predavanje # 6: adaptivna regulacija i estimacija parametaratitan.fsb.hr/~bskugor/neizrazito i...
TRANSCRIPT
Predavanje # 6: Adaptivna regulacija i estimacija parametara
Literatura:
[1] K. J. Aström, B. Wittenmark: "Computer Controlled Systems", Prentice-Hall, London, 1984.
[2] R. Isermann: “Digital Control Systems”, Springer-Verlag, Berlin, 1989.
Ukratko će se predstaviti sljedeći tipovi adaptivnih regulatora:
Gain-scheduling regulator,
Samopodesivi (auto-tuning) regulator,
Samopodešavajući (self-tuning) regulator,
Adaptivni regulator zasnovan na primjeni referentnog modela
[3] M. S. Grewal, A. P. Andrews: “Kalman Filtering – Theory and Practice”, John Wiley & Sons,
New York, USA, 2001.
Opisat će se ideja identifikacije modela procesa, te će se posebno osvrnuti na
postupke zasnovane na minimiziranju srednjeg kvadratnog odstupanja predikcije
modela (tzv. “Least-Squares” postupak estimacije parametara).
Pritom će se razmotriti identifikacija procesa zasnovana na prethodno
snimljenim podacima (“off-line”), i u realnom vremenu (“on-line”).
Uvod u sustave adaptivne regulacije
Primjena regulatora s fiksnim parametrima ima smisla samo ako se parametri objekta
upravljanja (procesa) ne mijenjaju značajno.
Ukoliko su vjerojatne značajne promjene parametara objekta upravljanja (odnosno
njegove dinamike), potrebno je primijeniti odgovarajuću strukturu regulatora koja će moći
očuvati povoljnu kvalitetu odziva regulacijakog kruga.
Pritom se najčešće koriste dva pristupa:
Regulator podešen za robusno vladanje regulacijskog kruga za širok raspon promjene
parametara (često se naziva i robusni regulator).
Adaptivni regulator, odnosno regulator koji se prilagođuje (adaptira) promjenama
parametara procesa. Ovi regulatori se mogu podijeliti u nekoliko podskupina:
Regulator s prepodešavanjem pojačanja ovisno o radnoj točki (Gain Scheduling
Controller, GSC)
Samopodesivi regulator (Auto-Tuning Controller, ATC)
Samopodešavajući regulator (Self-Tuning Controller, STC)
Adaptivni regulator zasnovan na referentnom modelu (Model Reference Adaptive
Controller, MRAC)
Gain Scheduling Controller
Ovaj tip adaptivnog regulatora prepodešava pojačanja (odnosno parametre) regulatora
ovisno o radnoj točki u kojoj se proces nalazi korištenjem pregledne tablice.
)(zGR
Regulator
s
e Ts1
Z.O.H.
+
-
yR e
T
y)(sGp
Proces
Proračun
pojačanja
(parametara)
TPara
metri r
egula
tora
u*
y*
u
R Vanjski poremećajz
Principni blokovski dijagram sustava s “Gain-
Scheduling” regulatorom.
y
u
u1
u2
up
y1
y2
yr
...
...i
Pregledna (Look-up) tablica za
podešavanje parametara regulatora.
Jedan primjer ovakvog regulatora je autopilot borbenog zrakopolova F-4E Phantom, koji
se prepodešava ovisno o nadmorskoj visini, brzini, napadnom kutu ...
Auto-Tuning Controller
Principni blokovski dijagrami sustava s “Auto-Tuning” regulatorom: estimacija parametara zasnovana
na step ispitnom signalu (a) i na izazivanju granično stabilnih oscilacija (b).
U ovoj strukturi regulator se podešava periodički (npr. na početku ili na kraju jednog
radnog ciklusa ili na zahtjev operatera (kada zamijeti loše vladanje regulacijskog kruga).
Estimacija parametara može se provesti otvorenom krugu (temeljem odziva procesa na
step pobudu) ili dovođenjem zatvorenog regulacijskog kruga u režim granično stabilnih
oscilacija.
Podešenje regulatora može se zasnivati na analitičkim izrazima (metoda step odziva za
ETC) ili praktičnim preporukama (npr. prema Takahashiu).
Ispitni signal
Regulator
(npr. PID)
+
-
yR e
y
Proces
Proračun
parametara
nadomjesnog
modela
u
Proračun
parametara
regulatora
Kp, Tu, TG
a
Regulator
(npr. PID )
+
-
yR e
y
Proces
Estimiranje
kritične
frekvencije
i pojačanja
u
Proračun
parametara
regulatora
wcr, Kcr
Relejni član
b
Self-Tuning Controller (STC)
Ovaj adaptivni regulator zasniva s ena on-line proračunu (estimaciji) parametara
dinamičkog modela procesa (npr. estimacija parametera ARX modela RLS postupkom).
Pritom je petlja adaptacije obično za red veličine sporija od regulacijske petlje (dinamika
estimacije parametara ne utječe na stabilnost). Nadalje, estimirani parametri procesa se
vrlo često osrednjavaju (filtriraju NP filtrom), kako bi se izbjeglo da dođe do naglih
promjena u iznosima parametara regulatora (tj. da se ostvari “bump-less” adaptacija).
)(zGR
Regulator
s
e Ts1
Z.O.H.
+
-
yR e
T
y)(sGp
Proces
Identifikacija
modela procesa
T
u*
y*
u
Ispitni signal
Proračun
parametara
regulatora
+Regulacijska
petlja (brza)
Adaptacijska
petlja (spora)
R
Principni blokovski dijagram sustava sa “Self-
Tuning” regulatorom.
u
y
t
t
HOLD ESTIM. HOLD ESTIM. HOLD
Isključivanje estimacije/adaptacije s obzirom na
varijancu pobudnog (ulaznog) signala procesa.
Kod on-line estimacije i adaptacije regulatora treba voditi računa o perzistenciji pobude,
tj. estimacija i adaptacija da trebaju biti omogućene samo ako pobudni (ulazni) signal
procesa ima dovoljno izraženu dinamiku (pobuđuje sve bitne modove procesa).
Model Reference Adaptive Controller (MRAC)
)(zGR
Regulator
s
e Ts1
Z.O.H.
+
-
yR e
T
y)(sGp
Proces
Postupak
podešavanja
regulatora
T
u*
y*
u
Referentni
model
+
Regulacijska
petlja
Adaptacijska
petlja
yM
eM
-
R
Principni blokovski dijagram sustava s MRAC
regulatorom.
Adaptacija regulatora se provodi na temelju odstupanja vladanje objekta upravljanja s
regulatorom od željene dinamike opisane referentnim modelom.
Postupak adaptacije regulatora nastoji svesti pogrešku u odnosu na modelsku dinamiku na
minimalan iznos, te je potrebno definirati vezu između pogreške slijeđenja modelske
dinamike eM i parametara regulatora R.
Adaptacijska petlja ima brzu dinamiku, te je potrebno pažljivo definirati kriterij
adaptacije kako regulacijski krug s adaptacijskom petljom ne bi postao nestabilan.
M.I.T. metoda:
)(grad MMR ee
dt
dR
Metode zasnovane na teoriji stabilnosti
Lyapunova:
0)(
0)(
dt
edV
eV
M
M
Neke od metoda podešavanja adaptivnog
regulatora tipa MRAC:
Identifikacija modela procesa
1. Planiranje pokusa:
- “off-line” ili “on-line” identifikacija
- odabir ispitnog signala (step, pravokutni signal, PRBS, BLWN)
- odabir amplitude i spektra pobudnog signala
2. Izbor strukture modela procesa:
- linearni modeli (vremenski kontinuirani/diskretni, prijenosna funkcija/
prostor stanja ...)
- nelinarni modeli (model u prostoru stanja, neuronske mreže, neizrazita logika)
3. Estimacija parametara (npr. primjenom LS/RLS postupka estimacije,
gradijentni postupci, teorija Lyapunova, genetski algoritmi ...) i izbor
kriterija optimalnosti (npr. minimum srednjeg kvadratnog odstupanja)
4. Validacija modela na odvojenom setu podataka:
- povoljna vrijednost kriterija kvalitete
- identificirani model predstavlja tzv. minimalnu realizaciju
- pogreška predikcije modela nije značajno samokorelirana (slična bijelom šumu)
Iter
ati
vn
ost
!!
Definicija: Određivanje strukture i parametara matematičkog modela koji
zadovoljavajuće točno opisuje statičko i dinamičko vladanje objekta upravljanja.
Identifikacija procesa uključuje sljedeće korake:
1. Planiranje pokusa i izbor ispitnog signala
Planiranje pokusa ovisi o specifičnostima objekta upravljanja (procesa), npr. u industriji
često nije moguće mjeriti sve procesne veličine niti koristiti specijalizirane senzore.
Stoga se identifikacija vrlo često temelji na standardnim procesnim mjerenjima i
odgovarajućim ispitnim (ulaznim) signalima.
Svim postupcima identifikacije je zajedničko da je na ulaz procesa potrebno dovesti ispitni
signal takve naravi da može pobuditi sve (odnosno sve važnije) aspekte dinamike procesa
(modove procesa). U tu svrhu najčešće se koriste sljedeći tipovi pobudnih signala:
a) Step pobuda (puls) i pravokutni signal - često se koriste u identifikaciji modela
procesa za primjenu u samopodesivim (Auto-tuning) regulatorima.
b) Pseudoslučajni binarni signal (Pseudo-Random Binary Signal, PRBS) i bijeli šum
ograničenog spektra (Band-Limited White Noise, BLWN) – primjena u
samopodešavajućim (Self-tuning) regulatorima
c) Harmonički (sinusni) signal i tzv. “chirp” signal (sinusni signal promjenjive
frekvencije) – koristi se najčešće za estimaciju frekvencijskih karakteristika procesa
PROCES
1u
2u
mu
1y
2y
ny
...
...
Ulazne varijable
(ispitni signali)
Izlazne varijable
(standardna mjerenja)
0 0.2 0.4 0.6 0.8 1
-1
0
1
0 20 40 60 80 1000
0.1
0.2
0.3
t [s]
f [Hz]
0 0.5 1 1.5 2 2.5 3
-1
0
1
0 5 10 15 20 25 300
0.01
0.02
0.03
t [s]
f [Hz]
0 0.2 0.4 0.6 0.8 10
0.5
1
1.5
0 5 10 15 20 250
0.1
0.2
0.3
0.4
0.5
t [s]
f [Hz]
0 0.2 0.4 0.6 0.8 1-1.5
-1
-0.5
0
0.5
1
1.5
0 10 20 30 40 500
0.2
0.4
0.6
0.8
Ispitni signali i pripadajući amplitudni spektri.
Pravokutni puls Pravokutni niz i sinusni signal Chirp signal BLWN signal
Pravokutni puls dobro pobuđuje niskofrekvencijske modove objekta (procesa), dok mu
visokfrekvencijski sadržaj opada razmjerno s frekvencijom. Pogodan za određivanje prijelazne
karakteristike odziva.
Sinusni signal pogodan je za određivanje frekvencijskih karakteristika “točku po točku” jer
snažno pobuđuje samo jednu frekvenciju (sinus). U tu svrhu može poslužiti i pravokutni niz, s
time da on u sebi sadrži i tzv. više harmonike, pa je moguće odrediti nekoliko točaka istodobno.
“Chirp” signal je iznimno pogodan za određivanje frekvencijskih karakteristika u “jednom
koraku” jer ima vrlo bogat frekvencijski sadržaj, a frekvencija raste linearno u vremenu.
BLWN signal (i PRBS) također ima bogat frekvencijski sadržaj, no češće se koristi za
identifikaciju tzv. modela vremenskih nizova (ARX, ARMAX i sl.).
t [s]
f [Hz]
)(zGR
Regulator
s
e Ts1
Z.O.H.
+
-
yR e
T
y)(sGp
Proces
+
+
Ispitni signal
u
Identifikacija u zatvorenom regulacijskom krugu.
U praksi često nije moguće raditi identifikaciju u otvorenom krugu, jer otvaranje
regulacijske petlje podrazumijeva prekidanje rada regulatora, a time i normalnog rada
postrojenja (osim ako se ne radi o redovitom prekidu rada zbog remonta).
U takvim slučajevima ispitni signal se nadodaje upravljačkom signalu (izlazu regulatora),
te se identifikacija provodi na tako dobivenim izlaznim signalima.
Varijable stanja (mjerljive)
UlazParametri
2. Izbor strukture modela procesa
Pod strukturom modela procesa podrazumijeva se red dinamičkog modela i vrsta modela
(linearni/nelinearni model, prostor stanja/prijenosna funkcija). Struktura modela procesa
odabire se najčešće na temelju nekih prethodnih (a-priori) saznanja o procesu.
Na primjer, elastični dvomaseni sustav ima jedan ulaz (moment motora) i jedan izlaz
(brzinu vrtnje motora), a može se opisati linearnim dinamičkim modelom 3. reda u
prostoru stanja ili u obliku prijenosne funkcije:
mm
J
J
c
J
d
J
d
J
c
J
d
J
d
0
0
1
011
1
2
1
222
111
2
1
w
w
w
w
sJ1
1
s
1c
d
sJ2
1
+-
+ +
+
+-
-1m 1w 2w
m2m
w
2w
m
Ulaz
Mjerenje
Parametri
12
12
)(
1
)(
)(1
022
0
1022
2202
21
1
1
ss
ss
sJJsm
sG
m
m
ww
Mjerenja Ulazi u proces
Vektor parametara
Monički polinom reda n (n-1 parametar)
Polinom reda m n (m parametara)
Vremenski-diskretni operator
jediničnog kašnjenja
Procesna mjerenja (nominalni parametri)Predikcija (estimirani izlaz) za dane
estimirane parametre modela procesa
Općenito gledano, za kvalitetnu identifikaciju poželjno je znati kojeg bi reda mogao biti
proces (odnosno kojeg je reda njegova dominantna dinamika), te se može identificirati tzv.
“black-box” model procesa koji SISO sustav glasi:
),),1(),(),2(),1(()( θ kukukykyfky
Pritom se vrlo često koriste linearni modeli procesa (npr. model prijenosne funkcije):
)()(
)()(
1
1
kuqA
qBky
U svrhu ocjenjivanja kvalitete modela (mjere koliko dobro model opisuje statičko i
dinamičko vladanje procesa), potrebno je definirati odgovarajući kriterij optimalnosti
(kriterijsku funkciju).
U praksi se vrlo često koristi kriterij srednjeg kvadratnog odstupanja (Mean Squared
Error, MSE), odnosno srednjeg iznosa sume kvadrata predikcijske pogreške:
N
k
kykyJ1
2)]ˆ,(ˆ),([2
1)( θθθ
Predikcijska pogreška
Normiranje
Ova kriterij se vrlo često proširuje dodatnim težinskim članom koji uzima u obzir
složenost strukture modela (red modela), te se takav kriterij naziva AIC kriterij (Akaike
Information Criterion):
)log()]ˆ,(ˆ),([2
1)(
1
2 nmkykyJN
k
θθθ
)(
)(
Aordn
Bordm
Naglasak se sada daje na čim jednostavniji model koji dobro opisuje vladanje procesa.
Jednostavnost modela povoljna je sa stanovišta:
Dijagnostike – ukoliko se model koristi za praćenje vladanja procesa, njegov izlaz
će biti manje osjetljiv na šum
Regulacije – jer će jednostavniji model procesa rezultirati i regulatorom nižeg reda.
Tako se mogu izbjeći problemi sa relativnom stabilnošću regulacijskog kruga
povezani s numeričkom točnošću estimacije parametara modela visokog reda.
Postupci estimacije parametara mogu se kategorizirati kao:
a) Postupci koji se rabe na prethodno snimljenim podacima (“off-line”), te
postupci koji se provode u realnom vremenu (“on-line”),
b) Estimacija u vremenski-kontinuiranom ili diskretnom području, te estimacija u
frekvencijskom području (estimacija frekvencijskih karakteristika).
Kvaliteta estimacije ovisi o tome kako je postavljen problem identifikacije. Loše
postavljen problem identifikacije (loš izbor ispitnog signala, strukture/reda modela, ili
kriterijske funkcije), rezultirat će identificiranim modelom koji neće dobro opisivati
statičko i dinamičko vladanje procesa.
Tada je potrebno revidirati rezultate, odrediti vjerojatni uzrok pogreške, i ponoviti
postupak identifikacije.
3. Validacija modela
Validacija kazuje koliko dobro identificirani model predviđa vladanje objekta upravljanja
u smislu statičke točnosti i praćenja dominantne dinamike procesa
Nadalje, potrebno je da model procesa udovoljava sljedećim uvjetima:
a) Postupak estimacije parametara modela rezultira minimumom kriterija optimalnosti,
b) Model predstavlja minimalnu realizaciju (tj. dobiven je model najnižeg reda koji
dobro prati dinamiku procesa),
c) Pogreška predikcije e(k) = y(k) – y(k) nije korelirana, odnosno ima svojstva bliska
bijelom šumu, a što se u praksi određuje računanjem autokorelacijske funkcije:
^
N
k
ee kekeN
R1
)()(1
)(Normiranje
|)(|max
)()(
ee
eeee
R
RR Uvjet
nekoreliranosti
0,0
0,1)(
eeR
Broj parametara
Broj mjerenja
4. Estimacija parametara primjenom kriterija srednjeg kvadratnog odstupanja
Pretpostavlja se da se izlazna (mjerena) varijabla y može aproksimirati u funkciji ulazne
varijable x na sljedeći način:
n
i
iinn tttty1
2211 )()()()(
gdje su 1, 2, ..., n poznate funkcije, dok su 1, 2, ..., n nepoznati parametri.
Uz pretpostavku jednake točnosti svih mjerenja, princip minimuma kvadratnog
odstupanja nalaže da parametri 1, 2, ..., n moraju biti takvi da se postiže minimum
kriterija optimalnosti:
N
i
ii yyJ1
2]ˆ[2
1)(θ
gdje yi predstavlja i-to mjerenje izlazne varijable, dok
predstavlja estimat i-tog mjerenja na osnovi ulaza x i parametara modela 1, 2, ..., n
.
)()()(ˆ 2211 ttty nni
Uvode se sljedeće supstitucije (vektorsko-matrični zapis):
n 21φ
Tn 21θ
TNyyy 21y
)(
)(
)(
2
1
Nt
t
t
φ
φ
φ
Φ
Pseudoinverzija matrice F
Euklidska norma razlike
procjene izlaza i mjerenja
Odatle se problem optimizacije može napisati u sljedećem obliku:
2ˆ
2
1]ˆ[]ˆ[
2
1)( yyyyyyθ TJ
Uz daljnju supstituciju , optimizacijski problem poprima konačni matrični oblik:Φθy ˆ
][][2
1)( ΦθyΦθyθ TJ
Raspisivanjem kriterijske funkcije dobije se sljedeći izraz:
ΦθΦθyΦθΦθyyyθTTTTTTJ )(2
Odnosno kriterij srednjeg kvadratnog odstupanja ima minimum (J = 0) za slučaj kada je
FTF = FTy, odnosno za izbor parametara:
yΦΦΦθTT 1)(
0
Tθ
Pozitivni elementi:
funkcija ima minimum
Nakon deriviranja i izjednačavanja s nulom dobije se:
0 ΦθΦyΦTT Φθy Odakle slijedi da je
Detekcija loše estimacije parametara:
On-line usporedba odziva modela procesa i objekta upravljanja.
Praćenje vrijednosti determinante matrice FTF, gdje mali iznosi (bliski nuli)
sugeriraju matricu blisku singularnoj.
Može se u nekim slučajevima izbjeći loša
kondicioniranost matrice
Regularizacijski faktor
Problem loše kondicioniranosti matrice FTF za slučaj slabe popunjenosti (veliki setovi
mjerenja) moguće je do neke mjere kompenzirati uvođenjem tzv. egzaktne regularizacije u
kriterij optimalnosti (I = jedinična matrica):
θIθΦθyΦθyθTTJ ][][
2
1)(
yΦIΦΦθTT 1)(
Ovakav izbor kriterija optimalnosti rezultira sljedećim rješenjem problema optimizacije,
odnosno izrazom za optimalne parametre:
0
Tθ
Da bi izbjegla singularnost pseudoinverzije matrice F, matrica FTF mora biti dobro
kondicionirana, što se pri identifikaciji procesa postiže perzistentnom pobudom koja
pobuđuje sve bitne modove procesa (povoljna amplituda i širok frekvencijski spektar).
Ukoliko matrica FTF nije dobro kondicionirana može doći do razmjerno velike pogreške
estimacije parametara (parametri i mogu poprimiti nerealno visoke vrijednosti).
Stohastičke perturbacije (bijeli šum)
5. Off-line estimacija parametara linearnog dinamičkog sustava
Neka je model procesa takozvani ARX model (Auto Regresssive with eXogenous inputs):
A(q-1)y(k) = B(q-1)u(k) + e(k)
Nadalje, neka je red polinoma A jednak n i neka je red polinoma B jednak m = n – 1.
Temeljem ARX modela vektor parametara polinoma A i B i izlaz procesa mogu se zapisati
kako slijedi:
Tnn bbbaaa 2121θ
nn
nn
qbqbqbqB
qaqaqaqA
2
21
11
22
11
1
)(
1)(
gdje je vektor (k-1) definiran na sljedeći način:
)()2()1()()2()1()( nkukukunkykykyk φ
Uz matricu F i vektor izlaza y definirane kako slijedi:
)1(
)(
N
n
φ
φ
Φ
dobije se izraz za estimaciju
parametara modela u
prije opisanom obliku
yΦΦΦθTT 1)(
)()()( kekky θφ
)1(
)(
Ny
ny
y
Razmjerno jednostavan model, prikladan za izvod algoritma estimacije parametara
“Obojeni” šum
“Obojeni” šum
- AR (Auto-Regressive) model: A(q)y(k) = e(k)
)()(
)()(
)(
)()( ke
qC
qDku
qA
qBky
U praksi se, osim ARX modela, često susreću sljedeći modeli:
Bijeli šum
- ARMAX (Auto-Regressive Moving Average with eXogenous input) model:
A(q)y(k) = B(q)u(k) + C(q)e(k)
Ukoliko nas zanima dinamika s obzirom na stohastički poremećaj.
- Box-Jenkins model je poopćeni model koji odvojeno modelira determinističku i
stohastočku dinamiku objekta upravljanja:
Formalno točniji model u odnosu na ARX koji daje dodatni stupanj
slobode u modeliranju stohastičkog poremećaja kao obojenog šuma
Moguće je umjesto parametara vremenski-diskretnog modela estimirati parametre
vremenski-kontinuiranog modela procesa, kao na primjer:
ububububayayay nnnn
nnnn
1)2(
2)1(
11)1(
1)(
Složeniji model rezultira složenijim algoritmom estimacije parametara
Međutim, tada je potrebno estimirati vremenske derivacije izlaznog i ulaznog signala
kako bi se mogao primjeniti LS postupak estimacije parametara = [a1 ... an b1 ... bn]T.
Vremenske derivacije moguće je estimirati primjenom filtra varijabli stanja, čija
realizacija polazi od kanonskog forme modela filtra u prostoru stanja.
s
1+
s
1 fyy fyfy
*0a
-
*1a
s
1fy
*2a+
+
++
y
y
y
y
y
y
aaaaay
y
y
y
y
n
n
nnn
n
1
0
0
0
0
0
ˆ
ˆ
ˆ
ˆ
ˆ
10000
0
001000
00100
00010
ˆ
ˆ
ˆ
ˆ
ˆ
)1(
)2(
*1
*2
*2
*1
*0
)(
)1(
Parametri filtra varijabli stanja, npr.
prema optimumu dvostrukog odnosaFiltar varijabli stanja za rekonstrukciju prvih
triju vremenskih derivacija signala y.
Osnovna prednost filtra varijabli stanja leži u činjenici da su sve vremenske
derivacije filtrirane s istom dinamikom (imaju ista ekvivalentna kašnjenja).
6. Rekurzivni postupak estimacije parametara linearnog dinamičkog sustava
Prethodno objašnjeni postupak estimacije parametara primjeno “Least Squares” (LS)
kriterija može se efikasno primijeniti samo za slučaj “off-line” estimacije.
Naime, postupak u sebi sadrži inverziju matrice (FTF)1, što je numerički izuzetno
zahtjevno.
Stoga se za on-line primjene koristi rekurzivni postupak estimacije (Recursive Least
Squares, RLS) koji se ovdje daje bez izvoda:
Proračun parametara na temelju mjerenja)]()1()1()[()()1( kkkykkk θφKθθ
1])1()()1()[1()()( kkkkkk TTφPφφPK
)()]1()([1
)1( kkkk PφKIP
Proračun optimalnih pojačanja
Estimacija matrice kovarijanci parametara
K(k) je vektor (matrica) pojačanja za korekciju vektora parametara na osnovi mjerenja.
Matrica P(k) daje procjenu kovarijanci odstupanja estimiranih parametara od
njihovih “stvarnih” vrijednosti. Što je estimat odstupanja veći, to će i članovi
(dijagonalni) matrice kovarijanci P biti većih iznosa.
Faktor zaboravljanja
Integrator
Korekcija obzirom na mjerenja
Izbor početnih vrijednosti:
Početni iznosi parametara (0) se postave na pretpostavljene vrijednosti ili na nulu.
Početni iznosi matrice kovarijanci P(0) = mI (m = 102 – 104) radi brze konvergencije.
1 je slučaj kada nema zaboravljanja prošlih vrijednosti parametara , odnosno
RLS algoritam se ponaša kao integrator z/(z – 1) (spora dinamika estimacije),
0 je slučaj brzog zaboravljanja prošlih vrijednosti parametara , a RLS
algoritam se ponaša kao brzi P1 član z/(z – ) (praćenje brzih promjena parametara ).
Izbor faktora zaboravljanja:
Praćenje (monitoring) estimacije:
Zasniva se na praćenju iznosa članova matrice kovarijanci P.
Ukoliko iznosi članova matrice P rastu u vremenu (engl. P matrix blow-up), što
sugerira progresivno povećanje iznosa odstupanja parametara od realnih
vrijednosti, tada je potrebno zaustaviti estimaciju parametara.
Ova mjera može se primijeniti uz monitoring perzistentnosti pobude.
Rekurzivni postupak estimacije parametara primjenom Kalmanovog filtra
Neovisni stohastički Gaussovski procesi s
očekivanjima jednakim nuli.
Estimacija se svodi na estimaciju varijabli stanja linearnog vremenski-
diskretnog stohastičkog sustava zadanog u prostoru stanja na sljedeći način:
)1()1()( kkk νxx Jednadžba stanja:
)()()()( kkkk exHy Izlazna jednadžba: Šum mjerenja
Perturbacije u
varijablama stanja
Varijable stanja x(k) stohastičkog sustava opisane su očekivanjem E(x(k)) i
matricom kovarijanci odstupanja od očekivane vrijednosti P(k):
)1()1()( kkk QPP
Kalmanov filtar je karakteriziran minimumom kvadratnog odstupanja procjene
u odnosu na očekivane vrijednosti varijabli stanja (uz poznate matrice Q i R):
R(k) (dostupna iz
mjerenja)
Q(k-1)
)].1(ˆ)()()[()1(ˆ)(ˆ
,)()()()(
)()()(
,)1()1()1()1()1()(
kkkkkk
kkkk
kkk
kkkkkk
T
T
xHyKxx
RHPH
HPK
QPHKPP
Kalmanov filtar:
poopćenje RLS
algoritma
Veći stupanj slobode u
podešavanju dinamike
estimacije
Podešavanje Kalmanovog filtra odabirom matrica Q je kompromis između:
oslanjanja na mjerenja i bolje točnosti slijeđenja varijabli stanja (veći iznosi Q i K),
povoljnog odnosa signal/šum u procijenjenim stanjima (manji iznosi Q i K).
Poboljšanje slijeđenja Kalmanovog filtra: adaptacijski mehanizam zasnovan na
proračunu kumulativne sume predikcijske pogreške.
)(kK
q-1
+
+
(k) (k)g
(k-1)g
q-1RESET
u(k-1)
y(k)
Q0
Qadapt
Q Proračun
pojačanja K
Kalmanov filtar
(estimator) )|(ˆ kkx
(k)
gt
Algoritam detekcije nagle
promjene varijabli stanja
Kumulativna suma
Blokovski dijagram adaptacije Kalmanovog filtra.Dinamika
P matrice