Come implementare un filtro di Kalman 1D in Structured Text per dati di sensori rumorosi

Un filtro di Kalman 1D in Structured Text IEC 61131-3 stima il valore reale di processo a partire da dati di sensori rumorosi, aggiornando stato, guadagno e covarianza a ogni scansione. Rispetto a un filtro passa-basso standard, può ridurre la varianza preservando un tracciamento più rapido, aspetto fondamentale quando i loop PID, gli allarmi o gli interblocchi non possono tollerare ritardi di fase evitabili.

I dati di processo rumorosi non sono un inconveniente di programmazione; sono un problema di controllo. Sensori di livello a ultrasuoni, celle di carico, trasmettitori di pressione e misuratori di portata producono tutti rumore di misura in condizioni operative ordinarie, poiché vibrazioni, EMI, turbolenze, aria trascinata e realtà di installazione non scompaiono per favorire un trend pulito.

Metrica Ampergon Vallis: Nei test di banco all'interno del simulatore di segnali di OLLA Lab, un filtro a ritardo del primo ordine applicato a un segnale di livello rumoroso ha prodotto circa 400 ms di ritardo di risposta, mentre un filtro di Kalman 1D implementato in Structured Text ha tracciato la stessa forma d'onda sottostante con circa 45 ms di ritardo, a parità di fluidità visiva. Metodologia: 12 cicli di test simulati, attività di tracciamento di livello a sensore singolo, comparatore di base a ritardo del primo ordine, finestra di banco 3/2026. Ciò supporta la tesi pratica che la stima predittiva possa preservare la reattività meglio di un semplice livellamento in questa condizione di test. Non dimostra una superiorità universale su tutti i sensori, tempi di scansione o scelte di tuning.

Il punto ingegneristico è semplice: se il tuo loop PID insegue il rumore, un filtro passa-basso potrebbe calmare il trend degradando silenziosamente la risposta del controllo. Valvole e serrande solitamente se ne accorgono prima che lo faccia il personale in riunione.

Lo Structured Text è il linguaggio IEC 61131-3 corretto per questa classe di algoritmi, poiché il filtraggio di Kalman è matematica iterativa con stato conservato, non una logica di interblocco basata su rung. È possibile forzare le equazioni in Ladder Diagram, ma "possibile" non è sinonimo di "sensato".

Lo Structured Text si adatta all'algoritmo in modo più pulito per tre ragioni

- Chiarezza di esecuzione: Lo ST esprime le operazioni algebriche direttamente. La sequenza predizione-aggiornamento si legge nello stesso ordine delle equazioni sottostanti.

- Conservazione dello stato: Un filtro di Kalman deve trasportare i valori di stima precedenti da una scansione all'altra, inclusi la covarianza precedente e la stima dello stato precedente. Lo ST gestisce questo aspetto naturalmente con le variabili ritentive.

- Auditabilità: In LD, lo stesso filtro diventa spesso una catena di blocchi `ADD`, `SUB`, `MUL` e `DIV` distribuiti su più network. Questo è più difficile da revisionare, più difficile da mantenere e più facile da rompere durante le modifiche.

- Disciplina del ciclo di scansione: La matematica complessa in virgola mobile in LD può aumentare l'overhead visivo ed esecutivo. Il problema non è che i PLC non possano fare matematica; possono farlo. Il problema è che il LD è un luogo inadatto in cui nascondere un piccolo metodo numerico.

La distinzione pratica è tra sintassi e implementabilità

La Ladder Logic è eccellente per permissivi, sequenze, interblocchi e visibilità del controllo discreto. Non è il mezzo migliore per la stima numerica compatta. Un filtro di Kalman 1D è piccolo, ma rimane uno stimatore di stato. Trattalo come tale.

Perché questo è importante per il rischio di commissioning

Lo ST personalizzato su un controllore attivo introduce reali modalità di guasto. Loop mal delimitati, inizializzazioni errate, condizioni di divisione per quasi-zero o semplici errori logici possono innescare fault del watchdog o comportamenti instabili a seconda della piattaforma e dell'implementazione. OLLA Lab è utile qui come ambiente di validazione delimitato: gli ingegneri possono compilare, simulare, iniettare rumore e regolare i parametri prima dell'implementazione sul campo, dove gli errori sono meno istruttivi e più costosi.

Un filtro di Kalman 1D stima un singolo stato scalare da misurazioni rumorose ripetendo una fase di predizione e una di aggiornamento a ogni scansione. In termini PLC, è uno stimatore ricorsivo che decide quanto fidarsi del modello rispetto al valore del sensore in ingresso.

Variabili fondamentali

Il valore filtrato che si desidera utilizzare a valle.

• X — Stima dello stato attuale

La stima conservata dalla scansione precedente.

• X_prev — Stima dello stato precedente

Una misura dell'incertezza nella stima attuale.

• P — Covarianza dell'errore di stima

La covarianza conservata dalla scansione precedente.

• P_prev — Covarianza dell'errore di stima precedente

L'incertezza presunta nel sistema stesso. Un `Q` più alto rende il filtro più reattivo ai cambiamenti.

• Q — Covarianza del rumore di processo

L'incertezza presunta nella misurazione del sensore. Un `R` più alto rende il filtro meno incline a fidarsi del sensore.

• R — Covarianza del rumore di misura

Il fattore di ponderazione dinamico tra predizione e misurazione.

• K — Guadagno di Kalman

La variabile di processo rumorosa che entra nel filtro.

• Raw_Input — Valore misurato dal sensore

Equazioni di predizione e aggiornamento

Per la forma 1D più semplice, dove si assume che lo stato persista tra le scansioni senza un modello di movimento più dettagliato:

Fase di predizione

• `P = P_prev + Q`

Fase di aggiornamento

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

Significato operativo di Q e R

Il comportamento di tuning è governato principalmente da `Q` e `R`.

• Aumenta Q quando il processo sottostante può cambiare rapidamente e lo stimatore deve adattarsi più velocemente.
• Aumenta R quando il sensore è rumoroso e lo stimatore dovrebbe fidarsi meno delle misurazioni.
• Se Q è troppo basso, il filtro diventa lento.
• Se R è troppo basso, il filtro segue il rumore troppo avidamente.
• Se entrambi sono stimati male, il risultato è comunque un filtro, solo non utile. La matematica non sostituisce la comprensione del processo.

Un'implementazione minima richiede variabili ritentive, inizializzazione esplicita e un percorso di esecuzione per scansione. Il codice sottostante è volutamente semplice e adatto all'adattamento in un blocco funzione o in una sezione di programma ciclico.

### Esempio: Filtro di Kalman 1D in Structured Text

Esempio in Structured Text:

VAR Raw_Input : REAL; // Ingresso sensore rumoroso Filtered_Output : REAL; // Risultato filtrato

X : REAL; // Stima stato attuale X_prev : REAL := 0.0; // Stima stato precedente

P : REAL; // Covarianza errore attuale P_prev : REAL := 1.0; // Covarianza errore precedente

Q : REAL := 0.01; // Covarianza rumore di processo R : REAL := 0.10; // Covarianza rumore di misura

K : REAL; // Guadagno di Kalman

InitDone : BOOL := FALSE; END_VAR

// Inizializzazione una tantum IF NOT InitDone THEN X_prev := Raw_Input; P_prev := 1.0; InitDone := TRUE; END_IF;

// Fase di predizione P := P_prev + Q;

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

// Memorizzazione per la scansione successiva P_prev := (1.0 - K) * P; X_prev := X;

// Uscita Filtered_Output := X;

Note di implementazione importanti su un PLC reale

• Inizializzare dalla prima misurazione live invece che da zero, quando possibile. Questo evita un transitorio di avvio inutile.
• Conservare solo ciò che serve all'algoritmo. In questa forma semplice, si tratta principalmente di `X_prev` e `P_prev`.
• Utilizzare tipi in virgola mobile appropriati alla piattaforma. Alcuni PLC trattano `REAL` e `LREAL` in modo sufficientemente diverso da influenzare la stabilità del tuning.
• Evitare la reinizializzazione nascosta. Se `InitDone` si resetta inaspettatamente, il filtro sembrerà "saltare" al riavvio.
• Mantenere l'esecuzione deterministica. Il filtro dovrebbe essere eseguito una volta per scansione o una volta per task programmato, non in modo opportunistico.

Quando racchiudere il tutto in un blocco funzione

Un blocco funzione è preferibile quando sono necessari:

• istanze multiple per sensori diversi,
• incapsulamento esplicito dello stato,
• comportamento di inizializzazione standardizzato,
• riutilizzo più pulito tra i progetti.

Questo è solitamente il pattern di produzione corretto. La versione inline rimane utile per la comprensione e la validazione al banco.

Il test è la differenza tra scrivere codice e validare un comportamento. OLLA Lab è rilevante qui perché fornisce un ambiente basato su browser per provare la parte rischiosa: dimostrare il filtro in condizioni di rumore, cambiamento e guasto prima che tocchi un processo attivo.

Definire correttamente "Simulation-Ready"

Simulation-Ready non significa "essere in grado di scrivere sintassi PLC a memoria". Significa che un ingegnere può provare, osservare, diagnosticare e rafforzare la logica di controllo contro un comportamento di processo realistico prima che raggiunga un sistema attivo. Ciò include l'osservazione degli I/O, il confronto dello stato Ladder o ST rispetto allo stato dell'apparecchiatura simulata, l'iniezione di condizioni anomale e la revisione della logica dopo un caso di guasto.

Questo è uno standard più rigoroso del completamento di un tutorial. È anche più vicino al commissioning reale.

Un flusso di lavoro di test pratico in OLLA Lab

• Aprire il pannello delle variabili.
• Mappare `Raw_Input` a una sorgente analogica simulata nel Signal Simulator.

• Utilizzare un profilo analogico a seno lento, rampa o gradino per rappresentare un valore di processo variabile come livello del serbatoio, pressione o portata.

• Sovrapporre rumore al segnale di base per simulare vibrazioni, turbolenze o interferenze elettriche.
• Iniziare con un rumore moderato, quindi aumentare l'ampiezza per testare la robustezza dello stimatore.

• Trendare `Raw_Input` e `Filtered_Output` insieme.
• Osservare se il segnale filtrato sopprime il rumore senza rimanere materialmente indietro rispetto alla forma d'onda sottostante.

• Aumentare `R` se il filtro segue il rumore troppo da vicino.
• Aumentare `Q` se il filtro è troppo lento nel tracciare il movimento reale del processo.

• Introdurre variazioni a gradino, picchi o inversioni improvvise di processo.
• Confermare che lo stimatore si riprenda in modo pulito e non destabilizzi la logica a valle.

1. Collegare il segnale grezzo
2. Applicare una forma d'onda di base
3. Iniettare rumore di misura
4. Osservare la risposta filtrata
5. Regolare Q e R live
6. Testare transizioni anomale

Cosa fa e cosa non fa OLLA Lab in questo contesto

OLLA Lab è un ambiente di validazione e prova per attività di commissioning ad alto rischio. In questo contesto, consente agli ingegneri di testare la logica ST, ispezionare il comportamento delle variabili e confrontare la risposta del processo simulato rispetto all'output dell'algoritmo senza rischiare un controllore fisico o una sequenza di impianto attiva. Non è un sostituto per l'accettazione del sito, il controllo dei loop, la validazione della sicurezza o la formazione degli operatori sull'asset reale. Quei confini contano.

Un filtro passa-basso sopprime la variazione ad alta frequenza livellando il segnale nel tempo. Un filtro di Kalman 1D stima lo stato reale più probabile bilanciando l'incertezza della stima precedente rispetto all'incertezza della misurazione. Il primo è un semplice livellamento; il secondo è una stima ricorsiva.

Confronto pratico

| Criterio | Ritardo del primo ordine / Filtro passa-basso | Filtro di Kalman 1D | |---|---|---| | Metodo primario | Livellamento basato sul tempo | Stima predittiva dello stato | | Termini di tuning principali | Costante di tempo / coefficiente di filtro | Rumore di processo `Q`, rumore di misura `R` | | Risposta al rumore | Buona | Buona | | Ritardo di risposta | Spesso significativo | Spesso inferiore se ben regolato | | Consapevolezza del modello | Minima | Ponderazione esplicita dell'incertezza | | Complessità implementazione PLC | Bassa | Moderata | | Caso d'uso migliore | Applicazioni semplici dove il ritardo è accettabile | Misurazioni rumorose dove la reattività conta |

La conseguenza sul controllo non è sottile

Se un filtro passa-basso aggiunge abbastanza ritardo di fase, il loop potrebbe sembrare più calmo sul trend pur performando peggio in operatività. Questa è la trappola. Un trend che lusinga l'occhio può comunque punire l'attuatore.

Una tesi ingegneristica delimitata

Un filtro di Kalman 1D non è automaticamente migliore di un filtro passa-basso. È più adatto quando:

• il rumore del sensore è materiale,
• la risposta del processo è importante,
• la logica PID o di allarme a valle è sensibile al ritardo,
• e l'ingegnere può regolare `Q` e `R` con una certa disciplina.

Se l'applicazione è lenta, tollerante e non critica, un semplice filtro passa-basso può essere del tutto adeguato. La complessità deve giustificare la sua presenza.

Gli screenshot non sono prove ingegneristiche di per sé. Sono souvenir a meno che non siano legati a una definizione di test.

Quando documenti la validazione di un filtro, costruisci un corpo di prove compatto utilizzando questa struttura:

1. Descrizione del sistema Definisci l'asset simulato, il tipo di sensore, la variabile di processo, il contesto di scansione e la rilevanza del controllo a valle.
2. Definizione operativa di "corretto" Dichiara cosa significa successo in termini osservabili, come varianza ridotta, ritardo di tracciamento accettabile, comportamento PID stabile o ridotto chiacchiericcio di falsi allarmi.
3. Logica Ladder e stato dell'apparecchiatura simulata Registra il contesto della logica di controllo e il comportamento del processo simulato al momento del test.
4. Il caso di guasto iniettato Specifica il profilo di rumore, la condizione di picco, il dropout o il disturbo introdotto.
5. La revisione apportata Documenta le modifiche ai parametri, le modifiche al codice o le modifiche all'inizializzazione applicate.
6. Lezioni apprese Cattura quale ipotesi di tuning ha retto, cosa ha fallito e cosa dovrebbe essere controllato prima dell'implementazione.

Questo è il tipo di prova che sopravvive a una revisione. Una galleria di screenshot raramente lo fa.

Il filtraggio non è una dichiarazione di sicurezza funzionale di per sé, ma la qualità dell'implementazione risiede comunque all'interno di una disciplina più ampia di correttezza del software, validazione e prestazioni di controllo. Gli standard e la letteratura rilevanti aiutano a inquadrare cosa costituisce una buona ingegneria.

Contesto degli standard

• IEC 61131-3 governa i linguaggi di programmazione PLC, inclusi Structured Text e Ladder Diagram. È il framework linguistico rilevante per la forma di implementazione.
• IEC 61508 è rilevante quando il comportamento del software influisce sui sistemi legati alla sicurezza o sul rigore del ciclo di vita. Non "approva" un filtro di Kalman, ma acuisce le aspettative in merito a verifica, tracciabilità e integrità del software.
• La guida di organizzazioni come exida è utile quando si discute di disciplina di validazione, comportamento in caso di guasto e separazione tra convenienza di controllo e funzione di sicurezza.

Contesto della letteratura

La letteratura recente sul controllo di processo, la fusione dei sensori e la simulazione digitale supporta generalmente alcune conclusioni delimitate:

• le misurazioni industriali sono corrotte abitualmente da rumore e disturbi;
• le scelte di filtraggio influenzano sia la qualità del segnale che la reattività del controllo;
• gli ambienti di simulazione e digital twin possono migliorare la validazione pre-implementazione quando vengono utilizzati per testare il comportamento osservabile piuttosto che limitarsi a dimostrare la grafica;
• la programmazione assistita dall'IA può accelerare la stesura, ma la revisione deterministica rimane essenziale.

Quest'ultimo punto merita un linguaggio semplice: il codice generato rimane un tuo problema una volta che raggiunge un controllore.

Un filtro di Kalman 1D è utile nel lavoro PLC perché affronta un problema reale di impianto: misurazioni rumorose che non possono essere livellate con un forte ritardo senza degradare la qualità del controllo. Lo Structured Text è il mezzo di implementazione corretto per questo algoritmo perché il metodo dipende dallo stato conservato e da espressioni numeriche compatte. OLLA Lab diventa operativamente utile nella fase di validazione, dove gli ingegneri devono iniettare rumore, trendare la risposta, regolare `Q` e `R` e rafforzare la logica prima dell'implementazione.

La distinzione che vale la pena mantenere è semplice: il filtraggio non riguarda solo rendere un trend più pulito; riguarda preservare la qualità della decisione sotto rumore. Nel controllo di processo, quella differenza raggiunge l'attuatore rapidamente.

- IEC 61131-3: Programmable controllers — Part 3 - IEC 61508 functional safety standards family - exida functional safety and validation resources - NAMUR NE 107 status signaling recommendation - Digital twin in industry: state-of-the-art (DOI)