• Keine Ergebnisse gefunden

Regelung Mechatronischer Systeme, Regelungs- und Systemtechnik 3

N/A
N/A
Protected

Academic year: 2022

Aktie "Regelung Mechatronischer Systeme, Regelungs- und Systemtechnik 3"

Copied!
32
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Volltext

(1)

Regelung Mechatronischer Systeme, Regelungs- und Systemtechnik 3

Kapitel 3: Kalman-Filter

Prof. Dr.-Ing. habil. Pu Li

Fachgebiet Prozessoptimierung

(2)

Diskrete dynamische Systeme

) 0

0 ( )),

1 (

), ( ( )

1

(k f x k u k x x

x + = + =

Die Modellgleichung (nichtlinear):

Die Modellgleichung (linear)

) (k Zustandsvariable: x

Sie ist kontinuierlich aber nicht differenzierbar.

) (k Steuervariable: u

Sie ist stückweise konstant.

) 0

0 ( )),

1 (

) ( )

1

(k ax k bu k x x

x + = + + =

(3)

Zustandsraumdarstellung diskreter Systeme

k k

k

k

Ax Bu w

x =

−1

+ +

k k

k

Cx v

y = +

w

k

v

k

Strukturbild:

Unsichere (stochastische) Störungen:

Prozess : Ungenauigkeiten des Modells

: Ungenauigkeiten der Messung

(4)

) ,

(

~ 0 Q

w

k

N

) ,

(

~ 0 R

v

k

N

Wie beschreibt man die Störgrößen?

Eine Zufallsvariable:

• Sie hat einen Bereich, in denen sie ihren Wert nimmt.

• Ihren Wert kann man nicht vorhersagen.

• Durch Beobachtung erhält man die Wahrscheinlichkeitsverteilung.

Auslegung eines Beobachters unter den Störungen

• werden gemessen.

• Störgrößen sind unbekannt.

• Zustandsgrößen sind abzuleiten.

x

k

y

k

k k

v

w ,

(5)

Messwerte zweier Zufallsvariablen:

i ξ1,i

n n1,i

= i

j i

n n

1 , 1

i ,

ξ2

n n2,i

= i

j i

n n

1 , 2

1 [0 250) 0,01 0,01 [0 350) 0,08 0,08

2 [250 260) 0,05 0,06 [350 360) 0,10 0,18

3 [260 270) 0,09 0,15 [360 370) 0,12 0,30

4 [270 280) 0,12 0,27 [370 380) 0,14 0,44

5 [280 290) 0,16 0,43 [380 390) 0,15 0,59

6 [290 300) 0,17 0,60 [390 400) 0,13 0,72

7 [300 310) 0,14 0,74 [400 410) 0,10 0,82

8 [310 320) 0,11 0,85 [410 420) 0,07 0,89

9 [320 330) 0,07 0,92 [420 430) 0,05 0,94

10 [330 340) 0,05 0,97 [430 440) 0,03 0,97

11 [340 350) 0,02 0,99 [440 450) 0,02 0,99

12 [350 500) 0,01 1,00 [450 600) 0,01 1,00

(6)

Wahrscheinlichkeitsdichte:

Wie häufig (wie dicht) in einem Intervall?

Die Dichtefunktion:

i i

n

n n

i

ξ

ξ ρ

ξ

 

 

=

0

lim )

(

0 )

(ξ >

ρ

Charakter der Dichtefunktion:

1 )

( =

ξ ξ

ρ d

) (ξ ρ

ξ

(7)

Wahrscheinlichkeitsverteilung:

{ < } == =

i

i i i

b

a j

j n j

j

j i n

i

d

n b n

a

P ξ ρ ξ ξ ρ ξ ξ

ξ ξ

) ( )

( lim

lim

0 0

Unendliche Beobachtungen:

Relative Häufigkeit = Wahrscheinlichkeit d.h.

{ }

1

0 ≤ P ai ≤ξ < biCharakter der Wahrscheinlichkeit:

{

ai < bi+1

} {

= P ai < bi

} {

+ P ai+1 < bi+1

}

P ξ ξ ξ

{

<

ξ

<

}

=1

P

(8)

Verteilungsfunktion:

Wie groß ist die Wahrscheinlichkeit in einem Intervall?

{ ξ

z

}

F z

ρ ξ

d

ξ

P

z

) ( )

(

=

=

<

{ a

i

< b

i+1

} { = P a

i

< b

i

} { + P a

i+1

< b

i+1

}

P ξ ξ ξ

Weil

{ } { }

i i

i i

i n

i

i i

n n

b a

P b

P

i

ξ ξ

ρ

ξ ξ

ξ

=

=

<

=

<

=

=

=

) ( lim

10

1 10

0 1

10

1 10

Die kontinuierliche Funktion:

ξ

i

i ξ

ξ

ρ

( )

(9)

Normalverteilung:

<

<

= ξ

σ µ ξ σ

ξ π

ρ 2 2

2 ) exp (

2 ) 1

(

=

<

= P z z d

z

F ξ

σ µ ξ σ

ξ π 2 2

2 ) exp (

2 } 1

{ )

(

) ,

(

~ µ σ

2

ξ N

{ }

{ }

{

32

}

00,,99739545

6827 ,

0

<

<

<

σ µ

ξ

σ µ

ξ

σ µ

ξ P P P

Eine Zufallsvariable ist normalverteilt, wenn sie eine Summe von

mehreren kleinen Zufallsvariablen verursacht ist (nach dem Zentral-Limit- Theorem), nämlich

ξ

N

ξ ξ

ξ =

1

+

2

+  +

ξ

(10)

Standardisierung einer Normalverteilung:

) 1 ,

0 (

~ )

, (

~ N µ σ

2

ξ

S

N

ξ ⇒

 −



−

=

 −

 −

=

=

=

<

σ µ

ξ π ξ

σ µ ξ

σ µ ξ

π

σ ξ µ ξ

σ ξ π

z

S S

z

z

d d

d z

F z

P

2 2

2 2

2 exp 1

2 1 2

exp 1 2

1

2

) exp (

2 ) 1

( }

{



 

 Φ −

=

< σ ξ z z µ P{ }

Berechnung der Wahrscheinlichkeit mit vorhandener Software:

Weil

(11)

Gleichverteilung:



>

<

=

b ,

wenn 0

1 wenn )

(

ξ ξ

ξ ξ

ρ

a b a a

b

>

<

=

b wenn

1

a wenn

wenn 0

) (

z

b a z

b a z

a z

z F

(12)

Erwartungswert:

j N

j

j j

N

j

j N j

j

j j n

i

i n

n n n

n ξ ξ ξ ρ ξ ξ ξ

ξ

∑ ∑ ∑ ∑

=

=

=

=

=

=

=

=

1 1

1 1

) 1 (

1

Wo liegt das Zentrum der beobachteten Daten?

Der Mittlerwert:

= Ε

=

→ ξ ξ ξ ξ ρ ξ dξ

n , 0: ( ) ( )

Varianz:

Wie groß ist die Streuung vom Erwartungswert?

[ ]

=

− Ε

=

ξ ξ ξ ξ ρ ξ ξ

ξ

d

D( ) ( )2 ( )2 ( )

= = =

=

=

= N

j

j j N

j

j j n

i

i n

n n n

D n

1

2 1

2 1

2 1 ( ) ( )

) 1 (

)

(ξ ξ ξ ξ ξ ξ ξ

Durch Meßdaten:

Durch Integration:

(13)

Erwatungswert und Varianz:

Normalverteilung:

ξ

=

µ

, D(

ξ

) =

σ

2

Gleichverteilung:

ξ

= (b + a) / 2, D(

ξ

) = (ba)2 /12 Standardisierung einer Zufallsvariable:

) (

) ( ξ

ξ ξ ξ

S

D

Ε

= −

Damit

Ε ( ξ

S

) = 0 1 )

(

S

=

D ξ

(14)

Multivariate Stochastik:

T m

] [ ξ

1

ξ ξ =

Es gibt mehrere unsichere Variablen:

Wahrscheinlichkeitsverteilung:

? }

, ,

{ )

, ,

( z

1

z

m

= P

1

< z

1 m

< z

m

=

F ξ ξ

Man definiert eine gemeinsame Dichtefunktion: ρ(ξ1,,ξm) 0

∫ ∫

=1 )

, ,

(

ξ

1

ξ

m d

ξ

1 d

ξ

m

ρ

m m

z z

m

d d

z z

F

m

ρ ξ ξ ξ ξ

1 1

1

, , ) ( , , )

(

∫ ∫

1

=

damit

Die Wahrscheinlichkeitsfunktion:

(15)

Multivariate Stochastik:

T m

] [ ξ

1

ξ ξ =

T

D m

D( ) ( )]

[ ξ1 ξ

= D

Erwartungswerte:

Varianzen:

Kovarianzmatrix:









=

mm m

m

m m

σ σ

σ

σ σ

σ

σ σ

σ

2 1

2 22

21

1 12

11

Σ

)]

( ) [(

) ,

cov(

i j i i j j

j

i

ξ ξ ξ ξ ξ ξ

σ = = Ε − −

d. h.

) ( ]

) [(

) ,

cov(

i i i i 2 i

i

i

ξ ξ ξ ξ D ξ

σ = = Ε − =

wobei

i j j

i

σ

σ =

( Σ ist symmetrisch)

(16)

Korrelation zwischen Zufallsvariablen:

Korrelationskoeffizienten:

[ ]

[ ( ( )

2

)( ] [ ( ) )

2

]

) (

) (

) ,

cov(

j j

i i

j j

i i

j i

j i

j

i

D D

r ξ ξ ξ ξ

ξ ξ

ξ ξ

ξ ξ

ξ ξ

− Ε

− Ε

= Ε

=

= 1

i

r

i

− 1 < r

i j

< 1 für ij 0

) ,

cov( ξ

i

ξ

j

=

Es gibt die folgenden Beziehungen:

und

• Wenn , bedeutet , haben keine Korrelation.

= 0

j

r

i

ξ

i

, ξ

j

• Wenn bedeutet, wenn , sehr wahrscheinlich

r

i j

> 0 , ξ

i

> ξ

i

j

.

j

ξ

ξ >

(17)

Korrelation zwischen Zufallsvariablen:

Standardform der Variablen: i m

D i

i i

i

S 1, ,

) (

) (

, −Ε = 

= ξ

ξ ξ ξ

Dann ist die Kovarianzmatrix:

 

 

 

 

=

1 1

1

2 1

2 21

1 12

m m

m m

S

r r

r r

r r

Σ

Wenn es keine Korrelation besteht, ist die Kovarianzmatrix eine diagonale Matrix.

(18)

Multivariate Normalverteilung:

 

  − − −

= ( )

( )

2 exp 1

) det(

) 2 ( ) 1

, ,

(

1

ξ μ Σ

1

ξ μ

Σ

T m m

ξ π ξ

ρ

=

2 2 2

1 12

2 1 12 2

1

σ σ

σ

σ σ σ

r Σ r

∫ ∫



− − −

= 1 1 1

1 ( ) ( )

2 exp 1

) det(

) 2 ( ) 1

, , (

z z

m T

m m

m

d d

z z

F ξ ξ

π

ξ μ Σ ξ μ

Σ

]T

[

µ

1

µ

2 μ =

Für zwei Zufallsvariablen :

ξ

1

, ξ

2

Dichtefunktion:

Wahrscheinlichkeitsfunktion:

) ,

(

~ μ Σ

ξ N

(19)

Simulation mehrerer normalverteilten Zufallsvariablen



 

 

 

 

 

= 





 

 

 

 

 

 

400 140

140 , 100

400 , 300

~ 2

2 2

1 12

2 1 12 2

1 2

1 2

1 N

r N r

σ σ

σ

σ σ σ

µ µ ξ

ξ

260 280 300 320 340

320 360 400 440 480

r=0,7

260 280 300 320 340

320 360 400 440 480

r=-0,7

Ein Beispiel:

(20)

) ,

(

~ μ Σ

ξ N

) ,

(

~ N A μ b A Σ A

T

η +

b A ξ

η = +

Multivariate Normalverteilung:

Lineare Transformation:

Stochastische Prozesse:

) ξ (t

Zeitabhängige Zufallsvariable:

• An jedem Zeitpunkt ist der Wert der Variable unsicher.

• Es gibt einen zeitlichen Verlauf von Erwartungswerten.

• Zwischen Zeitpunkten gibt es Korrelationen.

Durch eine lineare Transformation ergibt sich wieder eine Normalverteilung.

(21)

Simulation stochastischer Prozesse: ξ (t ) )

ξ (t

wird durch Unterteilung der Zeit mit Zeitintervallen diskretisiert.

In jedem Intervall wird sie mit einer Zufallsgröße angenähert.

t) [ ]T

(

ξ

1

ξ

60

ξ

= ξ ~ N(μ, Σ)

Z.B. und

0 10 20 30 40 50 60

220 260 300 340 380

) 60

( , , 1

05 , 0 1 )

, (

20 )

(

60 , , 1 ,

) 5 , 0 60

/ ( 200 320

)

( 2

k i

i i

k k r

k

k k

k

=

= +

=

=

=

σ

µ

(22)

• werden gemessen.

• Störgrößen sind unbekannt.

• Zustandsgrößen sind abzuleiten.

x

k

y

k

k k

v w ,

Auslegung eines Beobachters:

Zustandsraumdarstellung diskreter Systeme

Strukturbild:

Prozess

(23)

Kalman-Filter

Die Varianz des Schätzfehlers der Zustandsgrößen soll minimiert werden !

n k

k k

k

= Ax

+ Bu + w x w ∈ ℜ

x

1

,

m k

k

k

= Cx + v y v ∈ ℜ

y ,

) ,

(

~ 0 Q

w

k

N

) ,

(

~ 0 R

v

k

N

Unsichere (stochastische) Störungen:

Modellgleichungen:

Die Schätzung des Zustands

x

k anhand der Messung :

y

k

k

x ˆ

k

(24)

(Erwartungswert auf Basis vom Modell):

1 1

1 1 1

ˆ ˆ

ˆ ˆ

=

+

=

k k k

k

k k k k

k

x C y

Bu x

A x

Schätzfehler der Zustandsvariablen (Kovarianzmatrix der Schätzfehler):

k T

k k k

T T

k k k

k k k

T k k T

k k k

k k k

T k k

k k k k

k k

T k k k

k k k k

k

T k k

k k k

k k k

k k k

k

T k k k

k k k

k k k

k

T k k k

k k k

k k k

k k

Q A

AΣ Q

A x

x x

x A

w w x

x A x

x A

w x

x A w

x x

A

x A w

Ax x

A w

Ax

Bu x

A w

Bu Ax

Bu x

A w

Bu Ax

x w

Bu Ax

x w

Bu Ax

x x

x x

x Σ x

+

= +

Ε

=

Ε +

Ε

=

+

+

Ε

=

+

+

Ε

=

+

+

+ +

+

+ Ε

=

+

+

+

+ Ε

=

Ε

=

=

1 1 1

1 1 1

1 1

1 1 1

1 1 1

1 1 1

1 1 1

1 1 1

1 1 1

1 1 1

1 1 1

1 1 1 1

1 1

1 1

) ˆ )

ˆ )(

((

) (

ˆ )) (

ˆ )(

( ((

) ) ˆ )

( )(

ˆ ) (

((

) ˆ )

ˆ )(

((

) ˆ ))

( ˆ ))(

( ((

) ˆ )

ˆ )(

((

) ˆ )

ˆ )(

((

ˆ ) cov(

Achtung: Matrix B hat keinen Einfluss.

(25)

Also

Σ

k k1

= A Σ

k1k1

A

T

+ Q

k

Schätzfehler der Ausgänge:

1

1

ˆ

~ ˆ

= −

=

k k k k k k

k

y y y C x

y

Update der Zustandsschätzung:

ˆ ) ˆ (

ˆ ~

ˆ

k k

= x

k k1

+ K

k

y

k

= x

k k1

+ K

k

y

k

C x

k k1

x

Welche Matrix soll verwendet werden, damit die Kovarianz von Schätzfehlern minimiert wird?k

K

Kalman-Filter

1 1

ˆ ˆ

k k

k k

y

k

x

u

1 1

1

ˆ

1

k k

k k

Σ

x

?

1

=

k

k k

K

Σ y

k

k k

k k

Σ x ˆ

(Modell) (Messung)

(26)

Varianz des Fehlers der Zustandsschätzung:

T k k

T k k

k k

T k k

k T

k k k k

k

k k k

k k k

k k k

k k k

k k k

k k k

k k k k

k k k

k k k

k k

k k k

k k k k

T k k k

k k k

k k k

k k

RK K

C K

Σ I C K

I

K v

K C

K I

x x

C K

I

v K x

x C

K I

v K x

x C

K I

v K x

C K

Cx K

x x

x C v

Cx K

x x

x C y

K x

x

x x

x x

x Σ x

+

=

+

=

+

=

=

− +

=

− +

+

=

− +

=

− Ε

=

=

) (

) (

) cov(

) ˆ )(

cov(

) (

) cov(

ˆ )) )(

cov((

) ˆ )

)(

cov((

ˆ ) cov( ˆ

ˆ ))) )

ˆ ((

( cov(

ˆ ))) ˆ (

( cov(

) ˆ )

ˆ )(

((

ˆ ) cov(

1

1 1 1

1 1

1 1

1 1

(27)

T k k k T

k T k

k k

k k k

k

T k T

k k k

T k T k

k k

k k k

k

T k k

T k T k

k k T

k T k

k k

k k k

k

T k k

T k T k

k k k

k

T k k

T k k

k k k

k

K S K K

Σ C

Σ K

K R C

K

K Σ C

Σ K

RK K

K C

K K

Σ C

Σ K

RK K

K C I

Σ K

RK K

C K Σ I

C K Σ I

+

=

+ +

=

+ +

=

+

=

+

=

1 1

1

1 1

1 1

1 1

1 1

1 1

1

) (

) )(

(

) (

) (

Varianz des Fehlers der Zustandsschätzung:

Das Minimum bei

0 S

K

K

Σ = − k k T + k k =

k k k

d

d 2( 1) 2

Die optimale Lösung:

1 1

1 1

)

(

=

=

k k T k k k T k

k

C Σ S Σ C S

K

(28)

1 1

= k k T k

k Σ C S

K

T k T k

k T

k k k T k

k T

k k

kS K Σ C S S K Σ C K

K = 1 1 = 1

1 1

1

1 1

1

)

(

=

=

+

=

k k k

k k k

k k

T k k k T

k T k

k k

k k k

k k

k

Σ C K I

C Σ Σ K

K S K K

Σ C C Σ

Σ K Σ

Implementierung Kalman-Filter

Die optimale Matrix:

Da daher

k k k k

k Ax Bu

xˆ 1 = ˆ 1 1 +

k T

k k k

k A Q

Σ 1 = 1 1 +

ˆ

1

~ y

k

= y

k

C x

k k

R C

CΣ

Sk = k k1 T +

1 1

= k k T k

k Σ C S

K

k k k

k k

k x K y

xˆ = ˆ 1 + ~ ) 1

( −

= k k k

k

k I K C Σ

Σ

Prädiktion:

Update:

(29)

Implementierung Kalman-Filter

Prozess

k k k

k k

k x K y

xˆ = ˆ 1 + ~ ˆ ,

ˆk k 1 Axk 1k 1 Buk

x = + ~ ˆ ,

1

= k k k

k y Cx

y

Kalman- Filter

0 0 0

0

, Σ

x

Initialisierung:

(30)

Erweiterter Kalman-Filter (extended Kalman-Filter)

Die Erweiterung des Kalman-Filters auf nichtlineare Systeme!

) ,

,

(

k 1 k k

k

f x u w

x =

) ,

(

k k

k

h x v

y =

) ,

(

~ 0 Q

w

k

N

) ,

(

~ 0 R

v

k

N

Unsichere (stochastische) Störungen:

Modellgleichungen:

Die Schätzung des Zustands

x

k anhand der Messung :

y

k

k

x ˆ

k

(31)

Erweiterter Kalman-Filter (extended Kalman-Filter)

Die Prädiktion der Schätzung vom letzten Schritt

(Erwartungswert auf Basis vom nichtlinearen Modell):

) ˆ ,

ˆ (

) , ˆ ,

ˆ (

1 1

1 1 1

0 x

h y

0 u

x f x

=

=

k k k

k

k k k k

k

Aufgrund der nichtlinearen Funktionen kann die Kovarianzmatrix nicht direkt abgleitet werden.

Daher führt man eine Linearisierung für jeden Schritt durch:

0 x

0 u x

x C h

x A f

ˆ ,

, ˆ ,

1 1

1 1

= ∂

= ∂

k k

k k k

k

k (Zeitvariante

Systeme!)

(32)

Implementierung Erweiterter Kalman-Filter

k T

k k k k

k

k A Σ A Q

Σ 1 = 1 1 +

) ˆ ,

~ (

1

0 x

h y

y

k

=

k

k k

R Σ C

C

Sk = k k k1 Tk +

1 1

= k k Tk k

k Σ C S

K

k k k

k k

k x K y

xˆ = ˆ 1 + ~ ) 1

( −

= k k k k

k

k I K C Σ

Σ

Prädiktion:

Update:

) , ˆ ,

ˆ

1

f ( x

1 1

u 0 x

k k

=

k k k

Aufgrund der Approximation durch die Linearisierung ist die Schätzung der Kovarianz nicht genau.

Daher wird das Ergebnis oft nicht zufrieden stellend.

Referenzen

ÄHNLICHE DOKUMENTE

Bild 2.3 zeigt eine mögliche Reibkennlinie mit verzögertem Reibverhalten für einen Anfahr- und Abbremsvorgang der Masse mit anschließendem Übergang ins Haften.. Verweilt

Durch die Betrachtung der verschiedenen Aspekte funktionaler Strukturierung nach [La01][Pe02] und der Anwendung des skizzierten Modellierungskonzeptes lässt sich eine

Nun geht es aber auch noch darum, in welchem Verhältnis diese Abweichung zur Stan- dardabweichung σ steht. Anders ausgedrückt stellt sich die Frage, mit welchem Faktor man

 Bandpass: schneidet hohe und tiefe Frequenzen heraus, und hinterlässt ein Band von mittleren Frequenzen.  Bandfilter: schneidet bestimmte Frequenzen heraus und hinterlässt

[r]

Technische Universit¨ at Berlin SommerSemester 2003 Institut f¨ur

Die (n × n)-Dynamikmatrix A des linearen, zeitinvarianten Systems (3.2) kann mit einer regul¨aren (eventuell auch komplexwertigen) Zustandstransformation (3.1) genau dann

Evolvierende Faktoranalyse: Wenn Daten in regelmässigen Abständen aufgenommen werden (z.B. Spektren bei der Chromatographie oder bei einer Titration) ändert sich die Anzahl