⚡ electrical engineering

Adaptive differentiating filter: case study of PID feedback control

Cet article présente un filtre adaptatif de discrétisation temporelle pour l'estimation de la dérivée, basé sur un estimateur aux moindres carrés contraint avec adaptation de fenêtre, qui démontre une faible sensibilité au bruit et une large bande passante, comme illustré par une étude de cas sur un contrôleur PID comparée expérimentalement à des méthodes de différenciation standards et robustes.

Auteurs originaux : Alexey Pavlov, Michael Ruderman

Publié 2026-03-31

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Alexey Pavlov, Michael Ruderman

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🚗 Le Problème : Conduire avec des lunettes embuées

Imaginez que vous conduisez une voiture de course. Pour bien conduire, vous avez besoin de deux informations cruciales :

Où êtes-vous ? (La position).
À quelle vitesse allez-vous ? (La dérivée de la position).

Le problème, c'est que votre GPS (le capteur) est un peu brouillé. Il vous donne votre position, mais avec un peu de "neige" ou de parasites (du bruit). Si vous essayez de calculer votre vitesse en regardant simplement la différence entre deux positions, le moindre petit tremblement du GPS vous fera croire que vous passez de 0 à 100 km/h en une seconde ! C'est comme si le GPS disait : "Attention, tu as accéléré !" alors que vous ne faisiez que vibrer sur un nid de poule.

En ingénierie, c'est le même problème : comment calculer la vitesse (la dérivée) d'un signal bruité sans être perturbé par le bruit, tout en réagissant assez vite quand la vitesse change vraiment ?

💡 La Solution : Le Filtre Adaptatif (Le "Chameau" intelligent)

Les auteurs, Alexey Pavlov et Michael Ruderman, ont créé un nouvel outil appelé Filtre Différenciateur Adaptatif (ADF).

Pour comprendre comment il fonctionne, imaginons que vous essayez de dessiner une ligne droite à travers une série de points sur un papier, mais que ces points sont un peu tremblants à cause de la main qui les trace.

L'approche classique (Le Filtre Linéaire) : C'est comme si vous preniez une règle rigide et que vous la posiez sur 100 points.
- Avantage : La ligne est très lisse, le bruit disparaît.
- Inconvénient : Si la voiture tourne brusquement, votre règle rigide mettra trop de temps à suivre la courbe. Vous arrivez toujours en retard (déphasage).
L'approche "Robuste" (Sliding Mode) : C'est comme un robot très strict qui dit : "Je vais ignorer tout ce qui ne colle pas parfaitement à ma loi".
- Avantage : Très précis.
- Inconvénient : Ça peut faire des saccades bizarres et consommer beaucoup d'énergie.
L'approche de l'Auteur (Le Filtre Adaptatif) : C'est comme un chameau intelligent qui ajuste sa taille selon le terrain.
- Le principe : Le filtre regarde les données récentes dans une "fenêtre" (un petit groupe de points).
- Quand tout va bien (pas de gros changement) : Il élargit sa fenêtre (regarde loin dans le passé) pour moyenner le bruit et avoir une vitesse très stable. C'est comme si le chameau marchait calmement sur le sable plat.
- Quand ça change brusquement (un virage serré) : Il détecte que les points ne suivent plus une ligne droite. Il rétrécit instantanément sa fenêtre pour ne regarder que les derniers points. Il devient très réactif. C'est comme si le chameau se baissait pour passer sous une porte basse sans se cogner.

En résumé : Ce filtre est malin. Il sait quand il doit être "lourd et calme" pour ignorer le bruit, et quand il doit être "léger et rapide" pour suivre les changements soudains.

🧪 L'Expérience : Le Robot qui bouge

Pour tester leur invention, les chercheurs ont utilisé un petit moteur électrique (un moteur à bobine vocale) qui pousse une pièce d'un bout à l'autre d'un rail.

Ils ont ajouté du bruit volontairement pour simuler un capteur imparfait.
Ils ont fait bouger le robot avec un "pilote automatique" (un contrôleur PID, le standard de l'industrie).
Ils ont comparé trois méthodes pour calculer la vitesse du robot :
1. La méthode classique (Filtre linéaire).
2. La méthode "Robuste" (Sliding Mode).
3. Leur nouvelle méthode (ADF).

🏆 Les Résultats : Qui gagne ?

La méthode classique a bien lissé le signal, mais le robot a eu du mal à réagir vite. De plus, le moteur a eu des petits tremblements inutiles (comme un moteur qui tourne dans le vide) à cause du bruit mal filtré.
La méthode Robuste a été précise, mais elle a aussi fait vibrer le moteur inutilement, gaspillant de l'énergie.
Le Filtre Adaptatif (ADF) a gagné :
- Il a donné une vitesse très propre, sans bruit parasite.
- Il a réagi instantanément quand le robot a dû accélérer ou freiner.
- Le plus important : Le moteur a été beaucoup plus calme. Il n'a pas eu besoin de faire des micro-ajustements frénétiques. C'est comme si le chauffeur avait les pieds plus doux sur la pédale, économisant l'essence et usant moins la voiture.

🎯 Conclusion Simple

Cet article nous dit qu'on n'a pas besoin de choisir entre "être calme" et "être rapide". Grâce à une astuce mathématique qui ajuste automatiquement la "taille de la fenêtre" d'observation, on peut avoir les deux.

C'est comme avoir un pare-brise intelligent : il reste flou quand il pleut pour que vous ne voyiez pas les gouttes (le bruit), mais il devient parfaitement transparent dès que vous tournez le volant (le changement de signal), vous permettant de conduire en toute sécurité et efficacité.

1. Problématique

L'estimation fiable de la dérivée d'un signal mesuré est un défi central en théorie du contrôle et en ingénierie des systèmes. Les filtres à structure fixe (taille de fenêtre constante) souffrent d'un compromis fondamental :

Réduction du bruit vs. Retard de phase : Une fenêtre large réduit le bruit mais introduit un retard (lag) important, atténuant les transitoires rapides. Une fenêtre petite suit bien les changements rapides mais amplifie le bruit de mesure.
Limitations des méthodes existantes : Les différenciateurs classiques (différences finies filtrées) sont très sensibles au bruit. Les différenciateurs robustes à base de modes glissants (sliding-mode) offrent une convergence en temps fini mais peuvent introduire des oscillations (chattering) et nécessitent un réglage complexe.

L'objectif est de concevoir un différenciateur causal, adaptatif et temps réel capable de filtrer le bruit de faible amplitude tout en préservant la bande passante pour les changements d'amplitude élevée du signal.

2. Méthodologie : Le Filtre Différenciateur Adaptatif (ADF)

Les auteurs proposent un filtre basé sur une estimation par moindres carrés contraints avec une adaptation dynamique de la fenêtre de temps.

Concept et Algorithme

Modèle : Le signal mesuré $x_l$ est considéré comme un signal vrai $\bar{x}(t_l)$ bruité par $w_l$ (borné par $d$ ).
Estimation : À chaque instant $t_l$ $t_{l}$ , le filtre approxime le signal local par une fonction linéaire $x = k(t - t_l) + b$ $x = k (t - t_{l}) + b$ sur une fenêtre glissante $W_l(R)$ $W_{l} (R)$ de taille $R$ $R$ .
- $k^*_l$ est l'estimation de la dérivée ( $\dot{x}$ ).
- $b^*_l$ est l'estimation de la valeur du signal.
Contrainte : L'ajustement est soumis à une contrainte d'erreur absolue $\delta$ (où $\delta \ge d$ ) pour garantir que le bruit n'est pas interprété comme un signal.
Adaptation de la fenêtre ( $R$ ) : C'est le cœur de l'innovation. La taille de la fenêtre $R$ $R$ n'est pas fixe. Elle est automatiquement ajustée pour être la plus grande possible tout en respectant la contrainte de linéarité sur la fenêtre.
- Si le signal est stable (faible bruit), $R$ augmente pour lisser le bruit.
- Si le signal subit un changement rapide (pic), la contrainte de linéarité est violée, forçant $R$ à diminuer pour suivre la dynamique sans lisser excessivement.
Efficacité computationnelle :
- Un théorème (Théorème 1) permet de vérifier la faisabilité de la fenêtre sans calculer explicitement les coefficients $(k, b)$ , en utilisant des bornes inférieures et supérieures calculées récursivement.
- Des algorithmes récursifs permettent de mettre à jour ces bornes lors de l'ajout ou du retrait de points de mesure, rendant l'algorithme viable pour le temps réel.
- La solution des moindres carrés contraints est résolue analytiquement pour éviter les itérations lourdes.

3. Contributions Clés

Séparation de l'adaptation et du calcul : Contrairement à des approches précédentes (comme [5]), l'adaptation de la fenêtre est découplée du calcul de la dérivée, offrant une efficacité computationnelle supérieure.
Robustesse et Précision : Le filtre offre une faible sensibilité au bruit tout en conservant une large bande passante pour les signaux à forte amplitude, résolvant le compromis classique.
Validation Expérimentale : L'article ne se limite pas à la simulation mais présente une étude de cas complète sur un système mécanique réel.

4. Résultats de l'Étude de Cas (Contrôle PID)

L'ADF a été testé dans une boucle de rétroaction PID sur un système d'actionneur à moteur à bobine mobile (voice-coil motor) en laboratoire.

Configuration :
- Système : Déplacement linéaire mesuré avec un capteur inductif (bruit significatif).
- Contrôleur : PID réglé par la méthode de l'optimum symétrique.
- Comparaison : L'ADF a été comparé à deux méthodes de référence :
  1. LDF : Différenciateur linéaire filtré (différences finies + filtre passe-bas 2nd ordre).
  2. RED : Différenciateur exact robuste basé sur le mode glissant (super-twisting).
Performances Observées :
- Réponse à un échelon (Step) : Les trois méthodes produisent des réponses similaires, mais l'ADF présente un dépassement (overshoot) légèrement inférieur.
- Signal de commande ( $u(t)$ ) : C'est ici que la différence est majeure.
  - Le LDF et le RED génèrent des signaux de commande plus oscillatoires et riches en hautes fréquences, entraînant une consommation d'énergie plus élevée et une sollicitation mécanique accrue.
  - L'ADF produit un signal de commande plus lisse, indiquant une estimation de la vitesse ( $\dot{x}$ ) plus propre et moins affectée par le bruit, tout en réagissant correctement aux changements de consigne.
- Bande passante : L'ADF maintient une bande passante large pour les signaux dynamiques, contrairement au LDF qui atténue trop les transitoires, et évite les limitations de bande passante du RED (qui s'effondre autour de 100 rad/s dans cette configuration).

5. Signification et Conclusion

Cet article démontre qu'un filtre différenciateur adaptatif basé sur des moindres carrés contraints est une solution supérieure pour le contrôle en boucle fermée de systèmes mécaniques bruités.

Avantage pratique : Il élimine le besoin de régler manuellement un compromis entre le lissage et la réactivité. Le paramètre principal $\delta$ (lié au bruit) suffit à régler le comportement.
Impact sur le contrôle : En fournissant une estimation de vitesse plus précise et moins bruitée, l'ADF améliore la qualité du signal de commande, réduisant l'usure mécanique et la consommation d'énergie sans sacrifier la stabilité ou la rapidité de réponse.
Faisabilité : L'algorithme est conçu pour être implémenté sur du matériel embarqué avec des contraintes temps réel strictes (démontré ici sur une carte Speedgoat à 2 kHz).

En conclusion, l'ADF représente une avancée significative pour les applications de contrôle où la dérivée d'un signal bruité est critique, offrant un équilibre optimal entre robustesse au bruit et fidélité dynamique.