I dette kapitlet vil vi gi en rask innfring i Kalman-ltrering. Malet er a sette leseren
|
|
- Torger Hilmar Berg
- 7 år siden
- Visninger:
Transkript
1 Kapittel 2 Tilstandsestimering I dette kapitlet vil vi gi en rask innfring i Kalman-ltrering. Malet er a sette leseren i stand til a bruke og implementere et Kalman-lter (KF) uten a matte ga igjennom en detaljert utledningen av KF. For fullstendig utledning av KF se f.eks. Gelb, Kasper, Jr., Nash, Jr., Price & Sutherland, Jr. (1988) eller Minkler & Minkler (1993). 2.1 Innledning I navigasjonssammenheng benyttes frst og fremst KF som tilstandsestimator. Fordelene med a benytte en tilstandsestimator er mange, f.eks.: En tilstandsestimator kan beregne ere av et systems tilstandsvariable enn de som er fysisk malbare. En tilstandsestimator kan beregne ogsa malbare tilstander fremfor a kjpe inn kostbart maleutstyr. En tilstandsestimator kan gi et bedre estimat av malte tilstander da disse ofte er belagt med sty. En tilstandsestimator vil fortsette a gi fornuftige tilstandsestimater selv en tid etter at en eller ere malinger faller ut (prediksjon). En tilstandsestimator er svrt hensiktsmessig i integrerte navigsjonssystemer dvs. nar du har ere malesystemer. En tilstandsestimator kan benyttes for deteksjon av malefeil. En tilstandsestimator kan f.eks. beregne et skips hastighet selv om en kun maler skipets posisjon. Under kritiske operasjoner f.eks. i Nordsjen kan det vre helt avgjrende at ikke navigasjonssystemet bryter fullstendig sammen dersom malinger faller ut. I integrerte navigasjonssystemer der en rekke malinger fra forskjellige instrumenter trekkes inn for a skae data om et fartys bevegelse, er det nettopp teorien for optimal tilstandsestimering (KF) som ligger til grunn for beregning av et beste estimat av fartyets bevegelsestilstand. KF er utledet fra stokastisk teori og egner seg derfor til bruk i forbindelse med stokastiske systemer (ikke-deterministiske). I et deterministisk system er alle eksitasjoner og initialbetingelser kjente i bade fortid, natid og fremtid, mens de i et stokastisk
2 6 Tilstandsestimering system bare vil kunne vre statistisk beskrevet. Eksempler pa stokastiske prosesser i denne sammenheng er vind, havstrm og blger, men ogsa feildynamikken til navigasjonsinstrumenter (f.eks. malefeil i GPS) kan ofte beskrives som stokastiske prosesser. Stokastiske prosesser som eksiterer dynamiske systemer gir som resultat nye stokastiske prosesser. Skip eller y utsatt for miljkrefter er derfor ogsa stokastiske systemer. Figur 2.1 viser prinsippet for tilstandsestimering ved bruk av KF. Vi ser at Kalman- lteret (som inneholder en modell av den virkelige prosessen) patrykkes det kjente padragssignalet u, og blir oppdatert av de tilgjengelige malingene z. Ut av Kalman- lteret kommer sa tilstandsestimatet ^x. v (malesty) w (stokastisk prosessty) u (padrag) Prosess x (tilstander) z (malinger) Kalman- lter ^x (estimerte tilstander) Figur 2.1: Kalman-lteret som tilstandsestimator. 2.2 Tilstandsrommodeller Utgangspunktet for Kalman-ltrering er en matematisk modell av det (stokastiske) systemet en star ovenfor. Jo bedre modellen er, jo bedre resultat far man. En ma derimot alltid foreta avveininger mellom kompleksitet kontra ytelse. Den matematiske modellen skrives gjerne pa tilstandsrom form som inneholder to deler, nemlig dynamikk og maling. I denne sammenheng vil disse delene besta av: Dynamikk: Maling: dynamisk modell av farty-bevegelse, feildynamikk i maleinstrumenter og stokastiske forstyrrelser. sammenhengen mellom tilstander og malinger. Man skiller gjerne mellom ulinere kontra linere systemer, samt tidsinvariante kontra tidsvarierende systemer Linere modeller En liner dynamisk modell skrives pa tilstandsrom form som:
3 2.2 Tilstandsrommodeller 7 Dynamikk: _x(t) = A(t)x(t)+B(t)u(t)+E(t)w(t) (2.1) Maling: z(t) = C(t)x(t)+v(t) (2.2) Egenskap: y(t) = F (t)x(t) (2.3) hvor en har flgende benevnelser: x(t) = [x 1 x 2 ::: x n ] T - tilstandsvektor A(t) - systemmatrise u(t) = [u 1 u 2 ::: u r ] T - padrag B(t) - padragsmatrise w(t) = [w 1 w 2 ::: w p ] T - prosessty E(t) - prosesstymatrise z(t) = [z 1 z 2 ::: z m ] T - malevektor C(t) - malematrise v(t) = [v 1 v 2 ::: v m ] T - malesty F (t) - egenskapmatrise Iet tidsinvariant linert system er matrisene A B C E og F konstante og flgelig uavhengige av tiden (t). Malelikning hvor padrasvektoren inngar Dersom padraget u(t) inngar eksplisitt i uttrykket for malingen z(t) dvs: kan vi transformere malelikningen til: z(t) =C(t)x(t)+D(t)u(t)+v(t) (2.4) z 0 (t) = z(t) D(t)u(t) =C(t)x(t) (2.5) som er av samme form som (2.2). Dette spesialtilfellet vil derfor ikke bli diskutert i beskrivelsen av Kalman-lterlikningene. Diskretisering av linere tidsinvariante systemer (transisjonsmetoden) For a implementere dynamiske modeller i en datamaskin, trenger vi en diskret (rekursiv) modell. Dersom vi har et linert, tidsinvariant system, kan vi benytte transisjonsmetoden, se f.eks. Balchen, Andresen & Jagtyen (1997), til a oppna en \perfekt" diskretisering av tilstandsrommodellen (2.2). Transisjonsmetoden gir: der h er tastetid, k er tidsskrittet (t = kh) og x k+1 = x k + u k + w k z k = Cx k + v k (2.6) = e Ah = Me h M 1 I + Ah (Ah)2 + ::: + 1 N! (Ah)N (2.7) = A 1 ( I) B (2.8) = A 1 ( I) E (2.9) M = egenvektor- og egenverdimatrisen til A
4 8 Tilstandsestimering A-matrisen behver ikke a vre inverterbar for a beregne og a kombinere (2.7){(2.9) slik at:. Dette fremgar ved = (Ih Ah2 + ::: + 1 N! AN 1 h N ) B (2.10) = (Ih Ah2 + ::: + 1 N! AN 1 h N ) E (2.11) hvor N 1 er et heltall. Tabell 2.1: Notasjon brukt for kontinuerlig og diskret liner tilstandsrommodell. _x(t) = A(t)x(t) +B(t)u(t) +E(t)w(t) z(t) = C(t)x(t) +D(t)u(t) +v(t) y(t) = F (t)x(t) x k+1 = k x k + k u k + k w k z k = C k x k + D k u k + v k y k = F k x k Ulinere modeller En mere generell form for en tilstandsrommodell er den ulinere, som kan skrives: Dynamikk: _x(t) = f(x(t) u(t) w(t) t) Maling: z(t) = h(x(t) t)+v(t) (2.12) Egenskap: y(t) = (x(t) t) Her har vi i tillegg flgende benevnelser: f(x(t) u(t) t) - uliner tilstandsfunksjon h(x(t) t) - uliner malefunksjon (x(t) t) - uliner egenskapfunksjon En tidsinvariant, uliner modell er ikke eksplisitt avhengig av tiden (t), dvs: f() = f(x(t) u(t) w(t)), h() =h(x(t)) og () =(x(t)). Diskretisering av ulinre tidsvarierende systemer Dersom en har et tidsvarierende ulinert system, ma en benytte tilnrmede diskretiseringsmetoder som f.eks. Runge{Kutta, trapesmetoden, forover Euler, m.. Disse metodene er beskrevet i detalj i Henriksen & Iversen (1990). Vi vil her presentere forover Euler som er svrt enkel bade a forsta og implementere. Ulempen med forover Euler er at den trenger kortere tastetid og har darligere stabilitetsegenskaper enn de mer avanserte metodene.
5 2.3 Kalman-lterligningene 9 Forover Euler Forover Euler gar ganske enkelt ut paa sette t = kh (h = tastetid) og foreta tilnrmingen: _x(t) x k+1 x k (2.13) h Vi skriver dessuten x(kh) somx k, A(kh) soma k, osv. Ved a sette dette inn i den linere modellen (2.2) far vi da: x k+1 = x k + h[a k x k + B k u k + E k w k ] (2.14) z k = C k x k + v k (2.15) som lett kan omskrives til diskret tilstandsrom form: x k+1 = k x k + k u k + k w k z k = C k x k + v k (2.16) Dette svarer til a velge N = 1 i (2.10) og (2.11). Denne diskretiseringsmetoden fungerer pa samme mate ogsa for ulinere systemer. Etter diskretisering av (2.12) far vi da: x k+1 = x k + hf k (x k u k w k ) = f 0 k (x k u k w k ) (2.17) z k = h k (x k )+v k (2.18) hvor f 0 k (x k u k w k )=x k + hf k (x k u k w k ) (2.19) Legg forvrig merke til at selv om maleligningen skulle vre uliner og/eller tidsvarierende, kan den perfekte diskretisering i avsnitt fremdeles benyttes sa lenge dynamikken er liner og tidsinvariant. 2.3 Kalman-lterligningene Flgende danner grunnlaget for a sette opp et Kalman-lter: Kunnskap om prosess og maleinstrumenters dynamikk Statistisk beskrivelse av prosessty, malefeil og modellusikkerhet Informasjon om begynnelsesverdier til aktuelle tilstandsvariable Det er kun observerbare tilstander som kan estimeres i et Kalman-ter. For at det skal vre mulig a estimere hele tilstandsvektoren x ma systemet vre observerbart:
6 10 Tilstandsestimering Denisjon 2.1 (Observerbarhet for tidsinvariante systemer) Et linert, tidsinvariant system med system- og malematrise (A C) er observerbart hvis (n n) observerbarhetsmatrisen Balchen et al. (1997): O =[C T j A T C T j ::: j (A T ) n 1 C T ] (2.20) har full rang n. En ndvendig og tilstrekkelig betingelse for O a ha full rang er: deto > 0 (2.21) Denisjon 2.2 (Observerbarhet for tidsvarierende systemer) Et linert, tidsvarierende system med system- og malematrise (A(t) C(t)) er observerbart hvis 9 T >0 og > 0 slik at, Fossen (1994): Z t0 +T I 1 T t0 exp(a T ( ) )C T ( )C( )exp(a( ) ) d I (2.22) 8 t 0 2 R +. Dette betyr at integralet av matrisen exp(a T )C T C exp(a ) er uniformt, positiv denit over ethvert intervall med lengde T. Det er derimot fullt mulig a estimere noen av tilstandene selv om ikke systemet er fullstendig observerbart Kontinuerlig Kalman-lter Det tradisjonelle kontinuerlige Kalman-lteret kan benyttes for kontinuerlige, linere, tidsvarierende og tidsinvariante systemer pa formen: _x(t) = A(t) x(t) +B(t) u(t) +E(t) w(t) (2.23) z(t) = C(t) x(t) (2.24) Ligningene som utgjr det kontinuerlige Kalman-lteret er gitt i tabell Strrelsene som inngar er stort sett gjennomgatt i avsnitt 2.2, men vi tar likevel en rask gjennomgang: A B C E Q R K ^x ^X Matrisene i den linere tilstandsrommodellen Kovariansmatrisene til hhv. prosess- og malesty KF-forsterkningen Estimat av tilstandsvektoren Estimat av kovariansmatrisen til tilstandsvektoren
7 2.3 Kalman-lterligningene 11 Tabell 2.2: Kontinuerlig Kalman-lter. Initialverdier ^x(0) = x 0 ^X(0) = E[(x(0) ^x(0))(x(0) ^x(0)) T ]=X 0 KF-forsterkningen K(t) = ^X(t)C T (t) R 1 (t) Tilstandsestimat _^x(t) =A(t) ^x(t) +B(t) u(t)+k(t) [z(t) C(t) ^x(t)] Kovarians _^X(t) =A(t) ^X(t)+ ^X(t) A T (t)+e(t) Q(t) E T (t) ^X(t) C T (t) R 1 (t) C(t) ^X(t) I gur 2.2 er lteret fremstilt grask. Vi ser at Kalman-lteret inneholder en modell som gar i parallell med den virkelige prosessen. KF-modellen skal altsa gjengi den virkelige prosessen. Det er derimot umulig a modellere helt nyaktig, og i tillegg vil prosessen alltid vre utsatt for sty. Av den grunn ser vi at modellen var blir oppdatert ved at dieransen mellom virkelig og estimert maling (" = z ^z) multipliseres med KF-forsterkningen for sa a ga inn som padrag til ltermodellen. Vi oppnar et tilstandsestimat ^x som er tilgjengelig i modellen. u(t) w(t) Virkelig prosess v(t) z(t) K(t) "(t) B(t) _^x(t) ^x(t) C(t) ^z(t) A(t) Figur 2.2: Kontinuerlig Kalman-lter. Stasjonrt kontinuerlig Kalman-lter Dersom tilstandsrommodell matrisene (A B C E) og sty-kovariansmatrisene (Q R) erkonstante (tidsinvariante), og systemet er asymptotisk stabilt, vil lterligningene konvergere mot en stasjonr lsning. Vi far da det stasjonre Kalman- lteret som er gitt ved:
8 12 Tilstandsestimering _^x(t) =A ^x(t)+b u(t)+k1 [z(t) C ^x(t)] (2.25) Den stasjonre KF-forsterkningen er gitt av: K1 = ^X1 C T R 1 (2.26) hvor ^X1 er lsningen pa den stasjonre Ricatti-likningen: A ^X1 + ^X1 A T + EQE T ^X1 CR 1 C ^X1 = 0 (2.27) Vi merker oss at K1 og ^X1 na erkonstante matriser som kan beregnes pa forhand. Ytelsen av det stasjonre lteret vil vre litt darligere enn det tidsvarierende lteret de frste sekundene av simuleringen. Stasjonrt vil ytelsen vre tilnrmet den samme. Dette gjelder bare for linere systemer siden K ikke vil konvergere til en konstant verdi for det ulinere KF. Ricatti-ligningen er riktignok ikke triviell a lse, men den kan lses ganske enkelt ved a benytte Matlab-kommandoen lqe(a,e,c,q,r), se eksempel 2.1. u k w k Virkelig prosess v k z k ^x k+1-1 z ^x k ^x k Figur 2.3: Diskretisert stasjonrt kontinuerlig Kalman-lter. Diskretisering av stasjonrt kontinuerlig Kalman-lter Den stasjonre kontinuerlige KF-ligningen (2.25) kan omskrives til: der _^x(t) =A kf ^x(t)+bu(t)+k1 z(t) (2.28) A kf = A K1C (2.29) Denne formen lar seg lett diskretisere som vist i kapittel (2.2), og er dermed enkel a implementere i en datamaskin. F.eks. vi kan benytte transisjonsmetoden under
9 2.3 Kalman-lterligningene 13 antakelse at malingene av u(t) og z(t) tilfredsstiller _u(t) = 0 og _z(t) mellom hver tasting. Dette gir: der ^x k+1 = kf ^x k + kf u k + kf z k (2.30) kf = A kf e h (2.31) kf = A 1 kf kf I) B (2.32) kf = A 1 kf kf I) K1 (2.33) Merk at denne metoden for diskretisering kun er mulig dersom en har et stasjonrt kontinuerlig KF. Eksempel 2.1 (Diskretisering av stasjonrt kontnuerlig KF i Matlab) [K,X,L] = lqe(a,e,c,q,r) % Stasjonaert KF-forsterkning mm. Akf = A - K*C % Filter systemmatrise h = 1 % Tastetid = 1 sek. [Phi,Delta] = c2d(akf,b,h) % Diskretisering [Phi,Omega] = c2d(akf,k,h) % ---- `` ---- Dette Matlab programmet returnerer altsa: K=K1 X= ^X1 L=egenverdiene til A kf Phi = Delta = Omega = : Diskret Kalman-lter Det diskrete KF er basert pa modellen: x k+1 = k x k + k u k + k w k (2.34) z k = C k x k + D k u k + v k (2.35) Dersom en skal implementere et KF for et linert tidsvarierende system i en datamaskin, br en benytte den diskrete versjonen av KF-ligningene. Disse er gitt i tabell 2.3 samt gur 2.4. C Matrisene i den diskrete tilstandsrommodellen Q R Kovariansmatrisene til hhv. prosess- og malesty K KF-forsterkningen x Apriori-estimat av tilstandsvektoren ^x Aposteriori-estimat av tilstandsvektoren X ^X Apriori/postriori-estimat av kovariansmatrisen til tilstandsvektoren
10 14 Tilstandsestimering Tabell 2.3: Diskret Kalman-lter. Initialverdier x k=0 = x 0 X k=0 = E[(x 0 ^x k=0 )(x 0 ^x k=0 ) T ]=X 0 KF-forsterkning K k = X k C T k [C kx k C T k + R k] 1 Tilstandsestimat oppdatering ^x k = x k + K k [z k C k x k ] Kovarians oppdatering ^X k =[I K k C k ] X k [I K k C k ] T +K k R k K T k Neste tidskritt av tilstandsest. x k+1 = k ^x k + k u k Neste tidskritt av kovarians X k+1 = k ^X k T k + k Q k T k w k v k u k Virkelig prosess z k k x k+1-1 z x k C k z k k ^x k K k " k Figur 2.4: Diskret Kalman-lter. Legg merke til at apriori og aposteriori referer til fr og etter oppdatering av estimatene. Dersom det er mange tilstander, vil denne metoden kreve stor datakraft siden ^X k og K k ma beregnes for hvert tidsskritt. Den diskrete versjonen av detstasjonre kontinuerlige lteret (2.30) br derfor benyttes sa lenge modell- og kovariansmatrisene er tilnrmet tidsinvariante. Dersom en har et system med relativt stor modellusikkerhet, kan man med fordel starte med det diskrete Kalman-lteret over. Hvis systemet er tidsinvariant vil da KF-forsterkningen K konvergere mot K1 og en kan ga over til det stasjonre Kalman-lteret som trenger mindre regnekraft.
11 2.3 Kalman-lterligningene 15 Eksempel 2.2 (Diskret kontinuerlig KF i Matlab) R Q x = x_0 X = X_0 % valgbare matriser % initielle verdier dim_x = max(size(x)) for i=1:n, % tid k les inn maaling z les inn paadrag u K = X*C'*inv(C*X*C'+R) x_hat = x + K*(z-C*x) IKC = eye(dim_x)-k*c X_hat = IKC*X*IKC' + K*R*K' lagre estimat x_hat % tid k+1 x = PHI*x_hat + DELTA*u X = PHI*X_hat*PHI' + GAMMA*Q*GAMMA' end Sammenligning av diskret Kalman-lter og diskretisert stasjonrt kontinuerlig Kalman-lter Det er viktig a legge merke til at ytelsen for det diskrete Kalman-lteret og det diskretiserte kontinuerlige Kalman-lteret vil vre forskjellig spesielt nar tastefrekvensen er liten. Dette er ofte tilfelle for navigasjonsystemer basert pa GPS eller HPR siden disse ofte har en tastetid opp mot et sekund. Forskjellen ligger i oppdateringen av ^x. Fra tabell 2.3 har vi: hvilket kan omskrives til: ^x k = x k + K k [z k C k x k ] (2.36) x k+1 = ^x k+1 K k+1 " k+1 (2.37) hvor " k+1 = z k+1 C k+1 x k+1. Dersom vi substituterer (2.37) inn i utrykket for x k+1 i tabell 2.3 far vi: ^x k+1 = k ^x k + k u k + K k+1 " k+1 (2.38) Dersom vi diskretiserer den kontinuerlige Kalman-lter likningen:
12 16 Tilstandsestimering _^x(t) =A ^x(t) +B u(t)+k"(t) (2.39) ved a benytte transisjonsmetoden under antakelse at _u(t) = 0 og _z(t) = 0 mellom hver tasing far vi: ^x k+1 = ^x k + u k + K k " k (2.40) Vi ser na en viktig forskjell mellom den diskrete representasjonen og den diskretiserte kontinuerlige representasjon i oppdateringsleddet. Det diskrete lteret bruker malinger ved tiden k + 1 mens den diskretiserte kontinuerlige representasjon oppdaterer ved tiden k jmf. leddene K k+1 " k+1 og K k " k. Dette kan gi store utslag dersom tastefrekvensen er liten. Det er viktig a merke seg at antakelsen _z(t) = C _x(t)+ _v(t) = 0 i det kontinuerlige tilfellet mellom tastingene er hovedarsaken til dette problemet. En annen diskretiseringsmetode hvor dynamikken til z(t) innkluderes br derfor vurderes i de tilfeller hvor dette er viktig. Likevel vil det diskretiserte kontinuerlige Kalman-lteret med antakelsen _z(t) = 0 i mange tilfeller vre en svrt god approksimasjon Ulinert diskret Kalman-lter Ta utgangspunkt i den ulinere tidsinvariante tilstandsrommodellen: _x(t) = f (x(t) u(t)) + Ew(t) z(t) = h(x(t)) + v(t) + (Euler diskretisering) (2.41) x k+1 = f k (x k u k )+ w k z k = h k (x k )+v k hvor f k (x k u k )=x k + hf(x k u k )og = he. Siden dette er et ulinert system br det ulinere (utvidete) Kalman-lteret benyttes. Det ulinere KF (presentert i tabell 2.4) fungerer bade for tidsvarierende og tidsinvariante systemer. Vi ser her at i et ulinert KF foretar man en linearisering av bade den ulinere funksjonen f (x), og maleligningen h(x), omkring gjeldene (apriori) tilstandsestimat. Dersom en har et system der dynamikken er liner og malingen er uliner (eller omvendt), er det ingen ting i veien for a kombinere metoden for diskret KF og ulinert KF. Stasjonrt KF kan uansett ikke benyttes for et system med en eller ere ulineariteter (i safall ma systemet frst lineariseres om et arbeidspunkt). Eksempel 2.3 (Matlab program for ulinert diskret KF) Ta utgangspunkt i det andreordens systemet:
13 2.3 Kalman-lterligningene 17 Tabell 2.4: Ulinert diskret Kalman-lter. Dynamikk x k+1 = f k (x k u k )+ k w k w k N(0 Q k ) Maling z k = h k (x k )+v k v k N(0 R k ) Initialverdier ^x k=0 = x 0 ^X k=0 = X 0 KF-forsterkning h K k = X k H T k H k X k H T + R k k Tilstandsestimat oppdatering ^x k = x k + K k [z k h k (x k )] Kovarians oppdatering ^X k =[I K k H k ] X k [I K k H k ] T + K k R k K T k Neste tidsskritt av x k+1 = f k (^x k u k ) tilstandsestimat Neste tidsskritt av X k+1 = ^X k k T + T k k Q k k kovarians Denisjoner k k k i 1 H k k() x k =x k x k =x k _x 1 = x 2 (2.42) _x 2 = ax 2 jx 2 j + bu+ ew (2.43) hvor x 1 er posisjon, x 2 er hastighet og a = 1, b =1og e =1er konstanter. Et ulinert diskret KF kan benyttes til a estimere hastigheten x 2 dersom posisjonen x 1 kan males dvs.: z = x 1 + v (2.44) Et Matlab-program for dette systemet er gjengitt nedenfor. Simuleringsresultatene er vist i gur 2.5. Figuren viser at KF kan produsere et nesten styfritt estimat av hastigheten selv om posisjonsmalingen og prosessen er utsatt for hvit sty. % Ulineaert diskret Kalman-filter h = 0.1 % tastetid (s) N = 1000 % antall iterasjoner a = -1 % modellparametre b = 1 e = 1 x = [0 0]' % startverdier for x og u u = 0 x_bar = [0 0]' % estimatorparametre X_bar = diag([1 1]) Q = 1
14 18 Tilstandsestimering R = 10 tabell = zeros(n+1,9) for i=1:n+1, t = (i-1)*h % maaling z = x(1)+0.1*randn(1) % minneallokering % tid (sek) % posisjon + hvit stoey % innovasjon (estimeringsfeil) z_bar = x_bar(1) eps = z-z_bar % kontinuerlig prosessmodell u = 0.1*sin(0.1*t) w = 0.1*randn(1) f = [ x(2) a*x(2)*abs(x(2))+b*u] E = [0 e]' x_dot = f + E*w % paadrag % prosesstoey % dx/dt = f + Ew % PHI, GAMMA, H PHI = [1 h 0 1+h*2*a*abs(x_bar(2))] GAMMA = h*e H = [1 0] % KF forsterkning K = X_bar*H'*inv(H*X_bar*H'+R) % korreksjon IKH = eye(2)-k*h X_hat = IKH*X_bar*IKH' + K*R*K' x_hat = x_bar + K*eps % lagring i tabell tabell(i,:) = [t x' x_hat' X_hat(1,1) X_hat(2,2) eps z] % diskret KF-modell f_hat = [x_hat(2) a*x_hat(2)*abs(x_hat(2))+b*u] f_k = x_hat + h*f_hat % prediksjon (k+1) x_bar = f_k X_bar = PHI*X_hat*PHI' + GAMMA*Q*GAMMA' % Euler integrering av prosessmodell (k+1) x = x + h*x_dot end % Plotting av figurer t = tabell(:,1)
15 2.3 Kalman-lterligningene 19 x = tabell(:,2:3) x_hat = tabell(:,4:5) X_hat = tabell(:,6:7) eps = tabell(:,8) z = tabell(:,9) clg subplot(221),plot(t,z),hold on,plot(t,x_hat(:,1)),hold off xlabel('tid (s)'),title('z og x1_hat'),grid subplot(222),plot(t,x(:,2)),hold on,plot(t,x_hat(:,2)),hold off xlabel('tid (s)'),title('x2 og x2_hat'),grid subplot(223),plot(t,eps),xlabel('tid (s)'),title('innovasjon'),grid subplot(224),plot(t,x_hat),xlabel('tid (s)'),title('diagonal av X_hat'),grid 8 z og x1_hat 0.4 x2 og x2_hat tid (s) innovasjon tid (s) 1 diagonal av X_hat tid (s) tid (s) Figur 2.5: Eksempel 2.3: Estimering av hastighet fra stybelagt posisjonsmaling ved hjelp av ulinert diskret Kalman-lter Hvordan bestemme prosess- og malestykovariansmatrisene? Ved bruk av KF ma prosess- og malesty komponentene i tilstandsrommodellene (v i w i )vresakalte normalfordelte (Gaussiske) hvitsty prosesser med null middelverdi (heretter kun betegnet som hvitsty). En slik hvitstyprosess (t), beskrives av kun en parameter nemlig standardavviket, og vi skriver da:
16 20 Tilstandsestimering (t) N(0 2 ) (2.45) der N(0 2 ) betegner normalfordeling med null middelverdi og varians 2.En vektor (t) av hvitstyprosesser, skrives tilsvarende: (t) N(0 F) (2.46) der F er kovariansmatrisen til. Denisjon 2.3 (Kovarians) Kovariansmatrisen til en vilkarlig vektor y er gitt av: covfyg =Ef(y y)(y y) T g (2.47) der Efg er forventningsverdi, og y er middelverdi. Kovariansmatrisen til prosess- og malestyvektorene betegnes med henholdsvis Q og R, og vi skriver da: w(t) N(0 Q) v(t) N(0 R) (2.48) Dersom vektorelementene er uavhengige av hverandre (dvs. at de enkelte stykomponentene ikke pavirker hverandre), vil kovariansmatrisen bli diagonal. Siden hvitsty har null middelverdi far vi da f.eks. for malestyen: R =Efvv T g = diagf ::: 2 p g (2.49) Vi ser at kvadratet av standardavviket (variansen) ligger langs diagonalen. For komersielle maleinstrumenter vil det statiske standardavviket til malestyen som regel vre oppgitt, sa R-matrisen pleier a vre grei a sette opp. Nar det gjelder a sette opp Q-matrisen, som innebrer a nne standardavviket til de stokastiske prosessforstyrrelsene (som vind, strm, modellfeil, feildynamikk i maleinstrumenter, osv.) samt koblinger mellom disse, ma vi foruten mulige matematiske beregninger basere oss pa statistiske data eller sunn fornuft. Om vi ikke skulle nne korrekte data ved frste forsk, er det dessuten mulig a justere Q-matrisen (og dermed Kalman-lteret) on-line. Bestemmelse av Kalman-lterets kovariansmatriser Det er frst og fremst forholdet mellom kovariansmatrisene Q og R som er avgjrende for et godt Kalman-lterresultat. Man kan derfor med fordel justere forholdet mellom disse to matrisene ved a angi Q slik: Q = Q o (2.50) der Q o er den forhandsberegnete kovariansmatrise, mens er en skaleringsparameter. Selv om man na kan justere Q ved hjelp av parameteren, ma en likevel
17 2.3 Kalman-lterligningene 21 prve aoppna innbyrdes riktig forhold mellom elementene i Q o. Dette gjres vanligvis ved a benytte den inverse kvadratiske metoden til Bryson & Ho. (1969). Anta at vektmatrisene er diagonale dvs: Q o = diagfq1 ::: q n g R =diagfr1 ::: r m g (2.51) Algoritme 2.1 (Bryson's inverse kvadratiske metode) 1. Angi maksimale tilatte estimeringsavvik x i =maxjx i ^x i j og beregn: ( q i = 1 (x i ) 2 ) n i=1 2. Velg malevariansene slik at ( r j = 1 (y j ) 2 ) m j=1 hvor y j =maxjy j y j j hvor y j er middelverdien til den statiske malingen og y j er det strste observerte maleavviket fra denne middelverdien. Dersom informasjon om malevariansen (standardavviket) er gitt brukes denne istedet direkte i uttrykket for R, se (2.49). 3. Beregn KF forsterkningen K og simuler systemet. En darlig tidsrepons forbedres vedamodisere vektene q i og r j samt skaleringsparameteren. 4. Punkt 3 repeteres til en tilfredsstillende respons oppnas. Modellering av stokastiske prosesser (hvit og farget sty) Dersom man har stokastiske prosesser som ikke er eksitert hvitsty, men av sakalt farget sty, ma en frst lage en stymodell som er eksitert (drevet) av hvitsty. Fra signalbehandlings teorien, se f.eks. Minkler & Minkler (1993), har vi nemlig at ethvert stokastisk signal kan beskrives som et system (modell) eksitert av hvitsty. Stymodellen kan sa innlemmes i tilstandsrommodellen slik at Kalman- lterligningene kan benyttes. Eksempel 2.4 (Modellering av stokastiske forstyrrelser pa et skip) En forenklet modell av et skip som beveger seg rett forover (jag) er gitt av: mx(t) = d _x(t)+u(t)+dv c (t)+kv w (t) z1(t) = x(t)+v1(t) z2(t) = V w (t)+v2(t) (2.52)
18 22 Tilstandsestimering der x er posisjonen, _x er hastigheten forover, u er skyvkraften fra propellen, z 1 og z 2 er malingene, v 1 og v 2 er malestyen (hvit), V c er strmhastigheten, V w er vindhastigheten, mens m, d og k er konstanter bestemt av hhv. skipets masse, demping i vannet og luftmotstand. Skriver vi dette systemet pa tilstandsrom form far vi: _x = " 0 1 d 0 m # x + " 0 1 m # u + " 0 0 d k m m # w f (2.53) der x = [x _x] T og w f = [V c V w ] T. Forstyrrelsene w f er her naturligvis ikke hvitsty siden det her er snakk om strm- og vindhastigheter, men de er likevel stokastiske prosesser. For bruk i KF trenger vi derfor en hvitstyeksitert modell som beskriver forstyrrelsene. Vi foreslar flgende modell for strmhastighet: og vindhastighet: _V c = w 1 (2.54) _V w1 = w 2 (2.55) _V w2 = 1 T V w2 + w 3 (2.56) V w = V w1 + V w2 (2.57) der T er en tidskonstant og w i i = 1:::3 er hvitsty prosesser. Vi ser vi har modellert langsomtvarierende strmhastighet som integrert hvitsty mens vindhastigheten er modellert som summen av en langsomtvarrierende komponent V w1 og en turbulent komponent V w2 (integrert lavpassltrert hvitsty). Trekker vi sa dette inn i modellen (2.53) far vi: _x = z = " d d k k 0 m m m m T # 3 2 x m u w (2.58) x + v (2.59) Vi har na utvidet tilstandsvektoren slik at x =[x _x V c V w1 V w2 ] T og har innfrt z =[z 1 z 2 ] T, v =[v 1 v 2 ] T og w =[w 1 w 2 w 3 ] T. Vi har dermed oppnadd en tilstandsrommodell der prosess- og malestykomponentene alle er hvitstyprosesser. Vi kan derfor benytte et KF til a estimere ^x fra malingene z og u, setabell Kovariansmatrisene velges som:
19 2.4 Luenberger-estimator Q = 4 q q q R = " r r 22 # (2.60) 2.4 Luenberger-estimator Dersom estimatorforsterkningen K i Kalman-lteret beregnes pa en deterministisk mate istedet for a lse Kalman-lterlikningene sa blir tilstandsestimatoren ofte kalt en Luenberger-estimator. Dette kan f.eks. gjres ved a bruke en polplasseringsalgoritme. Ta utgangspunkt i et linert tidsinvariant system Luenberger-estimatoren velges som: _x(t) = Ax(t)+Bu(t)+Ew(t) (2.61) z(t) = Cx(t)+v(t) (2.62) _^x(t) = A^x(t)+Bu(t)+K[z(t) C ^x(t)] (2.63) ^z(t) = C ^x(t) (2.64) hvor K er en konstant valgbar matrise. Estimeringsfeilen ~z = z ^z er gitt av: _~x(t) = (A KC) ~x(t) +Ew(t) (2.65) ~z(t) = C ~x(t)+v(t) (2.66) Vi antar vidre at middelverdiene til styen tilfredsstiller E(v) = 0 og E(w) = 0 (hvit sty antakelse). Stabilitet av systemet (2.65) er gitt av egenverdiene til A KC.Vikan derfor bruke enegenverdianalyse som et kriterium for a beregne K. Vi krever med andre ord at realdelene til egenverdiene av A KC skal ligge ivenstre halvplan dvs.: Re f i fa KCgg < 0 (2.67) for i = 1...n. Dette vil medfre at estimatoren er global asymptotisk stabil som igjen medfrer at ~x! 0. En enkel mate a gjre denne polplasseringen pa er a benytte Matlab. Eksempel 2.5 (Luenberger-estimator basert pa polplassering i Matlab) LAM = [l_1,l_2...l_n] % egenverdier for A-KC K0 = place(a',c',lam) % MIMO polplasseringsalgoritme K = K0' % Luenberger forsterkningsmatrise
20 24 Tilstandsestimering 2.5 Lyapunov-basert tilstandsestimering Denne seksjonen gir en introduksjon til Lyapunov-basert tilstandsestimering Lyapunov-stabilitet av Kalman-lteret I den linere analysen vil vi ta utgangspunkt i Kalman-lteret (evt. Luenbergerestimatoren) skrevet pa formen: _x(t) = Ax(t)+Bu(t) (2.68) z(t) = Cx(t) (2.69) Estimeringsfeilen ~x = x ^x er gitt av: Ta utgangspunkt i Lyapunov-funksjonen: _~x(t) = (A KC) ~x(t) (2.70) ~z = C ~x(t) (2.71) Derivasjon av V m.h.p. tiden gir: V = ~x T P 1 ~x P = P T > 0 (2.72) _V = ~x d T P 1 ~x + ~x T P 1 T ~x _ + ~x _ P 1 ~x (2.73) dt! d = ~x T P 1 + P 1 A + A T P 1 P 1 KC C T K T P 1 ~x (2.74) dt Den tidsderiverte av P 1 omskrives ved a derivere: hvilket gir: PP 1 = I (2.75) Vi far da: hvor d dt P = _ P. Dette gir: d dt PP 1 + P d dt P 1 = 0 (2.76) d dt P 1 = P 1 _PP 1 (2.77) _V = ~x T P 1 _P + AP + PA T KCP PC T K T P 1 ~x (2.78)
21 2.5 Lyapunov-basert tilstandsestimering 25 Global asymptotisk stabilitet I Kalman-lteret velges: K = PC T R 1 R = R T > 0 (2.79) Substitutering av uttrykket for K inn i _ V gir: _V = ~x T P 1 _P + AP + PA T 2PC T R 1 CP P 1 ~x (2.80) Kovariansmatriselikningen i Kalman-lteret er valgt som: hvilket gir: _P = AP + PA T + Q PC T R 1 CP (2.81) eller _V = ~x T P 1 Q + PC T R 1 CP P 1 ~x < 0 8x 6= 0 (2.82) _V = ~x T P 1 QP 1 ~x ~z T R 1 ~z 8x z 6= 0 (2.83) Vi ser da at V gar mot null siden vektmatrisene P > 0, Q > 0 og R > 0 alle er positive denitte matriser. I henhold til Lypunovs direkte metode er da Kalman-lteret globalt asymptotiskt stabilt. Et deterministisk valg av kovariansmatrisen Q er: hvilket gir: Q = PQ 0 P (2.84) _V = ~x T Q 0 ~x ~z T R 1 ~z 8x z 6= 0 (2.85) hvor Q 0 vanligvis velges som en diagonal matrise med positive elementer pa diagonalen. Kommentar: For linere systemer impliserer global asymptotisk stabilitet eksponesiell stabilitet. Dette kan f.eks. vises ved a benytte egenverdibetrakninger. Vi kan skrive: V = ~x T P 1 ~x m ~x T ~x (2.86) hvor m er den minste egenverdien til P 1. Tilsvarende vil: _V = ~x T P 1 Q + PC T R 1 CP P 1 ~x M ~x T ~x (2.87) hvor M er den strste egenverdien til P 1 (Q+PC T R 1 CP)P 1.Ved abenytte ulikheten (2.86) kan vi skrive om (2.87) til:
22 26 Tilstandsestimering _V M ~x T ~x M V m = V (2.88) hvor = M = m.viserdaatv og dermed ~x avtar eksponensielt siden: V (t) e t V (0) (2.89) Dette bekrefter at global asymptotisk stabiltet og eksponensiell stabilitet er ekvivalente begreper i linere systemer. Dette er imidlertid ikke tilfelle for ulinere systemer.
Tilstandsestimering Oppgaver
University College of Southeast Norway Tilstandsestimering Oppgaver HANS-PETTER HALVORSEN http://home.hit.no/~hansha Innholdsfortegnelse 1 Grunnlag... 3 1.1 Statistikk og Stokastiske systemer... 3 1.2
DetaljerDato: fredag 14 desember 2007 Lengde på eksamen: 4 timer Tillatte hjelpemidler: ingen. 1 Diskret tilstandsrommodell 2. 2 Stående pendel 4
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Løsningsforslag Eksamen i MIK30, Systemidentifikasjon Dato: fredag 4 desember 2007 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerTilstandsestimering Oppgaver
Telemark University College Department of Electrical Engineering, Information Technology and Cybernetics Tilstandsestimering Oppgaver HANS-PETTER HALVORSEN, 2012.01.27 Faculty of Technology, Postboks 203,
DetaljerKalmanfilter HANS-PETTER HALVORSEN, 2012.02.24
Telemark University College Department of Electrical Engineering, Information Technology and Cybernetics HANS-PETTER HALVORSEN, 2012.02.24 Faculty of Technology, Postboks 203, Kjølnes ring 56, N-3901 Porsgrunn,
DetaljerDato: Tirsdag 28. november 2006 Lengde på eksamen: 4 timer Tillatte hjelpemidler: Kun standard enkel kalkulator, HP 30S
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK130, Systemidentifikasjon Dato: Tirsdag 28. november 2006 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerSLUTTPRØVE (Teller 60% av sluttkarakteren)
Høgskolen i Telemark Avdeling for teknologiske fag SLUTTPRØVE (Teller 60% av sluttkarakteren) EMNE: EE4209 Modellbasert regulering LÆRERE Kjell - Erik Wolden og Hans - Petter Halvorsen KLASSE(R): 2IA DATO:
DetaljerKalmanfilter på svingende pendel
Kalmanfilter på svingende pendel Rolf Henriksen og Torbjørn Houge Institutt for teknisk kybernetikk NTNU 2005 Vi skal se på hvordan Kalmanfilteret fungerer på et velkjent eksempel, den svingende pendel
DetaljerTTK4180 Stokastiske og adaptive systemer. Datamaskinøving 2 - Parameterestimering
Institutt for teknisk kybernetikk Norges teknisk-naturvitenskapelige universitet 27.10.98 EWR TTK4180 Stokastiske og adaptive systemer Datamaskinøving 2 - Parameterestimering Tid og sted: -Utdeling av
DetaljerUniversity College of Southeast Norway. Kalmanfilter HANS-PETTER HALVORSEN,
University College of Southeast Norway HANS-PETTER HALVORSEN, 2016.11.01 http://home.hit.no/~hansha Forord Dette dokumentet tar for seg grunnleggende modellbasert regulering over temaet. Noen forenklinger
DetaljerLøsningsforslag Eksamen i MIK130, Systemidentifikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Løsningsforslag Eksamen i MIK3, Systemidentifikasjon ( sp) Dato: Mandag 8 desember 28 Lengde på eksamen: 4 timer Tillatte
DetaljerSide av 5 fra matriseteori har vi at en symmetrisk matrise alltid er ortogonalt diagonaliserbar. Det vil si at X kan skrives på formen X = M M (6) der
Side av 5 Norges teknisk- naturvitenskapelige universitet Institutt for teknisk kybernetikk SIE38 Stokastiske og adaptive systemer Fasit til ving Oppgave Gitt at den stokastiske vektoren v er normalfordelt
DetaljerDESIGN AV KALMANFILTER. Oddvar Hallingstad UniK
DESIGN AV KALMANFILTER Oddvar Hallingstad UniK Hva er et Kalmanfilter? Kalmanfilteret er en rekursiv algoritme som ved å prosessere målinger av inngangen og utgangen av et system og ved å utnytte en matematisk
DetaljerMIK-130 Systemidentifikasjon Løsningsforslag eksamen 28 mai 2004
MIK-130 Systemidentifikasjon Løsningsforslag eksamen 28 mai 2004 Oppgave 1 a Energibalanse: Endring i energi = sum av tilført energi - sum av avgitt energi. Her får en da for vannet E t = (m vc pv T v
DetaljerTilstandsestimering Løsninger
University College of Southeast Norway Tilstandsestimering Løsninger HANS-PETTER HALVORSEN http://home.hit.no/~hansha Innholdsfortegnelse 1 Grunnlag... 3 1.1 Statistikk og Stokastiske systemer... 3 1.2
DetaljerEksamen i MIK130, Systemidentifikasjon
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK130, Systemidentifikasjon Dato: Tirsdag 28. november 2006 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerEksamen i MIK130, Systemidentifikasjon
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK130, Systemidentifikasjon Dato: 21 februar 2007 Lengde på eksamen: 4 timer Tillatte hjelpemidler: ingen Bokmål
DetaljerUniversity College of Southeast Norway. Observer HANS-PETTER HALVORSEN.
University College of Southeast Norway HANS-PETTER HALVORSEN http://home.hit.no/~hansha Forord Dette dokumentet tar for seg modellbasert regulering over temaet s og tilstandsestimering. Noen forenklinger
DetaljerTilstandsestimering Løsninger
Telemark University College Department of Electrical Engineering, Information Technology and Cybernetics Tilstandsestimering Løsninger HANS-PETTER HALVORSEN, 2012.01.27 Faculty of Technology, Postboks
DetaljerLøsningsforslag Eksamen i MIK130, Systemidentikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Løsningsforslag Eksamen i MIK3, Systemidentikasjon ( sp) Dato: onsdag 23 november 2 Lengde på eksamen: 4 timer Tillatte
DetaljerEksamen i MIK130, Systemidentikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK3, Systemidentikasjon ( sp) Dato: onsdag 23 november 2 Lengde på eksamen: 4 timer Tillatte hjelpemidler: Kun
Detaljerd) Vi skal nne alle lsningene til dierensialligningen y 0 + y x = arctan x x pa intervallet (0; ). Den integrerende faktoren blir R x e dx = e ln x =
Lsningsforslag til utvalgte oppgaver i kapittel 0 I kapittel 0 far du trening i a lse ulike typer dierensialligninger, og her far du bruk for integrasjonsteknikkene du lrte i forrige kapittel. Men vel
DetaljerObserver HANS-PETTER HALVORSEN, 2012.02.24. Telemark University College Department of Electrical Engineering, Information Technology and Cybernetics
Telemark University College Department of Electrical Engineering, Information Technology and Cybernetics Observer HANS-PETTER HALVORSEN, 2012.02.24 Faculty of Technology, Postboks 203, Kjølnes ring 56,
Detaljer6 Modellering av smelteovn Modellering Tilstandsromform Diskretisering Observerbarthet Tidssteg...
Stavanger, 28. mai 2019 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2019. Innhold 6 Modellering av smelteovn. 1 6.1 Modellering............................. 1 6.2 Tilstandsromform..........................
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas.
Stavanger, 26. juni 2017 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2017. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. Innhold
DetaljerEksamen i MIK130, Systemidentifikasjon
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK30, Systemidentifikasjon Dato: Fredag 4. desember 2007 Lengde på eksamen: 4 timer Tillatte hjelpemidler: ingen
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas.
Stavanger, 26. juni 2017 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2017. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. Innhold
DetaljerEksamen i MIK130, Systemidentifikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK130, Systemidentifikasjon (10 sp) Dato: Mandag 8 desember 2008 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
Detaljer2 Utledning av Kalman-filter Forventningsrett estimator Kovariansmatriser Minimum varians estimator... 9
Stavanger, 3. august 2018 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2018. Innhold 1 Tilstands- og parameterestimering med Kalman-filter 2 1.1 Observerbarhet...........................
DetaljerDET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk. Løsningsforslag Eksamen i MIK130, Systemidentifikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Løsningsforslag Eksamen i MIK3, Systemidentifikasjon ( sp) Dato: torsdag 6 desember Lengde på eksamen: 4 timer Tillatte
DetaljerØving 12, ST1301 A: B:
Øving 12, ST1301 Oppgave 1 En to-utvalgs t-test forutsetter at observasjonene i hvert utvalg X 1 ; X 2 ; : : : ; X n og Y 1 ; Y 2 ; : : : ; Y m er uavhengige normalfordelte variable. Hvis testen oppfører
DetaljerDET TEKNISK-NATURVITENSKAPELIGE FAKULTET MASTEROPPGAVE. Forfatter: Atle Gjengedal (signatur forfatter)
DET TEKNISK-NATURVITENSKAPELIGE FAKULTET MASTEROPPGAVE Studieprogram/spesialisering: Kybernetikk/signalbehandling Vårsemesteret, 2009 Åpen / Konfidensiell Forfatter: Atle Gjengedal (signatur forfatter)
DetaljerLøsning til eksamen i IA3112 Automatiseringsteknikk ved Høgskolen i Sørøst- Norge
Løsning til eksamen i IA3112 Automatiseringsteknikk ved Høgskolen i Sørøst- Norge Eksamensdato: 30.11 2016. Varighet 5 timer. Vekt i sluttkarakteren: 100%. Emneansvarlig: Finn Aakre Haugen (finn.haugen@hit.no).
DetaljerLøsningsforslag. Oppgave 1 Gitt matrisene ] [ og C = A = 4 1 B = 2 1 3
Prøve i Matematikk BYFE DAFE Dato: 27. mai 26 Hjelpemiddel: Kalkulator og formelark Alle svar skal grunngis. Alle deloppgaver har lik vekt. Løsningsforslag Oppgave Gitt matrisene [ 2 A 4 B [ 2 og C [ 2
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning.
Stavanger, 7. november 2016 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2016. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning.
DetaljerEksamen i ELE620, Systemidentifikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i ELE620, Systemidentifikasjon (10 sp) Dato: tirsdag 17 desember 2013 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
Detaljer7 Tilstandsestimering for smelteovn.
Stavanger, 9. august 2016 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2016. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning.
DetaljerEksamen i MIK130, Systemidentifikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK130, Systemidentifikasjon (10 sp) Dato: onsdag 24 november 2010 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerLøsning til eksamen i IA3112 Automatiseringsteknikk ved Høgskolen i Sørøst- Norge
Løsning til eksamen i IA32 Automatiseringsteknikk ved Høgskolen i Sørøst- Norge Eksamensdato: 24. 207. Varighet 5 timer. Emneansvarlig: Finn Aakre Haugen (finn.haugen@usn.no). Løsning til oppgave a (5%).
Detaljer0.1 Kort introduksjon til komplekse tall
Enkel introduksjon til matnyttig matematikk Vi vil i denne innledningen introdusere litt matematikk som kan være til nytte i kurset. I noen tilfeller vil vi bare skrive opp uttrykk uten å komme inn på
DetaljerSiden vi her har brukt første momentet i fordelingen (EX = EX 1 ) til å konstruere estimatoren kalles denne metoden for momentmetoden.
Estimeringsmetoder Momentmetoden La X, X 2,..., X n være uavhengige variable som er rektangulært fordelte på intervallet [0, θ]. Vi vet da at forventningsverdiene til hver observasjon og forventningen
DetaljerInput α. Desired output. Linear prediction. Prediction error. Input α. Desired output. Linear prediction. Prediction error
NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR PETROLEUMSTEKNOLOGI OG ANVENDT GEOFYSIKK SIG445 Geofysisk Signalanalyse Lsningsforslag ving 8. Liner prediksjon bestar i aanvende et prediksjonslter,
DetaljerDET TEKNISK-NATURVITENSKAPELIGE FAKULTET MASTEROPPGAVE. Forfatter: Duy Viet Nguyen (signatur forfatter)
DET TEKNISK-NATURVITENSKAPELIGE FAKULTET MASTEROPPGAVE Studieprogram/spesialisering: Automatisering og signalbehandling Vårsemesteret, 2017 Åpen / Konfidensiell Forfatter: Duy Viet Nguyen (signatur forfatter)
DetaljerGenerell informasjon om faget er tilgjengelig fra It s learning. 1 En kort oppsummering Adaptiv filtrering 2. 3 Prediksjon 4
Stavanger, 13. august 2013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 2013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 1 En kort oppsummering. 1 2 Adaptiv
DetaljerE, B. q m. TFY4104 Fysikk. Institutt for fysikk, NTNU. ving 12.
TFY4104 Fsikk. nstitutt for fsikk, NTNU. ving 12. Oppgave 1 Partikler med masse m, ladning q og hastighet v kommer inn i et omrade med "krsset" elektrisk og magnetisk felt, E og, som vist i guren. E har
DetaljerWiener filter of length 10 (performance 0.374) Pulse P Sample number. Wiener filter of length 10 (performance 0.
NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR PETROLEUMSTEKNOLOGI OG ANVENDT GEOFYSIKK SIG5 Geofysisk Signalanalyse Lsningsforslag ving 7 I forrige ving laget vi ltre ved frst a beregne
DetaljerEksamen i emnet Stat111 - Statistiske metoder 28. mai 2014, kl
UNIVERSITETET I BERGEN Det matematisk-naturvitenskapelige fakultet Eksamen i emnet Stat111 - Statistiske metoder 28. mai 2014, kl. 09-13 BOKMAL Tillatt hjelpemiddel: Kalkulator med tomt minne i samsvar
DetaljerEksamen i ELE620, Systemidentikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i ELE620, Systemidentikasjon (0 sp) Dato: Tirsdag 5 desember 205 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
Detaljer4.1 Diskretisering av masse-fjær-demper-system. K f m. x m u m y = x 1. x m 1 K d. Dette kan skrives på matriseform som i oppgaven med 0 1 A =
Stavanger, 5. september 08 Det teknisknaturvitenskapelige fakultet ELE60 Systemidentifikasjon, 08. Innhold 4 Løsningsforslag og kommentarer, noen regneoppgaver. 4. Diskretisering av masse-fjær-demper-system...........
DetaljerLsningsforslag ved Klara Hveberg Lsningsforslag til utvalgte oppgaver i kapittel 7 I seksjon 7.1 og 7.2 lrer du a lse oppgaver hvor det kan lnne seg a
Lsningsforslag til utvalgte ogaver i kaittel 7 I seksjon 7. og 7. lrer du a lse ogaver hvor det kan lnne seg a tegne gurer og sette navn a ukjente strrelser. Ogave 7..7 illustrerer hvordan du kan ansla
DetaljerBootstrapping og simulering Tilleggslitteratur for STK1100
Bootstrapping og simulering Tilleggslitteratur for STK1100 Geir Storvik April 2014 (oppdatert April 2016) 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor
DetaljerBytte om to rader La Matlab generere en tilfeldig (4 4)-matrise med heltallige komponenter mellom 10 og 10 ved kommandoen Vi skal underske hva som skj
velse 2: Egenskaper ved determinanter av Klara Hveberg I denne velsen skal vi bruke Matlab til a studere hva elementre radoperasjoner gjr med determinanten til en matrise. Deretter skal vi se pa determinanten
DetaljerSimulering i MATLAB og SIMULINK
Simulering i MATLAB og SIMULINK Av Finn Haugen (finn@techteach.no) TechTeach (http://techteach.no) 13. november 2004 1 2 TechTeach Innhold 1 Simulering av differensiallikningsmodeller 7 1.1 Innledning...
DetaljerLøsningsforslag til utvalgte oppgaver i kapittel 10
Løsningsforslag til utvalgte oppgaver i kapittel 0 I kapittel 0 får du trening i å løse ulike typer differensialligninger, og her får du bruk for integrasjonsteknikkene du lærte i forrige kapittel. Men
DetaljerKlara Hveberg, 26 sylen under pivot-elementet, ma vi na bare trekke (3; 2)=(2; 2) = 8=2 = 4 ganger andre rad fra tredje rad >> k=(3,2)/(2,2); >> (3,:)
Lab 2: Gauss-eliminasjon av Klara Hveberg I denne laboratorievelsen skal vi se pa hvordan vi kan lage Matlab-funksjoner som utfrer Gauss-eliminasjon pa matriser, dvs som bringer dem pa trappeform ved hjelp
DetaljerSIF5010 Matematikk 3. y 00, 2y 0 +5y = sin x 4A, 2B =0 4B +2A =1;
for fakultet E og F varen 998 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Lsningsforslag eksamen varen 998 Eksamen SIF5, mai 98 a) y, y +5y sin x P (r) r, r +5; r i Som
Detaljer5.8 Iterative estimater på egenverdier
5.8 Iterative estimater på egenverdier Det finnes ingen eksplisitt formel for beregning av egenverdiene til en kvadratisk matrise. Iterative metoder som finner (ofte) en (meget god) approksimasjon til
DetaljerTTK4100 Kybernetikk introduksjon Øving 1 - Løsningsforslag
TTK4100 Kybernetikk introduksjon Øving 1 - Løsningsforslag Oppgave 1: UAV En AUV (Autonoous Underwater Vehicle) er et ubeannet undervannsfartøy so kan utføre selvstendige oppdrag under vann. I denne oppgaven
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. 1 Adaptiv filtrering 2.
Stavanger, 23. juni 2017 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2017. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. Innhold
DetaljerMatematikk 1000. Øvingsoppgaver i numerikk leksjon 6. Løsningsforslag
Matematikk 1000 Øvingsoppgaver i numerikk leksjon 6 Løsningsforslag Oppgave 1 Funksjoner og tangenter 2.1: 15 a) Vi plotter grafen med et rutenett: > x=-3:.1:3; > y=x.^2; > plot(x,y) > grid on > axis([-2
DetaljerMAT UiO mai Våren 2010 MAT 1012
200 MAT 02 Våren 200 UiO 0-2. 200 / 48 200 Betrakt et system x = A x der A M n (R) er diagonaliserbar. Vi har sett at systemet kan løses ved frakoblingsmetoden: Vi finner da P = [v v n ] (inverterbar)
DetaljerUNIVERSITETET I BERGEN. STAT111 Statistiske metoder
Bokmal UNIVERSITETET I BERGEN Det matematisk naturvitenskapelige fakultet STAT111 Statistiske metoder Eksamen 28. mai 2015, 0900-1300 Tillatt hjelpemiddel: Kalkulator i henhold til fakultetets regler,
Detaljer4.4 Koordinatsystemer
4.4 Koordinatsystemer Minner om at B = { b 1, b 2,..., b n } V kalles en basis for et vektorrom V dersom B er lineært uavhengig og B utspenner V. I samme vektorrom kan vi innføre ulike koordinatsystemer
DetaljerTMA4240 Statistikk Høst 2018
TMA4240 Statistikk Høst 2018 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 5 Dette er andre av tre innleveringer i blokk 2. Denne øvingen skal oppsummere pensum
DetaljerSIF5030/75047 Optimeringsteori, 5 timer. Ingen hjelpemidler.
Oppgave1: SIF5/757 Optimeringsteori, 5 timer Ingen hjelpemidler. (a) Forklar hva som menes med en konveks funksjon, og argumentér for at alle minima til en konveks funksjon på en konveks mengde er globale
DetaljerLineær analyse i SIMULINK
Lineær analyse i SIMULINK Av Finn Haugen (finn@techteach.no) TechTeach (http://techteach.no) 20.12 2002 1 2 Lineær analyse i SIMULINK Innhold 1 Innledning 7 2 Kommandobasert linearisering av modeller 9
DetaljerEksponensielle klasser og GLM
!! 3 ksponensielle klasser, Dobson, Kap 3 ksponensielle klasser GLM n stokastisk variabel sies å ha fordeling i den eksponensielle fordelingsklasse som tettheten pktsannsh til kan skrives på formen STK3-3
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning. 1 Stokastiske system og prosesser 2
Stavanger, 4. august 016 Det teknisknaturvitenskapelige fakultet ELE60 Systemidentifikasjon, 016. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning.
DetaljerEksamen i ELE620, Systemidentikasjon (10 sp)
DE EKNISK - NAURVIENSKAPEIGE FAKUE Institutt for data- og elektroteknikk Eksamen i EE620, Systemidentikasjon (0 sp) Dato: Fredag 3 mars 207 engde på eksamen: 4 timer illatte hjelpemidler: Kun standard
DetaljerDataøving 2. TTK5 Kalmanfiltrering og navigasjon Løsningsforslag
Dataøving TTK5 Kalmanfiltrering og navigasjon Løsningsforslag Oppgave 1 a) Sammenhengen mellom pseudorange ρ og posisjon x i ECEF rammen når man har n satellitter er: q ρ i = (x si x) T (x si x)+cτ (1)
DetaljerTFY4104 Fysikk. Institutt for fysikk, NTNU. Lsningsforslag til ving 10.
TFY404 Fysikk. Institutt for fysikk, NTNU. Lsningsforslag til ving 0. Oppgave A B C D x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 x 0 x x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 29 x 20 x ) Glass-staven er ikke i berring med
DetaljerKorteste vei problemet (seksjon 15.3)
Korteste vei problemet (seksjon 15.3) Skal studere et grunnleggende kombinatorisk problem, men først: En (rettet) vandring i en rettet graf D = (V, E) er en følge P = (v 0, e 1, v 1, e 2,..., e k, v k
Detaljer1b) Schwarzschil-metrikken er iagonal, og vi har at g tt = 1, c = r, c ; g rr =, r r r r, =,1, r, ; g =,r ; g '' =,r sin : (9) At raielle baner eksist
Eksamen i klassisk feltteori, fag 74 50, 8. esember 1998 Lsninger 1a) Vi antar at x +, x x =0; (1) og at c = g x x. Sa gjr vi en koorinattransformasjon x 7 ex,ogskal vise at ex + e, ex ex =0; () er c =
DetaljerSimulerings-eksperiment - Fysikk/Matematikk
Simulerings-eksperiment - Fysikk/Matematikk Tidligere dette semesteret er det gjennomført et såkalt Tracker-eksperiment i fysikk ved UiA. Her sammenlignes data fra et kast-eksperiment med data fra en tilhørende
DetaljerLøsningsforslag AA6526 Matematikk 3MX Privatister 3. mai 2005. eksamensoppgaver.org
Løsningsforslag AA6526 Matematikk 3MX Privatister 3. mai 2005 eksamensoppgaver.org eksamensoppgaver.org 2 Om løsningsforslaget Løsningsforslaget for matematikk eksamen i 3MX er gratis, og det er lastet
DetaljerMA2501 Numeriske metoder
MA501 Numeriske metoder Vår 009 Øving 9 Oppgave 1 Bruk vedlagte matlab-program skyt.m til å løse randverdiproblemet x + e x = 0, x(0) = x(1) = 0 Oppgave Gitt startverdiproblemet x = t(x ), x(0) = 1, x
DetaljerMA0002 Brukerkurs i matematikk B Vår 2014
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag MA000 Brukerkurs i matematikk B Vår 014 Løsningsforslag Eksamen august Løsning: Oppgave 1 1 0 3 A 7, 3 4 1 x 10 A y 3 z På grunn
Detaljerdg = ( g P0 u)ds = ( ) = 0
NTNU Institutt for matematiske fag TMA4105 Matematikk 2, øving 8, vår 2011 Løsningsforslag Notasjon og merknader Som vanlig er enkelte oppgaver kopiert fra tidligere års løsningsforslag. Derfor kan notasjon,
DetaljerMA0002 Brukerkurs i matematikk B Vår 2014
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag MA000 Brukerkurs i matematikk B Vår 04 Løsningsforslag. Eksamen 6. mai Løsning: Oppgave a) dy dx y y y )y ) : gy), så likevektsløsningene
DetaljerGhost amplitude spectrum. d=6 m V=1500 m/s c= 1
NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR PETROLEUMSTEKNOLOGI OG ANVENDT GEOFYSIKK Oppgave SIG445 Geofysisk Signalanalyse ving 5 En seismisk kilde er plassert pa endybde d ivann, hvor
Detaljer5.6 Diskrete dynamiske systemer
5.6 Diskrete dynamiske systemer Egenverdier/egenvektorer er viktige for å analysere systemer av typen x k+1 = A x k, k 0, der A er en kvadratisk diagonaliserbar matrise. Tenker her at x k angir systemets
Detaljer1.1.1 Rekke med konstante ledd. En rekke med konstante ledd er gitt som. a n (1) n=m
Formelsamling og tabeller FO020E Matte 2000 for elektroprogrammet 1 Matematikk 1.1 Denisjoner av ulike typer polynomer og rekker 1.1.1 Rekke med konstante ledd En rekke med konstante ledd er gitt som a
DetaljerEksamen i ELE Matematikk valgfag Torsdag 18. mai Oppgave 1
Eksamen i ELE79 - Matematikk valgfag Torsdag 8. mai 07 LØSNINGFORSLAG Oppgave (a) Den utvidede matrisen til likningssystemet er 6 Gausseliminasjon: ganger rad I legges til rad II: 0 0 Rad I trekkes fra
DetaljerEksamen i MIK130, Systemidentifikasjon
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for elektroteknikk og databehandling Eksamen i MIK130, Systemidentifikasjon Dato: Mandag 28. november 2005 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
Detaljer41070 STABILITET I ELKRAFTSYSTEMER
NTNU Gitt: 26.01.00 Fakultet for Elektroteknikk og telekommunikasjon Leveres: 09.02.00 Institutt for elkraftteknikk 1 41070 STABILITET I ELKRAFTSYSTEMER ØVING 13. Obligatorisk dataøving. Formål: - gi en
DetaljerSIE30AR Ulineær bevegelsestyring - Servoteknikk Løsningsforslag til øving 11: Passivitet
SIE3AR Ulineær bevegelsestyring - Servoteknikk Løsningsforslag til øving 11: Passivitet u u 1 H 1 y 1 y y H u Figure 1: To systemer i tilbakekobling 1 Fra Figur 1 kandet sees at u = u 1 + y y = y 1 = u
DetaljerGammafordelingen og χ 2 -fordelingen
Gammafordelingen og χ 2 -fordelingen Gammafunksjonen Gammafunksjonen er en funksjon som brukes ofte i sannsynlighetsregning. I mange fordelinger dukker den opp i konstantleddet. Hvis man plotter n-fakultet
DetaljerUNIVERSITETET I BERGEN
LØSNINGSFORSLAG UNIVERSITETET I BERGEN Det matematisk-naturvitenskapelige fakultet. H.007. Eksamen i emnet MAT131 - Differensialligninger I 8. september 007 kl. 0900-100 Tillatte hjelpemidler: Ingen (heller
Detaljer4.9 Anvendelser: Markovkjeder
4.9 Anvendelser: Markovkjeder Markov kjeder er en spesiell type diskret dynamisk system. Stokastisk modell: grunnleggende i sannsynlighetsregning. Vinner av Abelprisen 2007, S. Varadhan, jobber i dette
Detaljerf(t) F( ) f(t) F( ) f(t) F( )
NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR PETROLEUMSTEKNOLOGI OG ANVENDT GEOFYSIKK Oppgave SIG4045 Geofysisk Signalanalyse Lsningsforslag ving 3 a) ' xy (t) = x()y(t + )d : La oss, for
DetaljerProsjektoppgaver om diusjonsprosesser og diusjonstilnærmelse
Prosjektoppgaver om diusjonsprosesser og diusjonstilnærmelse February 22, 2007 I alle oppgavene skal det skrives litt om hva diusjonsprosesser er, hvilke spesielle resultater fra diusjonsteorien man skal
DetaljerEksamensoppgavehefte 2. MAT1012 Matematikk 2: Mer lineær algebra
Eksamensoppgavehefte 2 MAT1012 Matematikk 2: Mer lineær algebra Matematisk institutt, UiO, våren 2010 I dette heftet er det samlet et utvalg av tidligere eksamensoppgaver innenfor temaet Lineær algebra
DetaljerEKSAMEN I MA0002 Brukerkurs B i matematikk
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 7 Faglig kontakt under eksamen: Achenef Tesfahun (9 84 97 5) EKSAMEN I MA2 Brukerkurs B i matematikk Lørdag 322 Tid:
DetaljerLøsning til eksamen i IA3112 Automatiseringsteknikk
Løsning til eksamen i IA3112 Automatiseringsteknikk Eksamensdato: 03.12 2018. Varighet 5 timer. Emneansvarlig: Finn Aakre Haugen (finn.haugen@usn.no). Løsning til oppgave 1 (35%) a (5%) Massebalanse: ρ*a*dh/dt
DetaljerMA0002 Brukerkurs i matematikk B Vår 2014
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag MA0002 Brukerkurs i matematikk B Vår 2014 Løsningsforslag Øving 10 Oppgaver fra boken: 10.6 : 1, 8, 9, 12, 19, 26, 29,, 4 Det
DetaljerProFag Realfaglig programmering
Det matematisk-naturvitenskapelige fakultet ProFag Realfaglig programmering Andre samling 1. september 018 Kompetansesenter for Undervisning i Realfag og Teknologi www.mn.uio.no/kurt Det matematisk-naturvitenskapelige
DetaljerLøsningsforslag: MAT 1110 Obligatorisk oppgave 2, V-12
Løsningsforslag: MAT 0 Obligatorisk oppgave, V- Oppgave a Siden f har en annenderivert, må både funksjonen selv og dens deriverte være kontinuerlige, og det sikrer at vi i regningene nedenfor har 0 0 -uttrykk:
DetaljerGauss-Jordan eliminasjon; redusert echelonform. Forelesning, TMA4110 Fredag 18/9. Reduserte echelonmatriser. Reduserte echelonmatriser (forts.
Gauss-Jordan eliminasjon; redusert echelonform Forelesning, TMA4110 Fredag 18/9 Martin Wanvik, IMF MartinWanvik@mathntnuno En matrise vil normalt være radekvivalent med flere echelonmatriser; med andre
DetaljerEmne 10 Litt mer om matriser, noen anvendelser
Emne 10 Litt mer om matriser, noen anvendelser (Reelle) ortogonale matriser La A være en reell, kvadratisk matrise, dvs. en (n n)-matrise hvor hvert element Da vil A være ortogonal dersom: og Med menes
DetaljerMA0002 Brukerkurs i matematikk B Vår 2016
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag MA0002 Brukerkurs i matematikk B Vår 2016 Løsningsforslag Øving 11 Oppgaver fra boken: 10.6 : 1, 8, 9, 12, 19, 26, 29,, 4 Det
Detaljer