شناسایی متغیرهای حالت یک هوانورد با استفاده از فیلتر ترکیبی کالمن / اچ- بینهایت فازی

نوع مقاله : مقاله پژوهشی (کاربردی)

نویسندگان

1 استادیار، دپارتمان مهندسی مکانیک، آموزشکده شهید مفتح همدان، دانشگاه فنی و حرفه ای استان همدان، ایران .

2 استادیار، دپارتمان مهندسی مکانیک، دانشکده شهید چمران رشت، دانشگاه فنی و حرفه‌ای استان گیلان، ایران.

3 عضو هیئت علمی، دپارتمان مهندسی مکانیک، آموزشکده امام خمینی بهشهر، دانشگاه فنی و حرفه ای استان مازندران، ایران .

چکیده

یکی از مهم‌ترین مشکلات در مهندسی کنترل تخمین متغیرهای حالت یک سیستم دینامیکی با استفاده از داده های اندازه‌گیری شده مخدوش با نویز است. تخمین به کمک فیلتر ترکیبی کالمن/ اچ بینهایت یکی از روش‌های قدرتمند تخمین است که یک روش غیر تصادفی می‌باشد. به‌عبارت‌دیگر در این روش اندازه‌گیری‌ها و متغیرهای مدنظر تخمین نویزی بوده و اطلاعات دقیقی در مورد آنها وجود ندارد. در سیستم‌های دینامیکی با نویزهای شدید هیچ تضمینی برای ثابت ماندن مقادیر کوواریانس نویزهای فرآیند و مشاهده‌گر در طی زمان وجود ندارد، بنابراین بهتر است که به‌طور پیوسته مقادیر کوواریانس نویزهای فرآیند و مشاهده‌گر در الگوریتم فیلتر تخمین بهینه تغییر یابد، تا بتواند تخمین درستی از متغیرهای حالت سیستم ارائه دهد. در این مقاله یک راهبرد تطبیقی جدید از فیلتر ترکیبی کالمن/ اچ-بینهایت بر پایه منطق فازی برای تنظیم ماتریس­های کوواریانس نویزهای فرآیند و اندازه‌گیری ارائه ‌شده است. سیستم فازی در هر مرحله از فرآیند با استفاده از اختلاف موقعیت و سرعت واقعی بالن و مقدار مشاهده‌ شده توسط مشاهده‌گر، یک عامل تطبیقی برای بروزرسانی مقادیر ماتریس کوواریانس تولید می­کند. به این طریق فیلتر ترکیبی کالمن/اچ-بینهایت فازی می‌تواند متغیرهای حالت سیستم را دقیق‌تر تخمین زده و درنتیجه همواره مقدار تابع میانگین مجذور مربعات خطای تخمین حداقل می‌گردد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

State Estimation of an Aviator Using Fuzzy Mixed Kalman/H-infinity Filter

نویسندگان [English]

  • Mohammad Ali Kazemi 1
  • Mojtaba Masoumnezhad 2
  • Nematollah Askari 3
1 Assistant Professor, Department of Mechanical Engineering, Faculty of Mofateh, Hamedan Branch, Technical and Vocational University (TVU), Hamedan, Iran.
2 Assistant Professor, Department of Mechanical Engineering, Faculty of Chamran, Guilan Branch, Technical and Vocational University (TVU), Guilan, Iran.
3 Faculty Member, Department of Mechanical Engineering, Faculty of Imam Khomeini, Behshahr Branch, Technical and Vocational University (TVU), Mazandaran, Iran.
چکیده [English]

One of the most important problems in control engineering is state estimation of a dynamical system based on measured data corrupted by noises. One of the most popular algorithms used for state estimation of a linear discrete time dynamical system is mixed Kalman/H-infinity filter. The performance of this filter is essentially depending on how exact statistics of noise characteristics are available. It is also not guaranteed that the process noise covariance matrix, and the measurement noise covariance matrix remain constant with time in a highly non-stationary noise condition. Thus, it is imperative to continuously tune the mixed Kalman/H-infinity accounting for the changing noise conditions in order to get good filter performance. This paper presents an algorithm of fuzzy based mixed Kalman/H-infinity filter for dynamically tuning the process noise and measurement noise covariance matrices. Fuzzy system in every step of the process using the difference between the actual position and speed of the balloon and the amount of observed data by the observer, an adaptive produce and this factor is used to update covariance matrix values. In this way, the Fuzzy Mixed Kalman/H-infinity filter can be more accurately estimated system state variables and therefore always mean square estimation error is minimized.

کلیدواژه‌ها [English]

  • Kalman Filter
  • H-infinity Filter
  • State Etimation
  • Aviator
  • Fuzzy logic method
  1. Yazdani Bejarbaneh E., Masoumnezhad M., Jahed Armaghani D., Thai Pham B., (2020), “Design of robust control based on linear matrix inequality and a novel hybrid PSO search technique for autonomous underwater vehicle”, Applied Ocean Research, Vol. 101, pp. 102-121.
  2. Masoumnezhad. M., Jamali A., Nariman-zadeh N., (2014), “Optimal design of mixed Kalman-H∞ filter using multi objective optimization”, Modares Mechanical Engineering, Vol. 14, pp. 128-132. (in Persian)
  3. Zhang X., Xu W., Zhou B., (2009), “Mean first-passage time in a bistable system driven by multiplicative and additive colored noises with colored cross-correlation”, Communications in Nonlinear Science and Numerical Simulation, Vol. 14, No. 12, pp. 4220-4225.
  4. Geist M., Pietquin O., (2011), “Kalman filtering & colored noises: the (autoregressive) moving-average case”, in Proceedings of the IEEE Workshop on Machine Learning Algorithms, Systems and Applications (MLASA 2011).
  5. Seong-Taek P., Jang Gyu L., (2001), “Improved Kalman filter design for three-dimensional radar tracking”, IEEE Transactions on Aerospace and Electronic Systems, Vol. 37, No. 2, pp. 727-739.
  6. Yadaiah N., Srikanth T., Rao V.S., (2011), “Fuzzy Kalman Filter based trajectory estmation”, in Proceeding of 11th International Conference on Hybrid Intelligent Systems (HIS), pp. 566-571.
  7. Mousavi Moaiied M., Mosavi M. R., (2016), “Increasing Accuracy of Combined GPS and GLONASS Positioning using Fuzzy Kalman Filter”, Iranian Journal of Electrical & Electronic Engineering, Vol. 12, No. 1, pp. 21-28. (in Persian)
  8. Alinaghizadeh Ardestani M., Vakili A., (2020),” Output feedback Controller design for HVAC system with delayed based Robust control approach”, Karafan Journal, Vol. 17, No. 1, pp.89-99.
  9. Masoumnezhad M., Jamali A., Nariman-Zadeh N., (2014), “A robust unscented Kalman filter for nonlinear dynamical systems with colored noise”, Journal of Automation and Control Engineering, Vol. 2, No. 3, pp. 310-315.
  10. Masoumnezhad M., Nahaleh-kah M., Jamali A., Nariman-zadeh N., (2015), “Optimal state estimation of a dynamical system corrupted with colored noises using Mixed Kalman/H-infinity filter”, Modares Mechanical Engineering, Vol. 14, No. 12, pp. 67-74. (in Persian)
  11. Stoica A.-M., Dragasanu C., (2013), “A Mixed Kalman/ H-infinity Filtering Approach for Augmented Proportional Navigation Guidance”, in The 64th International Astronautical Congress, Beijing.
  12. Masoumnezhad M., Yasti Balaghi A, Nariman-zadeh N., (2020), “State Estimation of a Crane Using Fuzzy UHF”, Karafam Journal, Vol.17, No. 1, pp. 123-142.
  13. Hsieh C. S., (2014), “H-Infinity Kalman Estimation for Rectangular Descriptor Systems with Unknown Inputs”, IEEE Transactions on Automatic Control, Vol. 59, No. 3, pp. 826-832.
  14. Nayak P., Sahu B. N., (2011), “A robust extended Kalman filter for the estimation of time varying power system harmonics in noise”, in Proceeding of IEEE Power, Communication and Information Technology Conference (PCITC), pp. 635-640.
  15. Drozdz K., Orlowska-Kowalska T., Szabat K., (2015), “Application of the modified fuzzy Kalman filter to states estimation of the two-mass system”, in Proceeding of International Conference on Industrial Technology (ICIT), pp.634-639.