND) / T1
        prev_e = e
        hist.append((psi, u, integ))
    return np.array(hist)

def metrics(h):
    psi = h[:, 0]
    err = np.abs(psi - PSI_REF)
    overshoot = max(0.0, (PSI0 - psi.min()) / PSI0) * 100 if PSI0 > 0 else 0
    settle = next((i for i in range(len(err)) if np.all(err[i:] < 0.01)), len(err))
    return overshoot, settle * T, err[-1]

for s in ("clamp", "sep"):
    h = simulate(s)
    ov, ts, ess = metrics(h)
    print(f"{s:6s} 超调={ov:5.1f}%  调节时间={ts:5.1f}s  稳态误差={ess:.4f}rad")

运行后预期可观察到：两种策略都能把稳态误差压到接近 0（积分项最终抵消风干扰），但积分限幅策略在初始大偏差阶段积分被钳位，超调更小；积分分离策略在误差进入门限后才开始积分，前期响应更快但门限附近可能出现轻微抖动。具体数值随参数变化，需以实际运行输出为准。

结果判读与调参要点