Inhalt
Übersicht
Dynamische Messungen kommen in vielen Bereichen der Metrologie und der Industrie vor wie z.B. bei der Messung zeitabhängiger Kräfte und Beschleunigungen. Zur Analyse dynamischer Messungen werden häufig Methoden aus dem Gebiet der digitalen Signalverarbeitung verwendet. Viele Anwendungen lassen sich mittels linearer, zeitinvarianter Systeme modellieren, bei denen der Zusammenhang zwischen den zeitabhängigen Ein- und Ausgangssignalen durch eine Faltung mit der Impulsantwort des verwendeten Messsystems beschrieben wird. Ein- und Ausgangssignale sind dabei nicht proportional zueinander und eine wichtige Aufgabe ist es, das Eingangssignal anhand des gemessenen Ausgangssignals zu schätzen. Hierzu kommen oft digitale Filter zum Einsatz. Aus metrologischer Sicht spielt dabei die Bestimmung von Unsicherheiten eine zentrale Rolle.
Typische Beispiele für dynamische Messungen sind die Messung zeitabhängiger mechanischer Größen, wie zum Beispiel Messung von Beschleunigung, Kraft, Drehmoment oder Druck an und in Motoren. Weitere Beispiele sind Oszilloskopmessungen für die Charakterisierung elektronischer Bauteile in der Computerindustrie, die Untersuchung von Ultraschallgeräten für die Medizintechnik, die spektrale Charakterisierung von Leuchtquellen, die spektrale Farbmessung und die Kamera-gestützte Temperaturmessung.
Forschung
Der Schwerpunkt in der Arbeitsgruppe 8.42 der PTB liegt in der Entwicklung von Schätzverfahren zur Rekonstruktion des Eingangssignals aus dem Ausgangssignal bei bekanntem dynamischem Verhalten des verwendeten Messsystems. Dies beinhaltet die Entwicklung von Verfahren zur Ermittlung der Unsicherheit der erhaltenen Schätzung. Ein anderer Schwerpunkt liegt in der Entwicklung von Analysemethoden zur dynamischen Kalibrierung, d.h. zur Bestimmung des dynamischen Übertragungsverhaltens eines Messsystem.
Software
Publikationen
Publikations Einzelansicht
Artikel
| Titel: | On the evaluation of uncertainties for state estimation with the Kalman filter |
|---|---|
| Autor(en): | S. Eichstädt, N. Makarava and C. Elster |
| Journal: | Measurement Science and Technology |
| Jahr: | 2016 |
| Band: | 27 |
| Ausgabe: | 12 |
| Seite(n): | 125009 |
| DOI: | 10.1088/0957-0233/27/12/125009 |
| Schlüsselwörter: | Kalman filter, uncertainty, dynamic measurement, state-space system, state estimation |
| Marker: | 8.4, 8.42, Dynamik |
| Zusammenfassung: | The Kalman filter is an established tool for the analysis of dynamic systems with normally distributed noise, and it has been successfully applied in numerous areas. It provides sequentially calculated estimates of the system states along with a corresponding covariance matrix. For nonlinear systems, the extended Kalman filter is often used. This is derived from the Kalman filter by linearization around the current estimate. A key issue in metrology is the evaluation of the uncertainty associated with the Kalman filter state estimates. The “Guide to the Expression of Uncertainty in Measurement” (GUM) and its supplements serve as the de facto standard for uncertainty evaluation in metrology. We explore the relationship between the covariance matrix produced by the Kalman filter and a GUM-compliant uncertainty analysis. In addition, the results of a Bayesian analysis are considered. For the case of linear systems with known system matrices, we show that all three approaches are compatible. When the system matrices are not precisely known, however, or when the system is nonlinear, this equivalence breaks down and different results can then be reached. For precisely known nonlinear systems, though, the result of the extended Kalman filter still corresponds to the linearized uncertainty propagation of the GUM. The extended Kalman filter can suffer from linearization and convergence errors. These disadvantages can be avoided to some extent by applying Monte Carlo procedures, and we propose such a method which is GUM-compliant and can also be applied online during the estimation. We illustrate all procedures in terms of a two-dimensional dynamic system and compare the results with those obtained by particle filtering, which has been proposed for the approximate calculation of a Bayesian solution. Finally, we give some recommendations based on our findings. |