⚡ electrical engineering

Adaptive differentiating filter: case study of PID feedback control

Diese Arbeit stellt einen adaptiven kausalen diskreten Filter zur Schätzung von Ableitungen vor, der durch eine eingeschränkte Kleinste-Quadrate-Schätzung mit Fensteranpassung gekennzeichnet ist und in einer Fallstudie zur PID-Regelung eine geringe Rauschempfindlichkeit bei gleichzeitig breiter Bandbreite für große Signaländerungen aufweist.

Ursprüngliche Autoren: Alexey Pavlov, Michael Ruderman

Veröffentlicht 2026-03-31

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Alexey Pavlov, Michael Ruderman

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Titel: Der clevere Geschwindigkeits-Spion – Wie ein neuer Filter das Chaos in der Technik bändigt

Stellen Sie sich vor, Sie fahren mit dem Auto und wollen wissen, wie schnell Sie gerade fahren. Aber Ihr Tacho ist kaputt und zeigt nur ein wackeliges, verrauschtes Bild der Straße. Wenn Sie einfach nur die Position von Sekunde zu Sekunde ablesen und die Differenz bilden (wie man es in der Technik oft macht), erhalten Sie keine saubere Geschwindigkeit, sondern ein wildes Zittern. Das ist, als würde man versuchen, die Geschwindigkeit eines Autos zu berechnen, indem man auf einem wackeligen Boot steht und jeden kleinen Wellengang mitzählt.

Genau dieses Problem lösen die Autoren Alexey Pavlov und Michael Ruderman in ihrer Arbeit. Sie haben einen neuen, „intelligenten" Filter entwickelt, der wie ein schlau angepasster Suchscheinwerfer funktioniert.

Das Problem: Der ewige Kompromiss

In der Technik gibt es ein altes Dilemma beim Berechnen von Geschwindigkeiten (oder allgemein von Änderungen) aus verrauschten Daten:

Der „Starre" Filter: Wenn man den Filter sehr stark dämpft, um das Rauschen zu entfernen, reagiert er zu träge. Wie ein alter Opa, der erst nachdenkt, bevor er antwortet. Wenn das Auto plötzlich bremst, meldet der Filter erst Sekunden später.
Der „Offene" Filter: Wenn man den Filter schnell macht, um sofort zu reagieren, nimmt er jedes kleine Rauschen mit. Wie ein nervöses Kind, das auf jeden kleinen Windhauch schreit.

Bisherige Methoden mussten sich immer zwischen „schnell aber verrauscht" und „ruhig aber langsam" entscheiden.

Die Lösung: Der adaptive Suchscheinwerfer (ADF)

Die Autoren haben einen Filter namens ADF (Adaptive Differentiating Filter) entwickelt. Stellen Sie sich diesen Filter nicht als starre Brille vor, sondern als einen intelligenten Suchscheinwerfer, der die Umgebung scannt.

Wie er funktioniert: Der Filter schaut sich einen Zeitabschnitt (ein „Fenster") der vergangenen Messwerte an.
- Ist die Straße glatt und ruhig (wenig Rauschen)? Dann vergrößert der Suchscheinwerfer sein Fenster. Er schaut sich einen langen Zeitraum an, mittelt alles perfekt und liefert eine extrem genaue, ruhige Geschwindigkeit.
- Ist die Straße holprig oder passiert plötzlich etwas Wichtiges (ein großer Sprung im Signal)? Dann verkleinert der Suchscheinwerfer sein Fenster sofort. Er schaut nur auf die letzten paar Punkte, um die schnelle Änderung nicht zu verschmieren.

Die Metapher:
Stellen Sie sich vor, Sie versuchen, die Richtung eines wandernden Vogels zu beschreiben.

Wenn der Vogel ruhig fliegt, schauen Sie sich einen langen Zeitraum an, um den Kurs genau zu bestimmen.
Wenn der Vogel plötzlich einen Tauchflug macht, ignorieren Sie die alten Daten und schauen nur auf die letzten Sekunden, um die neue Richtung sofort zu erkennen.
Der ADF macht genau das: Er passt die Größe seines „Blickfeldes" automatisch an, je nachdem, was gerade passiert.

Der Test: Der PID-Regler als Autopilot

Um zu beweisen, dass ihr Filter funktioniert, haben die Autoren ihn in ein echtes Experiment eingebaut: einen PID-Regler.

Was ist das? Ein PID-Regler ist wie ein sehr erfahrener Autopilot, der ein System (hier ein kleiner, elektrisch angetriebener Wagen) präzise steuern soll.
Das Problem: Der Autopilot braucht die Geschwindigkeit des Wagens, um zu wissen, wann er bremsen muss. Aber der Sensor liefert nur verrauschte Daten.
Der Vergleich: Die Autoren haben ihren neuen Filter (ADF) gegen zwei alte Methoden getestet:
1. Einen klassischen, starren Filter (wie eine feste Brille).
2. Einen komplexen, robusten Filter (wie ein sehr stures, aber schnelles Tier).

Das Ergebnis: Ruhe im Sturm

Die Ergebnisse waren beeindruckend:

Der alte Filter war zwar ruhig, aber zu träge. Er reagierte zu spät auf Änderungen.
Der robuste Filter war schnell, aber er hatte immer noch ein gewisses Zittern in der Steuerung, was den Motor unnötig belastete.
Der neue ADF-Filter war der Gewinner. Er lieferte eine glatte, präzise Geschwindigkeit, die sofort auf Änderungen reagierte, ohne das Rauschen mitzuschleppen.

Das Bild:
Stellen Sie sich vor, Sie fahren über eine holprige Straße.

Mit dem alten Filter würde das Lenkrad zittern, weil der Autopilot jedes kleine Steinchen als Kurve interpretiert.
Mit dem neuen Filter fährt das Auto so glatt, als wäre die Straße asphaltiert, obwohl sie es gar nicht ist. Der Filter ignoriert die kleinen Steine (Rauschen), erkennt aber sofort, wenn die Straße steil wird (echte Änderung).

Warum ist das wichtig?

Diese Technik ist wie ein Superhirn für Maschinen. Sie erlaubt es Robotern, Drohnen oder industriellen Maschinen, sich präziser, schneller und energieeffizienter zu bewegen, selbst wenn ihre Sensoren nicht perfekt sind. Sie müssen nicht mehr teure, perfekte Sensoren kaufen; der intelligente Filter macht aus „schlechten" Daten „gute" Entscheidungen.

Fazit:
Die Autoren haben einen Weg gefunden, wie man aus verrauschten, chaotischen Daten eine saubere, schnelle Geschwindigkeit berechnet, ohne dabei wichtige Informationen zu verlieren. Es ist, als hätte man einen Filter entwickelt, der gleichzeitig ein ruhiger Philosoph und ein blitzschneller Sportler ist.

1. Problemstellung

In der Regelungstechnik und Systemdynamik ist die Schätzung der Ableitung eines gemessenen Signals (z. B. Geschwindigkeit aus Positionsdaten) eine zentrale, aber schwierige Aufgabe.

Das Dilemma: Herkömmliche Filter mit fester Struktur (z. B. lineare Tiefpassfilter) stehen vor einem fundamentalen Zielkonflikt: Eine starke Rauschunterdrückung führt zu einer hohen Phasenverzögerung (Lag) und verzögert das Signal, während eine schnelle Reaktion auf Signaländerungen (geringe Verzögerung) das Filter gegenüber Messrauschen extrem empfindlich macht.
Die Herausforderung: Für Echtzeit-Anwendungen (wie PID-Regelungen) werden Kausal-Differenzierer benötigt, die sowohl robust gegenüber Rauschen sind als auch große, schnelle Änderungen im Prozesssignal (Transiente) ohne Verzerrung erfassen können. Bestehende Methoden wie algebraische Ansätze, Savitzky-Golay-Filter oder robuste Gleitmodus-Differenzierer haben oft Nachteile bei der Abwägung von Genauigkeit, Rechenlast und Parameteranpassung.

2. Methodik: Der Adaptive Differenzier-Filter (ADF)

Die Autoren stellen einen neuen, kausalen, diskreten Filter vor, der auf einem eingeschränkten Kleinst-Quadrate-Schätzer (Constrained Least-Squares Estimator) mit adaptiver Fenstergröße basiert.

Grundprinzip:
- Das Signal wird in einem gleitenden Zeitfenster $W_l(R)$ betrachtet.
- Innerhalb dieses Fensters wird eine lineare Funktion $x(t) = k(t - t_l) + b$ an die Messdaten angepasst.
- Die Steigung $k^*$ dient als Schätzwert für die Ableitung $\dot{x}(t)$ , der Achsenabschnitt $b^*$ als Schätzwert für den Signalwert.
- Ein entscheidendes Merkmal ist die Zwangsbedingung (Constraint): Der Schätzwert $b$ darf vom aktuellen Messwert $x(t_l)$ nur um einen maximalen Wert $\delta$ abweichen. Dies berücksichtigt das bekannte Rauschlimit $d$ .
Adaptive Fensteranpassung:
- Das Kernproblem bei linearen Anpassungen ist die Wahl der Fenstergröße $R$ . Ein kleines Fenster reagiert schnell, ist aber rauschempfindlich. Ein großes Fenster glättet das Rauschen, verzögert aber schnelle Signaländerungen (Peaks).
- Lösung: Der ADF passt die Fenstergröße $R$ dynamisch an. Er sucht die maximale Fenstergröße $R^*$ , bei der die Messdaten noch durch eine lineare Funktion mit der Genauigkeit $\delta$ approximiert werden können.
- Vorteil: In statischen oder langsam veränderlichen Phasen wird das Fenster groß (starke Rauschunterdrückung). Bei schnellen Signaländerungen (wo die Linearitätsannahme verletzt wäre) verkleinert sich das Fenster automatisch, um die Transiente nicht zu glätten.
Effiziente Implementierung:
- Um die Echtzeitfähigkeit zu gewährleisten, wird ein Algorithmus vorgestellt, der die Machbarkeit der linearen Approximation prüft, ohne die Koeffizienten explizit zu berechnen (basierend auf Theorem 1).
- Durch Wiederverwendung von Berechnungen bei Hinzufügen oder Entfernen von Datenpunkten wird der Rechenaufwand minimiert.
- Die Lösung des Kleinst-Quadrate-Problems erfolgt analytisch, was eine Vorab-Berechnung von Konstanten ermöglicht.

3. Fallstudie und Experimenteller Aufbau

Die Leistungsfähigkeit des ADF wurde in einer realen PID-Regelkreis-Anwendung getestet.

Anwendungsszenario: Ein elektromagnetischer Linearantrieb (Voice-Coil-Motor) mit begrenztem Hub ( $x \in [0, 0.018]$ m).
Messung: Die Position wird berührungslos gemessen, weist jedoch ein signifikantes Messrauschen auf (ca. $\pm 12$ Mikrometer).
Regler: Ein PID-Regler wurde nach dem Prinzip des „Symmetrischen Optimums" ausgelegt. Da die Geschwindigkeit $\dot{x}$ $\overset{x}{˙}$ nicht direkt messbar ist, wurde der Regler mit drei verschiedenen Differenzierern verglichen:
1. LDF (Linear Filtered Differentiator): Ein Standard-Differenzierer mit einem 2. Ordnung Tiefpassfilter.
2. RED (Robust Exact Differentiator): Ein auf Gleitmodus basierender Homogener Differenzierer (Super-Twisting Algorithmus).
3. ADF (Adaptive Differentiating Filter): Der neu vorgeschlagene Filter.

4. Ergebnisse

Die experimentellen Vergleiche (Schrittantwort und Rampenantwort) zeigten folgende Ergebnisse:

Rauschunterdrückung vs. Dynamik:
- Der LDF zeigte eine hohe Empfindlichkeit gegenüber Rauschen, was zu hochfrequenten Oszillationen im Regelsignal $u(t)$ führte (erhöhter Energieverbrauch und mechanische Belastung).
- Der RED war robust, zeigte jedoch bei höheren Frequenzen ( $\omega > 100$ rad/s) eine Bandbreitenbegrenzung und ebenfalls unerwünschte Oszillationen im Stellsignal.
- Der ADF erreichte eine sehr niedrige Empfindlichkeit gegenüber dem Messrauschen, behielt aber gleichzeitig eine hohe Bandbreite für große Signaländerungen bei.
Regelgüte:
- Alle drei Ansätze führten zu einer ähnlichen Regelabweichung.
- Der ADF zeigte bei der Schrittantwort eine leicht geringere Überschwingerneigung.
- Kritischer Vorteil: Das Stellsignal $u(t)$ des ADF war deutlich glatter und weniger oszillierend als bei LDF und RED. Dies resultiert aus der sauberen Trennung von Rauschunterdrückung und Signaltransienten durch die adaptive Fenstergröße.
Ressourcen: Der Filter lief erfolgreich in Echtzeit auf einer Speedgoat-I/O-Board-Hardware mit einer Abtastfrequenz von 2 kHz, ohne die CPU zu überlasten.

5. Bedeutung und Fazit

Das Paper liefert einen signifikanten Beitrag zur Praxis der Echtzeit-Regelung:

Neuer Ansatz: Es wird ein kausaler Filter vorgestellt, der die Fenstergröße nicht fest vorgibt, sondern basierend auf der lokalen Signalstruktur (Linearität innerhalb eines Toleranzbereichs) adaptiv bestimmt.
Überwindung des Trade-offs: Der ADF löst den klassischen Zielkonflikt zwischen Rauschfilterung und Phasenverzögerung effektiver als statische Filter oder reine Gleitmodus-Verfahren.
Praktische Relevanz: Die Studie beweist, dass dieser Ansatz in realen mechatronischen Systemen mit PID-Regelung anwendbar ist und zu einer schonenderen Systembelastung (weniger Oszillationen im Stellsignal) führt.
Zukunftsausblick: Die Autoren planen weitere Arbeiten zur detaillierten Analyse der Konvergenzeigenschaften und der optimalen Parametereinstellung.

Zusammenfassend stellt der adaptive Differenzier-Filter eine leistungsfähige, recheneffiziente Alternative zu etablierten Methoden dar, die besonders dort vorteilhaft ist, wo präzise Geschwindigkeitsschätzungen aus verrauschten Positionsdaten für die Regelung benötigt werden.