类型a

张翠艳、高熠和吴益飞来自南京理工大学自动化学院的研究团队在《机械设计与制造》期刊2022年第7期发表了题为“多电机伺服系统特征模型的滤波算法设计”的研究论文。

该研究属于控制科学与工程领域，特别是针对多电机驱动伺服系统的特征建模与滤波算法优化。随着现代化军事装备对高性能伺服系统的需求增加，传统单电机难以满足大功率、高精度的要求，四电机驱动伺服系统应运而生。然而，由于系统中普遍存在测量噪声（Measurement Noise），这会导致特征参数收敛缓慢的问题，从而影响系统的控制性能。扩展卡尔曼滤波（Extended Kalman Filter, EKF）虽然是一种常用的滤波方法，但其对模型不确定性和状态突变的鲁棒性较差。因此，本研究旨在设计一种强跟踪滤波算法（Strong Tracking Filtering Algorithm），以有效抑制测量噪声并提高特征参数辨识的效率。

研究的工作流程分为以下几个步骤：首先，建立了四电机驱动伺服系统的动力学模型。该模型包括四个电机通过减速带驱动小齿轮，并通过啮合大齿圈带动负载转动的机械结构。其次，基于特征建模理论（Characteristic Modeling Theory），将复杂的高阶动力学模型简化为一个含测量噪声的二阶差分方程形式的特征模型。接着，采用带遗忘因子的递推最小二乘法（Recursive Least Squares Method with Forgetting Factor, RLSFF）对特征参数进行在线辨识，并设计了带积分的黄金分割控制律（Golden Section Control Law with Integral）作为系统控制律。最后，针对特征模型中的测量噪声问题，设计了一种强跟踪滤波算法，用于在参数辨识前抑制噪声。

具体而言，研究对象是一个四电机驱动伺服系统，其动力学模型由一系列微分方程描述，涉及电机的等效电压、电流以及系统的动态特性。为了验证所设计算法的有效性，研究人员进行了仿真分析。仿真过程中，首先初始化状态变量和协方差矩阵，并设置采样周期；然后预测状态变量的先验估计值，并计算输出残差及其协方差矩阵；接下来，通过计算渐消因子（Fading Factor）来调整增益矩阵，以实现对系统状态突变的快速跟踪能力；最后，更新后验状态估计值并完成反馈校正。整个算法的设计过程体现了创新性，尤其是在处理测量噪声时引入了强跟踪滤波器的思想。

研究的主要结果表明，所设计的强跟踪滤波算法能够显著抑制特征模型中的测量噪声。仿真结果显示，在120°阶跃信号输入下，该算法相较于传统的扩展卡尔曼滤波具有更强的噪声抑制能力。具体而言，系统响应及误差图显示，经过强跟踪滤波后的输出信号噪声明显减少，特征参数辨识的收敛速度大幅提升。此外，参数辨识结果图进一步验证了该算法在特征参数估计上的准确性。这些结果不仅解决了由测量噪声引起的特征参数收敛缓慢的问题，还提高了整个控制系统的实时性和稳定性。

本研究的结论是，强跟踪滤波算法在多电机伺服系统特征模型中的应用具有重要的科学价值和实际意义。从科学角度来看，该算法提供了一种新的思路来处理复杂噪声环境下的参数辨识问题，丰富了特征建模理论的应用范围。从应用角度来看，该算法可以广泛应用于需要高精度控制的工业场景，例如新型武器装备的伺服系统、航空航天控制系统等。此外，该研究还为后续相关领域的研究提供了参考和技术支持。

本研究的亮点在于以下几点：首先，提出了一种针对多电机伺服系统的强跟踪滤波算法，解决了传统扩展卡尔曼滤波在模型不确定性和状态突变方面的不足；其次，结合特征建模理论，将复杂的高阶动力学模型简化为低阶特征模型，便于控制器设计；再次，算法设计过程中引入了渐消因子和遗忘因子，增强了对测量噪声的适应性和鲁棒性；最后，仿真结果充分证明了该算法的优越性，为实际工程应用奠定了基础。

此外，本研究还探讨了未来可能的研究方向。例如，如何进一步优化算法的计算效率，使其更适合实时性要求更高的场景；如何将该算法推广到其他类型的多电机系统中；以及如何结合深度学习等新兴技术，进一步提升系统的智能化水平。这些内容为后续研究提供了有价值的参考。