Advertisement

Robuste Zustandsschätzung komplexer Systeme

Chapter
  • 2.7k Downloads

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.

Literaturverzeichnis

Publikationen der Autoren

  1. 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 CrossRefGoogle Scholar
  2. 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. 3.
    Stahl, D., Hauth, J.: PF-MPC: Particle Filter – Model Predictive Control. Syst. Control Lett. 60(8), 632–643 (2011) MathSciNetCrossRefzbMATHGoogle Scholar
  4. 4.
    Wirsen, A.: Monitoring von Torsionsschwingungen in Kraftwerksturbosätzen. In: Turbogeneratoren in Kraftwerken, Technik–Instandhaltung–Schäden. Haus der Technik, Essen (2011) Google Scholar
  5. 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. 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. 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. 8.
    Krengel, A.: A Modified Particle Filter with Adaptive Stepsize for Continuous-Time Models with Measurement Time Uncertainties. (2013). Verlag Dr. Hut Google Scholar
  2. 9.
    Lang, P.: Model Reduction, Sensor Placement and Robust Hinf-Filter Design for Elastomechanical Systems. (1998). Shaker Verlag Google Scholar
  3. 10.
    Wirsen, A.: Sensitivitätsanalyse und modaldatenbasierte Modelladaption bei elastomechanischen Systemen, dissertation.de (2002)

Weitere Literatur

  1. 11.
    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. 12.
    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 CrossRefGoogle Scholar
  3. 13.
    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) CrossRefGoogle Scholar
  4. 14.
    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) MathSciNetCrossRefGoogle Scholar
  5. 15.
    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 CrossRefGoogle Scholar
  6. 16.
    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) MathSciNetCrossRefGoogle Scholar
  7. 17.
    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 CrossRefGoogle Scholar
  8. 18.
    Beal, S., Sheiner, L.: NONMEM User’s Guides. NONMEM Project Group. University of California, San Francisco (1994) Google Scholar
  9. 19.
    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) CrossRefGoogle Scholar
  10. 20.
    Bohlin, T.: Practical Grey-Box Process Identification: Theory and Applications. Advances in Industrial Control. Springer, London (2010) Google Scholar
  11. 21.
    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) CrossRefGoogle Scholar
  12. 22.
    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 MathSciNetCrossRefzbMATHGoogle Scholar
  13. 23.
    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. 24.
    Crisan, D., Doucet, A.: A survey of convergence results on particle filtering methods for practitioners. IEEE Trans. Signal Process. 50(3), 736–746 (2002) MathSciNetCrossRefGoogle Scholar
  15. 25.
    Del Moral, P., Doucet, A., Jasra, A.: Sequential Monte Carlo samplers. J. R. Stat. Soc., Ser. B, Stat. Methodol. 68(3), 411–436 (2006) MathSciNetCrossRefzbMATHGoogle Scholar
  16. 26.
    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. 27.
    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. 28.
    Donnet, S., Samson, A.: Parametric inference for mixed models defined by stochastic differential equations. ESAIM Probab. Stat. 12, 196–218 (2008) MathSciNetCrossRefzbMATHGoogle Scholar
  19. 29.
    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. 30.
    Doucet, A., de Freitas, N., Gordon, N. (eds.): Sequential Monte Carlo Methods in Practice. Statistics for Engineering and Information Science. Springer, New York (2001) zbMATHGoogle Scholar
  21. 31.
    Fearnhead, P.: MCMC, sufficient statistics and particle filters. J. Comput. Graph. Stat. 11(4), 848–862 (2002) MathSciNetCrossRefGoogle Scholar
  22. 32.
    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. 33.
    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. 34.
    Hu, X.L., Schön, T., Ljung, L.: A basic convergence result for particle filtering. IEEE Trans. Signal Process. 56(4), 1337–1348 (2008) MathSciNetCrossRefGoogle Scholar
  25. 35.
    Humer, M.: Erfassung und Bewertung von Torsionsschwingungen in Wellensträngen von Kraftwerksturbosätzen. Ph.D. thesis, TU Dortumund (2004) Google Scholar
  26. 36.
    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. 37.
    Kloeden, P.E., Platen, E.: Numerical Solution of Stochastic Differential Equations. Springer, Berlin (1999) Google Scholar
  28. 38.
    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 CrossRefGoogle Scholar
  29. 39.
    Neubauer, M.: Aktive Bedämpfung von Drehschwingungen im Fahrzeugantriebstrang. Ph.D. thesis, TU Braunschweig (2011) Google Scholar
  30. 40.
    Nielsen, J., Madsen, H., Young, P.: Parameter estimation in stochastic differential equations: an overview. Annu. Rev. Control 24, 83–94 (2000) CrossRefGoogle Scholar
  31. 41.
    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) CrossRefGoogle Scholar
  32. 42.
    Pitt, M.K., Shephard, N.: Filtering via simulation: auxiliary particle filter. J. Am. Stat. Assoc. 94, 590–599 (1999) MathSciNetCrossRefzbMATHGoogle Scholar
  33. 43.
    Racine-Poon, A., Wakefield, J.: Statistical methods for population pharmacokinetic modelling. Stat. Methods Med. Res. 7(1), 63–84 (1998) CrossRefGoogle Scholar
  34. 44.
    Sheiner, L., Wakefield, J.: Population modelling in drug development. Stat. Methods Med. Res. 8(3), 183 (1999) CrossRefGoogle Scholar
  35. 45.
    Storvik, G.: Particle filters for state-space models with the presence of unknown static parameters. IEEE Trans. Signal Process. 50(2), 281–289 (2002) CrossRefGoogle Scholar
  36. 46.
    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) CrossRefGoogle Scholar
  37. 47.
    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. 48.
    Zhou, K., Doyle, J.C., Glover, K.: Robust and Optimal Control. Prentice Hall, New York (1996) zbMATHGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2015

Authors and Affiliations

  1. 1.Fraunhofer-Institut für Techno- und WirtschaftsmathematikKaiserslauternDeutschland

Personalised recommendations