⚡ electrical engineering

Adaptive differentiating filter: case study of PID feedback control

यह शोध पत्र एक अनुकूली कारण संबंधी (adaptive causal) असतत-समय फिल्टर को प्रस्तुत और प्रयोगात्मक रूप से मान्य करता है जो कि सीमित न्यूनतम वर्ग अनुमान (constrained least squares estimation) पर आधारित है, जो PID फीडबैक नियंत्रण में अवकल अनुमान (derivative estimation) के लिए शोर अस्वीकृति और बैंडविड्थ संरक्षण के बीच प्रभावी ढंग से संतुलन बनाता है, और एक मेक्ट्रोनिक केस स्टडी में मानक लो-पास और स्लाइडिंग-मोड डिफरेंशिएटर्स से बेहतर प्रदर्शन करता है।

मूल लेखक: Alexey Pavlov, Michael Ruderman

प्रकाशित 2026-03-31

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alexey Pavlov, Michael Ruderman

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कार चला रहे हैं, लेकिन आपका स्पीडोमीटर खराब है और उसकी जगह एक हिलता हुआ, थरथराता हुआ कैमरा लगा है जो हर सेकंड के एक छोटे से हिस्से में केवल आपकी स्थिति (position) दिखाता है। सुचारू रूप से गाड़ी चलाने के लिए, आपको अपनी गति (speed) जानने की आवश्यकता है (कि आपकी स्थिति कितनी तेज़ी से बदल रही है)।

यदि आप केवल दो कैमरा फ्रेमों के बीच के अंतर को देखते हैं, तो कैमरे के मामूली झटकों (शोर/noise) के कारण आपकी गणना की गई गति 0 से 100 मील प्रति घंटे के बीच बेतहाशा उछलती हुई दिखाई देगी। यदि आप उन उछालों को लंबे समय तक औसत (average) निकालकर सुचारू बनाने की कोशिश करते हैं, तो आपकी गति की रीडिंग अचानक रुकने या त्वरण (acceleration) के प्रति प्रतिक्रिया करने में बहुत धीमी हो जाएगी।

यह इंजीनियरों के सामने आने वाली एक क्लासिक समस्या है: शोर वाले सिग्नल से बिना प्रतिक्रिया देने की क्षमता खोए, परिवर्तन की दर (जैसे गति) की गणना कैसे की जाए?

यह शोध पत्र एक नया और चतुर उपकरण पेश करता है जिसे एडेप्टिव डिफरेंशिएटिंग फिल्टर (Adaptive Differentiating Filter - ADF) कहा जाता है। यह कैसे काम करता है, यहाँ सरल भाषा में समझाया गया है:

1. "फिक्स्ड" फिल्टर्स के साथ समस्या

अधिकांश मानक फिल्टर चश्मे के एक कठोर जोड़े की तरह होते हैं।

यदि लेंस बहुत गहरे हैं (मजबूत फिल्टरिंग), तो वे शोर को रोक देते हैं, लेकिन वे दुनिया को धुंधला और धीमा भी बना देते हैं। आप अचानक होने वाले बदलाव को देख नहीं पाएंगे।
यदि लेंस बहुत हल्के हैं (कमजोर फिल्टरिंग), तो आप दुनिया को स्पष्ट रूप से देखते हैं, लेकिन चमक (शोर) आपको अंधा कर देती है।

इंजीनियरों को आमतौर पर एक सेटिंग चुननी होती है और उसी पर टिके रहना होता है, भले ही सड़क की स्थितियाँ बदल जाएं।

2. नया समाधान: "स्मार्ट, आकार बदलने वाले चश्मे"

लेखकों ने एक ऐसा फिल्टर बनाया है जो स्मार्ट, आकार बदलने वाले चश्मों की तरह काम करता है। इसकी कोई निश्चित सेटिंग नहीं है; यह जो कुछ भी देखता है, उसके आधार पर वास्तविक समय में अपना "लेंस" बदल लेता है।

जब सड़क चिकनी हो (कम शोर): फिल्टर सड़क के एक लंबे हिस्से (एक बड़ा विंडो) को देखता है। एक लंबी दूरी पर औसत निकालकर, यह छोटे-मोटे उभारों को अनदेखा करता है और आपको एक बहुत ही सुचारू, सटीक गति की रीडिंग देता है।
जब सड़क ऊबड़-खाबड़ हो जाए या आप किसी गड्ढे में गिरें (उच्च डायनेमिक्स): फिल्टर तुरंत समझ जाता है, "अरे, चीजें तेज़ी से बदल रही हैं!" यह अपने दृश्य को सिकोड़कर केवल तत्काल अतीत के एक छोटे, तीखे दृश्य में बदल देता है। यह इसे शोर से भ्रमित हुए बिना गड्ढे के प्रति तुरंत प्रतिक्रिया करने की अनुमति देता है।

जादुई ट्रिक:
फिल्टर एक गणितीय "नियम" का उपयोग करता है। वह पूछता है: "क्या मैं इन हालिया डेटा बिंदुओं के माध्यम से एक सीधी रेखा खींच सकता हूँ बिना इस बात के कि वह रेखा किसी भी एकल बिंदु से बहुत दूर हो?"

यदि हाँ, तो यह अपने दृश्य में अधिक बिंदुओं को जोड़ता रहता है (विंडो को बड़ा बनाता है), ताकि शोर को सुचारू किया जा सके।
यदि नहीं (क्योंकि सिग्नल एक सीधी रेखा के लिए बहुत तेज़ी से बदल रहा है), तो यह बिंदुओं को जोड़ना बंद कर देता है और वर्तमान विंडो के आधार पर गति की गणना करता है।

3. वास्तविक दुनिया का परीक्षण: PID कंट्रोलर

इसे सिद्ध करने के लिए, लेखकों ने इसे एक PID कंट्रोलर पर परखा। PID कंट्रोलर को एक मशीन (इस मामले में, एक भारी वस्तु को हिलाने वाले मोटर) के लिए "ऑटोपायलट" के रूप में समझें।

ऑटोपायलट को वस्तु की वेलोसिटी (वेग) जानने की आवश्यकता होती है ताकि वह उसे सटीक रूप से रोक सके।
उन्होंने वेग का अनुमान लगाने के तीन अलग-अलग तरीके टेस्ट किए:
1. मानक फिल्टर (LDF): कठोर चश्मा। स्मूथिंग में अच्छा है, लेकिन प्रतिक्रिया देने में धीमा है।
2. रोबस्ट स्लाइडिंग-मोड (RED): एक बहुत ही कठिन, आक्रामक तरीका। शोर को अनदेखा करने में अच्छा है, लेकिन थोड़ा थरथराहट भरा हो सकता है।
3. नया एडेप्टिव फिल्टर (ADF): स्मार्ट चश्मा।

परिणाम:
जब मोटर को अचानक रुकना पड़ा (एक "स्टेप" कमांड):

मानक फिल्टर (Standard Filter) थोड़ा सुस्त था।
रोबस्ट फिल्टर (Robust Filter) ने अच्छा काम किया लेकिन मोटर में हल्की कंपन पैदा की (ऊर्जा बर्बाद की)।
एडेप्टिव फिल्टर (ADF) विजेता रहा। इसने मोटर को सुचारू रूप से रोका, जिसमें कम ओवरशूट (यह लक्ष्य से आगे नहीं निकला) और कम कंपन था। इसने कम ऊर्जा का उपयोग किया क्योंकि इसने शोर से लड़ने में शक्ति बर्बाद नहीं की।

निष्कर्ष

यह शोध पत्र शोर वाले डेटा से गति की गणना करने का एक "स्मार्ट" तरीका प्रस्तुत करता है। "सुचारू लेकिन धीमा" या "तेज़ लेकिन शोर भरा" के बीच चुनने के बजाय, यह नया फिल्टर मौके के अनुसार ढल जाता है। यह एक कुशल ड्राइवर की तरह काम करता है जो जानता है कि सुचारू सवारी के लिए काफी आगे देखना है और कब तीखे मोड़ के लिए तत्काल सड़क पर ध्यान केंद्रित करना है।

यह इसे रोबोट, ड्रोन और औद्योगिक मशीनों के लिए एकदम सही बनाता है जिन्हें सेंसर के शोर से भ्रमित हुए बिना सटीकता से चलने की आवश्यकता होती है।

यहाँ एलेक्सी पावलोव और माइकल रुडरमैन के शोध पत्र "Adaptive differentiating filter: case study of PID feedback control" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मुख्य चुनौती जो यहाँ संबोधित की गई है वह है शोर युक्त मापों (noisy measurements) से सिग्नल के डेरिवेटिव्स (जैसे वेग/velocity) का वास्तविक समय (real-time) में अनुमान लगाना।

ट्रेड-ऑफ (The Trade-off): निश्चित-संरचना वाले फिल्टर (जैसे मानक लो-पास फिल्टर) एक मौलिक संघर्ष का सामना करते हैं: माप के शोर को कम करने से आमतौर पर फेज लैग (विलंब) उत्पन्न होता है, जबकि सिग्नल के तीव्र परिवर्तनों (बैंडविड्थ) को बनाए रखने से अनुमान शोर के प्रति अत्यधिक संवेदनशील हो जाता है।
नियंत्रण संदर्भ (Control Context): PID फीडबैक लूप में, डेरिवेटिव टर्म ( $D$ ) को पहले डेरिवेटिव ( $\dot{x}$ ) के सटीक अनुमान की आवश्यकता होती है। हालांकि, सेंसर शायद ही कभी सीधे वेग माप प्रदान करते हैं; उन्हें अक्सर स्थिति (position) डेटा से व्युत्पन्न किया जाना चाहिए, जो अक्सर शोर से दूषित होता है।
मौजूदा विधियों की सीमाएँ:
- लीनियर लो-पास डिफरेंशिएटर (LDF): इनके लिए कटऑफ फ्रीक्वेंसी ट्यून करने की आवश्यकता होती है; ये अक्सर बड़े ट्रांजिएंट्स के लिए बहुत धीमे या छोटे सिग्नल्स के लिए बहुत अधिक शोर वाले होते हैं।
- रोबस्ट स्लाइडिंग-मोड डिफरेंशिएटर (RED): हालांकि ये रोबस्ट हैं, लेकिन ये गणनात्मक रूप से गहन (computationally intensive) हो सकते हैं और कंट्रोल सिग्नल में उच्च-आवृत्ति दोलन (chattering) उत्पन्न कर सकते हैं।
- फिक्स्ड विंडो मेथड्स: ये सिग्नल की अचानक बदलती गतिशीलता (dynamics) के अनुकूल नहीं हो पाते, जिससे या तो अत्यधिक स्मूथिंग (पीक्स का कम अनुमान) या शोर का प्रवर्धन (noise amplification) होता है।

2. कार्यप्रणाली: एडेप्टिव डिफरेंशिएटिंग फिल्टर (ADF)

लेखक एक कॉज़ल, डिस्क्रीट-टाइम एडेप्टिव फिल्टर का प्रस्ताव करते हैं जो डायनेमिक विंडो अडैप्टेशन के साथ कंस्ट्रेंड लीस्ट-स्क्वायर्स एस्टीमेशन पर आधारित है।

मुख्य अवधारणा (Core Concept)

एक निश्चित समय विंडो के बजाय, ADF सिग्नल के स्थानीय व्यवहार के आधार पर विंडो के आकार ( $R$ ) को गतिशील रूप से समायोजित करता है:

प्रतिबंध (Constraint): फिल्टर यह मानता है कि सिग्नल को एक विंडो $W$ के भीतर एक लीनियर फंक्शन $x(t) = k(t-t_l) + b$ द्वारा एक पूर्ण त्रुटि सहनशीलता $\delta$ के साथ अनुमानित किया जा सकता है।
अडैप्टेशन लॉजिक:
- यदि सिग्नल सुचारू (smooth) है (कम डायनेमिक्स), तो शोर औसत (noise averaging) को अधिकतम करने के लिए विंडो का आकार बढ़कर अधिकतम अनुमत आकार ( $R_{max}$ ) हो जाता है।
- यदि सिग्नल में तीव्र परिवर्तन (उच्च डायनेमिक्स) दिखाई देते हैं, तो विंडो का आकार सिकुड़ जाता है ताकि यह सुनिश्चित हो सके कि लीनियर एप्रोक्सिमेशन $\delta$ की सहनशीलता के भीतर बना रहे।
ऑप्टिमाइजेशन: प्रत्येक टाइम स्टेप पर, फिल्टर दो उप-समस्याओं को हल करता है:
- विंडो ऑप्टिमाइजेशन: सबसे बड़ा $R$ खोजें जिससे लीनियर फिट एरर $\le \delta$ हो।
- एस्टिमेशन: ढलान ( $k^*$ , डेरिवेटिव अनुमान) और इंटरसेप्ट ( $b^*$ , सिग्नल अनुमान) खोजने के लिए कंस्ट्रेंड लीस्ट-स्क्वायर्स समस्या को हल करें।

कुशल कार्यान्वयन (Efficient Implementation)

यह सुनिश्चित करने के लिए कि यह एम्बेडेड हार्डवेयर पर वास्तविक समय में व्यवहार्य हो, लेखकों ने विशिष्ट एल्गोरिदम विकसित किए हैं:

फिजिबिलिटी चेक (Theorem 1): एक गणितीय प्रमेय एक विंडो की वैधता की जांच करने की अनुमति देता है (अर्थात, क्या $\delta$ के भीतर एक लीनियर फिट मौजूद है) बिना स्पष्ट रूप से लीस्ट-स्क्वायर्स गुणांकों की गणना किए। यह चेक डेटा पॉइंट्स के युग्म-अंतर (pairwise differences) से प्राप्त पूर्व-निर्धारित बाउंड्स ( $m$ और $M$ ) का उपयोग करता है।
इन्क्रीमेंटल अपडेट्स: एल्गोरिदम एक नया डेटा पॉइंट जोड़ने या पुराना डेटा पॉइंट हटाने पर बाउंड्स $m$ और $M$ को इंक्रीमेंटली अपडेट करता है, जिससे $O(N^2)$ पुनर्गणना से बचा जा जा सकता है।
एनालिटिक सॉल्यूशन: कंस्ट्रेंड लीस्ट-स्क्वायर्स समस्या को एक एनालिटिक फॉर्मूला का उपयोग करके हल किया जाता है, जिससे फिक्स्ड सैंपलिंग रेट के लिए वेक्टर्स का प्री-कंप्यूटेशन संभव हो पाता है।

3. प्रमुख योगदान (Key Contributions)

नवल एडेप्टिव आर्किटेक्चर: एक कॉज़ल फिल्टर जो डेरिवेटिव गणना से विंडो अडैप्टेशन को अलग करता है, जिससे शोर रिजेक्शन और ट्रांजिएंट रिस्पॉन्स के बीच के ट्रेड-ऑफ को स्वचालित रूप से अनुकूलित किया जाता है।
कंप्यूटेशनल एफिशिएंसी: विंडो फिजिबिलिटी चेकिंग और लीस्ट-स्क्वायर्स सॉल्विंग के लिए कुशल रिकर्सिव एल्गोरिदम का व्युत्पत्ति इसे मानक कंट्रोल बोर्ड्स (जैसे Speedgoat) पर वास्तविक समय कार्यान्वयन के लिए उपयुक्त बनाता है।
व्यावहारिक सत्यापन: यह विधि केवल सैद्धांतिक नहीं है; इसे एक भौतिक मेक्ट्रोनिक सिस्टम (वॉइस-कॉइल मोटर) में कड़ाई से परखा गया है और दो अत्याधुनिक विकल्पों के विरुद्ध तुलना की गई है।

4. प्रयोगात्मक परिणाम (Experimental Results)

अध्ययन में 2 kHz की सैंपलिंग फ्रीक्वेंसी के साथ एक वॉइस-कॉइल मोटर एक्चुएटर का उपयोग किया गया। सिस्टम को "सिमेट्रिकल ऑप्टिमम" पद्धति के माध्यम से ट्यून किए गए PID रेगुलेटर का उपयोग करके नियंत्रित किया गया था। तीन डिफरेंशिएटर्स की तुलना की गई:

LDF: लीनियर लो-पास फिल्टर आधारित डिफरेंशिएटर।
RED: रोबस्ट एक्जैक्ट डिफरेंशिएटर (स्लाइडिंग-मोड आधारित)।
ADF: प्रस्तावित एडेप्टिव डिफरेंशिएटिंग फिल्टर।

मुख्य निष्कर्ष:

नॉइज़ सेंसिटिविटी: ADF ने LDF और RED की तुलना में माप के शोर के प्रति काफी कम संवेदनशीलता प्रदर्शित की।
ट्रांजिएंट रिस्पॉन्स: ADF ने फिक्स्ड लो-पास फिल्टरों के विशिष्ट फेज लैग के बिना सिग्नल के बड़े आयाम वाले परिवर्तनों (उच्च बैंडविड्थ) को सुरक्षित रखा।
कंट्रोल परफॉरमेंस:
- स्टेप रिस्पॉन्स: तीनों विधियों ने समान ट्रैकिंग हासिल की, हालांकि ADF ने थोड़ा कम ओवरशूट दिखाया।
- कंट्रोल एफर्ट ( $u(t)$ ): यह सबसे महत्वपूर्ण अंतरक (differentiator) था। LDF और RED ने उच्च ऑसिलेटरी पैटर्न वाले कंट्रोल सिग्नल उत्पन्न किए, जिससे ऊर्जा की खपत और सिस्टम स्ट्रेस अधिक हुआ। ADF ने बहुत अधिक सुचारू (smooth) कंट्रोल सिग्नल प्रदान किया, जिससे स्थिरता बनाए रखते हुए मैकेनिकल लोडिंग और ऊर्जा उपयोग कम हुआ।
फ्रीक्वेंसी रिस्पॉन्स: ADF ने LDF की तुलना में उच्च आवृत्तियों तक फ्लैट गेन बनाए रखा और RED में देखी गई बैंडविड्थ सीमाओं (लगभग 100 rad/sec के आसपास ब्रेकडाउन) से बचा।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र सिद्ध करता है कि शोर युक्त, वास्तविक समय के नियंत्रण वातावरण में डेरिवेटिव अनुमान के लिए एडेप्टिव विंडोिंग एक फिक्स्ड-पैरामीटर या स्लाइडिंग-मोड दृष्टिकोण की तुलना में एक बेहतर रणनीति है।

व्यावहारिक प्रभाव: ADF उच्च-प्रदर्शन वाले मोशन कंट्रोल के लिए महंगे वेलोसिटी सेंसर या जटिल ट्यूनिंग प्रक्रियाओं की आवश्यकता के बिना, मानक, शोर वाले पोजीशन सेंसर के उपयोग की अनुमति देता है।
सिस्टम दक्षता: एक स्वच्छ डेरिवेटिव अनुमान प्रदान करके, ADF अनावश्यक कंट्रोल एक्चुएशन (चैटरिंग) को कम करता है, जिससे मैकेनिकल घटकों का जीवनकाल बढ़ता है और ऊर्जा की खपत कम होती है।
भावी कार्य: लेखक नोट करते हैं कि विभिन्न शोर स्तरों के लिए कन्वर्जेंस गुणों और इष्टतम ट्यूनिंग रणनीतियों के और अधिक विश्लेषण की योजना बनाई गई है।

संक्षेप में, प्रस्तावित ADF PID कंट्रोल में डेरिवेटिव अनुमान की महत्वपूर्ण समस्या के लिए एक रोबस्ट, कंप्यूटेशनल रूप से कुशल और सेल्फ-ट्यूनिंग समाधान प्रदान करता है, जो प्रयोगात्मक सेटिंग्स में पारंपरिक लीनियर और रोबस्ट नॉन-लीनियर डिफरेंशिएटर्स से बेहतर प्रदर्शन करता है।