⚡ electrical engineering

Adaptive Kalman Filtering with Exact Linearization and Decoupling Control on Three-Tank Process

本文针对三Tank过程，提出了一种结合精确线性化与解耦控制的自适应卡尔曼滤波方法，成功实现了对动态参考信号的跟踪及非线性系统状态的高精度估计。

原作者： Bambang L. Widjiantoro, Katherin Indriawati, Moh Kamalul Wafi

发布于 2026-04-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Bambang L. Widjiantoro, Katherin Indriawati, Moh Kamalul Wafi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章主要讲了一个关于**“三个水箱”的自动控制系统**的研究。想象一下，你面前有三个连在一起的水桶（水箱），它们之间通过管子互相通水，还有两个水泵在给它们注水。

这个系统的目标是：不管怎么折腾，都要让这三个水桶里的水位保持在特定的高度。

这就好比你在玩一个高难度的“倒水游戏”，但这次不是用手，而是用电脑算法来自动控制。

为了让你更容易理解，我们可以把这个复杂的工程问题拆解成三个简单的部分：

1. 核心难题：三个水桶是“连体婴儿”

这三个水桶不是独立的。如果你给第一个桶注水，水会通过管子流到第三个桶，再流到第二个桶。

比喻：想象这三个人是手拉手站在一起的。如果你想让第一个人往左走，他可能会不小心把第二个人也拽歪了。
问题：在工业上，这种“互相干扰”很麻烦。如果你只想控制水位，结果因为管子连通，动了一个，其他的也跟着乱动，系统就不稳定了。

2. 解决方案一：把“曲线”变“直线”（精确线性化）

原来的水流规律很复杂，像是一条弯曲的滑梯（非线性），很难直接控制。

做法：研究人员发明了一种“魔法眼镜”（数学上的精确线性化）。戴上这副眼镜后，原本弯曲的滑梯看起来就像是一条笔直的跑道。
效果：一旦变成了直线，控制起来就简单多了。就像在直道上开车，你只需要轻轻打方向盘，车就能走得很直。
更进一步（解耦控制）：他们不仅把路变直了，还切断了水桶之间“互相拽手”的绳子（解耦）。现在，控制第一个桶的水位，完全不会影响第二个桶。就像给每个人发了一辆独立的自动驾驶小车，互不干扰。

3. 解决方案二：聪明的“天气预报员”（自适应卡尔曼滤波）

光有控制还不够，因为现实世界总有意外。比如水管突然有点堵塞，或者传感器读数有点误差（就像天气预报不准）。

传统方法：以前的系统像个死板的天气预报员，它假设天气（噪音）永远是那样，不管实际情况变没变。
新方法（自适应卡尔曼滤波）：这个研究里的系统像个聪明的老练的天气预报员。
- 它会时刻观察：“咦？刚才的预测好像有点偏差，是不是因为突然下雨了（系统噪音变了）？”
- 一旦它发现不对劲，它会立刻调整自己的预测模型，重新计算。
- 比喻：就像你开车时，如果突然遇到侧风，老司机不会死守方向盘，而是会立刻感知风力的变化并微调方向。这个算法就是那个“老司机”，它能自动适应环境的变化，猜出水箱里真实的水位是多少，哪怕传感器在“撒谎”。

4. 实验结果：他们成功了吗？

研究人员在电脑里模拟了各种情况：

线性控制：在水位变化不大的时候，系统表现不错，能稳稳地跟踪目标。
非线性解耦控制：当水位变化很大，或者水桶之间互相干扰很严重时，这套“魔法眼镜 + 独立小车”的方案表现更好，各个水桶都能乖乖听话，互不捣乱。
智能预测：那个“聪明的天气预报员”（自适应卡尔曼滤波）非常准，即使系统里有杂音，它也能猜出真实的水位，误差很小。

总结

这篇论文就像是在教我们如何驯服三个调皮捣蛋、互相使绊子的水桶。

用数学魔法把复杂的乱流变成简单的直线。
用解耦技术让它们各管各的，互不干扰。
用自适应算法让系统像有直觉一样，自动适应环境的变化和干扰。

最终，这套方法能让工业上的水处理、液体存储系统运行得更平稳、更精准，就像给工厂装上了一个超级聪明的“自动平衡大师”。

这是一份关于论文《Adaptive Kalman Filtering with Exact Linearization and Decoupling Control on Three-Tank Process》（基于精确线性化与解耦控制的三罐过程自适应卡尔曼滤波）的详细技术总结。

1. 研究背景与问题 (Problem)

研究对象：液压三罐系统（Three-tank system），广泛应用于水处理和液体存储工业。
核心挑战：
1. 非线性与耦合：三罐系统本质上是非线性的，且罐体之间存在流体耦合（Tank 1 与 3，Tank 3 与 2 相连），导致控制一个液位会影响其他液位。
2. 模型不确定性：传统的确定性控制方法忽略了系统的不确定性和外部扰动。
3. 噪声估计困难：在非线性系统中，传统的扩展卡尔曼滤波（EKF）难以精确匹配过程噪声（Q）和测量噪声（R）的协方差，导致估计性能下降。固定噪声协方差假设在实际应用中往往无法满足性能要求。
目标：设计一种控制策略，既能实现动态参考信号的高精度跟踪（解耦控制），又能通过自适应算法准确估计系统状态，以应对非线性动态和噪声干扰。

2. 方法论 (Methodology)

论文提出了一套综合框架，包含数学建模、两种控制策略（线性和非线性）以及自适应状态估计。

A. 数学建模

基于质量守恒定律和伯努利原理（Torricelli 定律）建立了三罐系统的非线性微分方程模型。
状态变量：三个罐的液位 $h_1, h_2, h_3$ 。
输入变量：两个泵的流量 $q_1, q_2$ 。
线性化：在特定工作点 $(u_0, y_0)$ 附近，利用一阶泰勒展开将非线性模型转化为线性时不变（LTI）离散时间模型，用于线性控制器设计。

B. 控制策略

论文对比并实施了两种控制方案：

线性状态反馈控制（带积分作用）：
- 基于线性化模型，引入积分器消除稳态误差。
- 通过极点配置（Pole Placement）设计反馈增益矩阵 $K$ ，实现对参考信号的跟踪。
- 局限性：仅在工作点附近有效，大偏差下性能可能下降，且存在罐间耦合干扰。
精确反馈线性化与解耦控制（Exact Linearization & Decoupling Control）：
- 利用李导数（Lie Derivative）计算系统的相对阶（Relative Degree）。
- 设计非线性控制律 $u = \alpha(x) + \beta(x)\zeta$ ，将非线性系统精确线性化为解耦的积分器子系统。
- 引入比例反馈 $\zeta$ 以稳定闭环系统。
- 优势：能够在大范围操作下独立控制各个罐的液位，显著减少罐间耦合影响。

C. 自适应卡尔曼滤波 (Adaptive Kalman Filter, AKF)

动机：解决传统卡尔曼滤波中过程噪声协方差矩阵 $Q$ 固定不变的问题。
算法机制：
- 基于常规集中式卡尔曼滤波（CKF）。
- 利用创新序列（Innovation sequence, $v_k = y_k - H\hat{x}_k$ ）的统计特性，动态更新过程噪声协方差矩阵 $Q_k$ 。
- 通过滑动窗口计算 $Q$ 的自适应更新值，使其能够适应系统动态变化和未知的噪声特性，从而提高状态估计的准确性。

3. 关键贡献 (Key Contributions)

混合控制架构：成功将精确反馈线性化与解耦控制应用于三罐系统，解决了非线性耦合问题，实现了多输入多输出（MIMO）系统的独立控制。
自适应噪声估计：提出了一种针对三罐过程的自适应协方差卡尔曼滤波（AKF）算法。不同于传统 EKF，该方法无需预先精确知道噪声统计特性，而是通过在线数据动态调整 $Q$ 矩阵，显著提升了非线性动态下的状态估计精度。
全面的仿真验证：在相同的系统参数下，系统性地对比了线性控制、非线性解耦控制以及自适应滤波器的性能，提供了详实的仿真数据支持。

4. 仿真结果 (Results)

通过数值仿真（采样时间 $t_s=1s$ ），在动态阶跃参考信号下进行了测试：

线性控制结果：
- 能够跟踪参考信号，但在动态过程中表现出明显的罐间耦合效应（一个罐的液位变化会引起另一个罐的波动）。
- 存在轻微的稳态误差或超调，受限于线性化假设。
非线性解耦控制结果：
- 解耦性能优异：Tank 1 和 Tank 2 的液位能够独立跟踪各自的参考信号，相互干扰极小。
- 鲁棒性：在大范围动态变化下，跟踪误差更小，控制输入（泵流量）保持在合理范围内。
- 噪声敏感性：虽然解耦效果好，但测量噪声对输出有较明显的影响（需配合滤波器）。
自适应卡尔曼滤波 (AKF) 结果：
- 估计值 $\hat{y}_i$ 紧密跟随真实状态 $y_i$ 。
- 估计误差小且有界，证明了自适应更新机制在非线性动力学下能有效补偿噪声不确定性，提供了可靠的系统状态预测。

5. 意义与展望 (Significance & Future Work)

理论意义：证明了将精确线性化、解耦控制与自适应噪声估计相结合，是解决复杂液压系统非线性控制与状态估计问题的有效途径。
工程价值：为水处理和液体存储系统的自动化控制提供了更鲁棒、更精确的解决方案，特别是在系统参数未知或环境噪声变化的场景下。
未来工作：
- 将该框架扩展至具有不可观测动态或非满秩动力学的更复杂系统（可能利用压缩感知技术）。
- 推广到多智能体或网络化罐系统，研究分布式估计和去中心化控制策略，以应对通信约束和系统扩展性挑战。

总结：该论文通过结合先进的非线性控制理论（精确线性化）和自适应估计技术（AKF），成功解决了一个经典的三罐液压系统的控制与估计难题，显著提升了系统的跟踪精度和解耦能力，为工业过程控制提供了重要的参考案例。