Abstract

Aktive fehlertolerante Regelungen erfordern nicht nur die Fehlererkennung, sondern auch die Lokalisierung des Fehlers und die Schätzung der Fehlergröße, was als Fehleridentifikation bezeichnet wird. Um die Fehlerlokalisierung und -identifikation für Aktor-, Sensor- und Prozessfehler zu ermöglichen, eignen sich Ansätze, die auf der gleichzeitigen Verwendung mehrerer Modelle basieren, sodass die Fehlerlokalisierung und -identifikation als Mehrmodellschätzung, auch bekannt als hybride Schätzung, durchgeführt werden können. Typische hybride Schätzer wie Generalized Pseudo Bayesian (GPB)-Ansätze oder der Interacting Multiple Model (IMM)-Ansatz verwenden häufig erweiterte Kalman- oder unscented Kalman-Filter. Bei nicht normalverteilten Störungen und/oder stark ausgeprägten Nichtlinearitäten führen diese Filter oft zu unbefriedigenden Schätzungen. In derartigen Fällen bieten sich Partikelfilter an. Die direkte Verwendung von Partikelfiltern in Kombination mit hybriden Partikeln kann jedoch zu einer Degeneration der Partikel führen. Der IMM-Partikel-Filter (IMMPF), der aus dem exakten Bayes-Filter für den hybriden Zustands abgeleitet werden kann, vermeidet dieses Problem, indem er die Dichte jedes Modes mit einer konstanten Anzahl von Partikeln approximiert. Am Beispiel eines Drei-Tank-Systems wird die Fehleridentifikation mit Hilfe des IMMPF-Ansatzes erläutert und die Vor- und Nachteile des zugrundeliegenden Modellierungsansatzes, der eine Quantisierung der Fehlergröße verwendet, werden diskutiert.