Adaptive differentiating filter: case study of PID feedback control

Titolo: Filtro Differenziatore Adattivo: Studio di Caso del Controllo in Retroazione PID

1. Il Problema

Nell'ingegneria dei sistemi e nel controllo, l'estimazione affidabile della derivata di un segnale misurato è una sfida fondamentale. I filtri a struttura fissa (o di dimensione fissa) affrontano un compromesso intrinseco:

• Riduzione del rumore vs. Ritardo di fase: Filtri che riducono efficacemente il rumore di misurazione introducono spesso un ritardo di fase significativo, degradando la risposta transitoria del sistema.
• Limitazioni delle tecniche esistenti:
  • I differenziatori lineari (basati su filtri passa-basso) sono sensibili al rumore se la banda è ampia, o introducono troppi ritardi se la banda è stretta.
  • I differenziatori a modo scorrente (Sliding Mode), come quelli basati sull'algoritmo "super-twisting", sono robusti ma possono richiedere parametri di taratura complessi e, in alcuni casi, generare oscillazioni indesiderate (chattering) o limitazioni di banda.
• Contesto applicativo: In molti sistemi di controllo (es. controllo di movimento con PID), la velocità relativa ($\dot{x}$) non è direttamente misurabile dai sensori e deve essere stimata da una posizione rumorosa ($x$). Un'accurata stima della derivata è cruciale per le prestazioni del controllo, ma le tecniche attuali spesso non riescono a bilanciare precisione, robustezza al rumore e velocità di risposta in tempo reale.

2. Metodologia

Gli autori propongono un Filtro Differenziatore Adattivo (ADF) a tempo discreto e causale, basato su un stimatore ai minimi quadrati vincolati con adattamento della finestra temporale.

• Concetto di Base:

  • Il segnale misurato è modellato come $x_l = \bar{x}(t_l) + w_l$, dove $w_l$ è il rumore limitato da una soglia nota $d$.
  • Il filtro stima la derivata adattando dinamicamente la dimensione della finestra di dati $R$ utilizzata per il fitting lineare.
  • Vincolo: La finestra $W_l(R)$ viene selezionata come la più grande possibile tale che i dati all'interno possano essere approssimati da una funzione lineare $x = k(t-t_l) + b$ con un'accuratezza assoluta $\delta$ (dove $\delta \ge d$).
  • Logica di Adattamento:
    • Se il segnale è dinamico (picchi rapidi), la finestra si restringe automaticamente per non "smussare" i transitori importanti.
    • Se il segnale è stabile, la finestra si allarga per massimizzare la soppressione del rumore.
  • Separazione dei calcoli: L'adattamento della finestra è decoupled dal calcolo della derivata stessa, migliorando l'efficienza computazionale rispetto ad approcci precedenti.

• Algoritmo e Implementazione:

  • Viene utilizzato un algoritmo iterativo che espande o contrae la finestra $R$ basandosi sulla fattibilità del vincolo di linearità.
  • Per garantire l'efficienza in tempo reale, viene proposto un teorema che permette di verificare la fattibilità del vincolo senza calcolare esplicitamente i coefficienti di regressione lineare, utilizzando vettori pre-calcolati ($\bar{m}$ e $\bar{M}$) aggiornati in modo incrementale.
  • La stima finale della derivata ($k^*_l$) e del segnale ($b^*_l$) è ottenuta risolvendo un problema di minimi quadrati vincolati, con soluzioni analitiche pre-calcolabili per tassi di campionamento fissi.

• Parametri di Taratura:

  • $R_{max}$: Dimensione massima della finestra (limitata dalla capacità di memoria e CPU).
  • $\delta$: Soglia di accuratezza, scelta appena sopra l'ampiezza del rumore di misurazione $d$. Questo parametro regola il compromesso tra filtraggio e risposta ai transitori.

3. Contributi Chiave

1. Nuovo Algoritmo Adattivo: Introduzione di un differenziatore causale che separa l'adattamento della finestra dal calcolo della derivata, garantendo un adattamento ottimale e un'efficienza computazionale superiore.
2. Robustezza e Banda Passante: Il filtro dimostra una bassa sensibilità al rumore di piccola ampiezza (grazie alla finestra larga quando possibile) mantenendo al contempo una banda passante ampia per i segnali a grande ampiezza (grazie alla riduzione automatica della finestra durante i transitori).
3. Validazione Sperimentale Reale: Il metodo non è solo teorico, ma è stato implementato e testato su un sistema fisico reale (attuatore a motore a bobina di voce) in un loop di controllo PID in tempo reale.
4. Confronto Completo: Il lavoro fornisce un confronto sperimentale diretto con due approcci standard:
   • Differenziatore lineare filtrato (LDF).
   • Differenziatore omogeneo robusto a modo scorrente (RED).

4. Risultati

Lo studio di caso è stato condotto su un sistema di controllo di movimento lineare con un controllore PID sintonizzato secondo il criterio dell'"ottimo simmetrico".

• Setup Sperimentale:
  • Sistema: Motore a bobina di voce con spostamento limitato a ~18mm.
  • Sensore: Induttivo con rumore significativo (±12 micron).
  • Frequenza di controllo: 2 kHz.
• Prestazioni del Filtro ADF:
  • Rumore: L'ADF ha mostrato una sensibilità estremamente bassa al rumore di misurazione, mantenendo una stima della derivata pulita.
  • Transitori: A differenza dei filtri lineari, l'ADF non ha smussato eccessivamente i picchi rapidi del segnale, preservando la dinamica del processo.
  • Confronto con LDF e RED:
    • Il LDF (filtro lineare) ha prodotto segnali di controllo ($u(t)$) più oscillanti e rumorosi a causa della sua sensibilità al rumore nelle alte frequenze.
    • Il RED (modo scorrente) ha mostrato una banda passante limitata (si degradava intorno a 100 rad/s) e ha generato un controllo più oscillante rispetto all'ADF.
    • L'ADF ha fornito la risposta di controllo più stabile, con un overshoot leggermente inferiore nella risposta a gradino e un consumo energetico/sovraccarico del sistema ridotto grazie a un segnale di controllo meno oscillante.
• Risposta in Frequenza: L'analisi FRF (Frequency Response Function) ha confermato che l'ADF mantiene una pendenza di +20 dB/decade (comportamento di differenziatore ideale) su un ampio range di frequenze, superando i limiti di banda del RED.

5. Significato e Implicazioni

Questo lavoro dimostra che l'uso di un filtro adattivo basato su minimi quadrati vincolati può superare i limiti dei metodi di differenziazione tradizionali nel controllo in retroazione.

• Efficienza Operativa: La capacità di adattare dinamicamente la finestra di elaborazione permette di ottenere prestazioni ottimali senza la necessità di una taratura complessa o di compromessi fissi tra rumore e ritardo.
• Applicabilità Industriale: La validazione su hardware reale (Speedgoat I/O) con vincoli di tempo reale dimostra che l'algoritmo è computazionalmente efficiente e pronto per l'implementazione in sistemi di controllo industriali.
• Miglioramento del Controllo PID: L'uso di questo differenziatore migliora direttamente la qualità del segnale di controllo, riducendo l'usura meccanica e il consumo energetico causati da oscillazioni indotte dal rumore, rendendolo una soluzione superiore per applicazioni di controllo di movimento di precisione.

In conclusione, l'ADF rappresenta un avanzamento significativo nella stima della derivata in tempo reale, offrendo un equilibrio superiore tra accuratezza, robustezza al rumore e velocità di risposta rispetto alle tecniche state-of-the-art.