|
→ Inhaltsverzeichnis  → Leseprobe
R. Neugebauer (Hrsg.)
J. Hädrich
Zustandsgrößenerfassung von nachgiebigen Strukturen durch Multi-Sensor-Datenfusion
Berichte aus dem IWU, Band 115
197 Seiten, m. Abb. und Tab., A5, Broschur
ISBN: 9783957351227
Verlag Wissenschaftliche Scripten
Genaue und schnelle Informationen über die Zustandsgrößen eines nachgiebigen Systems sind Voraussetzung für dessen Steuerung und Regelung, um genaue Positionier- und Bahnbewegungen sicherzustellen. Auf Basis von Methoden der Multi-Sensor-Datenfusion können diese Informationen aus vielen Sensoren geschätzt und damit kostenintensive Einzelsensoren ersetzt werden. In den letzten Jahren ist mit der Entwicklung von Sensoren auf Grundlage mikroelektromechanischer Systeme und mit den stetig leistungsfähigeren und kostengünstigeren Prozessoren das Potential der Sensor-Datenfusion enorm gestiegen. Dennoch ist die Umsetzung im industriellen Bereich nicht weit verbreitet, da sich die bisherigen Forschungsarbeiten entweder auf spezielle Anwendungen oder auf einzelne Teilaspekte der Algorithmen konzentrieren.
In dieser Arbeit wird das Kalman-Filter als wichtiges Werkzeug zur echtzeitfähigen Schätzung ausführlich betrachtet. Das Schätzverfahren wird in die Thematik der Multi-Sensor-Datenfusion eingeordnet und in einzelne Module untergliedert. Für jedes Modul werden Varianten zur Umsetzung aufgezeigt und deren Eignung diskutiert. Durch simulationsbasierte Untersuchungen auf Grundlage einer großen Auswahl von Bewegungsabläufen werden verallgemeinerbare Aussagen zu Randbedingungen und Richtlinien zur Einstellung der Parameter erarbeitet. Die Validierung erfolgt anhand der experimentellen Umsetzung ausgewählter Bewegungsabläufe an einem nachgiebigen Roboterarm. Abschließend werden die Ergebnisse zusammengefasst.
Inhaltsverzeichnis
1 Einleitung
1.1 Motivation
1.2 Aufbau der Arbeit
2 Multi-Sensor-Datenfusion und Zustandsgrößen
2.1 Begriffserklärung und Klassifizierung
2.1.1 Begriffserklärung
2.1.2 Klassifizierung
2.2 Algorithmen und Anwendungsgebiete
2.3 Theorie des Kalman-Filters
2.3.1 Grundlagen Beobachter
2.3.2 Lineares Kalman-Filter
2.3.3 Erweitertes Kalman-Filter
2.4 Stand der Wissenschaft und Technik des Kalman-Filters
2.4.1 Historie des Kalman-Filters
2.4.2 Kalman-Filter für nachgiebige Systeme
2.4.3 Kalman-Filter für Multiratensysteme
2.4.4 .Sensorauswahl auf Basis des Kalman-Filters
2.4.5 Adaptives Kalman-Filter
2.5 Zusammenfassung und Fazit
3 Ansatz und Zielstellung der Arbeit
4 Beobachter für nachgiebige Strukturen
4.1 Identifikation und Vorverarbeitung
4.1.1 Identifikation der Modellstruktur und -parameter
4.1.2 Modellierung nachgiebiger Strukturen
4.1.3 Sensoridentifikation und -kalibrierung
4.1.4 Messwertvorverarbeitung und -berücksichtigung
4.2 Beobachterentwurf und Sensorauswahl
4.2.1 Beobachterentwurf
4.2.2 Sensorauswahl
4.3 Adaptives Kalman-Filter
4.4. Bewertung und Überwachung
4.5 Zusammenfassung und Fazit
5 Simulationsbasierte Ergebnisse
5.1 Versuchsplanung
5.2 Beeinflussung der Bewertungsmaße
5.2.1 Vergleich mit idealen Zustandsgrößen
5.2.2 Vergleich Bewertungsmaße
5.3 Beobachterentwurf und Sensorauswahl
5.3.1 Vergleich Leistungsindices
5.3.2 Varianten Sensorauswahl
5.4 Adaptives Kalman-Filter für Modellparameter
5.4.1 Einstellungen und Einflussgrößen
5.4.2 Ausschluss durch Bewertungsmaße
5.5 Zusammenfassung und Fazit
6 Experimentelle Ergebnisse
6.1 Versuchsstand nachgiebiger Roboterarm
6.1.1 Vorstellung Versuchsstand
6.1.2 Identifikation des nachgiebigen Roboterarms
| 
