Bislang existieren keine unter Praxisbedingungen einsetzbaren Messmethoden für eine verzögerungsfreie Bestimmung der für die Prozessführung wichtigen Zustandsgrößen in Biogasanlagen. Die Arbeit „Anwendung des erweiterten KALMAN-Filters zur Zustandsbeobachtung in Biogasanlagen“ hat zum Ziel, den Stand der Technik in der Biogaserzeugung dahingehend weiter zu entwickeln, dass mittels einer softwarebasierten Systemlösung die für eine fundierte Einschätzung des Prozesszustands einer Biogasanlage benötigten Zustandsgrößen sowohl im Fermenter als auch im Zulauf bestimmt werden können. Das praktische Interesse besteht insbesondere darin, dass die Bestimmung unter Verwendung von standardmäßig an Biogasanlagen verfügbaren Messsystemen sowie unter den anlagentechnischen Randbedingungen erfolgen kann. Grundlage für eine Systemlösung zur Zustandsbeobachtung in Biogasanlagen ist ein mathematisches Modell, das die relevanten Teilprozesse der Methangärung abbildet und stellvertretend für das Realstoffsystem mit mathematischen Methoden der Prozesszustands- und Parameterschätzung untersucht werden kann. Die entsprechend des Stands der Technik verfügbaren Prozessmodelle zur Beschreibung anaerober biologischer Abbauprozesse ermöglichen die Berechnung der Prozesszustandsgrößen der anaeroben Flüssigphase, sofern die Zusammensetzung des zugeführten Substrats bekannt ist. Diese ist jedoch in technischen Anlagen zur Biogaserzeugung in der Regel unbekannt, da die eingesetzten Substrate den nachwachsenden Rohstoffen sowie den biologischen Rest- und Abfallstoffen zuzuordnen sind, die herkunftsbedingt eine wechselnde Zusammensetzung und Verfügbarkeit aufweisen. Praxistaugliche, verzögerungsfreie Messmethoden für die Substratcharakterisierung stehen derzeit ebenfalls nicht zur Verfügung, so dass diese Modelle bislang nur eingeschränkte praktische Anwendbarkeit aufweisen. Zielstellung der Arbeit ist die Entwicklung einer Systemlösung, die es auf der Grundlage der mathematischen Beschreibung des Prozesses ermöglicht, die Prozesseingangsgrößen (Substratmenge und Substratzusammensetzung) und die Prozesszustandsgrößen (anaerobe Milieubedingungen) aus den Prozessmessgrößen (Gasmenge und Gaszusammensetzung) zu berechnen. Dabei sind unter praktischen Bedingungen auftretende Informationsverluste in den Messdaten infolge Biogasentschwefelung, Gaszwischenspeicherung und Leistungssteuerung des BHKW zu berücksichtigen, die zu keiner Beeinträchtigung der Anwendbarkeit führen dürfen. Mit Messwerten, die im Rahmen von zwei Versuchsreihen am Realstoffsystem bestimmt worden sind, wurde der Prozess der Methangärung für zwei spezielle Anwendungsfälle simuliert und einer Bewertung in Bezug auf die Qualität der Zustandsbeobachtung unterzogen. Die berechneten Verläufe ergaben eine hinreichend genaue Übereinstimmung mit den Verläufen der analytisch bestimmten Prozesszustands- und Prozesseingangsgrößen. Darauf aufbauend können dann Systeme zur Bewertung des Prozesszustands und zur Prozessregelung eingesetzt und zur Optimierung der Prozessführung in Biogasanlagen angewendet werden. / Suitable control of anaerobic digestion for biogas production requires well-founded knowledge about the process states. Standard measurement categories in small and medium scaled biogas plants contain gas analysis (amount and composition) and pH measurement. The actual process and input states of the liquid phase are usually unknown. This work presents a methodology for estimation of the unknown states based on standard measurement equipment. The system solution consists of two parts, a model describing the dynamics of the process and a two-stage identification of process states and model parameters. Within the first stage quadratic differences between simulated and measured values are minimized by the least square method; second stage minimizes the covariance matrix of the estimation error using the extended Kalman filter. Application of the system solution provides an high potential to increase efficiency of biogas production process and utilization of renewable resources.

Kamerabasierte Verfahren zur Steuerung autonomer mobiler Roboter wurden in den letzten Jahren immer populärer. In dieser Arbeit wird der Einsatz eines Stereokamerasystems und eines Mono-Kamera-SLAM Verfahrens hinsichtlich der Unterstützung der Navigation eines autonomen Luftschiffes untersucht. Mit Hilfe von Sensordaten aus IMU, GPS und Kamera wird eine Positionsschätzung über eine Sensorfusion mit Hilfe des Extended und des Unscented Kalman Filters durchgeführt.

Kamerabasierte Verfahren zur Steuerung autonomer mobiler Roboter wurden in den letzten Jahren immer populärer. In dieser Arbeit wird der Einsatz eines Stereokamerasystems und eines Mono-Kamera-SLAM Verfahrens hinsichtlich der Unterstützung der Navigation eines autonomen Luftschiffes untersucht. Mit Hilfe von Sensordaten aus IMU, GPS und Kamera wird eine Positionsschätzung über eine Sensorfusion mit Hilfe des Extended und des Unscented Kalman Filters durchgeführt.

Bislang existieren keine unter Praxisbedingungen einsetzbaren Messmethoden für eine verzögerungsfreie Bestimmung der für die Prozessführung wichtigen Zustandsgrößen in Biogasanlagen. Die Arbeit „Anwendung des erweiterten KALMAN-Filters zur Zustandsbeobachtung in Biogasanlagen“ hat zum Ziel, den Stand der Technik in der Biogaserzeugung dahingehend weiter zu entwickeln, dass mittels einer softwarebasierten Systemlösung die für eine fundierte Einschätzung des Prozesszustands einer Biogasanlage benötigten Zustandsgrößen sowohl im Fermenter als auch im Zulauf bestimmt werden können. Das praktische Interesse besteht insbesondere darin, dass die Bestimmung unter Verwendung von standardmäßig an Biogasanlagen verfügbaren Messsystemen sowie unter den anlagentechnischen Randbedingungen erfolgen kann. Grundlage für eine Systemlösung zur Zustandsbeobachtung in Biogasanlagen ist ein mathematisches Modell, das die relevanten Teilprozesse der Methangärung abbildet und stellvertretend für das Realstoffsystem mit mathematischen Methoden der Prozesszustands- und Parameterschätzung untersucht werden kann. Die entsprechend des Stands der Technik verfügbaren Prozessmodelle zur Beschreibung anaerober biologischer Abbauprozesse ermöglichen die Berechnung der Prozesszustandsgrößen der anaeroben Flüssigphase, sofern die Zusammensetzung des zugeführten Substrats bekannt ist. Diese ist jedoch in technischen Anlagen zur Biogaserzeugung in der Regel unbekannt, da die eingesetzten Substrate den nachwachsenden Rohstoffen sowie den biologischen Rest- und Abfallstoffen zuzuordnen sind, die herkunftsbedingt eine wechselnde Zusammensetzung und Verfügbarkeit aufweisen. Praxistaugliche, verzögerungsfreie Messmethoden für die Substratcharakterisierung stehen derzeit ebenfalls nicht zur Verfügung, so dass diese Modelle bislang nur eingeschränkte praktische Anwendbarkeit aufweisen. Zielstellung der Arbeit ist die Entwicklung einer Systemlösung, die es auf der Grundlage der mathematischen Beschreibung des Prozesses ermöglicht, die Prozesseingangsgrößen (Substratmenge und Substratzusammensetzung) und die Prozesszustandsgrößen (anaerobe Milieubedingungen) aus den Prozessmessgrößen (Gasmenge und Gaszusammensetzung) zu berechnen. Dabei sind unter praktischen Bedingungen auftretende Informationsverluste in den Messdaten infolge Biogasentschwefelung, Gaszwischenspeicherung und Leistungssteuerung des BHKW zu berücksichtigen, die zu keiner Beeinträchtigung der Anwendbarkeit führen dürfen. Mit Messwerten, die im Rahmen von zwei Versuchsreihen am Realstoffsystem bestimmt worden sind, wurde der Prozess der Methangärung für zwei spezielle Anwendungsfälle simuliert und einer Bewertung in Bezug auf die Qualität der Zustandsbeobachtung unterzogen. Die berechneten Verläufe ergaben eine hinreichend genaue Übereinstimmung mit den Verläufen der analytisch bestimmten Prozesszustands- und Prozesseingangsgrößen. Darauf aufbauend können dann Systeme zur Bewertung des Prozesszustands und zur Prozessregelung eingesetzt und zur Optimierung der Prozessführung in Biogasanlagen angewendet werden. / Suitable control of anaerobic digestion for biogas production requires well-founded knowledge about the process states. Standard measurement categories in small and medium scaled biogas plants contain gas analysis (amount and composition) and pH measurement. The actual process and input states of the liquid phase are usually unknown. This work presents a methodology for estimation of the unknown states based on standard measurement equipment. The system solution consists of two parts, a model describing the dynamics of the process and a two-stage identification of process states and model parameters. Within the first stage quadratic differences between simulated and measured values are minimized by the least square method; second stage minimizes the covariance matrix of the estimation error using the extended Kalman filter. Application of the system solution provides an high potential to increase efficiency of biogas production process and utilization of renewable resources.

Eine Voraussetzung um einen Flugregler für Flugroboter zu realisieren, ist die Wahrnehmung der Bewegungen dieses Roboters. Diese Arbeit beschreibt einen Ansatz zur Schätzung der Bewegung eines autonomen Flugroboters unter Verwendung relativ einfacher, leichter und kostengünstiger Sensoren. Mittels eines Erweiterten Kalman Filters werden Beschleunigungssensoren, Gyroskope, ein Ultraschallsensor, sowie ein Sensor zu Messung des optischen Flusses zu einer robusten Bewegungsschätzung kombiniert. Dabei wurden die einzelnen Sensoren hinsichtlich der Eigenschaften experimentell untersucht, welche für die anschließende Erstellung des Filters relevant sind. Am Ende werden die Resultate des Filters mit den Ergebnissen einer Simulation und eines externen Tracking-Systems verglichen.

Eine Voraussetzung um einen Flugregler für Flugroboter zu realisieren, ist die Wahrnehmung der Bewegungen dieses Roboters. Diese Arbeit beschreibt einen Ansatz zur Schätzung der Bewegung eines autonomen Flugroboters unter Verwendung relativ einfacher, leichter und kostengünstiger Sensoren. Mittels eines Erweiterten Kalman Filters werden Beschleunigungssensoren, Gyroskope, ein Ultraschallsensor, sowie ein Sensor zu Messung des optischen Flusses zu einer robusten Bewegungsschätzung kombiniert. Dabei wurden die einzelnen Sensoren hinsichtlich der Eigenschaften experimentell untersucht, welche für die anschließende Erstellung des Filters relevant sind. Am Ende werden die Resultate des Filters mit den Ergebnissen einer Simulation und eines externen Tracking-Systems verglichen.

Ziel der vorliegenden Arbeit ist die Entwicklung eines Verfahrens zur automatisierten Integration funkbasierter drahtloser Sensornetze (engl. Wireless Sensor Network, kurz WSN) in die jeweilige Anwendungsumgebung. Die Sensornetze realisieren dort neben Kommunikationsaufgaben vor allem die Bestimmung von Ortsinformationen. Das Betriebshofmanagement im ÖPNV stellt dabei eine typische Anwendung dar. So wird auf der Grundlage permanent verfügbarer Positionskoordinaten von Bussen und Bahnen als mobile Objekte im Verkehrsumfeld eine effizientere Betriebsführung ermöglicht. Die Datenbasis in dieser Arbeit bilden zum einen geometrische Beziehungen im Sensornetz, die aus Gründen der Verfügbarkeit lediglich durch paarweise Distanzen zwischen den mobilen Objekten und den im Umfeld fest installierten Ankern beschrieben sind. Zum anderen kann auf vorhandenes digitales Kartenmaterial in Form von Vektor- und Rasterkarten bspw. von GIS-Diensten zurückgegriffen werden. Die Argumente für eine Automatisierung sind naheliegend. Einerseits soll der Aufwand der Positionskalibrierung nicht mit der Anzahl verbauter Anker skalieren, was sich ausschließlich automatisiert realisieren lässt. Dadurch werden gleichzeitig symptomatische Fehlerquellen, die aus einer manuellen Systemintegration resultieren, eliminiert. Andererseits soll die Automatisierung ein echtzeitfähiges Betreiben (z.B. Rekalibrierung und Fernwartung) gewährleisten, sodass kostenintensive Wartungs- und Servicedienstleistungen entfallen. Das entwickelte Verfahren generiert zunächst aus den Sensordaten mittels distanzbasierter simultaner Lokalisierung und Kartenerstellung (engl. Range-Only Simultaneous Localization and Mapping, kurz RO-SLAM) relative Positionsinformationen für Anker und mobile Objekte. Anschließend führt das Verfahren diese Informationen im Rahmen einer kooperativen Kartenerstellung zusammen. Aus den relativen, kooperativen Ergebnissen und dem zugrundeliegenden Kartenmaterial wird schließlich ein anwendungsspezifischer absoluter Raumbezug hergestellt. Die Ergebnisse der durchgeführten Verfahrensevaluation belegen anhand generierter semi-realer Sensordaten sowie definierter Testszenarien die Funktions- und Leistungsfähigkeit des entwickelten Verfahrens. Sie beinhalten qualifizierende Aussagen und zeigen darüber hinaus statistisch belastbare Genauigkeitsgrenzen auf.:Abbildungsverzeichnis...............................................X Tabellenverzeichnis...............................................XII Abkürzungsverzeichnis............................................XIII Symbolverzeichnis................................................XVII 1 Einleitung........................................................1 1.1 Stand der Technik...............................................3 1.2 Entwickeltes Verfahren im Überblick.............................4 1.3 Wissenschaftlicher Beitrag......................................7 1.4 Gliederung der Arbeit...........................................8 2 Grundlagen zur Verfahrensumsetzung...............................10 2.1 Überblick zu funkbasierten Sensornetzen........................10 2.1.1 Aufbau und Netzwerk..........................................11 2.1.2 System- und Technologiemerkmale..............................12 2.1.3 Selbstorganisation...........................................13 2.1.4 Räumliche Beziehungen........................................14 2.2 Umgebungsrepräsentation........................................18 2.2.1 Koordinatenbeschreibung......................................19 2.2.2 Kartentypen..................................................20 2.3 Lokalisierung..................................................22 2.3.1 Positionierung...............................................23 2.3.2 Tracking.....................................................28 2.3.3 Koordinatentransformation....................................29 3 Zustandsschätzung dynamischer Systeme............................37 3.1 Probabilistischer Ansatz.......................................38 3.1.1 Satz von Bayes...............................................39 3.1.2 Markov-Kette.................................................40 3.1.3 Hidden Markov Model..........................................42 3.1.4 Dynamische Bayes‘sche Netze..................................43 3.2 Bayes-Filter...................................................45 3.2.1 Extended Kalman-Filter.......................................48 3.2.2 Histogramm-Filter............................................51 3.2.3 Partikel-Filter..............................................52 3.3 Markov Lokalisierung...........................................58 4 Simultane Lokalisierung und Kartenerstellung.....................61 4.1 Überblick......................................................62 4.1.1 Objektbeschreibung...........................................63 4.1.2 Umgebungskarte...............................................65 4.1.3 Schließen von Schleifen......................................70 4.2 Numerische Darstellung.........................................72 4.2.1 Formulierung als Bayes-Filter................................72 4.2.2 Diskretisierung des Zustandsraums............................74 4.2.3 Verwendung von Hypothesen....................................74 4.3 Initialisierung des Range-Only SLAM............................75 4.3.1 Verzögerte und unverzögerte Initialisierung..................75 4.3.2 Initialisierungsansätze......................................76 4.4 SLAM-Verfahren.................................................80 4.4.1 Extended Kalman-Filter-SLAM..................................81 4.4.2 Incremental Maximum Likelihood-SLAM..........................90 4.4.3 FastSLAM.....................................................99 5 Kooperative Kartenerstellung....................................107 5.1 Aufbereitung der Ankerkartierungsergebnisse...................108 5.2 Ankerkarten-Merging-Verfahren.................................110 5.2.1 Auflösen von Mehrdeutigkeiten...............................110 5.2.2 Erstellung einer gemeinsamen Ankerkarte.....................115 6 Herstellung eines absoluten Raumbezugs..........................117 6.1 Aufbereitung der Lokalisierungsergebnisse.....................117 6.1.1 Generierung von Geraden.....................................119 6.1.2 Generierung eines Graphen...................................122 6.2 Daten-Matching-Verfahren......................................123 6.2.1 Vektorbasierte Karteninformationen..........................125 6.2.2 Rasterbasierte Karteninformationen..........................129 7 Verfahrensevaluation............................................133 7.1 Methodischer Ansatz...........................................133 7.2 Datenbasis....................................................135 7.2.1 Sensordaten.................................................137 7.2.2 Digitales Kartenmaterial....................................143 7.3 Definition von Testszenarien..................................145 7.4 Bewertung.....................................................147 7.4.1 SLAM-Verfahren..............................................148 7.4.2 Ankerkarten-Merging-Verfahren...............................151 7.4.3 Daten-Matching-Verfahren....................................152 8 Zusammenfassung und Ausblick....................................163 8.1 Ergebnisse der Arbeit.........................................164 8.2 Ausblick......................................................165 Literaturverzeichnis..............................................166 A Ergänzungen zum entwickelten Verfahren..........................A-1 A.1 Generierung von Bewegungsinformationen........................A-1 A.2 Erweiterung des FastSLAM-Verfahrens...........................A-2 A.3 Ablauf des konzipierten Greedy-Algorithmus....................A-4 A.4 Lagewinkel der Kanten in einer Rastergrafik...................A-5 B Ergänzungen zur Verfahrensevaluation............................A-9 B.1 Geschwindigkeitsprofile der simulierten Objekttrajektorien....A-9 B.2 Gesamtes SLAM-Ergebnis eines Testszenarios....................A-9 B.3 Statistische Repräsentativität...............................A-10 B.4 Gesamtes Ankerkarten-Merging-Ergebnis eines Testszenarios....A-11 B.5 Gesamtes Daten-Matching-Ergebnis eines Testszenarios.........A-18 B.6 Qualitative Ergebnisbewertung................................A-18 B.7 Divergenz des Gesamtverfahrens...............................A-18 / The aim of this work is the development of a method for the automated integration of Wireless Sensor Networks (WSN) into the respective application environment. The sensor networks realize there beside communication tasks above all the determination of location information. Therefore, the depot management in public transport is a typical application. Based on permanently available position coordinates of buses and trams as mobile objects in the traffic environment, a more efficient operational management is made possible. The database in this work is formed on the one hand by geometric relationships in the sensor network, which for reasons of availability are only described by pairwise distances between the mobile objects and the anchors permanently installed in the environment. On the other hand, existing digital map material in the form of vector and raster maps, e.g. obtained by GIS services, is used. The arguments for automation are obvious. First, the effort of position calibration should not scale with the number of anchors installed, which can only be automated. This at once eliminates symptomatic sources of error resulting from manual system integration. Secondly, automation should ensure real-time operation (e.g. recalibration and remote maintenance), eliminating costly maintenance and service. Initially, the developed method estimates relative position information for anchors and mobile objects from the sensor data by means of Range-Only Simultaneous Localization and Mapping (RO-SLAM). The method then merges this information within a cooperative map creation. From the relative, cooperative results and the available map material finally an application-specific absolute spatial outcome is generated. Based on semi-real sensor data and defined test scenarios, the results of the realized method evaluation demonstrate the functionality and performance of the developed method. They contain qualifying statements and also show statistically reliable limits of accuracy.:Abbildungsverzeichnis...............................................X Tabellenverzeichnis...............................................XII Abkürzungsverzeichnis............................................XIII Symbolverzeichnis................................................XVII 1 Einleitung........................................................1 1.1 Stand der Technik...............................................3 1.2 Entwickeltes Verfahren im Überblick.............................4 1.3 Wissenschaftlicher Beitrag......................................7 1.4 Gliederung der Arbeit...........................................8 2 Grundlagen zur Verfahrensumsetzung...............................10 2.1 Überblick zu funkbasierten Sensornetzen........................10 2.1.1 Aufbau und Netzwerk..........................................11 2.1.2 System- und Technologiemerkmale..............................12 2.1.3 Selbstorganisation...........................................13 2.1.4 Räumliche Beziehungen........................................14 2.2 Umgebungsrepräsentation........................................18 2.2.1 Koordinatenbeschreibung......................................19 2.2.2 Kartentypen..................................................20 2.3 Lokalisierung..................................................22 2.3.1 Positionierung...............................................23 2.3.2 Tracking.....................................................28 2.3.3 Koordinatentransformation....................................29 3 Zustandsschätzung dynamischer Systeme............................37 3.1 Probabilistischer Ansatz.......................................38 3.1.1 Satz von Bayes...............................................39 3.1.2 Markov-Kette.................................................40 3.1.3 Hidden Markov Model..........................................42 3.1.4 Dynamische Bayes‘sche Netze..................................43 3.2 Bayes-Filter...................................................45 3.2.1 Extended Kalman-Filter.......................................48 3.2.2 Histogramm-Filter............................................51 3.2.3 Partikel-Filter..............................................52 3.3 Markov Lokalisierung...........................................58 4 Simultane Lokalisierung und Kartenerstellung.....................61 4.1 Überblick......................................................62 4.1.1 Objektbeschreibung...........................................63 4.1.2 Umgebungskarte...............................................65 4.1.3 Schließen von Schleifen......................................70 4.2 Numerische Darstellung.........................................72 4.2.1 Formulierung als Bayes-Filter................................72 4.2.2 Diskretisierung des Zustandsraums............................74 4.2.3 Verwendung von Hypothesen....................................74 4.3 Initialisierung des Range-Only SLAM............................75 4.3.1 Verzögerte und unverzögerte Initialisierung..................75 4.3.2 Initialisierungsansätze......................................76 4.4 SLAM-Verfahren.................................................80 4.4.1 Extended Kalman-Filter-SLAM..................................81 4.4.2 Incremental Maximum Likelihood-SLAM..........................90 4.4.3 FastSLAM.....................................................99 5 Kooperative Kartenerstellung....................................107 5.1 Aufbereitung der Ankerkartierungsergebnisse...................108 5.2 Ankerkarten-Merging-Verfahren.................................110 5.2.1 Auflösen von Mehrdeutigkeiten...............................110 5.2.2 Erstellung einer gemeinsamen Ankerkarte.....................115 6 Herstellung eines absoluten Raumbezugs..........................117 6.1 Aufbereitung der Lokalisierungsergebnisse.....................117 6.1.1 Generierung von Geraden.....................................119 6.1.2 Generierung eines Graphen...................................122 6.2 Daten-Matching-Verfahren......................................123 6.2.1 Vektorbasierte Karteninformationen..........................125 6.2.2 Rasterbasierte Karteninformationen..........................129 7 Verfahrensevaluation............................................133 7.1 Methodischer Ansatz...........................................133 7.2 Datenbasis....................................................135 7.2.1 Sensordaten.................................................137 7.2.2 Digitales Kartenmaterial....................................143 7.3 Definition von Testszenarien..................................145 7.4 Bewertung.....................................................147 7.4.1 SLAM-Verfahren..............................................148 7.4.2 Ankerkarten-Merging-Verfahren...............................151 7.4.3 Daten-Matching-Verfahren....................................152 8 Zusammenfassung und Ausblick....................................163 8.1 Ergebnisse der Arbeit.........................................164 8.2 Ausblick......................................................165 Literaturverzeichnis..............................................166 A Ergänzungen zum entwickelten Verfahren..........................A-1 A.1 Generierung von Bewegungsinformationen........................A-1 A.2 Erweiterung des FastSLAM-Verfahrens...........................A-2 A.3 Ablauf des konzipierten Greedy-Algorithmus....................A-4 A.4 Lagewinkel der Kanten in einer Rastergrafik...................A-5 B Ergänzungen zur Verfahrensevaluation............................A-9 B.1 Geschwindigkeitsprofile der simulierten Objekttrajektorien....A-9 B.2 Gesamtes SLAM-Ergebnis eines Testszenarios....................A-9 B.3 Statistische Repräsentativität...............................A-10 B.4 Gesamtes Ankerkarten-Merging-Ergebnis eines Testszenarios....A-11 B.5 Gesamtes Daten-Matching-Ergebnis eines Testszenarios.........A-18 B.6 Qualitative Ergebnisbewertung................................A-18 B.7 Divergenz des Gesamtverfahrens...............................A-18