Dokument 1.pdf - Universität Siegen
Dokument 1.pdf - Universität Siegen
Dokument 1.pdf - Universität Siegen
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
5.2 Parameter- und Zustandsschätzung<br />
Die dargestellten Filtergleichungen entsprechen einem nichtlinearen zeitdiskreten<br />
Kalman-Filter mit einer Approximation erster Ordnung, d.h. die Taylorreihe in Gleichung<br />
(5.105) wurde nach dem ersten Glied abgebrochen. Filter höherer Ordnung sind<br />
denkbar, allerdings steigt der Berechnungsaufwand erheblich und das Konvergenzverhalten<br />
wird schlechter. Aus diesen Gründen werden in dieser Arbeit Filter höherer Ordnung<br />
nicht betrachtet.<br />
Kontinuierliche Modelldarstellung<br />
Die Besonderheit des Extended Kalman-Filters für eine kontinuierliche Modelldarstellung<br />
ist, daß das Zustandsraummodell im Gegensatz zur zeitdiskreten Darstellung kontinuierlich<br />
vorliegt. Der Grund für eine zeitkontinuierliche Beschreibung liegt daran, daß<br />
für nichtlineare Differentialgleichungen keine analytischen homogenen Lösungen zu finden<br />
sind und somit eine Transformation in eine zeitdiskrete Beschreibung nicht möglich<br />
ist. Das Beobachtungsmodell liegt wie beim vorherigen Unterpunkt zeitdiskret vor. Daraus<br />
ergibt sich die folgende nichtlineare stochastische Zustandsraumdarstellung mit den<br />
in Kapitel 2.2.1 abgeleiteten Eigenschaften der weißen Rauschprozesse w und v. Der<br />
Zustandsvektor x ist der um die unsicheren Parameter erweiterte Vektor x a aus (5.99):<br />
ẋ(t) = f[x(t),u(t),t]+G(t) · w(t) (5.123)<br />
y(t i ) = h[x(t i ),t i ]+v(t i ) (5.124)<br />
Die Funktion f ist eine nichtlineare vektorielle Funktion in Abhängigkeit der Zeit t, dem<br />
Eingangsvektor u(t) und den Zustandsgrößen x(t). Hierin sind das Driving-Noise w(t)<br />
und das Measurement-Noise v(t i ) unkorellierte mittelwertfreie weiße Gaußprozesse, wie<br />
in Kapitel 2.2.1 dargestellt. Für den kontinuierlichen Fall müssen die Prädiktionsfehlerkovarianz<br />
und der Prädiktionsschätzwert neu bestimmt werden. Die Prädiktion wird als<br />
formale Integration über den linearisierten Arbeitspunkt folgendermaßen ermittelt:<br />
∫ ti+1<br />
ˆx − (t i+1 ) = f[ˆx(t/t i ),u(t),t]dt + x(t i ) mit x(t i )=ˆx + (t i ) (5.125)<br />
t i<br />
Die Bestimmung der Prädiktionsfehlerkovarianz wird durch die formale Integration im<br />
linearisierten Arbeitspunkt realisiert:<br />
P − (t i+1 ) =<br />
∫ ti+1<br />
t i<br />
˙ P (t/t i ) · dt + P (t i ) mit P (t i )= ˆP + (t i ) (5.126)<br />
Das in der Gleichung (5.126) enthaltene Differential P ˙ (t/t i ) berechnet sich durch:<br />
P ˙ (t/t i )= ˜F (t, ˆx(t/t i )) · P (t/t i )+P (t/t i ) · ˜F (t, ˆx(t/t i )) T + G · Q(t) · G T (5.127)<br />
Die Matrix ˜F stellt eine Linearisierung der Funktion f um einen Arbeitspunkt dar und<br />
wird nach folgender Vorschrift bestimmt:<br />
˜F (t, ˆx(t/t i )) = ∂f[x(t),u(t),t]<br />
∣ (5.128)<br />
∂x x(t)=ˆx + (t/t i )<br />
89