⚡ electrical engineering

Adaptive differentiating filter: case study of PID feedback control

本文提出了一种基于约束最小二乘估计与窗口自适应的自适应因果离散微分滤波器，并通过机械电子应用中的 PID 反馈控制案例，证明了其在抑制低幅值测量噪声的同时能保持大信号变化带宽的优越性能，且实验表现优于传统的低通滤波微分器和鲁棒滑模齐次微分器。

原作者： Alexey Pavlov, Michael Ruderman

发布于 2026-03-31

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Alexey Pavlov, Michael Ruderman

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

这篇论文介绍了一种聪明的“信号处理工具”，我们可以把它想象成一位拥有“智能变焦”功能的超级摄影师。

为了让你更容易理解，我们把这篇论文的核心内容拆解成几个生活化的场景：

1. 核心难题：如何看清“速度”？

在控制系统（比如机器人手臂、自动驾驶汽车）中，我们通常需要知道物体移动的速度（即位置的变化率）。

现实困境：传感器只能直接测量“位置”（比如距离），而且这个数据里总是夹杂着噪音（就像照片里的噪点，或者听收音机时的杂音）。
传统方法的尴尬：
- 如果你直接算速度（把位置除以时间），噪音会被无限放大，导致控制指令乱跳，就像试图在狂风中看清一只蝴蝶的翅膀。
- 如果你用普通的“低通滤波器”（像给照片加模糊滤镜）来去噪，虽然画面干净了，但反应变慢了（相位滞后）。当物体突然加速时，你的“速度计”还显示它在慢速移动，导致控制失误。
- 这就好比：你想在嘈杂的房间里听清别人说话。戴耳塞（去噪）能听清但声音闷；不戴耳塞（直接听）能听清但全是杂音。

2. 主角登场：自适应微分滤波器 (ADF)

作者提出了一种新的算法，我们叫它**“智能变焦摄影师”**。

它是怎么工作的？
想象这位摄影师手里拿着一卷胶卷（数据窗口）。
- 当画面很平稳时（物体匀速运动，噪音为主）：摄影师会拉长胶卷，把过去很长一段时间的几十张照片叠在一起看。这样，随机的噪点（杂音）会被平均掉，算出来的速度非常平滑、准确。
- 当画面突变时（物体突然急加速或急刹车）：摄影师会瞬间缩短胶卷，只看最近的两三张照片。这样，他就能立刻捕捉到那个剧烈的变化，不会因为“看太久”而错过细节。
它的核心魔法：
它能自动判断当前是“噪音多”还是“变化大”。
- 噪音大 $\rightarrow$ 自动扩大观察窗口（去噪）。
- 变化快 $\rightarrow$ 自动缩小观察窗口（保真）。
  这就解决了“去噪”和“反应快”之间不可兼得的矛盾。

3. 实验案例：PID 控制器的“眼睛”

论文用了一个实际的实验来测试这个“摄影师”：一个由音圈电机（一种精密的直线运动马达）驱动的系统。

任务：让电机精准地移动到指定位置，或者沿着斜坡移动。
对比对象：
1. 普通方法 (LDF)：像是一个戴了厚眼镜的人，看东西很稳，但反应迟钝，稍微有点急就跟不上。
2. 高级方法 (RED)：像是一个反应极快但有点神经质的拳击手，对噪音非常敏感，导致控制指令（电压）像电钻一样疯狂震动。
3. 新方法 (ADF)：像是一位经验丰富的老练司机。
实验结果：
- 在普通方法下，电机控制信号（电压）会有很多高频的抖动，就像司机在不停地微调方向盘，浪费能量且磨损机器。
- 在新方法 (ADF) 下，电机移动非常平滑，控制信号（电压）很干净，没有多余的抖动。这意味着更省电、机器寿命更长、控制更精准。

4. 总结：为什么这很重要？

这篇论文的价值在于，它不需要昂贵的硬件，只是通过聪明的算法，就让普通的传感器在嘈杂的环境中也能“看”得又快又准。

一句话概括：
这就好比你给机器人装上了一双**“会思考的眼睛”**，它知道什么时候该“眯起眼睛”过滤杂音，什么时候该“瞪大眼睛”捕捉瞬间变化，从而让机器人的动作既平稳又敏捷。

给非技术人员的比喻总结：

噪音 = 照片上的雪花点。
速度估计 = 计算照片里物体的移动速度。
传统滤波器 = 把照片变模糊来去雪花点，结果看不清物体突然加速了。
本文的 ADF = 一个智能变焦镜头：平时拉远看（去噪），遇到突发情况瞬间拉近看（保真），完美平衡了清晰度和反应速度。

这是一份关于论文《自适应微分滤波器：PID 反馈控制的案例研究》（Adaptive differentiating filter: case study of PID feedback control）的详细技术总结。

1. 研究背景与问题 (Problem)

在控制系统理论与工程中，从含噪测量信号中获取可信的导数（如速度、加速度）是一个核心难题。

核心矛盾：传统的固定结构滤波器（Fixed structure filters）面临噪声抑制与相位滞后（或时间延迟）之间的权衡。
- 为了减少噪声，通常需要较大的滤波窗口或低通截止频率，但这会导致相位滞后增加，降低系统响应速度，甚至影响稳定性。
- 为了保留信号的快速瞬态变化（高带宽），滤波器对噪声的敏感度会急剧增加。
现有挑战：因果微分器（Causal differentiators）在实时控制应用中，往往难以同时兼顾估计精度、计算效率、内存消耗以及参数整定的便利性。现有的方法（如线性低通滤波微分、基于滑模的鲁棒微分）在应对大幅值信号变化与微小噪声共存时存在局限性。

2. 方法论 (Methodology)

论文提出了一种自适应因果离散时间微分滤波器（Adaptive Differentiating Filter, ADF），其核心思想是基于带约束的最小二乘估计（Constrained Least-Squares Estimator），并引入窗口自适应机制。

2.1 核心算法原理

信号模型：假设测量信号 $x_l = \bar{x}(t_l) + w_l$ ，其中噪声 $w_l$ 的幅值上界 $d$ 已知。
窗口自适应 (Window Adaptation)：
- 滤波器在时间 $t_l$ 处，利用过去 $R$ 个采样点（窗口 $W_l(R)$ ）进行线性拟合。
- 关键创新：窗口大小 $R$ 不是固定的，而是动态调整的。算法寻找最大的窗口长度 $R^*$ ，使得在该窗口内，信号可以用线性函数 $x = k(t-t_l) + b$ 近似，且近似误差绝对值不超过预设参数 $\delta$ （ $\delta \ge d$ ）。
- 逻辑：
  - 当信号变化平缓时，窗口自动扩大，以最大化噪声抑制能力。
  - 当信号发生剧烈变化（如大幅值峰值）时，线性近似误差会超过 $\delta$ ，窗口自动缩小，从而避免平滑掉信号的快速瞬态变化，保留高带宽。
约束最小二乘估计：
- 在确定的最优窗口 $W_l(R^*)$ 上，求解带约束的最小二乘问题：
  $\min_{k, b} \sum |x(t_i) - k(t_i - t_l) - b|^2$
  约束条件为： $|x(t_l) - b| \le \delta$ 。
- 输出 $k^*_l$ 即为导数估计值 $\dot{\bar{x}}(t_l)$ ， $b^*_l$ 为信号估计值。

2.2 高效实现工具

为了满足实时性要求，论文提出了高效的计算工具：

可行性验证（无需显式计算拟合参数）：利用定理 1，通过计算向量 $m$ 和 $M$ 的最大/最小值来快速判断窗口是否满足线性近似条件，无需每次都求解线性方程组。
增量更新：利用滑动窗口的特性，当窗口增加一个点或减少一个点时，利用递推公式更新 $m$ 和 $M$ 向量，大幅降低计算量。
解析解：对于约束最小二乘问题，给出了基于预计算向量的解析解公式，适合在专用硬件上实时运行。

3. 主要贡献 (Key Contributions)

提出新型自适应滤波器：将窗口大小选择与导数计算解耦。窗口适应仅基于信号动态特性（线性近似可行性），而导数计算基于该窗口下的最优估计。这比现有文献（如参考文献 [5]）中的方法具有更高的计算效率和更优的自适应性能。
解决噪声与带宽的权衡：ADF 能够根据信号幅值自动调整滤波强度。对低幅值噪声表现出极低的敏感度（相当于大窗口），而对高幅值快速变化保持宽频带响应（相当于小窗口）。
实时性与工程实用性：提供了完整的算法实现步骤、内存需求分析（仅需少量数组）和参数整定指南（主要参数为 $\delta$ 和最大窗口 $R_{max}$ ）。
实验验证：在真实的机电系统（音圈电机）PID 控制回路中进行了对比实验。

4. 实验结果 (Results)

研究在一个实验室设置的音圈电机（Voice-Coil Motor）传动系统上进行了验证，采样频率为 2 kHz。对比了三种微分器：

线性滤波微分器 (LDF)：基于二阶低通滤波器的标准方法。
鲁棒精确微分器 (RED)：基于 Levant 的滑模超螺旋算法（Sliding-mode based）。
自适应微分滤波器 (ADF)：本文提出的方法。

实验发现：

噪声抑制：在零输入（静止）状态下，所有方法都能处理噪声，但 ADF 在保持信号平滑的同时，对噪声的敏感度最低。
动态响应：在阶跃和斜坡参考信号输入下，三种方法都能实现闭环控制。
- 超调量：ADF 在阶跃响应中表现出略低的超调量。
- 控制信号质量：这是最显著的差异。LDF 和 RED 产生的控制信号 $u(t)$ 含有更多的高频振荡成分（由于导数估计中包含更多噪声或高频分量），导致能量消耗增加和系统负载增大。相比之下，ADF 产生的控制信号更加平滑，振荡更少。
带宽特性：频率响应函数（FRF）分析显示，ADF 在整个感兴趣频段内保持了预期的 20 dB/dec 增益斜率，且在高频段（约 100 rad/sec 以上）比 RED 具有更好的稳定性（RED 在此处开始失效）。

5. 意义与结论 (Significance & Conclusion)

理论意义：该研究提供了一种新的因果微分框架，证明了通过“约束最小二乘 + 窗口自适应”可以打破传统滤波器在噪声抑制与相位滞后之间的固定权衡。
工程价值：
- 对于仅能获得位置/位移测量而缺乏直接速度传感器的机电系统，ADF 提供了一种无需额外硬件即可获取高质量速度反馈的方案。
- 在 PID 控制中，使用 ADF 可以显著降低控制器的输出振荡，提高执行器的寿命并降低能耗，同时保持系统的快速响应能力。
未来工作：作者计划进一步分析滤波器的灵敏度、收敛特性、传递函数特性以及最优参数整定策略。

总结：这篇论文提出了一种计算高效、实时性强的自适应微分滤波器，成功解决了含噪信号导数估计中的经典难题，并在实际的 PID 运动控制应用中证明了其优于传统线性滤波和滑模微分器的性能，特别是在控制信号的平滑度和系统能耗方面表现突出。