Observability — Übersicht

Observability beantwortet die zentrale Frage:

Welche internen Zustände kann ein Beobachter (UKF, EKF, Asymptotic Observer) aus den verfügbaren Messungen prinzipiell rekonstruieren, und welche nicht — unabhängig von der gewählten Filter-Architektur?

Das ist eine Modell-Eigenschaft, keine Algorithmus-Eigenschaft. Ein besserer Filter kann unobservable Zustände nicht schätzbar machen.

Warum das hier wichtig ist

Das ADM1da-Modell hat 41 Zustände. Eine reale Biogasanlage hat typischerweise 3-6 informative Online-Sensoren plus eventuell wöchentliche Laborwerte. Die Diskrepanz ist groß. Vor jedem Filter-Setup muss klar sein, welche Untermenge der 41 Zustände aus der konkreten Sensorik wirklich schätzbar ist.

Was hier dokumentiert ist

• Schritt 1 — Literaturüberblick — Was sagen
  Hellmann et al. 2023, Gaida et al. 2012 und Haugen et al. 2014 dazu? Welche Mess-Sets erschließen welche Modellklassen? Wo sind die strukturellen Hebel (pH, CH₄/CO₂-Trennung, Lab-Werte)?
• Schritt 2 — Sensor-Zustand-Abhängigkeiten
  — Konkreter Abgleich der Literatur-Erkenntnisse mit unserer ADM1da- Implementierung. Pro Mess-Kanal mit Code-Zitat aus pyadm1/core/adm1.py: welche Zustände sind direkt im Messmodell, welche werden 1-Schritt-indirekt über die ODE-Kopplung erschlossen? Master-Tabelle + STRIKE-GOLDD-Anwendbarkeit.

Geplante Erweiterungen

• Sensitivitätsanalyse: numerischer Test, welche Channels bei welchem
  Q/R-Tuning tatsächlich vom Filter getrennt werden.