Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Observadores de Estados
Como se vio en el captulo anterior, existen distintos enfoques dentro de la
comunidad FDI a la hora de generar residuos para la deteccin y diagnstico.
Entre estas tcnicas se encuentran los observadores de estados. En este captulo se van a mostrar los fundamentos de los observadores de estados, tanto
para sistemas lineales como para sistemas no lineales, y se ejemplificar su
uso para tareas de deteccin y aislamiento o localizacin.
5.1
Conceptos Fundamentales
54
5.2
5.2.1
= A x(t) + B u(t)
(5.1)
y(t) = C x(t)
(5.2)
(5.3)
y(t) = C x
(t)
(5.4)
5. Observadores de Estados
55
++
++
++
- +
Ke
Observador de estados de orden completo
(5.5)
56
5.2.2
Problema Dual
K C
5. Observadores de Estados
57
5.2.3
Diseo de Observadores
La seal de realimentacin a travs de Ke funciona como una seal de correccin para el modelo de la planta. Si tenemos implcitos factores desconocidos
de la planta con valores significativos, la seal de realimentacin debera ser
grande (es decir, el valor de Ke ). Sin embargo, si la salida est excesivamente
contaminada con ruidos o perturbaciones, esta seal ya no es confiable y por
lo tanto la seal de realimentacin debera ser relativamente pequea. A la
hora de disear la matriz Ke debemos prestar atencin a los efectos de perturbaciones y ruido. Habitualmente se suele disear como un compromiso
una respuesta rpida y la sensibilidad frente a perturbaciones y ruido.
Existen diversas tcnicas que podemos destacar a la hora de realizar un
diseo automtico de la matriz de ganancias. Segn Ogata [79] podemos
destacar principalmente tres tcnicas para el diseo:
Enfoque directo
Enfoque de sustitucin
Frmula de Ackerman
Debido a que la Frmula de Ackerman es la ms genrica, as como la
ms usada, a continuacin se proceder a describir esta tcnica, dejando al
lector la consulta de las otras dos en [79].
5.2.3.1
Frmula de Ackerman
58
Ke
(A)
=
C
CA
CA2
..
.
CAn1
0
0
0
..
.
(5.6)
i=1
5.2.4
Considerando que tenemos el mismo sistema en espacio de estados que hemos utilizado anteriormente (ecuaciones 5.1 y 5.2), podemos ampliar este
sistema de modo que se considere la influencia de fallos y perturbaciones de
la siguiente manera:
x(t)
(5.7)
(5.8)
donde f (t) denota los fallos en el proceso, C(t) los fallos en los sensores, y
w(t), v(t) los ruidos en el proceso y en el sensor, respectivamente.
Considerando esta nueva descripcin de sistema, se modifican las ecuaciones de error en la estimacin de la salida y del estado, obteniendo lo
siguiente:
e x (t) = (A Ke C) ex (t) + w(t) + f (t)
5. Observadores de Estados
59
Sistema
Observador 1
..
.
y1
y2
yp
ey1
.
.
.
Observador p
eyp
60
Otros autores, como Isermann [51] considera un mayor espectro de tcnicas que Kinnaert y considera tcnicas que ste no tena en cuenta, como
filtros de Kalman o bancos de observadores excitados por todas las salidas
(adems de los ya mencionados bancos de observadores excitados por una
salida y por todas las salidas excepto una).
Por su parte, Pouliezos y Stavrakakis [84], hacen una clasificacin de
tcnicas fijndose en el tipo de fallo que queremos aislar. As consideran tres
tipos: esquemas de deteccin de fallos en sensores, actuadores y componentes.
5.3
Al contrario que para los sistemas lineales, que han sido ampliamente estudiados y existe un campo terico bien fundado, para los sistemas no lineales
no ocurre lo mismo [86]. Los fundamentos tericos estn lejos de la solidez
que tienen para sistemas lineales, y su aplicacin prctica tampoco es comparable. Otro problema con los sistemas no lineales es que no existe una
tcnica genrica para disear este tipo de observadores, y su resultado final
depender directamente del tipo de sistema con el que estemos trabajando.
Existen mltiples aproximaciones para el diseo de observadores no lineales [59, 3, 86, 16, 54]. Algunas consisten en emplear directamente los
conocimientos existentes para la generacin de observadores lineales, o en
extenderlos para sistemas no lineales (como el observador de Luenberger extendido [121] o el filtro de Kalman extendido [6, 43]), otras son nicamente
aplicables en determinados tipo de sistemas no lineales (como, por ejemplo,
para sistemas bilineales [59, 3]), tambin existen aproximaciones basadas en
tcnicas de optimizacin (observador de horizonte mvil [71, 94], observador
con algoritmos genticos [119, 83]), etc...
En el presente apartado se pretende dar un introduccin a las tcnicas
ms conocidas y usadas en la literatura.
5.3.1
Diseo bsico
(5.9)
Este tipo de sistema no lineal, en el que el estado es funcin nicamente del estado
y no de la entrada, se considerar nicamente en este apartado de diseo bsico. Posteriormente se ampliar la definicin sistema no lineal.
5. Observadores de Estados
y(t) = C x
(t)
61
(5.10)
Aproximacin Lineal
(5.11)
y = h(
x)
(5.12)
A la hora de disear la matriz de ganancias Ke existen diversas propuestas en la literatura. Entre ellas podemos destacar [121], en donde Zeitz
presenta una extensin del observador de Luenberger para ser aplicado en
sistemas no lineales. En este artculo se propone un conjunto de ecuaciones
para el clculo de la matriz Ke . Posteriormente, Adjallah et al. [2] tambin
proponen un mtodo para el clculo de dicha matriz.
Al igual que ocurra en el caso lineal, consideramos el error en la estimacin del estado de la siguiente manera:
e = x
x = f (
x) f (x) + Ke (h(
x) h(x))
Aunque en este caso la dinmica del error ser no lineal, por lo que no queda
del todo clara la estabilidad en la dinmica del error.
Debido a que la estabilidad de un sistema linealizado en torno a un
punto fijo implica estabilidad local para el sistema no lineal correspondiente
en torno a dicho punto fijo, podemos intentar linealizar la dinmica del error
en torno a su punto fijo (e = 0) [86]:
e = f (
x) f (x) + Ke (h(
x) h(x))
= f (x + e) f (x) + Ke (h(x + e) h(x))
h
2
= ( f
x (x) + Ke x (x))e + O(e )
De tal forma que el sistema linealizado es [86]:
f
h
(x) + Ke (x))e
x
x
Desafortunadamente, dicha linealizacin depende directamente de un estado x que, por una parte no es una cantidad fija, y, por otra parte es
desconocida para nosotros, por lo que no podemos garantizar la estabilidad
del sistema.
e = (
62
5.3.1.2
Tcnicas Lie-algebraic
La idea bsica de estas tcnicas consiste en transformar los sistemas no lineales en sistemas en los que sea vlida la teora para sistemas lineales. En la
literatura podemos encontrar mltiples aportaciones, entre las que cabe destacar el trabajo Keller [58] y el trabajo de Krener e Isidori [62]. La ventaja
de estas tcnicas es que explotan el enorme conocimiento disponible para
el diseo de observadores lineales reduciendo el problema del observador no
lineal a un problema que pueda ser manejado con tcnicas lineales.
El problema a la hora de su aplicacin es que el sistema lineal sobre el que
aplicarla debe cumplir una serie de restrictivas propiedades, y que (aunque
las cumpla) encontrar la transformacin del sistema no resulta una tarea
sencilla.
5. Observadores de Estados
5.3.2
63
Para una clara compresin de los conceptos del filtro de Kalman, las variables y
algunas matrices llevan un doble subndice (por ejemplo, x
k1|k1 ). El significado del
primer trmino del subndice se corresponde con el instante de tiempo (k es el instante
actual, mientras que k 1 es el instante anterior). El significado del segundo trmino del
subndice se corresponde con la fase del filtro de Kalman (k 1 es la fase de prediccin,
mientras que k es la fase de correccin).
64
Pk|k-1
PREDICCIN
Valores
iniciales
yk
CORRECCIN
xk|k
Pk|k
(5.13)
Pk|k1 = APk1|k1 AT + Q
(5.14)
(5.15)
x
k|k = x
k|k1 + Kk (yk C x
k|k1 )
(5.16)
Pk|k = (I Kk C)Pk|k1
(5.17)
El filtro de Kalman resulta bastante fcil de calcular debido que es prcticamente lineal (excepto por la inversin de la matriz). Tambin se puede
probar que el filtro de Kalman es un estimador ptimo del estado de un
proceso, dada una mtrica de error cuadrtica. Para ms informacin sobre
el filtro de Kalman, aplicaciones y fundamentos tanto computacionales como
estadsticos, se recomienda [6], [43] o [118] entre otros.
5.3.2.2
El filtro de Kalman extendido (EKF, extended Kalman filter) [6, 43, 118] es
una variacin del filtro de Kalman para tratar el problema de la estimacin
de estados cuando estamos trabajando con un sistema que es no lineal.
5. Observadores de Estados
65
f[i]
(
x
, uk , 0)
x[j] k1|k1
(5.18)
f[i]
(
x
, uk , 0)
w[j] k1|k1
(5.19)
h[i]
(
x
, 0)
x[j] k|k1
(5.20)
h[i]
(
x
, 0)
v[j] k|k1
(5.21)
(5.22)
(5.23)
66
(5.24)
x
k|k = x
k|k1 + Kk (yk h(
xk|k1 , 0))
(5.25)
Pk|k = (I Kk Ck )Pk|k1
(5.26)
5.3.2.3
5. Observadores de Estados
5.3.3
67
Los mtodos de horizonte mvil (Moving Horizon Estimator, MHE) [71], [94],
[47] realizan estimaciones de estados sin utilizar linealizacin del modelo ni
informacin estadstica de las perturbaciones. MHE realiza las estimaciones
ajustando el modelo de acuerdo a un horizonte de datos pasados y estimando,
a partir del modelo ajustado, los nuevos datos.
La idea bsica de estimacin con horizonte mvil es utilizar nicamente
los N ltimos datos para realizar la estimacin. El horizonte se mueve hacia
delante en cada instante de muestreo para poder as utilizar las medidas
actuales. Supongamos que el horizonte comienza en un instante de muestreo
k N , siendo k el instante de tiempo actual. MHE realiza un proceso de dos
pasos:
Minimizar una funcin de coste (ecuacin 5.27) con respecto al estado
inicial (x(k N )) y a las perturbaciones del modelo (wk ). La funcin
de coste empleada (ecuacin 5.27), es la medida de la distancia entre
la salida del sistema y la salida del estimador (ecuacin 5.28) a lo largo
de un intervalo de tiempo anterior al instante de tiempo para el que se
requiere la estimacin del estado (N intervalos hacia el pasado).
minxkN |k ,wkN |k ,...,wk1|k
k1
X
T
w
j|k
Q1 w
j|k
j=kN
vj|k = yj hj (xj )
k
X
T
vj|k
R1 vj|k(5.27)
j=kN
(5.28)
Posteriormente, partiendo del estado inicial ptimo y de las perturbaciones ptimas, se itera recursivamente el modelo desde el instante
t N hacia el futuro para estimar el estado en el instante o instantes
siguientes.
En la figura 5.4 puede verse un esquema del funcionamiento del MHE.
En la literatura cabe destacar el trabajo de Haseltine y Rawlings [49]
en el que se compara de manera crtica la aproximacin del estimador con
horizonte deslizante y el filtro de Kalman extendido como estimadores para
sistemas no lineales.
5.3.4
Programacin Gentica
68
Estimacin para k
k-N
k-N+1
k+1
Tiempo
(5.29)
yk = h(xk )
(5.30)
Para solucionar el problema de la construccin de un observador de estados se propone la siguiente estructura (ecuaciones 5.31 y 5.32):
x
k|k = x
k|k1 + K(k|k1 , uk1 ) k|k1
k|k1 = yk h(
xk|k1 )
(5.31)
(5.32)
N
1 X
kk k
N
(5.33)
k=1