Nouveau : le pare-feu IA surveille toute la plateforme et explique chaque incident en termes simples. Découvrez comment ça marche

EKF sur un Pi pour estimer l'entrée et la sortie d'un réservoir : le coefficient de fuite est-il vraiment observable ?

Résolu 5 5

Traduit de English par IA ·

Une question un peu théorique, avec une application pratique. J’estime l’état d’un bassin de stockage des eaux pluviales sur un Pi installé sur site. Mesures : un niveau ultrasonique toutes les 10 s et l’état marche/arrêt de la pompe. Je souhaite estimer le débit d’entrée (non mesuré, provenant du bassin versant) et le coefficient de sortie d’une évacuation gravitaire qui s’encrasse partiellement au fil des mois.État x = [h, q_in, k], EKF discret :

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

Il suit bien h, mais q_in et k dérivent l’un par rapport à l’autre, et le filtre compense volontiers l’un par l’autre. Parfois k devient négatif. Je soupçonne un problème d’observabilité. Comment le vérifier correctement pour un EKF, et que puis-je modifier ? Les estimations sont envoyées à Hermetry sous forme de télémétrie pour le tableau de bord d’exploitation.

♥ 2

Traduit de English par IA ·

Ça me dépasse un peu mais je suis, le montage réservoir-et-pompe est le même que mon tonneau de récupération d’eau de pluie lol

If it isn't logged, it didn't happen.
♥ 0

Traduit de English par IA ·

L’observabilité n’est-elle pas simplement le rang de la matrice d’observabilité ? On a vu cela en cours d’automatique, mais seulement pour les systèmes linéaires.

♥ 2

Traduit de English par IA ·

Pour un EKF, on le vérifie localement, sur les jacobiennes au point de fonctionnement courant, mais l’intuition compte davantage : avec un seul capteur de niveau, on observe le débit net dh/dt, et q_in et k*sqrt(h) entrent tous deux additivement dedans.

Timestamps in UTC or it didn't happen.
♥ 2

Traduit de English par IA ·

J’ai fait mon master en estimation d’état avant de glisser vers l’informatique, donc je peux répondre à celle-ci.Rahul a raison de vérifier le rang, mais localement. Linéarisez au niveau de l’estimation courante : F = df/dx, H = [1 0 0]. Construisez O = [H; HF; HF^2] et vérifiez son rang (ou mieux, son nombre de conditionnement) le long de la trajectoire. Avec votre modèle, les colonnes q_in et k de HF valent dt/A et -dt/A*sqrt(h). Elles ne sont indépendantes que si sqrt(h) varie sur la fenêtre. Quand le niveau reste immobile, O tombe au rang 2 et le filtre peut compenser q_in contre k indéfiniment, ce que vous observez exactement.Ce que je changerais :Donnez aux deux états des échelles de temps différentes. k varie sur des mois, q_in sur des minutes. Rendez le bruit de processus de k très faible (plusieurs ordres de grandeur sous celui de q_in) pour que le filtre ne déplace k que s’il existe une preuve.Exploitez l’excitation dont vous disposez. Quand la pompe fonctionne, Q_p est connu et le niveau bouge : c’est à ce moment que k devient identifiable. Certains ne mettent à jour k que pendant les cycles de pompe et les périodes sans pluie où q_in est proche de zéro.Gardez k positif : estimez log(k), ou bornez-le.Si le budget le permet, une mesure de débit en sortie une fois par semaine (un débitmètre portable) fixe k et le problème disparaît.Pour le tableau de supervision, envoyez aussi les diagnostics, pas seulement les estimations :

{"h_m": 2.41, "q_in_ls": 38.2, "k_est": 0.0164, "innov_m": 0.004, "obs_cond": 1.2e3}

Un graphique de l’innovation et du nombre de conditionnement indique quand faire confiance à k. Une règle d’alarme sur obs_cond au-delà d’une limite, avec un délai de confirmation, est un moyen peu coûteux de signaler que « l’estimation de k n’est pas fiable pour l’instant ».

Measure twice, poll once.
Solution acceptée♥ 3

Traduit de English par IA ·

Cela explique tout. J’ai tracé obs_cond sur une semaine : il grimpe justement pendant les longues périodes de niveau plat. J’ai donné à k un bruit de processus égal à 1e-6 fois celui de q_in et je suis passé à log(k). k évolue désormais lentement et ne bouge que pendant les cycles de pompe ; q_in semble plausible par rapport au pluviomètre. Merci Brian, et Rahul pour le coup de pouce.

♥ 0
6 sujets de 1 à 6 (sur un total de 6)
  • Vous devez être connecté pour répondre à ce sujet.

Rejoignez la discussion

Connectez-vous pour poser et répondre à des questions, aimer les messages utiles et marquer la réponse qui a résolu votre problème. Chaque contribution rapporte des points et des niveaux.

Partager