CN113093540B - 一种基于小波阈值去噪的滑模扰动观测器设计方法 - Google Patents
一种基于小波阈值去噪的滑模扰动观测器设计方法 Download PDFInfo
- Publication number
- CN113093540B CN113093540B CN202110344650.8A CN202110344650A CN113093540B CN 113093540 B CN113093540 B CN 113093540B CN 202110344650 A CN202110344650 A CN 202110344650A CN 113093540 B CN113093540 B CN 113093540B
- Authority
- CN
- China
- Prior art keywords
- disturbance
- wavelet
- observer
- sliding mode
- denoising
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于小波阈值去噪的滑模扰动观测器设计方法,用于估计受传感器测量噪声影响下的系统集总扰动。通常,部分扰动观测器使用传统频域滤波器进行传感器噪声的抑制,然而传统频域滤波器在较高频处会使信号产生较大相位延迟和幅值衰减,降低了扰动抑制能力。针对这一问题,本发明使用小波阈值去噪替代传统频域滤波器进行传感器测量噪声的抑制。结果表明,基于小波阈值去噪的滑模扰动观测器能够有效降低传感器噪声对扰动估计的影响,增加扰动观测器有效抑制扰动的频率范围,对较高频率扰动估计结果有更小的均方根误差,提升了系统的扰动抑制能力。
Description
技术领域
本发明属于扰动估计与抑制领域,具体涉及一种基于小波阈值去噪的滑模扰动观测器设计方法,主要用于受传感器噪声影响下的扰动估计,降低传感器噪声对扰动估计的影响,提升扰动观测器的扰动抑制能力。
背景技术
扰动观测器由于能够估计系统外部扰动和/或内部模型不确定性等,提升系统的鲁棒性而被广泛的关注。但是在实际应用中,控制系统数据通常是通过传感器测量得到的,而测量过程引入的传感器噪声将会影响扰动估计的精度,因而为了减小测量噪声对扰动观测器估计精度的影响,有必要设计滤波器来滤除传感器噪声,通常滤波器都采用传统的Q滤波器,如文献《Design of a Disturbance Observer for a Two-Link Manipulator WithFlexible Joints》(J.N.Yun and J.Su.[J].IEEE Transactions on Control SystemsTechnology,2014,22(2):809-815.)、《面向光电跟踪系统的先进运动控制》(任彦.[M].科学出版社.2017),然而传统的Q滤波器在滤除噪声的同时,也带来了有用信号的相位延迟和幅值衰减,相对其截至频率而言,不受相位延迟和幅值衰减影响的频率范围较小,而滤波造成的相位延迟将严重影响扰动观测器对扰动估计的准确性。对于较宽频率范围内的扰动,Q滤波器带来的消极作用(使扰动估计误差增大)大于其带来的积极作用(使扰动估计误差减小),虽然可以通过增大截至频率来获得更大的受相位延迟和幅值衰减影响小的频率范围,但是较高的截止频率在增加扰动抑制性能的同时也增加了对传感器噪声的敏感度(《Disturbance-Observer-Based Control and Related Methods-An Overview》Chen WH,Yang J,Guo L,et al.[J].IEEE Transactions on Industrial Electronics,2015)。因而,需要一种在较宽频率范围内即能够有效抑制传感器噪声又能够不给扰动观测器带来消极作用或带来消极作用小的滤波方案。
发明内容
为了实现本发明的目的,在抑制传感器噪声的同时实现较宽频率范围内高性能的扰动抑制,进一步提升系统的扰动抑制能力,本发明提出一种基于小波阈值去噪的滑模扰动观测器设计方法,相比使用Q滤波器,其在去除传感器噪声的同时,所带来的有用信号的相位延迟和幅值衰减更小,因而可以保证对较高频率扰动具有更小的扰动估计误差。此外,本发明提供一种适用于扰动观测器设计小波阈值去噪时小波基和小波分解层数选取的方法。
本发明采用如下技术方案,一种基于小波阈值去噪的滑模扰动观测器设计方法,步骤如下:
步骤(1)建立系统动力学方程:
步骤(2)设计系统的复合控制率为:
步骤(3)根据建立的系统(1)和复合控制率(2)设计状态观测器为:
步骤(4)设计滑模控制器,估计系统扰动:
其中β为滑模面反馈增益,则系统的等效扰动可以被估计为:
其中k>0为指数收敛率,η>0为切换增益,sgn为符号函数,v表示滑模面S的微分。
步骤(5)为了减弱滑模抖振,使用饱和函数代替公式(5)中的符号函数:
其中Δ为边界层厚度。
步骤(6)假设系统采样周期为h,使用一阶欧拉法离散状态观测器为:
步骤(7-1):为了实现在线实时去噪,使用滑动窗口法,即采集长度为N的数据后再进行处理,当采集到的数据长度不足N时,以零补全以前时刻数据;
步骤(7-2):对长度为N的数据使用Mallat算法进行j层小波分解;
步骤(7-3):使用通用阈值和软阈值函数对小波系数进行处理:
通用阈值为:
其中,median表示求中值的函数,d1为第一层小波细节系数;
软阈值函数为:
步骤(7-4):将处理后的小波系数进行小波重构;
步骤(7-5):以最新时刻的数据作为输出,下一时刻重复步骤(7-2)~步骤(7-5)。
步骤(8)小波基、小波分解层数j的选择方法:
为了方便选择合适的小波基、小波分解层数j,定义能够衡量扰动观测器扰动抑制程度的参数:
其中rms为计算均方根的函数。式(10)可以理解为,扰动d的有效值减去扰动估计误差的有效值后进行有效值归一化,对于一个特定的扰动d,如果扰动估计误差越小,那么ARD将越接近1,表明扰动观测器扰动抑制能力越强。因而为了选择合适的小波基和小波分解层数,可以在某一特定扰动d时,通过改变小波基、小波分解层数j,使得ARD尽可能的接近1。
本发明具有如下优点:
(1)与使用Q滤波器的滑模扰动观测器相比,本发明能够提高扰动观测器对较高频率扰动的抑制能力,同时提高了扰动观测器抑制扰动频率的范围。
(2)本发明中,最优扰动抑制性能可以通过小波基种类、小波分解层数来调整,从而克服了Q滤波器只有截至频率可调的缺点。
(3)本发明提供一种用于扰动观测器设计小波阈值去噪时小波基、小波分解层数的选择方法。
附图说明
图1是扰动观测器基本原理图;
图2是本发明扰动观测器的基本结构;
图3是仿真条件下模拟加入传感器噪声的傅里叶频谱;
图4是受传感器噪声影响的滑模扰动观测器分别使用Q滤波器与小波阈值去噪时的扰动估计效果图;
图5是受传感器噪声影响的滑模扰动观测器分别使用Q滤波器与小波阈值去噪时在不同正弦频率扰动时的ARD对比图;
图6是受传感器噪声影响的滑模扰动观测器分别使用Q滤波器与小波阈值去噪时在不同正弦频率扰动时均方根误差对比图。
具体实施方式
以下结合附图对本发明的具体实施方式做详细说明。
实施例1:
如图1所示为扰动观测器的基本原理图,包括对象模型、对象逆模型、Q滤波器,其中ξ为传感器噪声,图2所示为本发明基于小波阈值去噪的滑模扰动观测器结构图,包括对象模型、状态观测器,滑模控制器(SMC)和小波阈值去噪(WTD)。
为实现本发明的目的,本发明提供一种基于小波阈值去噪的滑模扰动观测器设计方法,其方法步骤如下:
步骤(1)建立系统动力学方程:
步骤(2)设计系统的复合控制率为:
步骤(3)根据建立的系统(1)和复合控制率(2)设计状态观测器为:
步骤(4)设计滑模控制器,估计系统扰动:
其中β为滑模面反馈增益,系统的等效扰动可以被估计为:
其中k>0为指数收敛率,η>0为切换增益,sgn为符号函数,v表示滑模面S的微分。
步骤(5)为了减弱滑模抖振,使用饱和函数代替公式(5)中的符号函数:
其中Δ为边界层厚度。
步骤(6)设采样周期为h,使用一阶欧拉法离散状态观测器为:
步骤(7-1):为了实现在线实时去噪,使用滑动窗口法,即采集长度为N的数据后再进行处理,采集到的数据不足N时,以零补全以前时刻数据;
步骤(7-2):对长度为N的数据使用Mallat算法进行j层分解;
步骤(7-3):使用通用阈值和软阈值函数对小波系数进行处理:
通用阈值为:
其中,median表示求中值的函数,d1为第一层小波细节系数;
软阈值函数为:
步骤(7-4):将处理后的小波系数进行小波重构;
步骤(7-5):以最新时刻的数据作为输出,下一时刻重复(7-2)~(7-5)步骤。
步骤(8)小波基、小波分解层数j的选择方法:
为了方便选择合适的小波基、小波分解层数j,定义能够衡量扰动观测器扰动抑制程度的参数:
其中rms为计算均方根的函数。式(10)可以理解为,扰动d的有效值减去扰动估计误差的有效值后进行有效值归一化,对于一个特定的扰动d,如果扰动估计误差越小,那么ARD将越接近1,表明扰动观测器扰动抑制能力越强。因而为了选择合适的小波基和小波分解层数,可以在某一特定扰动d时,通过改变小波基、小波分解层数j,使得ARD尽可能的接近1。
实施例2:
已知光电跟踪领域的某吊舱跟踪系统J=0.0378,B=0.9502,下面对本发明的效果进行详细说明:
为了体现本发明的性能,以使用传统Q滤波器时的情况作为对比,不失一般性,Q滤波器被设计为:
其中s为频域变量,gc为滤波器截至频率,其欧拉离散形式可以表示为:
y(n)=y(n-1)+hgc[x(n)-y(n-1)]
(12)
其中x(n)为第n时刻滤波器前数据,y(n)为第n时刻滤波器后数据,y(n-1)为第n-1时刻滤波器后数据。
为了模拟传感器噪声,加入图3形式的白噪声,图3(a)为噪声的时域形式,图3(b)为噪声的傅里叶频谱。使用MATLAB的M文件,以求和代替积分,取采样周期为h=0.001,编写仿真程序,通过经验调试,最终确定参数l=80,β=6,k=15,η=0.05,通过使用本发明所提供的方法,最终小波基被确定为“Db2”,分解层数j=6。
图4(a)所示为加入模拟传感器噪声时,本发明和传统Q滤波器(gc=100)对图4(b)所示扰动估计结果的误差对比,可以看到,使用小波阈值去噪的扰动估计误差明显小于使用Q滤波器的结果,尤其在扰动发生较快变化时。
图5所示为加入模拟传感器噪声时,不同正弦扰动频率下,使用Q滤波器和使用本发明时ARD随扰动频率的变化,其中正弦扰动形式为d=sin 2πωdt。从图中可以看到,在扰动频率较低时,使用两种方案的效果差距不是很大,但是当扰动频率继续增大时,由于Q滤波器带来了更大的相位延迟和幅值衰减,使得扰动抑制能力大幅降低,而使用小波阈值去噪时只带来小的相位延迟,对扰动观测器的扰动抑制能力影响较小,因而使用本发明的扰动观测器设计方案,可以在更宽的扰动频率范围内获得更好的扰动抑制性能。
图6所示为加入模拟传感器噪声时,不进行滤波处理(方案I)、使用Q滤波器进行滤波处理(方案II,gc=100;方案III,gc=300)和使用小波阈值去噪处理(方案IV)时的扰动估计均方根误差随正弦扰动频率变化曲线。可以看到,使用方案II和方案III时,扰动频率分别大于7Hz和11.5Hz后,其均方根误差大于方案I的均方根误差,而使用方案IV时,扰动频率大于15Hz后,其均方根误差才大于方案I的均方根误差,并且随后的变化速率相对于方案II和方案III也是缓慢的。而且此时方案III低频处的均方根误差已经大于了方案IV的,因而单纯通过增加gc并不能获得比方案IV更好的效果,这表明使用本发明的方案,能够降低较高扰动频率的估计误差,提高小误差估计扰动的频率范围。
Claims (3)
1.一种基于小波阈值去噪的滑模扰动观测器设计方法,其特征在于:包括以下实施步骤:
步骤(1):建立系统动力学方程;系统动力学方程为:
步骤(2):设计系统状态观测器;系统的复合控制率设计为:
系统状态观测器设计为:
步骤(3):设计滑模控制器,估计系统扰动;滑模控制器设计为:
滑模面为:
其中k>0为指数收敛率,η>0为切换增益,sgn表示符号函数,v表示滑模面S的微分;
步骤(4):对系统进行离散化处理;设采样周期为h,使用一阶欧拉法离散状态观测器为:
步骤(5):设计小波阈值去噪;
(5-1):为了实现实时去噪,选用滑动窗口法,即采集长度为N的数据后再进行处理,当采集到的数据长度不足N时,以零补全以前时刻数据;
(5-2):对长度为N的数据使用Mallat算法进行j层小波分解;
(5-3):使用通用阈值和软阈值函数对小波系数进行处理:
通用阈值为:
其中median表示求中值的函数,d1为第一层小波细节系数;
软阈值函数为:
(5-4):将处理后的小波系数进行小波重构;
(5-5):以最新时刻的数据作为输出,下一时刻重复步骤(5-2)~步骤(5-5);
该方法为适用于设计基于小波阈值去噪滑模扰动观测器的小波基和小波分解层数的最佳选择方法,为了方便选择合适的小波基、小波分解层数,定义了能够衡量扰动观测器扰动抑制程度的参数:
3.根据权利要求1-2任一项所述的一种基于小波阈值去噪的滑模扰动观测器设计方法,其特征在于:使用本方案设计的滑模扰动观测器,可以提高扰动观测器小误差估计扰动的频率范围,进而提高系统的扰动抑制能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344650.8A CN113093540B (zh) | 2021-03-31 | 2021-03-31 | 一种基于小波阈值去噪的滑模扰动观测器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344650.8A CN113093540B (zh) | 2021-03-31 | 2021-03-31 | 一种基于小波阈值去噪的滑模扰动观测器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113093540A CN113093540A (zh) | 2021-07-09 |
CN113093540B true CN113093540B (zh) | 2022-06-28 |
Family
ID=76671843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110344650.8A Active CN113093540B (zh) | 2021-03-31 | 2021-03-31 | 一种基于小波阈值去噪的滑模扰动观测器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113093540B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116359952B (zh) * | 2022-12-02 | 2024-01-23 | 昆明市测绘研究院 | 基于s-g滤波和小波变换的电离层扰动特性分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116357A (zh) * | 2013-03-14 | 2013-05-22 | 郭雷 | 一种具有抗干扰容错性能的滑模控制方法 |
CN103676649A (zh) * | 2013-10-09 | 2014-03-26 | 江苏师范大学 | 局部自适应小波神经网络训练系统、设备及方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10129141A1 (de) * | 2001-06-16 | 2002-12-19 | Abb Research Ltd | Steuer- und Regelverfahren un Regeleinrichtung zum An- oder Abfahren einer verfahrenstechnischen Komponente eines technischen Prozesses |
US7437201B2 (en) * | 2003-01-14 | 2008-10-14 | Cullen Christopher P | Electric motor controller |
CN103236825A (zh) * | 2013-03-22 | 2013-08-07 | 中国科学院光电技术研究所 | 一种用于高精度数据采集系统的数据校正方法 |
CN103838970B (zh) * | 2014-03-07 | 2016-09-14 | 武汉理工大学 | 面向深海船舶动力定位的高精度实时状态估计方法及系统 |
CN105425592B (zh) * | 2016-01-05 | 2017-12-08 | 大唐环境产业集团股份有限公司 | 一种水处理加药数字化在线控制系统 |
CN105843240B (zh) * | 2016-04-08 | 2019-01-22 | 北京航空航天大学 | 一种考虑执行器故障的航天器姿态积分滑模容错控制方法 |
CN108051857B (zh) * | 2017-12-05 | 2019-08-06 | 中国石油大学(华东) | 一种基于经验模态分解的局部相似性小波阈值去噪方法 |
CN108801251B (zh) * | 2018-06-12 | 2021-09-21 | 中国科学院光电技术研究所 | 一种惯性传感器混叠干扰信号分离方法 |
CN109242804A (zh) * | 2018-10-19 | 2019-01-18 | 华南理工大学 | 一种基于水平集曲率及小波变换的图像去噪方法 |
US11305665B2 (en) * | 2019-03-04 | 2022-04-19 | General Electric Company | Cyber-attack detection and electrical system stability for electric vehicle charging infrastructure |
CN109917655B (zh) * | 2019-03-27 | 2022-03-29 | 中国科学院光电技术研究所 | 一种提高等效滑模控制扰动抑制能力的控制方法 |
CN110376884B (zh) * | 2019-06-26 | 2022-12-16 | 江苏大学 | 一种新能源汽车驱动电机动态抗干扰控制器的构造方法 |
CN110543162B (zh) * | 2019-07-24 | 2021-02-26 | 浙江工业大学 | 一种强噪声下的运动控制系统多重故障辨识方法 |
CN111901260B (zh) * | 2020-06-16 | 2021-09-17 | 燕山大学 | 一种降低工业现场噪声干扰的信道估计方法 |
CN112329741A (zh) * | 2020-12-04 | 2021-02-05 | 广微(中山)智能科技有限公司 | 一种基于小波变换和形态学滤波的电敏感区信号去噪方法 |
-
2021
- 2021-03-31 CN CN202110344650.8A patent/CN113093540B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116357A (zh) * | 2013-03-14 | 2013-05-22 | 郭雷 | 一种具有抗干扰容错性能的滑模控制方法 |
CN103676649A (zh) * | 2013-10-09 | 2014-03-26 | 江苏师范大学 | 局部自适应小波神经网络训练系统、设备及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113093540A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113093540B (zh) | 一种基于小波阈值去噪的滑模扰动观测器设计方法 | |
CN113851144A (zh) | 一种基于改进变分模态分解和主成分分析的语音信号去噪方法 | |
CN113052000A (zh) | 一种船舶机械设备早期微弱故障信号特征诊断方法 | |
CN112945546A (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN113467236B (zh) | 一种对误差信号进行时滞补偿的方法 | |
Liu et al. | Improved real-time denoising method based on lifting wavelet transform | |
CN115795301A (zh) | 一种mhd角速度传感器信号降噪方法 | |
CN111046485A (zh) | 一种递归最小二乘法估计无人艇横摇运动响应函数的方法 | |
CN109088616A (zh) | 一种基于混沌振子的信号去噪方法 | |
CN110703089B (zh) | 一种用于低频振荡Prony分析的小波阈值去噪方法 | |
CN112787632B (zh) | 一种用于舵机的低计算量实时自适应滤波方法 | |
CN117057159B (zh) | 一种周期调度协议下基于三轮车运动模型的状态估计方法 | |
Wang et al. | Research on wavelet de-noising method based MEMS accelerator signal | |
CN113724680B (zh) | 一种基于最大相关熵准则的主动噪声控制算法 | |
Wang et al. | Design and Implementation of Strong Tracking Combined Filtering Algorithm for MEMS Gyroscope | |
CN112069945A (zh) | 工程结构时变频率和阻尼比的一种识别方法 | |
Lin et al. | Research on optical fiber IMU signal processing based on wavelet algorithm | |
CN107609309A (zh) | 一种基于防脉冲平均滤波法和一阶滞后滤波法的海洋风速仿真方法 | |
Xing et al. | Application of Joint Filter Based on EMD and IIR in SINS | |
Wu et al. | Dual adaptive noise cancellation method based on Least Mean M-estimate of noise | |
CN113867155A (zh) | 一种适用于光电跟踪系统的扰动辨识和自适应补偿方法 | |
Wang et al. | High-order Sliding Mode Tracking Differentiator with Neural Network based Adaptive Parameter Estimation | |
Liu et al. | Denoising algorithm of chaotic signal based on Lya-CEEMD-PR discrimination | |
Wu | Application of adaptive length morphological filtering in gearbox bearing fault recognition in quantum domain | |
CN117392974A (zh) | 一种基于小波阈值去噪和iceemdan综合去噪的语音识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |