EKF sur un Pi pour estimer l'entrée et la sortie d'un réservoir : le coefficient de fuite est-il vraiment observable ?
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.
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.
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
Way over my head but following, the tank-and-pump setup is the same as my rainwater barrel lol
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.
Isn’t observability just the rank of the observability matrix? We did that in control class, but only for linear systems.
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.
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.
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 ».
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 ».
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.
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.
- 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.

