Bir Pi üzerinde tank giriş ve çıkışını tahmin eden EKF: kaçak katsayısı gerçekten gözlemlenebilir mi?
Yapay zekâ tarafından English dilinden çevrildi ·
Pratik bir ucu olan biraz teorik bir soru. Sahadaki bir Pi üzerinde yağmur suyu depolama tankının durumunu tahmin ediyorum. Ölçümler: her 10 sn’de bir ultrasonik seviye ölçümü ve pompa açık/kapalı durumu. Havzadan gelen, ölçülmeyen girişi ve aylar içinde kısmen tıkanan bir yerçekimli çıkışın çıkış katsayısını tahmin etmek istiyorum.Durum x = [h, q_in, k], ayrık 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’yi iyi takip ediyor, ancak q_in ve k birbirinden uzaklaşıyor ve filtre birini diğeri pahasına rahatça değiştiriyor. Bazen k negatif oluyor. Gözlemlenebilirlik sorunu olduğundan şüpheleniyorum. EKF için bunu doğru şekilde nasıl kontrol ederim ve neyi değiştirebilirim? Tahminler, operasyon panosu için telemetri olarak Hermetry’ye gidiyor.
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.
Yapay zekâ tarafından English dilinden çevrildi ·
Benim için epey karmaşık ama takip ediyorum, tank-ve-pompa kurulumu yağmur varilimle aynı lol
Way over my head but following, the tank-and-pump setup is the same as my rainwater barrel lol
Yapay zekâ tarafından English dilinden çevrildi ·
Gözlemlenebilirlik sadece gözlemlenebilirlik matrisinin rankı değil mi? Bunu kontrol dersinde yaptık, ama yalnızca doğrusal sistemler için.
Isn’t observability just the rank of the observability matrix? We did that in control class, but only for linear systems.
Yapay zekâ tarafından English dilinden çevrildi ·
Bir EKF için bunu yerel olarak, mevcut çalışma noktasındaki Jacobian matrisleri üzerinden kontrol edersiniz; ancak sezgi daha önemli: tek bir seviye sensörüyle net akış dh/dt’yi görürsünüz ve q_in ile k*sqrt(h) ikisi de bunda toplamsal olarak yer alır.
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.
Yapay zekâ tarafından English dilinden çevrildi ·
Bilgisayar mühendisliğine geçmeden önce durum kestirimi üzerine yüksek lisans yaptım, bu yüzden bu konuya cevap verebilirim.Rahul rank kontrolü yapmanız gerektiği konusunda haklı, ama bunu yerel olarak yapmalısınız. Mevcut kestirimde doğrusallaştırın: F = df/dx, H = [1 0 0]. O = [H; HF; HF^2] matrisini oluşturun ve rankını (ya da daha iyisi kondisyon sayısını) yörünge boyunca kontrol edin. Sizin modelinizde HF matrisinin q_in ve k sütunları sırasıyla dt/A ve -dt/A*sqrt(h) değerlerindedir. Bunlar yalnızca sqrt(h) pencere boyunca değişirse bağımsız olur. Seviye sabit kaldığında O matrisi rank 2’ye düşer ve filtre q_in ile k arasında sürekli takas yapabilir; tam da gördüğünüz durum budur.Ben şunu değiştirirdim:İki duruma farklı zaman ölçekleri verin. k aylar içinde değişir, q_in ise dakikalar içinde. k’nın süreç gürültüsünü çok küçük tutun (q_in’in birkaç kat altında) ki filtre k’yı yalnızca kanıt olduğunda hareket ettirsin.Elinizdeki uyarımı kullanın. Pompa çalıştığında Q_p bilinir ve seviye değişir; k’nın tanımlanabilir olduğu an da budur. Bazıları k’yı yalnızca pompa çevrimlerinde ve q_in’in sıfıra yakın olduğu kuru hava dönemlerinde güncelliyor.k’yı pozitif tutun: log(k) tahmin edin ya da kırpın.Bütçe izin verirse haftada bir kez çıkış akış ölçümü (taşınabilir bir sayaç) k’yı sabitler ve sorun ortadan kalkar.Operasyon paneli için yalnızca kestirimleri değil, tanılama verilerini de gönderin:
{"h_m": 2.41, "q_in_ls": 38.2, "k_est": 0.0164, "innov_m": 0.004, "obs_cond": 1.2e3}
İnovasyonun ve kondisyon sayısının grafiği k’ya ne zaman güvenmeniz gerektiğini gösterir. obs_cond için belirli bir sınırın üzerinde, süre gecikmeli bir alarm kuralı, “k kestirimi şu an güvenilir değil” durumunu işaretlemenin ucuz bir yoludur.
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”.
Yapay zekâ tarafından English dilinden çevrildi ·
Bu durumu açıklıyor. obs_cond’u bir hafta boyunca çizdim: tam da uzun, düz seviyeli dönemlerde keskin biçimde yükseliyor. k’ye q_in’in 1e-6 katı kadar bir süreç gürültüsü verdim ve log(k)’ye geçtim. Artık k yavaşça kayıyor ve yalnızca pompa çevrimleri sırasında hareket ediyor; q_in, yağış ölçerle karşılaştırıldığında makul görünüyor. Brian’a teşekkürler, bir dürtme için Rahul’a da teşekkürler.
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.
- Bu konuyu yanıtlamak için giriş yapmış olmalısınız.
Sohbete katılın
Soru sormak ve yanıtlamak, yararlı gönderileri beğenmek ve sorununuzu çözen yanıtı işaretlemek için oturum açın. Her katkı puan ve seviye kazandırır.

