Professional Documents
Culture Documents
LINEAL
Integrantes:
Melkis Gaviria Prez
Rafael Santamara Isaza
Maria Camila Zapata Ceballos
Estimacin de estados
CONTENIDO
Saber Previo
El filtro de Kalman
Luenberger vs Kalman
Tipos de Filtro de Kalman
Planta en tiempo discreto
Derivacin del filtro
Errores
Estimador del filtro de Kalman
Aplicaciones
Ejemplos
Conclusiones
Referencias
2
SABER PREVIO
Creado por Rudolf E. Kalman en 1960
Misma finalidad que el observador
Luenberger
Bsicamente es un algoritmo.
Usa mtodos recursivos.
Usado en procesos Estocsticos mtodos
Estadsticos
EL FILTRO DE KALMAN
Es un algoritmo creado para identificar el estado oculto o no
medible de un sistema dinmico.
Sirve cuando un sistema se encuentra sometido a ruido blanco
aditivo.
Se realizan mediciones del
ruido blanco
Seal aleatoria
Dos valores no guardan correlacin
estadstica
Gracias al Mtodo
recursivo
Luenberger vs Kalman
Luenberger
Kalman
Halla
las
constantes
de
realimentacin del error K de
forma ptima si conozco las
varianzas de las seales ruidosas
que afectan al sistema.
1.Filtro continuo
Se aplica a sistemas
continuos lineales
2.Filtro Discreto
3.Filtro extendido
Se aplica a
sistemas
discretos lineales
Se aplica a sistemas
discretos no lineales
Se debe conocer
Secuencias
aleatorias de media
cero
adems
Varianza de los
ruidos diferentes
a cero
6
Valor inicial: 0 = 0
+
0 =
0 0
0 0
Figura 2. Relacin dependiente del tiempo para los diferentes estimadores. Tomada de [5]
ERRORES
Estimado a priori del estado en el tiempo K; conociendo el
proceso antes del tiempo k (K-1).
= (1)
Estimado a posteriori del estado en el tiempo K dada la
medicin de .
= (2)
12
APLICACIONES
Estimacin de parmetros que cambian en el tiempo.
Estimacin del estado de un sistema en el pasado,
presente y futuro an cuando no se conoce la
naturaleza del modelado.
Estimacin en presencia del ruido.
Estimacin en plantas donde los sensores son malos
y/o presentan mucho ruido.
Interfaces y simulaciones cerebro computador.
Sistema global de navegacin por satlite.
13
Ejemplo [3]
Ejemplo: Estimacin de una constante aleatoria
nmero de datos: 100
valor a estimar: 3
valor inicial del estimador: 2.5
desviacin estimador inicial: 0.1
desviacin tpica en la observacin: 0.1
desviacin tpica en modelo de estados: 0.0001
14
3.3
3.2
3.1
3
2.9
2.8
Observaciones
Estimador de Kalman
2.7
2.6
2.5
20
40
60
80
100
120
15
-3
x 10
20
40
60
80
100
120
16
2 +2+100
50
100
150
200
tiempo(s)
250
300
350
17
0.1
0.05
-0.05
-0.1
20
40
60
80
100
120
tiempo(s)
140
160
180
200
18
20
40
60
80
100
120
tiempo(s)
140
160
180
200
19
0.1
0.05
-0.05
-0.1
50
100
150
200
tiempo(s)
250
300
350
20
CONCLUSIONES
Siempre se requieren mediciones de ruido en el sistema, este ruido
debe ser de media cero y covarianza diferente de cero.
Una de sus principales ventajas es su requerimiento de ruido, ya que
la mayora de sistemas reales siempre tienen cierto nivel de ruido.
Dependiendo de las mediciones que se tengan, se es posible utilizar
un estimador a priori, a posteriori, suavizado o predictivo.
El filtro de Kalman usa la realimentacin para poder disminuir el
error del sistema.
La matriz de ganancias del filtro de Kalman K slo de penden de la
covarianza del error de estimacin y de la salida del sistema, las
entradas no afectan K .
Un estimador a posteriori se puede considerar mejor en el sentido
que ste cuenta con ms informacin que uno a priori.
21
REFERENCIAS
[1] Len, G.O. Introduccin al filtro de Kalman, 2009.
[2] Gutirrez, I.A. SISTEMA DE DETECCIN DE FALLAS EN UN MOTOR DC
USANDO OBSERVADORES PROPORCIONAL INTEGRAL GENERALIZADO, pucp,
LIMA, 2011.
[3] Molina, R. Bases del filtro de Kalman. Departamento Ciencias de la
Computacin e IA. Universidad de Granada.
[4] Castaeda Crdenas, J. A., Nieto Arias, M. A., Ortiz Bravo, V. A. . Anlisis y
Aplicacin del filtro de Kalman a una Seal con Ruido Aleatorio. Ingeniera
electrnica, Universidad Tecnolgica de Pereira, Pereira, Colombia. Scientia et
Technica Ao XVIII, Vol. 18, No 1, Abril de 2013
[5] Simon, D. Optimal State Estimation: Kalman, H Infinity, and Nonlinear
Approaches. John Willey. 2006
22