⚡ electrical engineering

Robust stability of event-triggered nonlinear moving horizon estimation

Dieses Paper schlägt ein robust stabil konvergierendes, ereignisgesteuertes Moving-Horizon-Estimation-Schema für die Fernzustandsschätzung allgemeiner nichtlinearer Systeme vor, welches eine neuartige Triggerregel zur Gewährleistung globaler exponentieller Stabilität sowie eine variable Horizontlänge zur Erzielung engerer Fehlergrenzen aufweist.

Ursprüngliche Autoren: Isabelle Krauss, Victor G. Lopez, Matthias A. Müller

Veröffentlicht 2026-08-21

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Isabelle Krauss, Victor G. Lopez, Matthias A. Müller

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

In der Welt des modernen Ingenieurwesens sind Maschinen und Systeme selten isoliert; sie sind Teil riesiger, vernetzter Netzwerke, in denen Sensoren ständig Bedingungen überwachen und Steuerungen Entscheidungen in Bruchteilen von Sekunden treffen. Um diese Systeme sicher und effizient am Laufen zu halten, muss ein Computer genau wissen, was das System zu jedem gegebenen Zeitpunkt tut. Dies ist die Aufgabe der Zustandsschätzung: der Prozess, die verborgenen internen Zustände einer Maschine zu ermitteln, wie etwa den Druck in einem chemischen Tank oder den Winkel eines Roboterarms, basierend auf verrauschten und unvollkommenen Messwerten. Für komplexe Maschinen, die keinen einfachen, geradlinigen Regeln folgen, verwenden Ingenieure oft eine leistungsstarke Technik namens Moving Horizon Estimation (MHE). Diese Methode arbeitet wie ein gleitendes Zeitfenster, das auf eine kurze Historie vergangener Daten zurückblickt, um den wahrscheinlichsten aktuellen Zustand zu berechnen, wobei die Schätzung mit jedem neuen eintreffenden Informationspunkt ständig aktualisiert wird. In realen Anwendungen laufen diese Systeme jedoch oft mit Batteriebetrieb oder teilen sich eine begrenzte Kommunikationsbandbreite. Das Senden eines konstanten Datenstroms an einen zentralen Computer ist teuer und verschwenderisch, insbesondere wenn sich das System vorhersehbar verhält und keine neuen Informationen benötigt werden. Die Herausforderung besteht also darin, ein System zu entwerfen, das sich nur dann zu Wort meldet, wenn es wirklich etwas Wichtiges zu sagen hat, ohne dabei die Fähigkeit zu verlieren, den Zustand der Maschine präzise zu verfolgen.

Forscher der Leibniz Universität Hannover haben eine neue Methode entwickelt, um dieses Problem für komplexe, nichtlineare Systeme zu lösen. Sie haben ein System geschaffen, das die leistungsstarken Tracking-Fähigkeiten der Moving Horizon Estimation mit einer intelligenten „Event-Triggering“-Regel kombiniert. In ihrem Ansatz sendet der Sensor nicht kontinuierlich Daten. Stattdessen prüft er ständig eine bestimmte Bedingung, um zu entscheiden, ob eine Übertragung notwendig ist. Wenn sich das System wie erwartet verhält, bleibt der Sensor stumm, und der entfernte Computer sagt den nächsten Zustand basierend auf der letzten bekannten Information einfach voraus. Erst wenn das System so stark abweicht, dass ein „Event“ ausgelöst wird, sendet der Sensor einen einzelnen, frischen Messwert. Nach Erhalt dieses einzelnen Datenpunkts löst der entfernte Computer ein komplexes Optimierungsproblem, um seine gesamte Sicht auf den Zustand des Systems zu aktualisieren. Dies ist eine signifikante Abkehr von bisherigen Methoden, die oft eine lange Sequenz vergangener Messwerte jedes Mal erforderlich machten, wenn ein Event auftrat. Durch das Senden eines einzigen Messwerts reduziert die neue Methode die Menge der zu übertragenden Daten drastisch, spart Energie sowie Bandbreite und vermeidet gleichzeitig das Risiko, dass große Datenpakete nicht ankommen.

Das Team hat mathematisch bewiesen, dass dieser Ansatz robust stabil ist, was bedeutet, dass der Schätzfehler auch dann klein und vorhersagbar bleibt, wenn das System durch Rauschen oder externe Faktoren gestört wird. Sie haben demonstriert, dass der Fehler mit der Zeit gegen Null konvergiert, sobald die Störungen abklingen, vorausgesetzt, das System besitzt bestimmte inhärente Eigenschaften, die es beobachtbar machen. Um die Leistung weiter zu verbessern, untersuchten sie auch eine Variation, bei der das Zeitfenster, in das der Computer zurückblickt, nicht fest ist, sondern sich je nach der Anzahl der kürzlich aufgetretenen Events in der Länge ändern kann. Dieser flexible Ansatz ermöglichte es ihnen, noch engere Grenzen für den Schätzfehler zu erreichen, erforderte jedoch einen etwas höheren Rechenaufwand. Die Forscher testeten ihre Ideen an zwei unterschiedlichen Beispielen: einem chemischen Batch-Reaktor, einem Standard-Benchmark auf diesem Gebiet, bei dem einfachere Methoden oft scheitern, und einem zweigelenkigen Roboterarm, der sich in einer Ebene bewegt. In diesen Simulationen verfolgte die neue Methode den tatsächlichen Zustand der Systeme mit hoher Genauigkeit.

Die Ergebnisse zeigten einen klaren Trade-off, der durch einen Designparameter gesteuert wird, welcher bestimmt, wie empfindlich das System auf Änderungen reagiert. Wenn das System auf sehr empfindlich eingestellt war, löste es häufiger Events aus, sendete viele Messwerte und erreichte einen sehr niedrigen Fehler. Wenn es weniger empfindlich eingestellt war, sendete es weitauso weniger Nachrichten, sparte Ressourcen ein und behielt dennoch eine zuverlässige Schätzung bei. Entscheidend war, dass der neue Ansatz im Vergleich zu älteren Methoden, die Sequenzen von Daten sendeten, signifikant weniger Messungen übertrug. In einem Test mit dem chemischen Reaktor sendete die ältere Methode Sequenzen von bis zu 32 Messungen pro Event, während die neue Methode genau einen Messwert pro Event sendete, obwohl sie insgesamt etwas mehr Events auslöste. Dies unterstreicht eine zentrale Erkenntnis: Für Anwendungen, bei denen das Gesamtvolumen der Daten der limitierende Faktor ist, ist das Senden einzelner, zeitgerechter Updates weitaus effizienter als das Senden großer Datenpakete in selteneren Intervallen. Die Forscher fanden auch heraus, dass die zusätzlichen mathematischen Nebenbedingungen, die sie zur Gewährleistung der Stabilität hinzufügten, fast keine negativen Auswirkungen auf die tatsächliche Leistung hatten, was bestätigte, dass die theoretischen Sicherheitsvorkehrungen praktisch und nicht einschränkend sind.

Während die Methode mit fester Fenstergröße einfacher zu implementieren und rechentechnisch leichter ist, bot die Version mit variabler Fensterlänge eine messbare Verbesserung der Genauigkeit und reduzierte den durchschnittlichen Schätzfehler in der Roboterarm-Simulation um etwa drei Prozent. Dies deutet darauf darauf hin, dass für Anwendungen, bei denen jede Fraktion eines Prozents an Genauigkeit zählt, der zusätzliche Rechenaufwand für die Anpassung der Fenstergröße eine lohnende Investition ist. Die Studie kommt zu dem Schluss, dass dieser Event-getriggerte Rahmen eine zuverlässige und effiziente Möglichkeit bietet, komplexe Systeme aus der Ferne zu überwachen. Er balanciert das Bedürfnis nach präzisen Zustandsinformationen mit den praktischen Einschränkungen begrenzter Energie und Kommunikationsbandbreite und bietet eine Lösung, die sowohl theoretisch fundiert als auch praktisch effektiv für die nächste Generation vernetzter Steuerungssysteme ist.

Technische Zusammenfassung: Robuste Stabilität der ereignisgesteuerten nichtlinearen Moving-Horizon-Schätzung

Problemstellung
Die Arbeit befasst sich mit der Herausforderung der Fernzustandsschätzung für allgemeine nichtlineare Systeme unter Einwirkung von Prozessstörungen und Messrauschen. In vernetzten Regelsystemen sind Ressourcen wie Kommunikationsbandbreite, Energie und Rechenleistung oft begrenzt. Während die Moving-Horizon-Schätzung (MHE) robuste Stabilitätsgarantien für nichtlineare Systeme unter milden Detektierbarkeitbedingungen (speziell der inkrementellen Input/Output-zu-Zustands-Stabilität oder i-IOSS) bietet, erfordern typische Implementierungen üblicherweise häufige Datenübertragungen und hohe Rechenlasten. Vorherige ereignisgesteuerte MHE-Verfahren (ET-MHE) für nichtlineare Systeme erforderten entweder die Übertragung von Messwertsequenzen bei einem Ereignis (was die Paketgröße und das Ausfallrisiko erhöht) oder konzentrierten sich auf verteilte Systeme statt auf die Kommunikation zwischen Anlage und Schätzer. Das spezifische Problem, das hier adressiert wird, ist der Entwurf eines ET-MHE-Verfahrens, das sowohl die Häufigkeit des Kanalzugriffs als auch das Volumen der übertragenen Daten (durch Senden nur des aktuellsten Messwerts) minimiert und gleichzeitig eine robuste globale exponentielle Stabilität (RGES) gewährleistet.

Methodik
Die Autoren schlagen ein neuartiges ET-MHE-Verfahren vor, bei dem das Optimierungsproblem nur dann gelöst wird, wenn ein spezifisches Ereignis ausgelöst wird. Die Kernkomponenten der Methodik umfassen:

Ereignisgesteuerter Mechanismus (ETM): Eine binäre Variable $\gamma_t$ bestimmt die Übertragung. Wenn $\gamma_t = 1$ , wird ein einzelner Messwert $y_{t-1}$ an den entfernten Schätzer gesendet. Wenn $\gamma_t = 0$ , werden keine Daten übertragen, und der Schätzer aktualisiert den Zustand mittels einer Open-Loop-Prädiktion basierend auf der Systemdynamik.
Optimierungsproblem: Die MHE-Formulierung minimiert eine Kostenfunktion über ein Zeitfenster (Horizon). Die Kostenfunktion enthält einen Gewichtungsterm für die A-priori-Information sowie eine Stufenkostenfunktion, die geschätzte Störungen und Output-Abweichungen bestraft. Entscheidend ist, dass die Kostenfunktion konsistent mit der exponentiellen i-IOSS-Lyapunov-Funktion parametrisiert ist, um die Stabilitätsbeweise zu erleichschen.
Umgang mit fehlenden Daten: Wenn kein Ereignis eintritt, verlässt sich der Schätzer auf Open-Loop-Prädiktionen. Um die Stabilität zu gewährleisten, führen die Autoren eine zusätzliche Nebenbedingung (Gleichung 6) in das Optimierungsproblem ein. Diese Bedingung erzwingt, dass die geschätzte Ausgangssequenz während der Phasen ohne Messungen nahe an einer zuvor erhaltenen optimalen Sequenz bleibt, gewichtet durch die Zerfallsrate des Systems.
Stabilitätsanalyse: Die Autoren beweisen, dass das vorgeschlagene Verfahren unter der Annahme der exponentiellen i-IOSS eine robuste globale exponentielle Stabilität (RGES) erreicht. Der Beweis zeigt, dass der Schätzfehler in Abwesenheit von Störungen exponentiell gegen Null konvergiert und bei Vorhandensein von Störungen durch eine gewichtete Summe vergangener Störungen beschränkt bleibt.
Erweiterung auf variierenden Horizont: Ein modifiziertes Verfahren wird vorgeschlagen, bei dem die Horizontlänge $M_t$ dynamisch basierend auf der Ereignishistorie variiert. Diese Erweiterung zielt darauf ab, engere Fehlerschranken und eine kleinere erforderliche Mindesthorizontlänge zu bieten, wenngleich dies mit höherer Komplexität verbunden ist.

Wesentliche Beiträge

Übertragung eines einzelnen Messwerts: Im Gegensatz zu früheren Arbeiten (z. B. [16]), die bei einem Trigger eine Sequenz von Messwerten übertragen, überträgt dieses Verfahren nur den aktuellsten Messwert. Dies reduziert die Paketgröße und mindert die Risiken im Zusammenhang mit begrenzter Bandbreite und Übertragungsfehlern.
Recheneffizienz: Das Optimierungsproblem wird ausschließlich gelöst, wenn ein Ereignis auftritt. Zwischen den Ereignissen wird der Zustandsschätzer über eine Open-Loop-Prädiktion aktualisiert, was die Rechenlast erheblich reduziert.
Nachweis der robusten Stabilität: Die Arbeit etabliert RGES für das vorgeschlagene ET-MHE-Verfahren unter einer geeigneten Detektierbarkeitbedingung (exponentielle i-IOSS). Die Analyse berücksichtigt die spezifische Struktur der ereignisgesteuerten Aktualisierungen und die zusätzliche Nebenbedingung zur Handhabung fehlender Daten.
Verfahren mit variierendem Horizont: Die Einführung einer variierenden Horizontlänge ermöglicht engere theoretische Fehlerschranken und eine reduzierte minimale Horizontanforderung, was einen Kompromiss zwischen Leistung und Rechenaufwand darstellt.

Ergebnisse
Die Wirksamkeit der vorgeschlagenen Methode wird durch zwei numerische Beispiele validiert: ein Batch-Reaktor-System und ein zwei-gliedriges Roboterarm-System.

Batch-Reaktor: Simulationen zeigen, dass das ET-MHE-Verfahren mit $\alpha=5$ (ein Designparameter zur Steuerung der Sensitivität) eine Schätzleistung erreicht, die nahezu identisch mit einer Standard-MHE ( $\alpha=0$ ) ist, jedoch mit signifikant weniger Übertragungen. Vergleiche mit dem Verfahren aus [16] verdeutlichen: Während das vorgeschlagene Verfahren mehr Ereignisse auslöst (durchschnittlich 14 gegenüber 6,5), überträgt es pro Ereignis nur einzelne Messwerte, wohingegen das Verfahren aus [16] Sequenzen mit durchschnittlich 23 Messwerten (maximal 32) überträgt.
Roboterarm: Die Ergebnisse bestätigen, dass eine Erhöhung des Parameters $\alpha$ die Anzahl der Ereignisse reduziert, aber den Schätzfehler leicht erhöht, was konsistent mit den theoretischen Schranken ist. Das Verfahren zeigt eine Konvergenz in eine Region nahe Null trotz Störungen.
Auswirkung der Nebenbedingung: Numerische Experimente deuten darauf hin, dass die für die Stabilitätsbeweise erforderliche zusätzliche Nebenbedingung (6) die Optimierungslösung selten beeinflusst (aktiv in <15 % der Fälle) und eine vernachlässigbare Auswirkung auf den Schätzfehler hat (durchschnittliche Reduktion von 0,25 %, wenn sie aktiv ist).
Leistung des variierenden Horizonts: Das Verfahren mit variierendem Horizont zeigte geringfügige durchschnittliche Verbesserungen (1 % beim Reaktor, 3 % beim Roboterarm), demonstrierte aber signifikante Vorteile (bis zu 21 % Verbesserung) in spezifischen Szenarien, in denen aufeinanderfolgende Ereignisse auftraten, wodurch der Schätzer mehr historische Informationen nutzen konnte.
Berechnung: Das Verfahren mit variierendem Horizont verursacht höhere Rechenkosten aufgrund größerer und strukturell veränderlicher Optimierungsprobleme. Auch die zusätzliche Nebenbedingung (6) erhöht die Rechenzeit, wobei die Autoren anmerken, dass dies angesichts der theoretischen Garantien akzeptabel ist.

Bedeutung
Die Arbeit beansprucht, das erste ET-MHE-Verfahren für allgemeine nichtlineare Systeme zu präsentieren, das die Übertragung nur eines einzelnen Messwerts pro Ereignis erfordert und gleichzeitig robuste globale exponentielle Stabilität garantiert. Die Bedeutung liegt in der Adressierung der dualen Beschränkungen von Kommunikationsbandbreite (durch Minimierung der Paketgröße) und Ressourcen (durch gezielte Lösung der Optimierung). Die Arbeit liefert einen theoretischen Rahmen für die Abwägung zwischen Schätzleistung und Ressourcenbeschränkungen in der nichtlinearen Fernzustandsschätzung und bietet eine praktische Alternative zu Verfahren, die große Datenpakete oder häufige Berechnungen erfordern. Die Autoren merken bescheiden an, dass das Verfahren mit variierendem Horizont zwar engere Schranken bietet, das Verfahren mit festem Horizont jedoch einfacher zu implementieren und weniger rechenintensiv ist.

Mehr davon