滾動時域估計

滾動時域估計(Moving horizon estimation、MHE)是一種利用一連串量測的信號進行最优化的作法,量測的信號中包括雜訊英语statistical noise(隨機變異)以及其他的不準確性,根據這些信號產生未知參數或是變數的估計值。滾動時域估計和確定性的作法不同,滾動時域估計需要遞迴式的求解法,利用线性规划非线性规划來找到對應的解[1]

若在一些可以簡化的條件下,滾動時域估計可以簡化成卡尔曼滤波[2]。在針對擴展卡爾曼濾波器英语Extended Kalman filter及滾動時域估計的評估中,發現滾動時域估計的性能有所提昇,唯一需要付出的代價是其計算成本[3]。因為滾動時域估計在計算上的成本較高,因此一般會應用在運算資源較充裕的系統,而且是反應較慢的系統。不過在文獻中已有不少加速的方法[4][5]

簡介

滾動時域估計一般會用在动力系统中,估計一些有量測或是無法量測的狀態。會透過滾動時域估計來調整模型的初始狀態以及參數,讓估計結果接近量測結果。滾動時域估計是以在有限時間區間內,對程序模型及量測的最佳化為基礎。在時間t時,針對當前程序狀態進行取樣,再針對包括過去在內,較短的時間區間  計算可以最小化策略(會使用數值的最小化)。滾動時域估計會用即時運算(透過歐拉-拉格朗日方程)來找到在時間 之間可以讓目標函數最小化的策略。但只有估計策略中的最後一步會用到,之後再針對滾動後的時域重新對程序數據取樣,再進行計算,得到新的狀態路徑以及估測參數。因為估計的時間區間會一直往前移動,因此此法會稱為滾動時域估計。此作法不一定是最佳的,但在實務上和卡尔曼滤波及其他估計策略比較,有不錯的結果。

原理

滾動時域估計是多變數的估計演算法,會用到

  • 程序的內在動態模型
  • 過去量測值的歷史
  • 在估計時間區間內的最佳化費用函數

來計算最佳的狀態及參數

 
滾動時域估計的架構[4]

其最佳化估計函數為

 

並且沒有違反狀態或是參數的限制條件(例如上下限)

其中

  = 第i個模型估計變數(例如估計溫度)

  = 第i個量測變數(例如實測估計溫度)

  = 第i個估計參數(例如熱傳係數)

  = 加權係數,反應量測值 的相對重要性

  = 加權係數,反應之前模型預測 的相對重要性

  = 加權係數,避免 的大幅變化

滾動時域估計使用滾動的時間區間。在每一次取樣時,時間區間會往前前進一個時間間隔,會分析量測的輸出信號以及最近的輸出信號,來估測目前時間區間的狀態。

應用

  • MATLAB、Python及Simulink都已有滾動時域估計的程式碼[6]
  • 監控工業製程的污染[7]
  • 石油及天然氣產業[8]
  • 聚合物製造[9]
  • 無人航空系統[10][11]

相關條目

參考資料

  1. ^ J.D. Hedengren; R. Asgharzadeh Shishavan; K.M. Powell; T.F. Edgar. Nonlinear modeling, estimation and predictive control in APMonitor. Computers & Chemical Engineering. 2014, 70 (5): 133–148. doi:10.1016/j.compchemeng.2014.04.013. 
  2. ^ Rao, C.V.; Rawlings, J.B.; Maynes, D.Q. Constrained State Estimation for Nonlinear Discrete-Time Systems: Stability and Moving Horizon Approximations. IEEE Transactions on Automatic Control. 2003, 48 (2): 246–258. doi:10.1109/tac.2002.808470. 
  3. ^ Haseltine, E.J.; Rawlings, J.B. Critical Evaluation of Extended Kalman Filtering and Moving-Horizon Estimation. Ind. Eng. Chem. Res. 2005, 44 (8): 2451–2460 [2018-12-24]. doi:10.1021/ie034308l. (原始内容存档于2008-10-05). 
  4. ^ 4.0 4.1 Hashemian, N.; Armaou, A. Fast Moving Horizon Estimation of nonlinear processes via Carleman linearization. Proceedings of the American Control Conference. 2015: 3379–3385. doi:10.1109/ACC.2015.7171854. 
  5. ^ Hashemian, N.; Armaou, A. Simulation, model-reduction and state estimation of a two-component coagulation process. AIChE Journal. 2016, 62: 1557–1567 [2018-12-24]. doi:10.1002/aic.15146. (原始内容存档于2016-08-17). 
  6. ^ Python, MATLAB, and Simulink CSTR Example. [2018-12-24]. (原始内容存档于2015-04-11). 
  7. ^ Spivey, B.; Hedengren, J. D.; Edgar, T. F. Constrained Nonlinear Estimation for Industrial Process Fouling. Industrial & Engineering Chemistry Research. 2010, 49 (17): 7824–7831 [2018-12-24]. doi:10.1021/ie9018116. (原始内容存档于2019-04-10). 
  8. ^ Hedengren, J.D. Kevin C. Furman, Jin-Hwa Song, Amr El-Bakry , 编. Advanced Process Monitoring (PDF). Springer’s International Series in Operations Research and Management Science. 2012 [2018-12-24]. (原始内容 (PDF)存档于2016-03-04). 
  9. ^ Ramlal, J. Moving Horizon Estimation for an Industrial Gas Phase Polymerization Reactor (PDF). IFAC Symposium on Nonlinear Control Systems Design (NOLCOS). 2007. (原始内容 (PDF)存档于2009-09-20). 
  10. ^ Sun, L. Optimal Trajectory Generation using Model Predictive Control for Aerially Towed Cable Systems (PDF). Journal of Guidance, Control, and Dynamics. 2013 [2018-12-24]. (原始内容存档 (PDF)于2014-03-03). 
  11. ^ Sun, L. Parameter Estimation for Towed Cable Systems Using Moving Horizon Estimation (PDF). IEEE Transactions on Aerospace and Electronic Systems. 2015 [2018-12-24]. (原始内容存档 (PDF)于2015-06-10). 

延伸閱讀

外部連結