An Comparative Study: Model-Based vs. Noise Estimation Approach for State Estimation

Abstract

Denne oppgaven tar for seg en analyse av en bioprosessmodell, som omfatter en sammenlignende undersøkelse av to forskjellige estimeringsteknikker. Selve estimeringsteknikkene er foreslått av Krog & Jäschke[21] og Berry & Saue[8]. Disse teknikkene er klassifisert som henholdsvis modellbasert og datadrevet. Hovedmålet deres er å eliminere behovet for manuell tilpasning av kovariansmatrisene Q og R, som spiller en avgjørende rolle som essensielle komponenter i Kalman-filteret, noe som er avgjørende for å kontrollere filterdivergens. Ved å forbedre anvendeligheten av filtrene bidrar disse estimeringsteknikkene til bedret ytelse og effektivitet i tilstands-estimering.

Basert på de innhentede resultatene er det klart at estimeringsteknikken presentert av Krog & Jäschke[21], som bruker den skalerte uscented transformasjonen for å estimere kovariansmatrisen Q, ga de mest gunstige resultatene, bestemt ved hjelp av Root Mean Squared Error (RMSE).

This thesis delves into an analysis conducted within the context of a bioprocess model. It involves a comparative investigation of two distinct estimation techniques, namely those proposed Krog & Jäschke[21] and Berry & Saue[8]. These techniques are categorized as model-based and data-driven approaches, respectively. Their primary objective is to eliminate the need for manual tuning of the covariance matrices Q and R, which play a crucial role as essential components of the Kalman filter, and crucial for controlling filter divergence. By enhancing the applicability of the filters, these estimation techniques contribute to improved performance and efficacy in state estimation.

Based on the results gathered, it is evident that the estimation technique presented by Krog & Jäschke[21], which utilizes the scaled unscented transformation to estimate the covariance matrix Q, yielded the most favorable outcomes, as determined by the Root Mean Squared Error (RMSE).