Filtr Kalmana jako pozorovatel: vzorce a použití

Pozorovatel jako stochastický Kalmanův filtr: matematická souvislost

Kalmanův filtr realizuje optimální pozorování dynamických systémů prostřednictvím stochastické korekce stavů. V kontextu modelování elektromotoru ponorného čerpadla slouží napětí fází jako vstup modelu a proudy jako měření pro synchronizaci virtuálního modelu se skutečným objektem. To umožňuje získávat nepřímo dostupné parametry, jako je rychlost otáčení rotoru.

Matematický model predikce stavů:

\begin{align}
  & \hat{x}_k = F_k \hat{x}_{k-1} + B_k \vec{u}_k \\
  & P_k = F_k P_{k-1} F_k^T + Q_k
\end{align} \tag{1}

Zde $F_k$ je matice diskrétní dynamiky objektu (elektromotor), $\hat{x}_k$ je odhad vektoru stavů s kovariancí $P_k = Cov(\hat{x}_k)$, $Q_k$ je kovariance procesního šumu (poruchy od nehomogenní ropné frakce), $\vec{u}_k$ jsou deterministické vstupy (napětí fází), $B_k$ je matice vstupů.

Korekce na základě měření

Predikované proudy kvazisenzorů: $\vec{\mu}_{expected} = H_k \hat{x}_k$, s kovariancí $\Sigma_{expected} = H_k P_k H_k^T$. Skutečná měření proudů: $\vec{z}_k$ s kovariancí $R_k = Cov(\vec{z}_k)$.

Spojení predikce a měření prostřednictvím součinu gaussovských rozdělení dává korigované odhady:

\begin{align}
  & \vec{\mu}' = \vec{\mu}_0 + K(\vec{\mu}_1 - \vec{\mu}_0) \\
  & \Sigma' = \Sigma_0 - K \Sigma_0 \\
  & K = \Sigma_0 (\Sigma_0 + \Sigma_1)^{-1}
\end{align} \tag{4}

Kde $(\vec{\mu}_0, \Sigma_0) = (H_k \hat{x}_k, H_k P_k H_k^T)$, $(\vec{\mu}_1, \Sigma_1) = (\vec{z}_k, R_k)$. Vztah k prostoru stavů:

\begin{align}
  & \vec{\mu}' = H_k \hat{x}'_k \\
  & \Sigma' = H_k P'_k H_k^T
\end{align} \tag{5}

Dosazení vede ke standardním vzorcům Kalmanovy korekce:

\begin{align}
  & \hat{x}'_k = \hat{x}_k + K'_k (\vec{z}_k - H_k \hat{x}_k) \\
  & P'_k = P_k - K'_k H_k P_k \\
  & K'_k = P_k H_k^T (H_k P_k H_k^T + R_k)^{-1}
\end{align} \tag{8}

Kanonická forma pozorovatele

Úplné schéma iterace: predikce podle (1), korekce podle (8), poté $\hat{x}_{k-1} \leftarrow \hat{x}'_k$, $P_{k-1} \leftarrow P'_k$. Dosazení predikce do korekce dává kanonický pozorovatel:

\hat{x}'_k = F_k \hat{x}_{k-1} + B_k \vec{u}_k + K'_k (\vec{z}_k - H_k \hat{x}_k)

• $F_k \hat{x}_{k-1} + B_k \vec{u}_k$: model objektu se vstupy (napětí).
• $\vec{z}_k$: měření (proudy).
• $K'_k (\vec{z}_k - H_k \hat{x}_k)$: korekce minimalizující chybu $\vec{z}_k - H_k \hat{x}_k \to 0$.

Výsledkem je synchronizace virtuálních proudů modelu se skutečnými a souřadnice $\hat{x}'_k$ odrážejí skutečné stavy, včetně rychlosti rotoru.

Klíčové výhody pro middle/senior vývojáře:

• Stochastická interpretace: Kovariance $P_k$, $Q_k$, $R_k$ zohledňují nejistoty modelu a měření.
• Rekurzivita: Iterativní algoritmus je vhodný pro systémy v reálném čase (DSP, embedded).
• Optimalita: Minimalizuje střední kvadratickou chybu odhadu v gaussovském šumu.
• Rozšiřitelnost: Snadno se přizpůsobuje nelineárním případům (EKF/UKF).

Co je důležité

• Kalmanův filtr je ekvivalentní optimálnímu stochastickému pozorovateli pro lineární systémy s aditivním šumem.
• Korekční člen $K'_k$ zajišťuje synchronizaci modelu se skutečností prostřednictvím minimalizace inovací $\vec{z}_k - H_k \hat{x}_k$.
• Aplikace na elektromotory: virtuální tachometr na základě proudů/napětí bez fyzického senzoru rychlosti.
• Úloha pozorování ve stochastice = úloha filtrace; Kalman je speciální případ bayesovské rekurze.

— Editorial Team