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 />
6WDELOLWlWVEHWUDFKWXQJ<br />
Bei allen vorangegangenen linearen, adaptiven Kalman-Filtern ist es möglich, Stabilität nachzuweisen.<br />
Größtenteils basieren diese Stabilitätsaussagen auf der Theorie nach Ljapunov (siehe<br />
hierzu z. B. [Föllinger, 1991]).<br />
Für zeitvariante Systeme genügt es, eine Ljapunov-Funktion :[N ( ( ) , N)<br />
zu finden, die eine<br />
skalare Abbildung des Zustandsvektors darstellt. Ist diese Ljapunov-Funktion in einer Umgebung<br />
der Ruhelage positiv definit und außerdem die zeitliche Ableitung negativ definit, dann<br />
ist diese Ruhelage asymptotisch stabil. Damit ist die Stabilität einer Ruhelage eines dynamischen<br />
Systems, beschrieben durch seine Zustandsdifferentialgleichung bzw.<br />
-differenzengleichung, überprüfbar. Je nach weiteren Eigenschaften der Ljapunow-Funktion,<br />
kann asymptotische Stabilität <strong>im</strong> großen bzw. <strong>im</strong> ganzen sichergestellt werden.<br />
Für die homogene Schätzgleichung (Glg. [3.1.7] und Glg. [3.1.9] in Glg. [3.1.11] und Nullsetzen<br />
der Eingangsgrößen) kann folgende Ljapunov-Funktion angegeben werden:<br />
( )<br />
+ + � + − 1 +<br />
( $ () , ) = $ () ⋅ () ⋅ $ ()<br />
� �<br />
�<br />
: [ N N [ N 3 N [ N<br />
Damit :[N ( ) , N eine Ljapunov-Funktion ist, muß sichergestellt sein, daß die Inverse der<br />
+ −1<br />
Schätzfehlerkovrianzmatrix 3 () N unter gewissen Bedingungen begrenzt ist. Aus der Ana-<br />
+ −1<br />
lyse von 3 () N ergeben sich die folgenden zwei hinreichenden Bedingungen (z. B. [Loffeld,<br />
1990]):<br />
�<br />
∑<br />
( , ) ( 1) ( 1) ( 1)<br />
( , )<br />
α ⋅, ≤ Φ L M ⋅* M− ⋅4 M − ⋅* M− ⋅Φ L M ≤β⋅, �=− � �+<br />
1<br />
� �<br />
Erfüllt ein stochastisches System die Ungleichung [3.1.80], dann nennt man es stochastisch<br />
steuerbar und mit der Ungleichung [3.1.81] stochastisch beobachtbar.<br />
�<br />
∑<br />
� � −1<br />
( , ) () () () ( , )<br />
α ⋅, ≤ Φ L M ⋅& M ⋅5 M ⋅& M ⋅Φ L M ≤β⋅, �=− � �+<br />
1<br />
Da diese beiden Ungleichungen eine hinreichende Bedingung für die Stabilität des Kalman-<br />
Filters darstellen, ist ein Kalman-Filter auch dann stabil, wenn das zugrunde liegende stochastische<br />
Modell instabil ist, aber obige Ungleichungen erfüllt sind.<br />
3.2 Nichtlineare adaptive Kalman-Filter<br />
[3.1.79]<br />
[3.1.80]<br />
[3.1.81]<br />
Einen anderen Ansatz zur gleichzeitigen Schätzung von Zuständen und Parametern soll nachfolgend<br />
kurz skizziert werden. Unbekannte Parameter in einer Zustandsraumdarstellung nach<br />
Kapitel 3.1.1 können als Zustände modelliert werden. Das resultierende Zustandsraummodell<br />
wird nichtlinear. Diese Arten von nichtlinearen Zustandsraummodellen können mit dem Extended<br />
Kalman-Filter behandelt werden.<br />
Seite 56