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.
9 Zusammenfassung und Ausblick<br />
Zur gleichzeitigen Parameter und Zustandsschätzung sind das Extended-Kalman-Filter<br />
und ein adaptives Kalman-Filter mit überlagertem Maximum-Likelihood-Ansatz untersucht<br />
worden. Der Vorteil gegenüber den reinen Parameterschätzverfahren liegt in<br />
der Möglichkeit der direkten Bestimmung der unsicheren physikalischen Parameter des<br />
untersuchten Streckenmodells. Deshalb kann schon während des Filterlaufs durch die<br />
gleichzeitige Parameter- und Zustandsschätzung eine Aussage über das Identifikationsergebnis<br />
gemacht werden. Ein Nachteil liegt in den komplexeren und dadurch rechenzeitintensiveren<br />
Algorithmen. Beide Verfahren sind sowohl für den linearen als auch für<br />
den nichtlinearen Fall einsetzbar. Dabei kann das Extended-Kalman-Filter durch seine<br />
nichtlineare Struktur direkt eingesetzt werden. Das Verfahren mit Kalman-Filter und<br />
Maximum-Likelihood-Ansatz wird hierzu auf den nichtlinearen Fall erweitert.<br />
Bei diesen beiden Verfahren hat sich der adaptive Ansatz mit deutlich besserem Konvergenzverhalten<br />
und deutlich robusteren Eigenschaften auf Startwerte und auftretende<br />
Rauschprozesse durchgesetzt. Das Extended-Kalman-Filter zur gleichzeitigen Parameterund<br />
Zustandsschätzung ist nur für Problemstellungen mit einer geringen Anzahl unsicherer<br />
Parameter geeignet. Für das aufgeführte Beispiel im Kapitel 5.2.3 ist die Schätzung<br />
zweier unbekannter Parameter im Luftpfad nicht mehr möglich. Aus diesem Grund ist<br />
für den direkten Ansatz mit einem Extended-Kalman-Filter auf eine nichtlineare Betrachtung<br />
verzichtet worden. Dementgegen konnten bei der Untersuchung des Anwendungsbeispiels<br />
mit dem adaptiven Ansatz gleichzeitig bis zu sechs unbekannte Parameter<br />
geschätzt werden. Außerdem ist auch der Einsatz für die nichtlineare Modelldarstellung<br />
des Anwendungsbeispiels erfolgreich. Deshalb ist für die spätere Identifikation des Luftpfads<br />
mit Realdaten der adaptive Ansatz gewählt worden.<br />
Nach der Bewertung und Auswahl der geeigneten Verfahren kann die Identifikation<br />
der dynamischen Gemischbildung mit Realdaten eines kanaleinspritzenden Ottomotors<br />
vorgenommen werden. Hierbei ist die Identifikation für die Bestimmung eines Betriebspunkts<br />
in zwei Schritte unterteilt worden.<br />
Im ersten Schritt wird der Luftpfad mit dem adaptiven Ansatz des Parameter- und<br />
Zustandsschätzers mit Kalman-Filter und überlagertem Maximum-Likelihood-Ansatz<br />
identifiziert. Dabei werden die Saugrohrzeitkonstante und die Gesamttotzeit des Systemmodells<br />
geschätzt. Die Totzeit beschreibt den Zeitraum vom Öffnen des Einlaßventils bis<br />
zum Erreichen des verbrannten Abgases nach dem Ausschiebevorgang an der Lambdasonde.<br />
Anschließend wird im zweiten Schritt unter Verwendung der vorher bestimmten<br />
Totzeit der Kraftstoffpfad mit einem Kalman-Filter-Verfahren, das den Regressionsansatz<br />
löst, identifiziert. Danach sind die Parameter des Wandfilmmodells, eine kleine und<br />
eine große Zeitkonstante sowie die Aufteilungsfaktoren, bestimmt.<br />
148