Odhad stavu a detekce chyb se sníženou citlivostí chyb na parametry

Abstract

Táto dizertačná práca rozširuje teóriu filtrovania so zníženou citlivosťou, tzv. desenzitizované filtrovanie. Desenzitizované filtrovanie je efektívny prístup k odhadovaniu stavu systémov s neurčitými parametrami. Stochastický prístup k redukcii citlivosti, ktorý je popísaný v tejto práci vedie k algoritmu presného desenzitizovaného Kalmanového filtru bez použitia plne odôvodnených predpokladov. Na základe tohto výsledku sú odvodené ďalšie varianty filtru, ktoré sú vhodné pre špecifické prípady použitia. Stochastický prístup taktiež umožňuje priamočiaru analýzu stability odhadu. V tejto práci je desenzitizovaný filter použitý aj spolu s metódou interagujúcich modelov. Touto kombináciou vzniká algoritmus pre detekciu a diagnostiku, ktorý funguje aj so zjednodušenými modelmi. Ďalšie užitočné využitie desenzitizovaného Kalmanového filtru je v algoritmoch pre distribuovaný odhad stavu. V tomto prípade pomáha zlepšiť lokálny odhad tým, že zahrňuje neurčitosť susedných odhadov bez toho aby zvýšil komunikačné zaťaženie siete. Tento prístup je tiež použitý na vytvorenie metódy na distribuovanú detekciu a diagnostiku chýb, ktorá dokáže odhadovať lokálne ale aj globálne chyby v systéme.

This thesis extends the theory of desensitized filtering. Desensitized filtering is an efficient approach to state estimation for systems with uncertain parameters. The stochastic approach to sensitivity reduction developed in this thesis leads to the exact desensitized Kalman filter (XDKF) without using assumptions that are not fully justified. Based on this result, several variations of the XDKF are introduced for specific purposes. The stochastic approach allows providing a straightforward way to conduct stability analysis. The XDKF is also used with the interacting multiple model method, which results in fault detection and diagnosis (FDD) algorithms that work with simplified models. Another useful application of the XDKF was found in the distributed state estimation algorithms, where it helps to improve local estimation by considering neighbor estimate uncertainty without increased communication burden. This distributed approach is also used for developing a distributed FDD method, which can detect and diagnose local and global faults.