Event triggered state estimation for constrained nonlinear systems

Abstract

Työ tarkastelee järjestelmiä, joissa laitteita hallitaan keskuksesta käsin ja laitteet kommunikoivat keskuksen kanssa yhteistä verkkoa pitkin. Nämä laitteet mittaavat reaalimaailman suureita, ja mittausten perusteella keskus estimoi mitattavia suureita ja näin hallitsee laitteita reaaliajassa. Työ keskittyy erityisesti sellaisiin järjestelmiin, joissa itse laitteet sekä verkko ovat rajoitettuja, mikä tarkoittaa, että laitteilla on rajoitettu virrankäyttö ja laskentatehokkuus, ja verkolla rajoitettu kaistanleveys. Tämä rajoitteisuus tarkoittaa, että lähetettyä dataa täytyy saada vähennettyä, jotta mahdollistetaan verkon tasapainoinen toimintakyky.

Datan vähentäminen verkossa nostaa esiin kaksi ongelmaa. Ensinnäkin, kuinka lähetettyä dataa voidaan vähentää laitteen päässä ja miten itse keskus mukautuu tähän rajoitettuun dataan. Työ keskittyy event-trigger (ET) -strategiaan, mikä mahdollistaa datan tehokkaan vähentämisen säilyttäen kuitenkin systeemin approksimoinnin tarkkuuden keskuksen päässä. Työn painopisteenä on erityisesti epälineaariset systeemit, koska todellisen elämän mallit ovat aina epälineaarisia.

Työn ensimmäisessä osiossa keskitytään näytteenoton strategioihin, joilla datan lähetystä vähennetään laitteiden sensoreissa. Näistä esimerkkejä ovat Send-on-Delta (SOD) ja Innovation-based triggering (IBT). Työ osoittaa, että IBT on sopeutuvin ja intuitiivisin vaihtoehto. Työn toinen osa keskittyy filttereihin, eli laitteen tilaa estimoiviin ratkaisuihin. Työ esittelee ensiksi lineaarisen Kalman-suotimen, edeten kohti epälineaarista tapausta.

Työssä osoitetaan, että ET-strategian implementointi murtaa Kalman-suotimen gaussisen olettamuksen, eivätkä näin ollen Kalman-suotimeen perustuvat ratkaisut voi taata maksimaalista tarkkuutta systeemin estimointiin.

Osoittautuu, että näytteenottometodin valinta riippuu järjestelmän rajoitteista. IBT:tä ei voida valita sellaisille järjestelmille, joissa sekä sensorin virrankulutus ja verkon kaistanleveys ovat rajoitettuja. Optimaalisen epälineaarisen filtterin osalta työ tarjoaa ratkaisuksi ET particle filter (ETPF) -mallin, ja osoittaa ettei sillä ole epälineaarisia eikä gaussisia rajoituksia. ETPF:n osalta rajoittavana tekijänä on laskentateho. Jos järjestelmän rakenne on sellainen, että estimointi tapahtuu laitteissa itsessään ilman keskusta, laskentateho ei riitä ETPF:n implementointiin.

Mitattavien todellisen elämän suureiden estimointi käyttäen ET-menetelmiä riippuu siis systeemin rakenteesta ja sen rajoitteista. Analysoimalla nämä oikein voidaan valita tehokkain järjestelmälle sopiva menetelmä. Tietyissä tilanteissa on valittava, mitkä ominaisuudet estimaattorin suorituskyvylle ovat tärkeimmät, ja mistä voidaan tinkiä.