Estimación simultánea de estado y parámetros para un sistema no lineal variante en el tiempo

Rodrigo A. Viveros, Juan I. Yuz, Ricardo R. Pérez Ibacache

Resumen

En el presente artículo se considera el problema de estimación de estado y parámetros variantes en el tiempo de un sistema no-lineal. Nuestro objetivo es comparar métodos usuales de estimación no lineal como el Filtro de Kalman Extendido y Filtro de Kalman Unscented con métodos desarrollados recientemente como el Filtro de Partículas. En particular, se muestra el uso de estas técnicas de estimación para un sistema no-lineal de cuatro depósitos acoplados, el cual posee bombas que presentan variabilidad debido a la temperatura y válvulas que pueden ser modificadas manualmente. Esta característica adicional dificulta la estimación de un modelo lineal invariante en el tiempo a partir de datos fuera de ĺınea. Por ende, se considera el sistema como variante en el tiempo y se estima en ĺınea simultáneamente el estado y algunos parámetros del modelo a partir de datos experimentales. Adicionalmente se muestra la aplicación del algoritmo Esperanza-Maximización Extendido para estimar las matrices de covarianza de los modelos de ruido necesarios para el filtraje no lineal. Los resultados obtenidos ilustran la aplicación de técnicas avanzadas de estimación de estado y parámetros a una planta de laboratorio.

Palabras clave

Estimación de Parámetros; Estimación de Estado; Filtro de Kalman Extendido; Filtro de Part́ıculas; Filtro de Kalman Unscented

Texto completo:

PDF

Referencias

Anderson, B. D. O., Moore, J., 1979. Optimal filtering. Prentice Hall, Englewood Cliffs, N. J.

Arulampalam, M. S., Maskell, S., Gordon, N., 2002. A tutorial on particle filters for online nonlinear/non-gaussian bayesian tracking. IEEE Transactions on Signal Processing 50, 174–188.

Åström, K., 1980. Maximum likelihood and prediction error methods. Automatica 16 (5), 551 – 574.

Åström, K., Bohlin, T., 1965. Numerical identification of linear dynamic systems from normal operating records. Theory of Self-adaptive Control Systems; proceedings of the Second IFAC Symposium on the Theory of Selfadaptive Control Systems.

Bavdekar, V. A., Deshpande, A. P., Patwardhan, S. C., 2011. Identification of process and measurement noise covariance for state and parameter estimation using extended Kalman filter. Journal of Process Control 21 (4), 585 – 601.

Dempster, A. P., Laird, N. M., Rubin, D. B., 1977. Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society, Series B 39 (1), 1–38.

Doucet, A., de Freitas, N., Gordon, N., 2001. Sequential Monte Carlo methods in Practice. Springer.

Doucet, A., Godsill, S., Andrieu, C., 2000. On sequential monte carlo sampling methods for bayesian filtering. Statistics and Computing 10 (3), 197–208.

Doucet, A., Johansen, A. M., 2011. A tutorial on particle filtering and smoothing: fifteen years later.

Goodwin, G. C., Payne, R., 1977. Dynamic system identification: Experiment design and data analysis. Academic Press.

Gordon, N., Salmond, D., Smith, A., Apr. 1993. Novel approach to nonlinear/non-gaussian bayesian state estimation. IEE Proceedings 140.

Guzmán, J., Domínguez, M., Berenguel, M., Fuentes, J., Rodríguez, F., Reguera, P., 2010. Entornos de experimentación para la enseñanza de conceptos básicos de modelado y control. RIAII 7 (1).

Hol, J. D., Schon, T. B., Gustafsson, F., sept. 2006. On resampling algorithms for particle filters. En: Nonlinear Statistical Signal Processing Workshop, 2006 IEEE. pp. 79 –82.

Hu, X.-L., Schön, T. B., Ljung, L., 2011. A general convergence result for particle filtering. IEEE Transactions on Signal Processing 59 (7), 3424–3429.

Jazwinski, A. H., 1970. Stochastic Processes and Filtering Theory. Academic Press, San Diego, California.

Jeff Wu, C. F., 1983. On the Convergence Properties of the EM Algorithm. The Annals of Statistics 11 (1), 95–103.

Johansson, K. H., May 2000. The quadruple-tank process: A multivariable laboratory process with an adjustable zero. IEEE Transactions on Automatic Control 8 (3), 456–465.

Julier, S., Uhlmann, J., Durrant-Whyte, H. F., 2000. A new method for the nonlinear transformation of means and covariances in filters and estimators. IEEE Transactions on Automatic Control 45 (3), 477–482.

Julier, S. J., Uhlmann, J. K., 1997. A new extension of the kalman filter to nonlinear systems. En: SPIE AeroSense Symposium. Orlando, FL, pp. 182– 193.

Kalman, R. E., 1960. A new approach to linear filtering and prediction problems. ASME J. Basic Eng. 82, 34–45.

Kendall, M. G., 1998. Advanced Theory of Statistics: Classical Inference and the Linear Model. Vol. 2A. Arnold Publishers.

Kitagawa, G., 1996. Monte Carlo filter and smoother for non-Gaussian nonlinear state space models. Journal of computational and graphical statistics 5 (1), 1–25.

Kwakernaak, H., Sivan, R., 1972. Linear Optimal Control Systems. Wiley– Interscience, New York.

McLachlan, G. J., Krishnan, T., 1997. The EM Algorithm and Extensions. Wiley.

McLachlan, G. J., Krishnan, T., 2008. The EM Algorithm and Extensions (Wiley Series in Probability and Statistics). Wiley-Interscience.

Rao, C. R., 1965. Linear Statistical Inference and its Applications. Wiley, New York.

Ristic, B., Arulampalam, S., Gordon, N., 2004. Beyond the Kalman Filter: Particle Filters for Tracking Applications. Artech House.

Shumway, R. H., Stoffer, D. S., 2000. Time Series Analysis and its applications. Springer Verlag New York Inc.

Simon, D., 2006. Optimal state Estimation. Kalman, H∞ and Nonlinear Approaches. A John Wiley sons, inc., Publication.

Smith, A., Gelfand, A., 1992. Bayesian statistics without tears: A samplingresampling perspective. The American Statistical Association.

Soderström, T., Stoica, P., 1989. System Identification. Prentice Hall.

Abstract Views

2
Metrics Loading ...

Metrics powered by PLOS ALM


 

Citado por (artículos incluidos en Crossref)

This journal is a Crossref Cited-by Linking member. This list shows the references that citing the article automatically, if there are. For more information about the system please visit Crossref site

1. A New Missing Data Imputation Algorithm Applied to Electrical Data Loggers
Concepción Crespo Turrado, Fernando Sánchez Lasheras, José Calvo-Rollé, Andrés Piñón-Pazos, Francisco de Cos Juez
Sensors  vol: 15  num.: 12  primera página: 31069  año: 2015  
doi: 10.3390/s151229842



Esta revista se publica bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivar 4.0 Internacional

Universitat Politècnica de València

e-ISSN: 1697-7920     ISSN: 1697-7912