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

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-بی نهایت 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-بی نهایت فازی می‌تواند متغیرهای حالت سیستم را دقیق‌تر تخمین زده و درنتیجه همواره مقدار تابع میانگین مجذور مربعات خطای تخمین حداقل می‌گردد.

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

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/Hinfinity 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 nonstationary noise condition. Thus, it is imperative to continuously tune the mixed Kalman/Hinfinity accounting for the changing noise conditions in order to get good filter performance. This paper presents an algorithm of fuzzy based mixed Kalman/Hinfinity 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/Hinfinity filter can be more accurately estimated system state variables and therefore always mean square estimation error is minimized.