Escolar Documentos
Profissional Documentos
Cultura Documentos
1
E z z W z S z
D z
z W z S z S z
=
(
+
(2)
Fig. 1. CAR realimentado digital aplicado a un auricular.
Fig. 2. Diagrama en bloques del CAR realimentado digital.
Fig. 3. Diagrama en bloques elctrico del CAR realimentado digital.
Fig. 4. Diagrama en bloques discreto del CAR realimentado digital.
3
En (2) queda de manifiesto a travs del denominador el
efecto de una estimacin incorrecta del camino secundario. La
Fig. 6 explicita el lazo de aprendizaje del controlador W(z), y
muestra grficamente como esta incorrecta estimacin del
camino secundario agrega un segundo lazo de realimentacin,
con consecuencias en la estabilidad del sistema.
El sistema entonces tiene dos lazos que determinan su
estabilidad: el lazo formado por el controlador W(z) y el
camino secundario S(z), y el lazo formado por el error de
estimacin S(z)-S(z).
Es comn estimar el camino secundario mediante el modelo
conocido como identificacin de planta, mostrado en la
Fig 7. Se trata de un sistema adaptativo adicional que aprende
la transferencia S(z) mediante el algoritmo LMS y una seal de
modelado v(n) que suele ser ruido blanco. El error f(n) est
compuesto por el error del controlador e(n) ms el propio error
de la identificacin de planta. Ambos sistemas convergen
simultneamente, gracias a la independencia estadstica de sus
seales de aprendizaje.
Una vez identificada la transferencia del camino secundario,
se coloca v(n) = 0 para que no disturbe la zona de quietud, y el
proceso de identificacin se detiene. La transferencia S(z) se
copia para ser usada en el IMC. Si posteriormente S(z) vara
por ejemplo al mover el auricular, el efecto del error S(z)-S(z)
se pone de manifiesto en (2). Este efecto es propio del sistema
realimentado, y aporta en forma similar a la inestabilidad de
los algoritmos FxLMS y MFxLMS, ya que es independiente
del algoritmo utilizado, como se muestra en la Fig. 6.
B. Aprendizaje del algoritmo FxLMS
Nos concentraremos ahora en el lazo de realimentacin
generado por el controlador W(z) en la Fig. 6, cuando se utiliza
el algoritmo FxLMS. En este algoritmo se utiliza una vez ms
la estimacin de la transferencia del camino secundario S(z)
para filtrar la referencia sintetizada mediante el modelo IMC,
tal como se muestra en la Fig. 8.
El efecto del camino secundario sobre la estabilidad del
controlador se pone de manifiesto principalmente en la
velocidad mxima de aprendizaje del algoritmo FxLMS que
adapta W(z), determinada en este caso por [5]:
( )
1
max '
2 2 1
x
P L
= A + (
(3)
siendo P
x
es la potencia de la seal de referencia filtrada
x(n-1), L es la cantidad de coeficientes del filtro FIR que
realiza W(z) y A es el retardo del camino secundario S(z).
En (3) queda claro que adems del efecto del lazo generado
por el modelo IMC mostrado en la Fig. 6, el algoritmo FxLMS
sufre el efecto del retardo A introducido a la seal de
referencia por el camino secundario. Esto limita su mxima
velocidad de aprendizaje.
C. Aprendizaje del algoritmo MFxLMS
Analizando ahora el lazo de realimentacin generado por el
controlador W(z) en la Fig. 6, con el algoritmo MFxLMS. La
modificacin introducida al algoritmo FxLMS permite la
convergencia del controlador W(z) por separado del lazo IMC.
Como se observa en la Fig. 9, el aprendizaje de W(z) ocurre
ahora fuera del lazo, incorporndose una copia de W(z) en el
lazo principal. Esto permite invertir el orden de los bloques en
cascada S(z) y W(z). Entonces, el retardo del camino
secundario estimado S(z) afecta por igual al controlador
Fig. 5. Sntesis de la seal de referencia.
Fig. 6. Segundo lazo de realimentacin.
Fig. 7. Identificacin del camino secundario.
Fig. 8. CAR realimentado usando el algoritmo FxLMS.
4
adaptativo y al algoritmo de aprendizaje. Por lo tanto, el
proceso de aprendizaje de W(z) es el de un algoritmo LMS
tradicional, y la mxima velocidad de aprendizaje queda
determinada por
max '
2/
x
P L =
(4)
en donde las variables tienen el mismo significado que en (3).
Es importante notar que (2) es vlida para el caso del
FxLMS y del MFxLMS, ya que se refiere a un W(z) adaptativo
en general. El numerador de (2) indica que el error resultar
pequeo en la medida que el controlador converja al valor
ptimo W*(z) definido como:
( )
( )
*
1
W z z
S z
=
(5)
De (5) es posible advertir que una mala identificacin de
S(z) no ser determinante en la calidad del lazo generado por
el algoritmo adaptativo, ya que solo bastar que W(z) la
compense. Por otro lado de comparar (3) y (4) queda de
manifiesto la ventaja del algoritmo MFxLMS en cuanto a la
velocidad de adaptacin mxima relativa al retraso del camino
secundario. En [6] se analizan los lmites tericos de la
diferencia entre S(z) y S(z) en cuanto a la amplitud y fase para
ambos modelos.
III. SIMULACIONES
Para simular y analizar las diferencias de estabilidad de los
algoritmos FxLMS y MFxLMS se construy un modelo en
MATLAB, el cual permite variar los principales parmetros
del sistema. El camino secundario empleado para las
simulaciones, se dise de tal manera de aproximar la
magnitud de su respuesta en frecuencia a la de un auricular
circumaural activo (auricular circumaural con micrfonos de
error), fijado a la cabeza de una persona. De esta manera los
resultados obtenidos en las simulaciones se aproximen a los
resultados que se obtendrn en la prctica cuando se
implemente el sistema. Dicho diseo se bas en las
caractersticas de un auricular circumaural activo mostrados en
[7] en principio dominadas por la dinmica de resonancia
mecnica del parlante del auricular en las bajas frecuencias
(aproximadamente 200Hz). La respuesta al impulso obtenida
es:
( )
1 2
40
1 2
0,8923 2,1140 1, 2218
1 1,8593 0,8824
z z
S z z
z z
+
=
+
(6)
cuya respuesta al impulso se muestra en la Fig. 10.
Para la identificacin del camino secundario se utilizaron
120 coeficientes, los que cubren la mayora de respuesta al
impulso mostrada en la Fig. 10. El proceso de aprendizaje se
realiz con ruido blanco como seal v(n). La potencia del
ruido blanco fue P
v
= 0.1 por lo que la mxima velocidad de
adaptacin qued determinada por
max
= 0.17. Se eligi un
valor de = 0.04.
El desempeo de ambos algoritmos se prob con una seal
d(n) compuesta por un tpico ruido de maquina [8], generado
en MATLAB. El mismo est formado por 12 componentes
mltiplos de 60Hz de distinta amplitud, con la mayor potencia
concentrada en las componentes de 240, 300, 360, 420 y
480Hz. Se eligi una amplitud tal que resulte en una potencia
filtrada P
x
= 0.1. Para ambos algoritmos se utiliz un
controlador W(z) de 150 coeficientes.
Como se ve en (6) S(z) tiene un retraso A = 40. Con estos
valores (3) arroja un
max
= 0.0016 para el FxLMS y (4) un
valor de
max
= 0.13 para el MFxLMS. Para ambos algoritmos
se utiliz un = 0.001.
La simulacin se dividi en 3 fases. En la primera fase
ambos procesos adaptativos, W(z) y S(z) convergen
simultneamente. Esta fase termina luego de 300000 muestras.
La frecuencia de muestreo fue de 8kHz. Una vez convergidos,
en la segunda fase, se detiene el proceso de adaptacin de S(z)
y se hace v(n) = 0. Esta fase va de la muestra 300000 a la
600000. En la tercer fase, que comienza en la muestra 600000
se simula un cambio en la posicin del auricular, produciendo
Fig. 9. CAR realimentado usando el algoritmo MFxLMS.
Fig. 10. S(z) utilizada en las simulaciones.
5
un S(z) cuya respuesta al impulso cae a la mitad de la
mostrada en la Fig. 10, y cuyo retardo se incrementa en 2
muestras, resultando en A = 42. Como la identificacin de S(z)
se ha detenido en la fase 2, la diferencia de S(z)-S(z) genera
ahora una perturbacin en el sistema, tal como lo muestra la
Fig. 6.
La Fig. 11 muestra las tres fases del ciclo de aprendizaje
para el algoritmo FxLMS, graficando el error cuadrtico
medio (MSE) calculado a partir de la seal e(n) en la Fig. 8.
La Fig. 12 muestra lo mismo para el algoritmo MFxLMS,
calculando el MSE a partir de la seal e(n) en la Fig. 9. Dichos
resultados se obtuvieron, utilizando los parmetros
previamente indicados.
La diferencia en el efecto de mover el auricular es evidente.
El algoritmo MFxLMS soporta la perturbacin, mientras que
el algoritmo FxLMS no.
IV. CONCLUSIONES
Las conocidas diferencias de estabilidad de los algoritmos
FxLMS y MFxLMS se ponen de manifiesto al aplicar ambos
algoritmos al control activo de ruido en un auricular. En este
caso en particular las perturbaciones ocurren en la funcin de
transferencia del camino secundario, producto de mover el
auricular cuando el sistema ya ha convergido. De las
simulaciones realizadas se pueden extraer las siguientes
conclusiones:
- El algoritmo FxLMS es ms sensible a las perturbaciones
de la funcin de transferencia, pudiendo, en algunos casos,
perder estabilidad y nunca recobrarla.
- El algoritmo MFxLMS es ms estable, soportando las
perturbaciones gracias a su menor dependencia de las
variaciones del camino secundario. Su aprendizaje es
similar al del algoritmo LMS tradicional.
- Por el resto de las caractersticas ambos algoritmos se
comportan de manera muy similar.
Las direcciones futuras sern el anlisis, diseo e
implementacin con componentes disponibles comercialmente
de un CAR aplicado a un auricular con el algoritmo MFxLMS,
intentando obtener el mximo de atenuacin posible.
AGRADECIEMEINTOS
A la Secretaria de Ciencia y Tecnologa de la Universidad
Nacional de Crdoba, a la empresa Freescale Semiconductor,
Inc.
REFERENCIAS
[1] B. Widrow and S. Stearns, Adaptive Signal Processing, 1st ed.,
Englewood Cliffs,NJ:Prentice-Hall, 1985, pp.396.
[2] B. Widrow and E Walach, Adaptive Inverse Control: A Signal
Processing Approach, Reissue Edition., IEEE Press Series on Power
Engineering. New Jersey: Wiley-IEEE Press, 2008, pp 160-165 .
[3] M. Rupp and A. Sayed, Modified FxLMS Algorithms with Improved
Convergence Performance, 29
th
Asilomar Conf. Signals, Systems,
Computers, vol 2. Los Alamitos, CA, 1995, pp. 1255-1259.
[4] S. Eliott, Signal Processing for Active Control, Signal Processing and its
Applications. London: Academic Press, 2001, pp. 289-290.
[5] L. Vicente and E. Masgrau Novel FxLMS Convergence Condition
With Deterministic Reference in IEEE Transactions on Signal
processing, Vol. 54 No.10, 2006, pp. 3768-3774.
[6] P. Lopez and M. Piedade The behavior of the modified FX-LMS
algorithm with secondary path modelling errors in Signal Processing
Letters, Vol. 11 No. 2, 2004, pp. 148-151.
[7] P. Wheeler, Voice communications in the cockpit noise environment -
the role of active noise reduction. Doctoral Thesis. University of
Southampton, Institute of Sound and Vibration Research., 1986
[8] MathWorks. Filter design toolbox. Active Noise Control Using a
Filtered-X LMS FIR Adaptive Filter. [Online]. Available:
http://www.mathworks.com/products/filterdesign/demos.html?file=/pro
ducts/demos/shipping/filterdesign/adaptfxlmsdemo.html.
0 100 200 300 400 500 600 700 800 900
10
-6
10
-5
10
-4
10
-3
10
-2
10
-1
Promedio cada 1000 muestras
M
S
E
Fig. 11. Curva de aprendizaje del algoritmo FxLMS.
0 100 200 300 400 500 600 700 800 900
10
-6
10
-5
10
-4
10
-3
10
-2
10
-1
Promedio cada 1000 muestras
M
S
E
Fig. 12. Curva de aprendizaje del algoritmo MFxLMS.
6
Fernando A. Gonzlez, received the Electronic
Engineering degree from Universidad Nacional de
Crdoba, Crdoba, Argentina, in 2011. His current
research interests are applications of adaptive ANC
system and DSP devices.
Roberto Rossi, received the Electronic Engineer degree
from Mar del Plata University, Mar del Plata, Argentina
in 1984. He competed in a nationwide contest and was
awarded a fellowship from Philips International Institute.
Under this fellowship, he completed the Master of
Electronic Engineer from the NUFFIC (Netherlands
Universities Foundation For International Cooperation),
Eindhoven, The Netherlands in 1987. He is currently a
Professor at Universidad Nacional de Crdoba. His main interests and
activities are in adaptive digital filtering field. He lead in DSP ASIC VLSI
design teams for GSM and ISDN markets in Austria Microsysteme
International GmbH. Graz, Austria and Philips Netherlands B.V. Eindhoven,
The Netherlands. He is author of two patents.
Germn Rodrigo Molina, received the Electronic
Engineering degree from Universidad Nacional de
Crdoba, Crdoba, Argentina, in 2003, and the PhD in
Engineering Sciences in the same university, in 2010. He
was awarded a fellowship from CONICET, Argentina.
He is Associate Professor at Universidad Nacional de
Crdoba. It also conducts research and development in
the Geotechnical Laboratory and DSP Laboratory at the
university. His professional experience focuses on the development of
electronic devices in geotechnical and structural engineering, NDT and
geophysical survey methods, digital signal processing, imaging processing,
numerical modeling and programming.
Gustavo Parlanti, received the Electronic Engineering
degree from Universidad Nacional de Crdoba,
Crdoba, Argentina, in 1994. He is Professor in Digital
Signal Processing at the university. He was project
leader in software development in Motorola INC.,
Argentina, from 2001 to 2011. He is Designer Engineer
of Software and Hardware of Embedded and DSP
system meanly oriented to real experience in wireless,
automotive and biomedical applications. Nowadays activities are related to
senior software development and project management activities in ClariPhy
Argentina S.A.