Die mathematische Funktionsweise des Kalman Filters und seine Erweiterungen

Inhaltsverzeichnis

1 Einleitung

2 Grundlagen

2.1 Mathematisches Vorwissen

2.1.1 Zufallsvariablen

2.1.2 Die Gaußverteilung- bzw. Normalverteilung

2.1.3 Kovarianz und Kovarianz Matrizen

2.2 Systemdarstellung im Zustandsraum

2.2.1 Lineare Systeme

2.2.2 Nichtlineare Systeme

2.2.3 Zeitdiskrete Darstellung

2.2.4 Stochastische Störung

3 Kalman Filter

3.1 Herleitung

3.1.1 Prädiktionsschritt

3.1.2 Korrekturschritt

3.2 Anschauliche Diskussion

3.3 Algorithmus

3.4 Beispielhafte Anwendung

3.5 Eigenschaften

3.6 Zusammenfassung

4 Erweiterungen für nichtlineare Systeme

4.1 Das Extended Kalman Filter

4.1.1 Algorithmus

4.1.2 Zusammenfassung

4.2 Nichtlineare Transformation

4.2.1 Transformation des Erwartungswertes

4.2.2 Transformation der Kovarianz

4.3 Das Unscented Kalman Filter

4.3.1 Verwendung der Unscented Transformation

4.3.2 Algorithmus

4.3.3 Zusammenfassung

4.4 Theoretischer Vergleich EKF versus UKF

5 Adaptive Filterung

5.1 Interacting Multiple Model Filter

5.2 Algorithmus

5.3 Zusammenfassung

6 Duales Kalman Filter

7 Anwendungsgebiete des Kalman Filters

7.1 Ladezustandsbestimmung von Batterien mithilfe von Kalman Filtern

7.1.1 Modellierung einer Lithium-Ionen-Batterie

7.1.2 Batterie SoC Bestimmung mit EKF und UKF

7.1.2.1 Batterie SoC Bestimmung mit einem EKF

7.1.2.2 Batterie SoC Bestimmung mit einem UKF

7.1.3 Resultat

8 Zusammenfassung und Ausblick

Zielsetzung & Themen

Die Arbeit verfolgt das Ziel, die grundlegende mathematische Funktionsweise des Kalman Filters sowie dessen Erweiterungen für nichtlineare Systeme und adaptive Ansätze zu erarbeiten und zu analysieren. Dabei steht die Untersuchung der Eignung dieser Filter zur Zustandsbestimmung, insbesondere bei der Ladezustandsschätzung von Lithium-Ionen-Batterien, im Fokus der Forschungsfrage.

• Mathematische Grundlagen der Stochastik und Zustandsraumdarstellung
• Herleitung und Implementierung des klassischen Kalman Filters
• Erweiterungen für nichtlineare Systeme (EKF und UKF)
• Adaptive Filterkonzepte und das duale Kalman Filter
• Praktische Anwendung zur Bestimmung des Ladezustands von Batterien

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Die Arbeit gibt einen Überblick über die Bedeutung des Kalman Filters als optimaler Schätzer und definiert das Ziel, dessen mathematische Funktionsweise sowie Erweiterungen für nichtlineare Systeme zu untersuchen.

2 Grundlagen: Es werden die notwendigen mathematischen und stochastischen Vorkenntnisse sowie die Darstellung von Systemen im Zustandsraum für das weitere Verständnis bereitgestellt.

3 Kalman Filter: Dieses Kapitel widmet sich der schrittweisen Herleitung des klassischen, diskreten Kalman Filters für lineare Systeme und stellt dessen Eigenschaften sowie eine beispielhafte Anwendung vor.

4 Erweiterungen für nichtlineare Systeme: Es werden Verfahren wie das Extended Kalman Filter (EKF) und das Unscented Kalman Filter (UKF) präsentiert, um Schätzaufgaben bei nichtlinearen Systemmodellen zu lösen.

5 Adaptive Filterung: Der Fokus liegt hier auf Methoden wie dem Interacting Multiple Model (IMM) Filter, die bei unbekannten oder zeitlich variierenden Parametern die Performanz der Zustandsschätzung verbessern.

6 Duales Kalman Filter: Dieses Kapitel führt das Konzept des dualen Kalman Filters ein, welches zwei Filter kombiniert, um simultan Systemzustände und Modellparameter zu schätzen.

7 Anwendungsgebiete des Kalman Filters: Anhand des praktischen Anwendungsbeispiels der Ladezustandsbestimmung (SoC) von Lithium-Ionen-Batterien wird die Leistungsfähigkeit von EKF und UKF verglichen.

8 Zusammenfassung und Ausblick: Die wesentlichen Ergebnisse der Arbeit werden zusammengefasst und Ansätze für zukünftige Verbesserungen der Zustandsschätzung diskutiert.

Schlüsselwörter

Kalman Filter, Zustandsschätzung, Stochastik, Extended Kalman Filter, Unscented Kalman Filter, Adaptive Filterung, Duales Kalman Filter, Zustandsraumdarstellung, Batteriemanagement, Ladezustandsschätzung, SoC, Signalverarbeitung, Regelungstechnik, Fehlerkovarianz, Systemmodellierung.

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Die Arbeit behandelt die mathematischen Grundlagen, die Herleitung und die praktische Anwendung von Kalman Filtern und deren Erweiterungen zur Schätzung von Systemzuständen.

Was sind die zentralen Themenfelder?

Die zentralen Themen umfassen die Theorie linearer Kalman Filter, die Anpassung an nichtlineare Systeme (EKF, UKF), adaptive Filterstrategien sowie die Anwendung dieser Verfahren auf die Batteriesystemtechnik.

Was ist das primäre Ziel der Arbeit?

Das Hauptziel ist es, die mathematische Funktionsweise des Kalman Filters sowie seiner Erweiterungen transparent zu machen, um die Eignung dieser Techniken für diverse technische Anwendungen zu evaluieren.

Welche wissenschaftlichen Methoden werden verwendet?

Es werden mathematische Herleitungen auf Basis der Stochastik und Zustandsraummodelle genutzt sowie simulationsbasierte Vergleiche durchgeführt, um die Genauigkeit und Konvergenz der verschiedenen Filteralgorithmen zu bewerten.

Was wird im Hauptteil behandelt?

Der Hauptteil deckt die schrittweise Herleitung der Filtergleichungen, die Erläuterung der verschiedenen Algorithmen (EKF, UKF, IMM, Duales Filter) und deren theoretischen Vergleich ab.

Welche Schlüsselwörter charakterisieren die Arbeit?

Zustandsschätzung, Kalman Filter, Nichtlineare Systeme, Ladezustandsbestimmung, EKF, UKF und stochastische Prozesse.

Warum sind nichtlineare Erweiterungen wie das UKF notwendig?

Da reale physikalische Systeme oft nicht-linear sind und das klassische Kalman Filter nur für lineare Zusammenhänge konzipiert wurde, sind Erweiterungen wie das UKF erforderlich, um eine genauere Approximation der Wahrscheinlichkeitsdichte bei nicht-linearen Transformationen zu ermöglichen.

Welche Rolle spielt das Anwendungsbeispiel der Batterie-SoC-Schätzung?

Dieses Beispiel dient dazu, die theoretisch erläuterten Filter, insbesondere EKF und UKF, in einem realen, komplexen Szenario zu vergleichen, wobei Aspekte wie Konvergenzgeschwindigkeit und Genauigkeit bei der Bestimmung des Ladezustands von Lithium-Ionen-Batterien quantifiziert werden.