Skip to main content
SpringerLink
Log in

Robuste Zustandsschätzung komplexer Systeme

  • Chapter
Mathematik im Fraunhofer-Institut

  • 3063 Accesses

Zusammenfassung

Die Sicherstellung von Produktqualität und Systemzuverlässigkeit in technischen Systemen und Prozessen erfordert die Bereitstellung kritischer Informationen aus dem dynamischen Systemgeschehen. Allerdings ist die direkte Überwachung aller interessierenden Systemgrößen in den meisten Fällen aufgrund technischer Limitationen der verfügbaren Sensorik und des eingeschränkten Vorhandenseins geeigneter Messstellen nicht möglich. Auch würde in vielen Fällen die direkte Messung aller Größen aufgrund der Anzahl der erforderlichen Sensoren zu teuer. Einen Ausweg zeigt hier die modellbasierte Zustandsschätzung auf. Neben den klassischerweise eingesetzten Kalman-Filtern kommen am Fraunhofer ITWM auch robuste Verfahren aus der H∞-Theorie und Partikelfilter-Methoden zum Einsatz. Herausforderungen beim Einsatz dieser Verfahren sind einerseits die Modellierung der Prozess- und Messunsicherheiten und andererseits die Echtzeittauglichkeit der zu Grunde liegenden Systemsimulation. Illustriert wird der Einsatz von Zustandsschätzern an verschiedenen Anwendungsbeispielen des Fraunhofer ITWM. Dies sind z. B. die Run-Out-Kompensation im Rahmen der berührungslosen Drehmomenterfassung sowie das Online-Monitoring von Torsionsschwingungen im Wellenstrang von Kraftwerksturbosätzen. Als Beispiel einer biologisch/medizinischen Anwendung stellen wir die Nutzung von Partikelfilter-Methoden zur Analyse von Plasma-Leuzin-Messungen aus einer Studie mit Diabetespatienten dar.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 59.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 84.99
Price excludes VAT (USA)
  • Durable hardcover edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Literaturverzeichnis

Publikationen der Autoren

  1. Krengel, A., Hauth, J., Taskinen, M.-R., Adiels, M., Jirstrand, M.: A continuous-time adaptive particle filter for estimations under measurement time uncertainties with an application to a plasma–leucine mixed effects model. BMC Syst. Biol. 7, 8 (2013). doi:10.1186/1752-0509-7-8

    Article  Google Scholar 

  2. Lang, P., Prätzel-Wolters, D., Kulig, S.: Modellreduktion und dynamische Beobachter für Torsionsschwingungen in Turbosätzen. In: Hoffmann, K.-H., Jäger, W., Lohmann, T., Schunk, H. (Eds.), Mathematik-Schlüsseltechnologie für die Zukunft, pp. 491–501. Springer, Berlin (1997)

    Google Scholar 

  3. Stahl, D., Hauth, J.: PF-MPC: Particle Filter – Model Predictive Control. Syst. Control Lett. 60(8), 632–643 (2011)

    Article  MathSciNet  MATH  Google Scholar 

  4. Wirsen, A.: Monitoring von Torsionsschwingungen in Kraftwerksturbosätzen. In: Turbogeneratoren in Kraftwerken, Technik–Instandhaltung–Schäden. Haus der Technik, Essen (2011)

    Google Scholar 

  5. Wirsen, A., Humer, M.: Online Monitoring von Torsionsschwingungen in Wellensträngen von Kraftwerksturbosätzen. In: Symposium Schwingungsdiagnose–Schwingungsddiagnostische Überwachung von Kraftwerksturbosätzen–Methoden, Nutzen, Erfahrung. Potsdam Sanscoussi, Germany (2006)

    Google Scholar 

  6. Wirsen, A., Lang, P., Humer, M.: Systems for monitoring and analysing torsional vibrations in turbine generator shaft lines. In: Conference Proceedings of the 16th International Conference on Electrical Machines, Krakau, Polen (2004)

    Google Scholar 

  7. Wirsen, A., Mohring, J.: Methods for H2 optimal actuator placement and controller design based on high dimensional parametric models of mechanical structures. In: Conference Proceedings IV European Conference on Computational Mechanics (ECCM). (2010)

    Google Scholar 

Dissertationen zum Thema am Fraunhofer ITWM

  1. Krengel, A.: A Modified Particle Filter with Adaptive Stepsize for Continuous-Time Models with Measurement Time Uncertainties. (2013). Verlag Dr. Hut

    Google Scholar 

  2. Lang, P.: Model Reduction, Sensor Placement and Robust Hinf-Filter Design for Elastomechanical Systems. (1998). Shaker Verlag

    Google Scholar 

  3. Wirsen, A.: Sensitivitätsanalyse und modaldatenbasierte Modelladaption bei elastomechanischen Systemen, dissertation.de (2002)

Weitere Literatur

  1. Adiels, M.: A compartmental model for kinetics of apolipoprotein B-100 and triglycerides in VLDL1 and VLDL2 in normolipidemic subjects. Licentiate thesis, Chalmers University of Technology, Göteborg (2002)

    Google Scholar 

  2. Adiels, M., Borén, J., Caslake, M.J.J., Stewart, P., Soro, A., Westerbacka, J., Wennberg, B., Olofsson, S.O.O., Packard, C., Taskinen, M.R.R.: Overproduction of VLDL1 driven by hyperglycemia is a dominant feature of diabetic dyslipidemia. Arterioscler. Thromb. Vasc. Biol. 25(8), 1697–1703 (2005) doi:10.1161/01.ATV.0000172689.53992.25

    Article  Google Scholar 

  3. Adiels, M., Packard, C., Caslake, M.J., Stewart, P., Soro, A., Westerbacka, J., Wennberg, B., Olofsson, S.O., Taskinen, M.R., Borén, J.: A new combined multicompartmental model for apolipoprotein B-100 and triglyceride metabolism in VLDL subfractions. J. Lipid Res. 46, 58–67 (2005)

    Article  Google Scholar 

  4. Andersen, K.E., Hojbjerre, M.: A population-based Bayesian approach to the minimal model of glucose and insulin homeostasis. Stat. Med. 24(15), 2381–2400 (2005)

    Article  MathSciNet  Google Scholar 

  5. Andrieu, C., De Freitas, N., Doucet, A.: Sequential MCMC for Bayesian model selection. In: Proceedings of the IEEE Signal Processing Workshop on Higher-Order Statistics, pp. 130–134. IEEE, Caesarea (1999). doi:10.1109/HOST.1999.778709

    Chapter  Google Scholar 

  6. Andrieu, C., Doucet, A., Holenstein, R.: Particle Markov chain Monte Carlo methods. J. R. Stat. Soc., Ser. B, Stat. Methodol. 72(3), 269–342 (2010)

    Article  MathSciNet  Google Scholar 

  7. Ashyraliyev, M., Fomekong-Nanfack, Y., Kaandorp, J.A., Blom, J.G.: Systems biology: parameter estimation for biochemical models. FEBS J. 276(4), 886–902 (2009) doi:10.1111/j.1742-4658.2008.06844.x

    Article  Google Scholar 

  8. Beal, S., Sheiner, L.: NONMEM User’s Guides. NONMEM Project Group. University of California, San Francisco (1994)

    Google Scholar 

  9. Berglund, M., Sunnåker, M., Adiels, M., Jirstrand, M., Wennberg, B.: Investigations of a compartmental model for leucine kinetics using non-linear mixed effects models with ordinary and stochastic differential equations. IMA J. Math. Appl. Med. Biol. 29(4), 361–384 (2011)

    Article  Google Scholar 

  10. Bohlin, T.: Practical Grey-Box Process Identification: Theory and Applications. Advances in Industrial Control. Springer, London (2010)

    Google Scholar 

  11. Cappé, O., Godsill, S., Moulines, E.: An overview of existing methods and recent advances in sequential Monte Carlo. Proc. IEEE 95(5), 899–924 (2007)

    Article  Google Scholar 

  12. Chou, I.C.C., Voit, E.O.: Recent developments in parameter estimation and structure identification of biochemical and genomic systems. Math. Biosci. 219(2), 57–83 (2009) doi:10.1016/j.mbs.2009.03.002

    Article  MathSciNet  MATH  Google Scholar 

  13. Cobelli, C., Saccomani, M.P., Tessari, P., Biolo, G., Luzi, L., Matthews, D.E.: Compartmental model of leucine kinetics in humans. Am. J. Physiol. 261(4 Pt 1), E539–50 (1991)

    Google Scholar 

  14. Crisan, D., Doucet, A.: A survey of convergence results on particle filtering methods for practitioners. IEEE Trans. Signal Process. 50(3), 736–746 (2002)

    Article  MathSciNet  Google Scholar 

  15. Del Moral, P., Doucet, A., Jasra, A.: Sequential Monte Carlo samplers. J. R. Stat. Soc., Ser. B, Stat. Methodol. 68(3), 411–436 (2006)

    Article  MathSciNet  MATH  Google Scholar 

  16. Demant, T., Packard, C.J., Demmelmair, H., Stewart, P., Bedynek, A., Bedford, D., Seidel, D., Shepherd, J.: Sensitive methods to study human apolipoprotein B metabolism using stable isotope-labeled amino acids. Am. J. Physiol. 270(6 Pt 1), E1022–36 (1996)

    Google Scholar 

  17. Donnet, S., Samson, A.: Em algorithm coupled with particle filter for maximum likelihood parameter estimation of stochastic differential mixed-effects models. http://hal.archives-ouvertes.fr/hal-00519576. Preprint version 2–21 Jul. 2011

  18. Donnet, S., Samson, A.: Parametric inference for mixed models defined by stochastic differential equations. ESAIM Probab. Stat. 12, 196–218 (2008)

    Article  MathSciNet  MATH  Google Scholar 

  19. Douc, R., Cappé, O., Moulines, E.: Comparison of resampling schemes for particle filtering. In: Proceedings of the 4th International Symposium on Image and Signal Processing and Analysis, 2005 ISPA, pp. 64–69. IEEE, Zagreb (2005)

    Google Scholar 

  20. Doucet, A., de Freitas, N., Gordon, N. (eds.): Sequential Monte Carlo Methods in Practice. Statistics for Engineering and Information Science. Springer, New York (2001)

    MATH  Google Scholar 

  21. Fearnhead, P.: MCMC, sufficient statistics and particle filters. J. Comput. Graph. Stat. 11(4), 848–862 (2002)

    Article  MathSciNet  Google Scholar 

  22. Gordon, N., Salmond, D., Smith, A.: Novel approach to nonlinear/non-Gaussian Bayesian state estimation. IEE-Proc.-F 140(2), 107–113 (1993)

    Google Scholar 

  23. Hol, J.D., Schön, T.B., Gustafsson, F.: On resampling algorithms for particle filters. In: Proceedings of Nonlinear Statistical Signal Processing Workshop (NSSPW), pp. 79–82. IEEE, Cambridge (2006)

    Google Scholar 

  24. Hu, X.L., Schön, T., Ljung, L.: A basic convergence result for particle filtering. IEEE Trans. Signal Process. 56(4), 1337–1348 (2008)

    Article  MathSciNet  Google Scholar 

  25. Humer, M.: Erfassung und Bewertung von Torsionsschwingungen in Wellensträngen von Kraftwerksturbosätzen. Ph.D. thesis, TU Dortumund (2004)

    Google Scholar 

  26. Hürzeler, M., Künsch, H.R.: Approximating and maximizing the likelihood for a general state-space model. In: Sequential Monte Carlo Methods in Practice. Springer, New York (2001)

    Google Scholar 

  27. Kloeden, P.E., Platen, E.: Numerical Solution of Stochastic Differential Equations. Springer, Berlin (1999)

    Google Scholar 

  28. Moles, C.G., Mendes, P., Banga, J.R.: Parameter estimation in biochemical pathways: a comparison of global optimization methods. Genome Res. 13(11), 2467–2474 (2003) doi:10.1101/gr.1262503

    Article  Google Scholar 

  29. Neubauer, M.: Aktive Bedämpfung von Drehschwingungen im Fahrzeugantriebstrang. Ph.D. thesis, TU Braunschweig (2011)

    Google Scholar 

  30. Nielsen, J., Madsen, H., Young, P.: Parameter estimation in stochastic differential equations: an overview. Annu. Rev. Control 24, 83–94 (2000)

    Article  Google Scholar 

  31. Overgaard, R.V., Jonsson, N., Tornøe, C.W., Madsen, H.: Non-linear mixed-effects models with stochastic differential equations: implementation of an estimation algorithm. J. Pharmacokinet. Pharmacodyn. 32(1), 85–107 (2005)

    Article  Google Scholar 

  32. Pitt, M.K., Shephard, N.: Filtering via simulation: auxiliary particle filter. J. Am. Stat. Assoc. 94, 590–599 (1999)

    Article  MathSciNet  MATH  Google Scholar 

  33. Racine-Poon, A., Wakefield, J.: Statistical methods for population pharmacokinetic modelling. Stat. Methods Med. Res. 7(1), 63–84 (1998)

    Article  Google Scholar 

  34. Sheiner, L., Wakefield, J.: Population modelling in drug development. Stat. Methods Med. Res. 8(3), 183 (1999)

    Article  Google Scholar 

  35. Storvik, G.: Particle filters for state-space models with the presence of unknown static parameters. IEEE Trans. Signal Process. 50(2), 281–289 (2002)

    Article  Google Scholar 

  36. Tornøe, C.W., Overgaard, R.V., Agersø, H., Nielsen, H.A., Madsen, H., Jonsson, E.N.: Stochastic differential equations in nonmem: implementation, application, and comparison with ordinary differential equations. Pharm. Res. 22(8), 1247–1258 (2005)

    Article  Google Scholar 

  37. Ungarala, S., Dolence, E., Li, K.: Constrained extended Kalman filter for nonlinear state estimation. In: 8th International IFAC Symposium on Dynamics and Control of Process Systems, vol. 2, Cancun, Mexico (2007)

    Google Scholar 

  38. Zhou, K., Doyle, J.C., Glover, K.: Robust and Optimal Control. Prentice Hall, New York (1996)

    MATH  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Fraunhofer-Institut für Techno- und Wirtschaftsmathematik, Fraunhofer-Platz 1, 67663, Kaiserslautern, Deutschland

    Jan Hauth, Patrick Lang & Andreas Wirsen

Authors
  1. Jan Hauth
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Patrick Lang
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Andreas Wirsen
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Patrick Lang .

Editor information

Editors and Affiliations

  1. Techno- und Wirtschaftsmathematik (ITWM), Fraunhofer Institut für Techno- und Wirtschaftsmathematik (ITWM), Kaiserslautern, Germany

    Helmut Neunzert

  2. Techno- und Wirtschaftsmathematik (ITWM), Fraunhofer Institut für Techno- und Wirtschaftsmathematik (ITWM), Kaiserslautern, Germany

    Dieter Prätzel-Wolters

Rights and permissions

Reprints and permissions

Copyright information

© 2015 Springer-Verlag Berlin Heidelberg

About this chapter

Cite this chapter

Hauth, J., Lang, P., Wirsen, A. (2015). Robuste Zustandsschätzung komplexer Systeme. In: Neunzert, H., Prätzel-Wolters, D. (eds) Mathematik im Fraunhofer-Institut. Springer Spektrum, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-44877-9_9

Download citation

Publish with us

Policies and ethics

Search

Navigation