Metodología para la estimación de parámetros en tiempo real mediante filtros de Kalman y mínimos cuadrados
Abstract
En este artículo se presenta una metodología para la estimación en tiempo real de parámetros de sistemas dinámicos lineales desconocidos, mediante el filtrado de Kalman y el método de estimación por mínimos cuadrados. Los algoritmos resultantes de la aplicación de la metodología propuesta son implementados en tiempo real sobre un procesador digital de señales (DSP, por sus siglas en inglés) referencia TMS320F2812 de la marca Texas Instruments©. Con el objetivo de evaluar la efectividad del método, se adelantó la estimación de una planta dinámica de segundo orden con comportamiento de filtro pasa bajos estable, simulada mediante un circuito electrónico que contiene amplificadores operacionales, que maniobran bajo condiciones de laboratorio que generan una alta perturbación en las funciones que identifican la entrada y la salida. Estas señales son adquiridas por el procesador digital de señales mediante el convertidor Análogo-Digital (A/D) embebido en el mismo, con el fin de implementar en tiempo real el algoritmo de identificación de parámetros planteado en la metodología.Downloads
Download data is not yet available.
References
[1] R. Merwe, Sigma-Point Kalman Filters for Probabilistic Inference in Dynamic State-Space Models, Oregon Health & Science University, 2004. Disponible: http:// speech.bme.ogi.edu/publications/ps/merwe04.pdf
[2] A. M. Sabatini, “Real-time Kalman Filter Applied to Biomechanical Data for State Estimation and NumericalDifferentiation”, Medical, Biological Engineering & Computation, No. 43, pp. 2-10, Mar. 2003.
[3] Y. Wang and M. Papagiorgiou, “Real-time Freeway Traffic State Estimation based on Extended Kalman Filter: a General Approach”, Transportation Research Part B, No. 39, pp. 141-167, May. 2005.
[4] T. Park, S. Choi, C. Han and Y Lee, “Real-time Precision Displacement Measurement Interferometer using the Robust Discrete time Kalman Filter”, Optics & Laser Technology, No. 37, pp. 229-234, Sep. 2005.
[5] C. Kownacki, “Optimization Approach to Adapt Kalman Filters for the Real-time Application of Accelerometer and Gyroscope Signals’ Filtering”, Digital Signal Processing, No. 21, pp. 131-140, Oct. 2011.
[6] O. I. Kiselichnik and M. Bodson, “Nonsensor Control of Centrifugal Water Pump with Asynchronous ElectricDrive Motor Based on Extended Kalman Filter”, Russian Electrical Engineering, Vol. 82, No. 2, pp. 69-75 Sep. 2011.
[7] G. Evensen, “The Ensemble Kalman Filter: Theoretical Formulation and Practical Implementation”, Ocean Dynamics, No. 53, pp. 343-367, Apr. 2003.
[8] Texas Instruments, “Sensorless Control with Kalman Filter on TMS320 Fixed-Point DSP”, TMS320F2812 Digital Signal Processor Application Notes. Disponible: http://www.ti.com/lit/an/ bpra057/bpra057.pdf
[9] F. R. Rubio, M. J. López, Control Adaptativo y Robusto. Universidad de Sevilla, 1996, pp. 27-44.
[10] L. Ljung, System Identification Theory for the User, 2nd ed., Prentice Hall, 1999, pp. 361-382.
[11] J. V. Bobál, J. Bohm, J. Fessl and J. Machácek, DigitalSelf-tuning Controllers, Springer, 2005, pp. 26-50.
[12] S. Haykin, Kalman Filtering and Neural Networks, Wiley-Interscience, 2001, pp. 1-21.
[13] P. S. Maybeck, Stochastic Models, Estimation and Control, 1979. Disponible: http://www.cs.unc.edu/~ welch/kalman/ Consultado el 23 de febrero de 2012.
[14] G. Evenses, Ensemble Kalman Filter: theoretical Formulation and Practical Implementation. 2003.
[15] J. G. Díaz, A. M. Mejía y F. Arteaga, “Aplicación de los Filtros de Kalman a Sistemas de Control”. Revista INGENIERÏA UC, Vol. 8, No 1, pp. 1-18, Jun. 2001.
[16] Texas Instruments, “TMS320F2812 Digital Signal Processor Data Sheet”. Disponible: http://www.ti.com/ lit/ds/ sprs174t/sprs174t.pdf Consultado el 10 de octubre de 2012.
[17] L. E. Avendaño. Sistemas Electrónicos Analógicos un Enfoque Matricial. Universidad Tecnológica de Pereira, 2007, pp. 104-108.
[2] A. M. Sabatini, “Real-time Kalman Filter Applied to Biomechanical Data for State Estimation and NumericalDifferentiation”, Medical, Biological Engineering & Computation, No. 43, pp. 2-10, Mar. 2003.
[3] Y. Wang and M. Papagiorgiou, “Real-time Freeway Traffic State Estimation based on Extended Kalman Filter: a General Approach”, Transportation Research Part B, No. 39, pp. 141-167, May. 2005.
[4] T. Park, S. Choi, C. Han and Y Lee, “Real-time Precision Displacement Measurement Interferometer using the Robust Discrete time Kalman Filter”, Optics & Laser Technology, No. 37, pp. 229-234, Sep. 2005.
[5] C. Kownacki, “Optimization Approach to Adapt Kalman Filters for the Real-time Application of Accelerometer and Gyroscope Signals’ Filtering”, Digital Signal Processing, No. 21, pp. 131-140, Oct. 2011.
[6] O. I. Kiselichnik and M. Bodson, “Nonsensor Control of Centrifugal Water Pump with Asynchronous ElectricDrive Motor Based on Extended Kalman Filter”, Russian Electrical Engineering, Vol. 82, No. 2, pp. 69-75 Sep. 2011.
[7] G. Evensen, “The Ensemble Kalman Filter: Theoretical Formulation and Practical Implementation”, Ocean Dynamics, No. 53, pp. 343-367, Apr. 2003.
[8] Texas Instruments, “Sensorless Control with Kalman Filter on TMS320 Fixed-Point DSP”, TMS320F2812 Digital Signal Processor Application Notes. Disponible: http://www.ti.com/lit/an/ bpra057/bpra057.pdf
[9] F. R. Rubio, M. J. López, Control Adaptativo y Robusto. Universidad de Sevilla, 1996, pp. 27-44.
[10] L. Ljung, System Identification Theory for the User, 2nd ed., Prentice Hall, 1999, pp. 361-382.
[11] J. V. Bobál, J. Bohm, J. Fessl and J. Machácek, DigitalSelf-tuning Controllers, Springer, 2005, pp. 26-50.
[12] S. Haykin, Kalman Filtering and Neural Networks, Wiley-Interscience, 2001, pp. 1-21.
[13] P. S. Maybeck, Stochastic Models, Estimation and Control, 1979. Disponible: http://www.cs.unc.edu/~ welch/kalman/ Consultado el 23 de febrero de 2012.
[14] G. Evenses, Ensemble Kalman Filter: theoretical Formulation and Practical Implementation. 2003.
[15] J. G. Díaz, A. M. Mejía y F. Arteaga, “Aplicación de los Filtros de Kalman a Sistemas de Control”. Revista INGENIERÏA UC, Vol. 8, No 1, pp. 1-18, Jun. 2001.
[16] Texas Instruments, “TMS320F2812 Digital Signal Processor Data Sheet”. Disponible: http://www.ti.com/ lit/ds/ sprs174t/sprs174t.pdf Consultado el 10 de octubre de 2012.
[17] L. E. Avendaño. Sistemas Electrónicos Analógicos un Enfoque Matricial. Universidad Tecnológica de Pereira, 2007, pp. 104-108.
Published
2013-06-30
How to Cite
Ortiz Bravo, V., Nieto Arias, M., & Quintero Salazar, E. (2013). Metodología para la estimación de parámetros en tiempo real mediante filtros de Kalman y mínimos cuadrados. ITECKNE, 10(1), 37-44. https://doi.org/https://doi.org/10.15332/iteckne.v10i1.178
Issue
Section
Research and Innovation Articles
