Adaptive differentiating filter: case study of PID feedback control

A continuación presento un resumen técnico detallado del artículo "Adaptive differentiating filter: case study of PID feedback control" (Filtro diferenciador adaptativo: estudio de caso de control por realimentación PID), escrito por Alexey Pavlov y Michael Ruderman.

1. Planteamiento del Problema

En la teoría de sistemas y control, obtener una derivada confiable de una señal medida es un desafío central. Los diferenciadores tradicionales (filtros de estructura fija) enfrentan una compensación fundamental (trade-off):

• Reducción de ruido vs. Retardo de fase: Un filtro que elimina eficazmente el ruido de medición suele introducir un retardo de fase significativo, lo que degrada el rendimiento del control en tiempo real.
• Limitaciones de los diferenciadores existentes:
  • Los diferenciadores lineales con filtro paso bajo (LPF) suavizan demasiado las señales, perdiendo transitorios rápidos.
  • Los diferenciadores de modo deslizante (como los basados en algoritmos de "super-twisting") son robustos pero pueden ser complejos de sintonizar y computacionalmente costosos.
  • La diferenciación directa (diferencias finitas) es extremadamente sensible al ruido, especialmente a altas frecuencias de muestreo.

El objetivo es desarrollar un diferenciador causal en tiempo real que sea insensible al ruido de baja amplitud pero que preserve el ancho de banda para cambios grandes y rápidos en la señal del proceso.

2. Metodología: Filtro Diferenciador Adaptativo (ADF)

Los autores proponen un Filtro Diferenciador Adaptativo (ADF) basado en un estimador de mínimos cuadrados con restricciones y adaptación de la ventana de tiempo.

Concepto Principal

En lugar de usar un tamaño de ventana fijo, el ADF ajusta dinámicamente la longitud de la ventana de datos ($R$) utilizada para estimar la derivada en cada instante de tiempo $t_l$.

• Mecanismo de adaptación: El tamaño de la ventana $R$ se selecciona como el número entero más grande tal que los datos dentro de la ventana puedan aproximarse linealmente con una precisión absoluta $\delta$.
• Restricción: Se impone una restricción en el error de ajuste: $|x(t_i) - (k(t_i - t_l) + b)| \leq \delta$.
• Lógica:
  • Si la señal es suave (ruido), la ventana se expande hasta $R_{max}$ para promediar y reducir el ruido.
  • Si la señal tiene cambios dinámicos rápidos (picos), la ventana se contrae automáticamente para evitar suavizar excesivamente la señal y subestimar la derivada.

Algoritmo y Eficiencia Computacional

Para garantizar la implementación en tiempo real, el algoritmo utiliza herramientas matemáticas eficientes:

1. Verificación de factibilidad sin cálculo explícito: Se utiliza un teorema (Teorema 1) que permite verificar si una ventana es válida calculando solo los valores máximo ($m$) y mínimo ($M$) de ciertas diferencias normalizadas, sin necesidad de resolver el sistema de mínimos cuadrados completo en cada paso.
2. Actualización recursiva: Los vectores auxiliares necesarios para la verificación se actualizan eficientemente al agregar un nuevo punto a la derecha o eliminar uno de la izquierda, evitando recálculos costosos.
3. Solución analítica: La estimación final de la derivada ($k^*$) y el valor de la señal ($b^*$) se obtienen mediante una solución analítica del problema de mínimos cuadrados restringidos, que puede precalcularse parcialmente para tasas de muestreo fijas.

3. Contribuciones Clave

• Separación de adaptación y cálculo: A diferencia de enfoques anteriores (como el de [5] citado en el texto), el ADF separa la adaptación de la ventana de la estimación de la derivada, lo que resulta en una adaptación óptima y una mayor eficiencia computacional.
• Parámetros de sintonización intuitivos: El filtro se ajusta principalmente mediante el parámetro $\delta$ (precisión de ajuste), que debe elegirse ligeramente por encima de la amplitud del ruido de medición ($d$). Esto permite un ancho de banda amplio para señales de alta amplitud y alta atenuación de ruido.
• Validación experimental en control real: No es solo una simulación teórica; se implementa en un sistema físico de control de movimiento con restricciones de tiempo real estrictas.

4. Estudio de Caso y Resultados Experimentales

El filtro se evaluó en un sistema de control de posición de un motor de bobina de voz (voice-coil motor) utilizando un controlador PID.

Configuración Experimental

• Planta: Sistema de movimiento translacional con ruido de medición significativo (sensor inductivo).
• Controlador: PID diseñado con el método de "Óptimo Simétrico" basado en un modelo identificado del sistema (FRF).
• Comparativa: El ADF se comparó contra:
  1. LDF (Linear Filtered Differentiator): Diferenciador con filtro paso bajo de segundo orden.
  2. RED (Robust Exact Differentiator): Diferenciador basado en modo deslizante (algoritmo de super-twisting).

Resultados

• Rendimiento en Ruido: El ADF demostró una muy baja sensibilidad al ruido de medición en comparación con el LDF y el RED.
• Señal de Control ($u(t)$):
  • El LDF y el RED generaron señales de control con oscilaciones de alta frecuencia (ruido en la acción de control) debido a la estimación ruidosa de la velocidad.
  • El ADF produjo una señal de control mucho más suave, reduciendo el consumo de energía y la carga mecánica en el actuador, sin sacrificar la precisión del seguimiento.
• Respuesta Transitoria: En respuestas a escalón y rampa, el ADF mostró un sobrepaso ligeramente menor y una mejor estabilidad general que las otras dos técnicas.
• Ancho de Banda: El ADF preservó mejor los transitorios rápidos de la señal de velocidad que el LDF, evitando el retraso de fase excesivo típico de los filtros paso bajo fijos.

5. Significado e Impacto

Este trabajo presenta una solución práctica y robusta para un problema clásico en ingeniería de control: la diferenciación de señales ruidosas en tiempo real.

• Aplicabilidad Industrial: El filtro es causal, computacionalmente eficiente y fácil de implementar en hardware embebido (como la tarjeta Speedgoat utilizada), lo que lo hace ideal para aplicaciones de control de movimiento, robótica y sistemas mecatrónicos.
• Mejora en la Calidad del Control: Al proporcionar una estimación de velocidad más limpia, permite que los controladores PID operen de manera más eficiente, reduciendo el desgaste de los actuadores y mejorando la precisión del seguimiento.
• Novedad: La combinación de mínimos cuadrados restringidos con una adaptación de ventana dinámica basada en la factibilidad de la aproximación lineal ofrece un equilibrio superior entre rechazo al ruido y respuesta dinámica en comparación con los métodos estándar actuales.

En conclusión, el ADF demuestra ser una herramienta superior para la diferenciación en bucles de retroalimentación, logrando un rendimiento que supera a los diferenciadores lineales filtrados y a los diferenciadores robustos de modo deslizante en un escenario experimental real.