Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Filtros para Diagnosis PDF
Filtros para Diagnosis PDF
Inteligentes
2
Observadores. Diseño
3
Observadores. Diseño
4
Filtros
5
Filtro de Kalman
! El
filtro
de
Kalman
asume
un
sistema
dinámico
lineal
y
un
observable
corrompido
con
ruido
gausiano.
! Permite
la
es7mación
de
estados
pasados,
presentes
y
futuros
bajo
incer7dumbre.
! El
filtro
de
Kalman
extendido
asume
un
sistema
no
lineal
y
la
linealización
local.
6
Filtro de Kalman
! El
filtro
de
kalman
trata
de
es7mar
el
estado
de
un
proceso
dinámico
de
7empo
discreto
modelado
por
las
ecuaciones
sig.
7
Filtro de Kalman
8
Filtro de Kalman
Es el error en la observación.
9
Filtro de Kalman
11
Filtro de Kalman
12
Filtro de Kalman
13
Filtro de Kalman
! Las
es7maciones
iniciales
de
x0
y
P0
no
son
demasiado
crí7cas
(la
es7mación
va
a
converger).
! Las
matrices
Q
y
R
sí
son
crí7cas
para
el
funcionamiento
del
filtro:
! R
se
puede
es7mar
a
través
de
las
medidas.
! Q
es
di^cil
de
es7mar.
! Habitualmente
se
realiza
un
ajuste
de
ambos
parámetros
para
lograr
el
funcionamiento
deseado:
! Con
R
filtramos
el
ruido
en
los
sensores
(filtramos
más
las
salida)
! Con
Q
minimizamos
las
desviaciones
del
model
(nos
ajustamos
más
a
la
salida).
14
Filtro de Kalman - Ejemplo
15
Filtro de Kalman - Ejemplo
%Generamos una medida "ficticia" que estima el valor obj, pero sumándole el
%ruido de las medidas (hay que tener en cuenta una desviación de la medida,
%para hacer que el ruido no esté muy disperso).
disp_ruido = 0.7;
for k=2:N+1
Y(k)=obj + disp_ruido*randn(1);
end
X(1)=x0;
P(1)=P0;
for k=2:N+1
X_apriori(k)=X(k-1);
P_apriori(k)=P(k-1) + Q;
Ganancia_K(k)=P_apriori(k) / (P_apriori(k) + R);
X(k)=X_apriori(k) + Ganancia_K(k)*(Y(k)-X_apriori(k));
P(k)=(1 - Ganancia_K(k)) * P_apriori(k);
end
close all
plot([1:N+1],X,[2:N+1],Y(2:N+1)), title('Estimador de Kalman vs. observaciones');
16
Filtro Extendido de Kalman
17
Filtro Extendido de Kalman
Jacobiano de la función de
observación respecto del
estado del proceso.
Jacobiano de la función de
observación respecto del ruido
de observación.
18
Filtro Extendido de Kalman
19
Filtro Extendido de Kalman
20
Filtro Extendido de Kalman
21
Filtro Extendido de Kalman
22
Problema
! Como
en
el
filtro
de
Kalman:
obtener
el
valor
de
R
y
Q…
y
además
calcular
las
jacobianas.
! R
nos
da
una
indicación
de
lo
fiables
que
son
las
señales
obtenidas
por
los
sensores
(ruido
de
medida).
“Siempre
viene
definida
como
el
cuadrado
de
un
valor
sigmav”.
! Q
nos
da
una
indicación
de
lo
fiable
que
es
el
modelo
(ruido
de
proceso).
“Siempre
viene
definida
como
el
cuadrado
de
un
valor
sigmaw”.
! ¿Cómo
podemos
calcularlas?...
23
Problema
24
Problema
25
Problema
O bien:
26
Problema
27
Problema
28
Problema
! Aunque por lo general no vamos a saber los valores de Q.
29
Código del Observador
%F
es
la
jacobiana
de
la
función
f
respecto
a
la
variable
de
estado
F
=
?;
%G
es
la
jacobiana
de
la
función
de
transferencia
de
la
planta
respecto
al
error
G
=
?;
%Q
es
la
covarianza
del
ruido
en
el
proceso
Q
=
0;
%H
es
la
jacobiana
de
la
función
de
transferencia
del
sensor
debido
a
las
variables
(h
respecto
a
x)
H
=
?;
%V
es
la
jacobiana
de
la
función
de
transferencia
del
sensor
debido
al
error
en
la
medida
(h
respecto
a
v)
V
=
?;
%R
es
la
covarianza
del
ruido
en
el
sensor
R
=
0.000016;
30
Código del Observador
! En Matlab…
syms q0 k v1 h A1
f=(q0-(k*v1*sqrt(h)))/A1
diff(f,h)
31
Código del Observador
32
Referencias
33