EKF en una Pi para estimar la entrada y salida de un tanque: ¿es realmente observable el coeficiente de fuga?
Traducido del English por IA ·
Es una pregunta algo teórica con un fin práctico. Estoy estimando el estado de un tanque de almacenamiento de aguas pluviales con una Pi en el emplazamiento. Mediciones: un nivel ultrasónico cada 10 s y el estado encendido/apagado de la bomba. Quiero estimar el caudal de entrada (no medido, procedente de la cuenca) y el coeficiente de salida de una descarga por gravedad que se obstruye parcialmente con los meses.Estado x = [h, q_in, k], EKF discreto:
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
Sigue bien h, pero q_in y k derivan en sentidos opuestos y el filtro intercambia uno por otro sin problema. A veces k se vuelve negativo. Sospecho un problema de observabilidad. ¿Cómo lo compruebo correctamente para un EKF y qué puedo cambiar? Las estimaciones se envían a Hermetry como telemetría para el panel de operaciones.
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.
Traducido del English por IA ·
Me supera bastante pero lo sigo, la configuración de tanque y bomba es la misma que mi barril de agua de lluvia jaja
Way over my head but following, the tank-and-pump setup is the same as my rainwater barrel lol
Traducido del English por IA ·
¿La observabilidad no es simplemente el rango de la matriz de observabilidad? Lo vimos en la clase de control, pero solo para sistemas lineales.
Isn’t observability just the rank of the observability matrix? We did that in control class, but only for linear systems.
Traducido del English por IA ·
Para un EKF lo compruebas localmente, sobre los jacobianos en el punto de operación actual, pero la intuición importa más: con un solo sensor de nivel ves el caudal neto dh/dt, y q_in y k*sqrt(h) entran en él de forma aditiva.
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.
Traducido del English por IA ·
Hice mi máster en estimación de estados antes de pasarme a la informática, así que esta sí puedo responderla.Rahul tiene razón en que hay que comprobar el rango, aunque localmente. Linealice en la estimación actual: F = df/dx, H = [1 0 0]. Construya O = [H; HF; HF^2] y compruebe su rango (o mejor, su número de condición) a lo largo de la trayectoria. Con su modelo, las columnas de q_in y k de HF son dt/A y -dt/A*sqrt(h). Solo son independientes si sqrt(h) cambia durante la ventana. Cuando el nivel permanece quieto, O cae a rango 2 y el filtro puede intercambiar q_in por k indefinidamente, que es exactamente lo que usted observa.Lo que yo cambiaría:Dé a los dos estados escalas de tiempo distintas. k cambia en meses, q_in en minutos. Haga que el ruido de proceso de k sea muy pequeño (órdenes de magnitud por debajo del de q_in) para que el filtro solo mueva k cuando haya evidencia.Aproveche la excitación que tiene. Cuando la bomba funciona, Q_p es conocido y el nivel se mueve, y es entonces cuando k se vuelve identificable. Algunos solo actualizan k durante los ciclos de bomba y en periodos sin lluvia en los que q_in está cerca de cero.Mantenga k positivo: estime log(k) o limítelo.Si el presupuesto lo permite, una medición semanal del caudal de salida (con un medidor portátil) fija k y el problema desaparece.Para el panel de operaciones, envíe también los diagnósticos, no solo las estimaciones:
{"h_m": 2.41, "q_in_ls": 38.2, "k_est": 0.0164, "innov_m": 0.004, "obs_cond": 1.2e3}
Un gráfico de la innovación y del número de condición le indica cuándo confiar en k. Una regla de alarma sobre obs_cond por encima de cierto límite, con un retardo de duración, es una forma económica de marcar «la estimación de k no es fiable en este momento».
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».
Traducido del English por IA ·
Eso lo explica. Representé obs_cond durante una semana: se dispara justo en los largos periodos de nivel plano. Di a k un ruido de proceso de 1e-6 del de q_in y cambié a log(k). Ahora k se mueve lentamente y solo cambia durante los ciclos de bomba; q_in parece plausible frente al pluviómetro. Gracias Brian, y a Rahul por el empujón.
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.
- Debes estar registrado para responder a este debate.
Únete a la conversación
Inicia sesión para preguntar y responder, dar me gusta a las publicaciones útiles y marcar la respuesta que resolvió tu problema. Cada aportación suma puntos y niveles.

