KutupASP DijitalKalman filtresi, gürültülü ölçümlerden gizli bir durumu (örneğin gerçek seviye ya da eğim) özyinelemeli olarak tahmin eden bir algoritmadır. Her adımda önce model ile bir tahmin yapar, sonra yeni ölçümle düzeltir. Düzeltmenin ağırlığı, modele mi yoksa ölçüme mi ne kadar güvenildiğine bağlıdır.
Kalman filtresi iki adımda çalışır. Tahmin adımında, önceki durum ve sistemin dinamik modeli kullanılarak yeni bir durum tahmini ile bu tahminin belirsizliği (varyansı) hesaplanır. Düzeltme adımında yeni ölçüm gelir ve tahmin ölçümle birleştirilir. Bu birleşimin ağırlığı Kalman kazancı K ile belirlenir. Kazanç, süreç gürültüsü Q ile ölçüm gürültüsü R arasındaki dengeye dayanır. Q büyükse filtre veriyi daha hızlı izler ama daha gürültülü olur; R büyükse ölçüme daha az güvenilir ve sonuç daha yumuşak olur. Doğrusal model ve Gauss gürültüsü varsayımları altında bu, en iyi doğrusal tahmin yöntemidir. Varsayımlar bozulursa sonuç yine de faydalı olabilir, ama bu garanti artık geçerli değildir.
Bir proses değişkeninin gerçek değerini izlediğinizi düşünün. Tahmin 10, tahmin varyansı P = 4 olsun. Yeni ölçüm z = 12 gelir ve ölçüm varyansı R = 4'tür.
Model ile sensör eşit güvenilirlikte olduğu için tahmin tam ortaya düşer ve varyans yarıya iner. Sensör çok daha gürültülüyse, örneğin R = 36 ise, kazanç 4 / 40 = 0,1 olur ve tahmin yalnızca 10 + 0,1 × 2 = 10,2'ye gider.
Filtrenin iyi çalışması Q ve R değerlerine bağlıdır. R, sensör durağanken ölçülen gürültüden tahmin edilebilir. Q ise durumun ne kadar hızlı değişebileceğine dair bir model varsayımıdır ve genellikle veriyle denenerek ayarlanır. Doğrusal olmayan bozulma, ani sıçramalar ve düzensiz örnekleme klasik filtreyi zorlar. Aykırı değerler filtreyi bozabilir; bu yüzden yenilik (ölçüm eksi tahmin) izlenmeli ve beklenen yayılımın çok dışındaki değerler ayıklanmalıdır. Düzensiz aralıklı ölçümlerde ise geçen süreye bağlı bir model kullanılmalıdır.
Hareketli ortalama sabit bir pencereye bakar ve değişimlere gecikmeli tepki verir. Kalman filtresi ise bir model kullanır, her tahmine bir belirsizlik ekler ve kazancını her adımda ayarlar. Gecikme, seçilen Q ve R değerlerine göre dengelenebilir.
Kazanç, model ile ölçüme duyulan güven oranından hesaplanır. Q ve R yanlış seçilirse filtre ya gereğinden fazla gürültü geçirir ya da gerçek değişimi geç görür. Pratik bir başlangıç, R'yi durağan ölçümden tahmin etmek; Q'yu ise veri ve süreç bilgisiyle kontrol etmektir.
Örnek sayılar varsayımsaldır; sahada doğrulanmış sonuç iddiası değildir.
Bu yazıda RUL tanımını, üç yaklaşımın veri gereksinimlerini ve bir eğilim hesabını görün. Sonunda bir tahmini P10, P50 ve P90 değerleriyle nasıl raporlayacağınızı bileceksiniz.
Tahmin ve düzeltme adımlarını, kazancın (K) ne anlama geldiğini ve seviye-eğim durumuyla düzgün bir sağlık göstergesi ile bozulma hızını nasıl elde edeceğinizi öğrenin.
