Nomenklatur - im ZESS
Nomenklatur - im ZESS
Nomenklatur - im ZESS
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
3. Adaptive Kalman-Filter<br />
$GDSWLYH .DOPDQ )LOWHU<br />
Kalman-Filter gehören zu den Est<strong>im</strong>ationsalgorithmen, die <strong>im</strong> Zustandsraum formuliert werden.<br />
Sie berechnen opt<strong>im</strong>ale Schätzwerte der Zustände eines dynamischen Systems aus gestörten<br />
und damit unsicheren Meßwerten. Die Information über die gesuchten Zustände ist<br />
oftmals in den Messungen nicht direkt enthalten, sondern muß aus den Meßwerten und dem<br />
hinterlegten Zustandsraummodell beobachtet werden. Da sowohl die Systemgleichungen als<br />
auch die Messungen von Störungen überlagert sind, müssen die stochastischen Eigenschaften<br />
der <strong>im</strong> System- und Meßmodell enthaltenen Unsicherheiten berücksichtigt werden. Damit<br />
gehört das Kalman-Filter zu den stochastischen Beobachtern. Im Gegensatz zum Wiener-<br />
Filter besitzen Kalman-Filter eine zeitvariante Filterstruktur. Sie eignen sich deshalb für Probleme,<br />
bei denen sich die stochastischen Eigenschaften je nach Betriebspunkt ändern.<br />
Zur opt<strong>im</strong>alen Zustandsschätzung benötigen Kalman-Filter eine genaue Beschreibung sowohl<br />
der System- und Meßgleichungen, als auch der stochastischen Eigenschaften der <strong>im</strong> Systemund<br />
Meßmodell enthaltenen Unsicherheiten. In allen praktischen Anwendungen können diese<br />
Parameter jedoch nur mit einer endlichen Genauigkeit best<strong>im</strong>mt werden. Es gibt eine Vielzahl<br />
von Verfahren, mit denen ein lineares Systemmodell eines physikalischen Prozesses berechnet<br />
werden kann. Diese linearen Systemmodelle beschreiben ebenso nur endlich genau die meistens<br />
in der Natur vorkommenden nichtlinearen dynamischen Zusammenhänge.<br />
Unscharfe Parameter verringern die Güte dieser Opt<strong>im</strong>alfilter und können <strong>im</strong> Extremfall das<br />
Filter divergieren lassen. Ändern sich diese Parameter mit der Zeit, verstärkt sich die angesprochene<br />
Problematik. Deshalb ist es häufig notwendig, gleichzeitig zur Zustandsschätzung<br />
die unsicheren Parameter mitzuschätzen, zu adaptieren 1 .<br />
Nach einer Einordnung der Kalman-Filter bei Systemen mit Parameterungenauigkeiten, werden<br />
in diesem Kapitel die linearen Kalman-Filter Verfahren hergeleitet und diskutiert. Insbesondere<br />
das Verfahren nach Max<strong>im</strong>um Likelihood wird hierbei vollständig hergeleitet, so daß<br />
die unbekannten Parameter in allen Matrizen der Zustandsraummodellierung vorkommen<br />
können. Der Vollständigkeit halber schließt sich die Betrachtung der nichtlinearen adaptiven<br />
1 Lateinisch: ‘anpassen’<br />
Seite 25