Cómo implementar un filtro de Kalman 1D en texto estructurado para datos de sensores con ruido

Un filtro de Kalman 1D en texto estructurado IEC 61131-3 estima el valor real del proceso a partir de datos de sensores ruidosos mediante la actualización del estado, la ganancia y la covarianza en cada ciclo de escaneo. En comparación con un filtro paso bajo estándar, puede reducir la varianza preservando un seguimiento más rápido, lo cual es crucial cuando los lazos PID, las alarmas o los enclavamientos no pueden tolerar un retardo de fase evitable.

Los datos de proceso ruidosos no son un inconveniente de programación; son un problema de control. Los sensores de nivel ultrasónicos, las celdas de carga, los transmisores de presión y los medidores de flujo producen ruido de medición en condiciones normales de planta, ya que la vibración, la EMI, la turbulencia, el aire atrapado y las realidades del montaje no desaparecen amablemente por el bien de una tendencia limpia.

Métrica de Ampergon Vallis: En pruebas de banco dentro del simulador de señales de OLLA Lab, un filtro de retardo de primer orden aplicado a una señal de nivel ruidosa produjo aproximadamente 400 ms de retardo de respuesta, mientras que un filtro de Kalman 1D implementado en texto estructurado siguió la misma forma de onda subyacente con unos 45 ms de retardo con una suavidad visual comparable. Metodología: 12 pruebas simuladas, tarea de seguimiento de nivel con un solo sensor, comparador de referencia de retardo de primer orden, ventana de banco 3/2026. Esto respalda la afirmación práctica de que la estimación predictiva puede preservar la capacidad de respuesta mejor que el suavizado simple en esta condición de prueba. No demuestra una superioridad universal en todos los sensores, tiempos de escaneo o elecciones de ajuste.

El punto de ingeniería es simple: si su lazo PID está persiguiendo ruido, un filtro paso bajo puede calmar la tendencia mientras degrada silenciosamente la respuesta de control. Las válvulas y los amortiguadores suelen notarlo antes de que se haga evidente en la operación.

El texto estructurado (ST) es el lenguaje IEC 61131-3 correcto para esta clase de algoritmo porque el filtrado de Kalman es matemática iterativa con estado retenido, no lógica de enclavamiento centrada en peldaños. Puede forzar las ecuaciones en un diagrama de contactos (LD), pero "posible" no es lo mismo que "sensato".

El texto estructurado se ajusta mejor al algoritmo por tres razones

- Claridad de ejecución: El ST expresa las operaciones algebraicas directamente. La secuencia de predicción-actualización se lee en el mismo orden que las ecuaciones subyacentes.

- Retención de estado: Un filtro de Kalman debe llevar los valores de estimación anteriores de un escaneo al siguiente, incluyendo la covarianza previa y la estimación de estado anterior. El ST maneja esto naturalmente con variables retenidas.

- Auditabilidad: En LD, el mismo filtro a menudo se convierte en una cadena de bloques `ADD`, `SUB`, `MUL` y `DIV` dispersos en múltiples redes. Eso es más difícil de revisar, más difícil de mantener y más fácil de romper durante las ediciones.

- Disciplina del ciclo de escaneo: La matemática compleja de punto flotante en LD puede aumentar la sobrecarga visual y de ejecución. El problema no es que los PLC no puedan hacer matemáticas; pueden. El problema es que LD es un lugar pobre para ocultar un método numérico pequeño.

La distinción práctica es sintaxis frente a capacidad de despliegue

La lógica de contactos es excelente para permisivos, secuencias, enclavamientos y visibilidad de control discreto. No es el mejor medio para la estimación numérica compacta. Un filtro de Kalman 1D es pequeño, pero sigue siendo un estimador de estado. Trátelo como tal.

Por qué esto importa para el riesgo de puesta en marcha

El ST personalizado en un controlador activo introduce modos de fallo reales. Los lazos mal acotados, la inicialización incorrecta, las condiciones de división por casi cero o los errores de lógica simples pueden activar fallos de vigilancia (watchdog) o comportamientos inestables dependiendo de la plataforma y la implementación. OLLA Lab es útil aquí como un entorno de validación acotado: los ingenieros pueden compilar, simular, inyectar ruido y ajustar parámetros antes del despliegue en campo, donde los errores son menos educativos y más costosos.

Un filtro de Kalman 1D estima un estado escalar único a partir de mediciones ruidosas repitiendo una fase de predicción y una fase de actualización en cada escaneo. En términos de PLC, es un estimador recursivo que decide cuánto confiar en el modelo frente al valor del sensor entrante.

Variables principales

El valor filtrado que desea utilizar aguas abajo.

• X — Estimación de estado actual

La estimación retenida del escaneo anterior.

• X_prev — Estimación de estado anterior

Una medida de incertidumbre en la estimación actual.

• P — Covarianza del error de estimación

La covarianza retenida del escaneo anterior.

• P_prev — Covarianza del error de estimación anterior

La incertidumbre asumida en el sistema mismo. Un `Q` más alto hace que el filtro responda más rápido al cambio.

• Q — Covarianza del ruido del proceso

La incertidumbre asumida en la medición del sensor. Un `R` más alto hace que el filtro confíe menos en el sensor.

• R — Covarianza del ruido de medición

El factor de ponderación dinámica entre la predicción y la medición.

• K — Ganancia de Kalman

La variable de proceso ruidosa que entra en el filtro.

• Raw_Input — Valor del sensor medido

Ecuaciones de predicción y actualización

Para la forma 1D más simple, donde se asume que el estado persiste entre escaneos sin un modelo de movimiento más detallado:

Fase de predicción

• `P = P_prev + Q`

Fase de actualización

• `K = P / (P + R)`
• `X = X_prev + K * (Raw_Input - X_prev)`
• `P_prev = (1 - K) * P`
• `X_prev = X`

Significado operativo de Q y R

El comportamiento de ajuste se rige principalmente por `Q` y `R`.

• Aumente Q cuando el proceso subyacente pueda cambiar rápidamente y el estimador deba adaptarse más rápido.
• Aumente R cuando el sensor sea ruidoso y el estimador deba confiar menos en las mediciones.
• Si Q es demasiado bajo, el filtro se vuelve lento.
• Si R es demasiado bajo, el filtro sigue el ruido con demasiada avidez.
• Si ambos se adivinan mal, el resultado sigue siendo un filtro, solo que no uno útil. La matemática no es un sustituto para la comprensión del proceso.

Una implementación mínima requiere variables retenidas, inicialización explícita y una ruta de ejecución por escaneo. El código a continuación es intencionalmente simple y adecuado para su adaptación en un bloque de función o sección de programa cíclico.

### Ejemplo: Filtro de Kalman 1D en texto estructurado

Ejemplo de texto estructurado:

VAR Raw_Input : REAL; // Entrada del sensor con ruido Filtered_Output : REAL; // Resultado filtrado

X : REAL; // Estimación de estado actual X_prev : REAL := 0.0; // Estimación de estado anterior

P : REAL; // Covarianza de error actual P_prev : REAL := 1.0; // Covarianza de error anterior

Q : REAL := 0.01; // Covarianza de ruido del proceso R : REAL := 0.10; // Covarianza de ruido de medición

K : REAL; // Ganancia de Kalman

InitDone : BOOL := FALSE; END_VAR

// Inicialización única IF NOT InitDone THEN X_prev := Raw_Input; P_prev := 1.0; InitDone := TRUE; END_IF;

// Fase de predicción P := P_prev + Q;

// Fase de actualización K := P / (P + R); X := X_prev + K * (Raw_Input - X_prev);

// Almacenar para el siguiente escaneo P_prev := (1.0 - K) * P; X_prev := X;

// Salida Filtered_Output := X;

Notas de implementación importantes en un PLC real

• Inicialice a partir de la primera medición en vivo en lugar de cero cuando sea posible. Esto evita un transitorio de arranque innecesario.
• Retenga solo lo que el algoritmo necesita. En esta forma simple, eso es principalmente `X_prev` y `P_prev`.
• Utilice tipos de punto flotante apropiados para la plataforma. Algunos PLC tratan `REAL` y `LREAL` de manera lo suficientemente diferente como para importar en la estabilidad del ajuste.
• Evite la reinicialización oculta. Si `InitDone` se restablece inesperadamente, el filtro parecerá "saltar" al reiniciar.
• Mantenga la ejecución determinista. El filtro debe ejecutarse una vez por escaneo o una vez por tarea programada, no de forma oportunista.

Cuándo envolver esto en un bloque de función

Un bloque de función es preferible cuando necesita:

• múltiples instancias para diferentes sensores,
• encapsulación explícita del estado,
• comportamiento de inicialización estandarizado,
• reutilización más limpia en todos los proyectos.

Ese suele ser el patrón de producción correcto. La versión en línea sigue siendo útil para la comprensión y la validación en banco.

La prueba es la diferencia entre escribir código y validar el comportamiento. OLLA Lab es relevante aquí porque proporciona un entorno basado en navegador para ensayar la parte arriesgada: probar el filtro bajo condiciones ruidosas, cambiantes y similares a fallos antes de que toque un proceso en vivo.

Defina "listo para la simulación" correctamente

Listo para la simulación no significa "capaz de escribir sintaxis de PLC de memoria". Significa que un ingeniero puede probar, observar, diagnosticar y endurecer la lógica de control frente al comportamiento real del proceso antes de que llegue a un sistema en vivo. Eso incluye observar E/S, comparar el estado de la lógica de contactos o ST frente al estado del equipo simulado, inyectar condiciones anormales y revisar la lógica después de un caso de fallo.

Ese es un estándar más estricto que completar un tutorial. También está más cerca de la puesta en marcha real.

Un flujo de trabajo de prueba práctico en OLLA Lab

• Abra el panel de variables.
• Asigne `Raw_Input` a una fuente analógica simulada en el simulador de señales.

• Utilice un perfil analógico de tipo seno lento, rampa o escalón para representar un valor de proceso cambiante, como el nivel del tanque, la presión o el flujo.

• Superponga ruido en la señal base para simular vibración, turbulencia o interferencia eléctrica.
• Comience con ruido moderado, luego aumente la amplitud para probar la robustez del estimador.

• Analice `Raw_Input` y `Filtered_Output` juntos.
• Observe si la señal filtrada suprime el ruido sin quedarse materialmente atrás de la forma de onda subyacente.

• Aumente `R` si el filtro sigue el ruido demasiado de cerca.
• Aumente `Q` si el filtro es demasiado lento para seguir el movimiento genuino del proceso.

• Introduzca cambios de escalón, picos o inversiones repentinas del proceso.
• Confirme que el estimador se recupera limpiamente y no desestabiliza la lógica aguas abajo.

1. Vincular la señal cruda
2. Aplicar una forma de onda base
3. Inyectar ruido de medición
4. Observar la respuesta filtrada
5. Ajustar Q y R en vivo
6. Probar transiciones anormales

Qué hace y qué no hace OLLA Lab aquí

OLLA Lab es un entorno de validación y ensayo para tareas de puesta en marcha de alto riesgo. En este contexto, permite a los ingenieros probar la lógica ST, inspeccionar el comportamiento de las variables y comparar la respuesta del proceso simulado frente a la salida del algoritmo sin arriesgar un controlador físico o una planta en vivo. No es un sustituto para la aceptación en sitio, la verificación de lazos, la validación de seguridad o la capacitación de operadores en el activo real. Esos límites importan.

Un filtro paso bajo suprime la variación de alta frecuencia suavizando la señal a lo largo del tiempo. Un filtro de Kalman 1D estima el estado real más probable equilibrando la incertidumbre de la estimación previa frente a la incertidumbre de la medición. El primero es un suavizado directo; el segundo es una estimación recursiva.

Comparación práctica

| Criterio | Retardo de primer orden / Filtro paso bajo | Filtro de Kalman 1D | |---|---|---| | Método principal | Suavizado basado en el tiempo | Estimación de estado predictiva | | Términos de ajuste principales | Constante de tiempo / coeficiente de filtro | Ruido de proceso `Q`, ruido de medición `R` | | Respuesta al ruido | Buena | Buena | | Retardo de respuesta | A menudo significativo | A menudo menor cuando está bien ajustado | | Conciencia del modelo | Mínima | Ponderación de incertidumbre explícita | | Complejidad de implementación en PLC | Baja | Moderada | | Mejor caso de uso | Aplicaciones simples donde el retardo es aceptable | Mediciones ruidosas donde la capacidad de respuesta importa |

La consecuencia en el control no es sutil

Si un filtro paso bajo añade suficiente retardo de fase, el lazo puede parecer más tranquilo en la tendencia mientras funciona peor en la operación. Esa es la trampa. Una tendencia que halaga la vista aún puede castigar al actuador.

Una afirmación de ingeniería acotada

Un filtro de Kalman 1D no es automáticamente mejor que un filtro paso bajo. Es más adecuado cuando:

• el ruido del sensor es material,
• la respuesta del proceso importa,
• la lógica PID o de alarma aguas abajo es sensible al retardo,
• y el ingeniero puede ajustar `Q` y `R` con cierta disciplina.

Si la aplicación es lenta, permisiva y no crítica, un filtro paso bajo simple puede ser totalmente adecuado. La complejidad debe ganarse su lugar.

Las capturas de pantalla no son evidencia de ingeniería por sí mismas. Son recuerdos a menos que estén vinculadas a una definición de prueba.

Al documentar la validación del filtro, cree un cuerpo de evidencia compacto utilizando esta estructura:

1. Descripción del sistema Defina el activo simulado, el tipo de sensor, la variable de proceso, el contexto de escaneo y la relevancia del control aguas abajo.
2. Definición operativa de "correcto" Establezca qué significa el éxito en términos observables, como varianza reducida, retardo de seguimiento aceptable, comportamiento PID estable o reducción de falsas alarmas.
3. Lógica de contactos y estado del equipo simulado Registre el contexto de la lógica de control y el comportamiento del proceso simulado en el momento de la prueba.
4. El caso de fallo inyectado Especifique el perfil de ruido, la condición de pico, la caída o la perturbación introducida.
5. La revisión realizada Documente los cambios de parámetros, cambios de código o cambios de inicialización aplicados.
6. Lecciones aprendidas Capture qué suposición de ajuste se mantuvo, qué falló y qué debe verificarse antes del despliegue.

Este es el tipo de evidencia que sobrevive a la revisión. Una galería de capturas de pantalla rara vez lo hace.

El filtrado no es una declaración de seguridad funcional por sí mismo, pero la calidad de la implementación se sitúa dentro de una disciplina más amplia de corrección de software, validación y rendimiento de control. Los estándares y la literatura relevantes ayudan a enmarcar cómo se ve una buena ingeniería.

Contexto de los estándares

• IEC 61131-3 rige los lenguajes de programación de PLC, incluidos el texto estructurado y el diagrama de contactos. Es el marco de lenguaje relevante para la forma de implementación.
• IEC 61508 es relevante cuando el comportamiento del software afecta a los sistemas relacionados con la seguridad o al rigor del ciclo de vida. No "aprueba" un filtro de Kalman, pero agudiza las expectativas en torno a la verificación, la trazabilidad y la integridad del software.
• La orientación de organizaciones como exida es útil al discutir la disciplina de validación, el comportamiento ante fallos y la separación entre la conveniencia del control y la función de seguridad.

Contexto de la literatura

La literatura reciente sobre control de procesos, fusión de sensores y simulación digital generalmente respalda algunas conclusiones acotadas:

• las mediciones industriales se corrompen rutinariamente por ruido y perturbaciones;
• las opciones de filtrado afectan tanto a la calidad de la señal como a la capacidad de respuesta del control;
• los entornos de simulación y gemelos digitales pueden mejorar la validación previa al despliegue cuando se utilizan para probar el comportamiento observable en lugar de simplemente demostrar gráficos;
• la programación asistida por IA puede acelerar la redacción, pero la revisión determinista sigue siendo esencial.

Ese último punto merece un lenguaje sencillo: el código generado sigue siendo su problema una vez que llega a un controlador.

Un filtro de Kalman 1D es útil en el trabajo con PLC porque aborda un problema real de planta: mediciones ruidosas que no pueden suavizarse con un retardo pesado sin degradar la calidad del control. El texto estructurado es el medio de implementación correcto para este algoritmo porque el método depende del estado retenido y de expresiones numéricas compactas. OLLA Lab se vuelve operativamente útil en la etapa de validación, donde los ingenieros necesitan inyectar ruido, analizar la respuesta, ajustar `Q` y `R`, y endurecer la lógica antes del despliegue.

La distinción que vale la pena mantener es simple: el filtrado no se trata solo de hacer que una tendencia se vea más limpia; se trata de preservar la calidad de la decisión bajo ruido. En el control de procesos, esa diferencia llega al actuador rápidamente.

- IEC 61131-3: Controladores programables — Parte 3 - Familia de estándares de seguridad funcional IEC 61508 - Recursos de seguridad funcional y validación de exida - Recomendación de señalización de estado NAMUR NE 107 - Gemelo digital en la industria: estado del arte (DOI)