EKF auf einem Pi zur Schätzung von Tankzu- und -abfluss: Ist der Leckagekoeffizient überhaupt beobachtbar?
Von English mit KI übersetzt ·
Eine theoretische Frage mit praktischem Hintergrund. Ich schätze auf einem Pi vor Ort den Zustand eines Regenwasser-Speichertanks. Messungen: ein Ultraschall-Füllstand alle 10 s und der Ein-/Aus-Status der Pumpe. Ich möchte den Zufluss (nicht gemessen, aus dem Einzugsgebiet) und den Auslaufkoeffizienten eines Freispiegelauslaufs schätzen, der über Monate teilweise verschlammt.Zustand x = [h, q_in, k], diskretes EKF:
h[k+1] = h + dt/A * (q_in - k*sqrt(h) - pump*Q_p)
q_in[k+1] = q_in (random walk)
k[k+1] = k (random walk)
z = h + v
h wird gut verfolgt, aber q_in und k driften gegeneinander, und das Filter tauscht das eine gegen das andere bereitwillig aus. Manchmal wird k negativ. Ich vermute ein Problem mit der Beobachtbarkeit. Wie prüfe ich das für ein EKF richtig, und was kann ich ändern? Die Schätzwerte gehen als Telemetrie an Hermetry für das Betriebs-Dashboard.
Bit of a theory question with a practical end. I’m estimating the state of a stormwater storage tank on a Pi at the site. Measurements: an ultrasonic level every 10 s, pump on/off status. I want inflow (unmeasured, from the catchment) and the outflow coefficient of a gravity outlet that partially silts up over months.
State x = [h, q_in, k], discrete EKF:
h[k+1] = h + dt/A * (q_in - k*sqrt(h) - pump*Q_p)
q_in[k+1] = q_in (random walk)
k[k+1] = k (random walk)
z = h + v
It tracks h fine, but q_in and k drift against each other and the filter happily trades one for the other. Sometimes k goes negative. I suspect observability. How do I check it properly for an EKF, and what can I change? The estimates go to Hermetry as telemetry for the ops board.
Von English mit KI übersetzt ·
Ist für mich ziemlich hoch gegriffen, aber ich folge gerade. Das Tank-und-Pumpe-Setup ist dasselbe wie meine Regentonne lol
Way over my head but following, the tank-and-pump setup is the same as my rainwater barrel lol
Von English mit KI übersetzt ·
Ist Beobachtbarkeit nicht einfach der Rang der Beobachtbarkeitsmatrix? Das haben wir im Regelungstechnik-Kurs gemacht, aber nur für lineare Systeme.
Isn’t observability just the rank of the observability matrix? We did that in control class, but only for linear systems.
Von English mit KI übersetzt ·
Bei einem EKF prüft man das lokal, anhand der Jacobi-Matrizen am aktuellen Arbeitspunkt, wichtiger ist aber die Intuition: Mit einem einzigen Füllstandssensor sieht man den Nettofluss dh/dt, und q_in sowie k*sqrt(h) gehen beide additiv hinein.
For an EKF you check it locally, on the Jacobians at the current operating point, but the intuition matters more: with one level sensor you see the net flow dh/dt, and q_in and k*sqrt(h) both enter it additively.
Von English mit KI übersetzt ·
Ich habe meinen Master in Zustandsschätzung gemacht, bevor ich in die IT gewechselt bin, deshalb kann ich diese Frage beantworten.Rahul hat recht, dass man den Rang prüft, allerdings lokal. Linearisieren Sie am aktuellen Schätzwert: F = df/dx, H = [1 0 0]. Bilden Sie O = [H; HF; HF^2] und prüfen Sie dessen Rang (besser noch die Konditionszahl) entlang der Trajektorie. Bei Ihrem Modell sind die Spalten für q_in und k in HF gleich dt/A bzw. -dt/A*sqrt(h). Sie sind nur dann unabhängig, wenn sich sqrt(h) im Betrachtungsfenster ändert. Bleibt der Füllstand konstant, fällt O auf Rang 2 und der Filter kann q_in und k endlos gegeneinander verschieben, genau das, was Sie beobachten.Was ich ändern würde:Geben Sie den beiden Zuständen unterschiedliche Zeitskalen. k ändert sich über Monate, q_in über Minuten. Machen Sie das Prozessrauschen von k sehr klein (um Größenordnungen unter dem von q_in), damit der Filter k nur dann verschiebt, wenn es Evidenz gibt.Nutzen Sie die vorhandene Anregung. Wenn die Pumpe läuft, ist Q_p bekannt und der Füllstand bewegt sich, dann wird k identifizierbar. Manche aktualisieren k nur während der Pumpzyklen und in Trockenwetterphasen, in denen q_in nahe null ist.Halten Sie k positiv: Schätzen Sie log(k) oder begrenzen Sie k.Falls das Budget es erlaubt, pinnt eine wöchentliche Durchflussmessung am Auslauf (ein portables Messgerät) k fest und das Problem verschwindet.Für das Betriebsboard senden Sie auch die Diagnosedaten, nicht nur die Schätzwerte:
{"h_m": 2.41, "q_in_ls": 38.2, "k_est": 0.0164, "innov_m": 0.004, "obs_cond": 1.2e3}
Ein Diagramm der Innovation und der Konditionszahl zeigt, wann Sie k vertrauen können. Eine Alarmregel für obs_cond oberhalb eines Grenzwerts mit Zeitverzögerung ist eine günstige Methode, „k-Schätzung gerade unzuverlässig“ zu markieren.
Did my master’s on state estimation before I drifted into IT, so this one I can answer.
Rahul is right that you check rank, just locally. Linearise at the current estimate: F = df/dx, H = [1 0 0]. Build O = [H; HF; HF^2] and check its rank (or better its condition number) along the trajectory. With your model, the q_in and k columns of HF are dt/A and -dt/A*sqrt(h). They’re independent only if sqrt(h) changes over the window. When the level sits still, O drops to rank 2 and the filter can trade q_in against k forever, which is exactly what you see.
What I’d change:
Give the two states different time scales. k changes over months, q_in over minutes. Make the process noise of k tiny (orders of magnitude below q_in) so the filter only moves k when there is evidence.
Use the excitation you have. When the pump runs, Q_p is known and the level moves, which is when k becomes identifiable. Some people only update k during pump cycles and dry-weather periods where q_in is near zero.
Keep k positive: estimate log(k), or clamp it.
If budget allows, one outlet flow measurement once a week (a portable meter) pins k and the problem goes away.
For the ops board, send the diagnostics too, not just the estimates:
{"h_m": 2.41, "q_in_ls": 38.2, "k_est": 0.0164, "innov_m": 0.004, "obs_cond": 1.2e3}
A chart of the innovation and the condition number tells you when to trust k. An alarm rule on obs_cond above some limit with a duration debounce is a cheap way to flag „k estimate unreliable right now“.
Von English mit KI übersetzt ·
Das erklärt es. Ich habe obs_cond über eine Woche aufgetragen: Es schnellt genau in den langen Phasen mit flachem Pegel nach oben. Ich habe k ein Prozessrauschen von 1e-6 von q_in gegeben und auf log(k) umgestellt. k driftet jetzt langsam und bewegt sich nur während der Pumpenzyklen; q_in wirkt im Vergleich mit dem Regenmesser plausibel. Danke Brian und Rahul für den Anstoß.
That explains it. Plotted obs_cond over a week: it shoots up exactly in the long flat-level periods. Gave k a process noise 1e-6 of q_in’s and switched to log(k). k now creeps slowly and only moves during pump cycles, q_in looks plausible against the rain gauge. Thanks Brian, and Rahul for the nudge.
- Du musst angemeldet sein, um auf dieses Thema antworten zu können.
Mitdiskutieren
Melde dich an, um Fragen zu stellen und zu beantworten, hilfreiche Beiträge mit „Gefällt mir“ zu markieren und die Antwort zu kennzeichnen, die dein Problem gelöst hat. Jeder Beitrag bringt Punkte und Stufen.

