monitorowanie i diagnostyka w systemach sterowania
Transkrypt
monitorowanie i diagnostyka w systemach sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MONITOROWANIE I DIAGNOSTYKA W SYSTEMACH STEROWANIA Temat: Zastosowanie Filtru Kalmana i Rozszerzonego Filtru Kalmana dla potrzeb monitorowania w systemach sterowania Ćwiczenie Laboratoryjne nr 1 Opracowanie: Rutkowski Tomasz, dr inż. Gdańsk, październik 2015 Zadanie 1/3 Wykorzystując 50 kolejnych danych pomiarowych rezystancji 100Ω rezystora nominalnego oraz algorytm Filtru Kalmana oszacować aktualną rezystancję badanego rezystora. Z karty katalogowej rezystora wiadomo że wariancja produkcji 100Ω rezystorów wynosi 4Ω. Producent urządzenia pomiarowego (omomierza) określa jego szum pomiarowy jako Gaussowski z zerową wartością średnią i wariancją na poziomie 1Ω. Należy: 1. Przedstawić dyskretny model procesu i pomiaru. 2. Zaimplementować „własny” algorytm Filtru Kalmana w postaci skryptu lub funkcji (m-plik) w Matlab/Simulink (implementacja poszczególnych równań algorytmu). 3. Przedstawić na rysunkach zmiany: o Rysunek 1: wartości prawdziwej, zmierzonej i wyestymowanej rezystancji, o Rysunek 2: macierzy kowariancji błędu estymacji rezystancji. 4. Punkt 3 powtórzyć („własny” algorytm) dla R=0.01 oraz R=100. Odpowiedzieć na pytanie jaki miało to wpływ na wyznaczone estymaty? 5. Powtórzyć punkt 3 i 5 („własny” algorytm) uwzględniając szum procesowy o wariancji 1e-5 a następnie 1e-2, (Q=1e-5, następnie Q=1e-2). Odpowiedzieć na pytanie jaki miało to wpływ na wyznaczone estymaty? Wskazówki: • Rezystancja jest nieznana ale niezmienna (nie uwzględniamy szumu procesu Q=0), zatem model procesu w przestrzeni stanu można zapisać jako: ( + 1) = ( ) • • • Szum systemowy (procesowy) ( )~ (0, ); Szum pomiarowy ( )~ (0, ); R=1. Zapoznać się z wbudowaną w pakiet Matlab/Simulink funkcją ‘kalman’. Zadanie 2/3 Zaimplementować Filtr Kalmana umożliwiający śledzenie położenia i prędkości obiektu spadającego pionowo w dół (bezpośrednio na radar) na podstawie radarowych danych pomiarowych wysokości o odchyleniu standardowym 250 m. Wskazówki: o o Przyjąć że obiekt spada z wysokości 12500 m, g=9,81 m/sek2. Równanie ruchu ma następującą postać: = 12500 − 200 ∙ − ∙ 2 o Przyjąć liniowy model procesu i liniowy model pomiaru i wykorzystać pliki opracowane w ramach Zadania 1. o Na początku przyjąć macierz Q jako diagonalną z wartościami na przekątnej równej 300. Zweryfikować wpływ postaci macierzy Q na otrzymane rezultaty. 2 Zadanie 3/3 Dany jest model: ( + 1) = ∙ ( ) + ( ) ( )= ( )+ ( ) przy czym a jest nieznanym parametrem, natomiast w(k) i v(k) to białe szumy procesowe i pomiarowe o odchyleniach standardowych σw i σv. Należy: 1. Wykorzystać Rozszerzony Filtru Kalmana do estymacji wartości nieznanego parametru a: o sformułować odpowiednio zadanie estymacji (przepisać model w nowej postaci z nowymi zmiennymi stanu – parametr a jako jeden z elementów wektora stanu), o zaimplementować „własny” algorytm Rozszerzonego Filtru Kalmana w postaci skryptu lub funkcji (m-plik) w Matlab/Simulink (implementacja poszczególnych równań algorytmu). 2. Wykorzystując „własny” algorytm wykonać analizę wpływu wartości odchylenia standardowego σv i wariancji początkowej parametru a na działanie algorytmu w następujących przypadkach: σv =1 i wariancji parametru a równej 10, σv =10 i wariancji parametru a równej 10, σv =1 i wariancji parametru a równej 1, σv =10 i wariancji parametru a równej 1. Wskazówka: o Poszczególne badania należy przeprowadzić przy warunku początkowym a = 0.5, a następnie a = -0.5. 3