Observability of ADM1 State Estimators — Literaturüberblick¶
Schritt 1 des Observability-Konzepts in diesem Repo: was sagt die publizierte Literatur darüber, welche ADM1-Zustände aus welchen Sensormessungen rekonstruierbar sind?
Schritt 2 (Abgleich mit unserer ADM1da-Implementierung) folgt separat.
Zentrale Frage¶
Ein UKF (oder ein beliebiger anderer Beobachter) kann nur diejenigen Zustände rekonstruieren, die durch die verfügbaren Messungen observable sind. Die Frage lautet daher konkret:
Welche ADM1-Zustände sind aus welcher Teilmenge typischer Anlagenmessungen schätzbar? Welche bleiben prinzipiell unbestimmt, egal wie gut der Filter ist?
Drei Arbeiten geben darauf strukturierte Antworten:
| # | Quelle | Modellklasse | Ansatz |
|---|---|---|---|
| 1 | Hellmann et al. 2023 (arXiv:2301.05068) | ADM1-R4, ADM1-R3, ADM1-R2 (vereinfachte ADM1-Varianten) | Formale Observability-/Identifiability-Analyse (algebraisch + geometrisch) |
| 2 | Gaida et al. 2012 (PMID:22797239) | Voller ADM1 (37 States) | Pattern Recognition / Maschinelles Lernen (statt klassischem Observer) |
| 3 | Haugen et al. 2014 (10.1155/2014/572621) | Modified Hill (4 States + 1 augmentiert) | UKF mit nur einer einzigen Messung |
Diese drei Arbeiten spannen das praktische Spektrum auf: von der einfachsten Modellklasse mit minimaler Messung (Haugen) über die analytisch handhabbaren Mittelklassen (Hellmann) bis zur vollen Komplexität, die nur noch statistisch handhabbar ist (Gaida).
1. Hellmann et al. 2023 — Formale Observability für ADM1-Varianten¶
Die analytisch sauberste Arbeit. Untersucht systematisch, welche Modellvarianten unter welchen Mess-Sets strukturell observable sind.
Setup¶
Modelle (vereinfachte ADM1-Varianten nach Weinrich & Nelles 2021):
| Modell | States | Eigenschaften |
|---|---|---|
| ADM1-R4 | 11 | First-order Hydrolyse + Methanogenese als Summenreaktion |
| ADM1-R3 | 17 | Acetoclastische Methanogenese explizit, pH-Inhibition, NH3-Inhibition |
| ADM1-R2 | mehr | VFA-Spektrum (Acetat, Butyrat, Propionat, Valerat) explizit |
Plus zusätzliche Submodelle, in denen einzelne Modellbestandteile A bis E (Biomasse-Decay, Gaslöslichkeit, N-Limitation, pH/NH3-Inhibition, pH-Berechnung) isoliert weggelassen werden — zur systematischen Bewertung, welcher Teil die Observability bricht.
Angenommene Messungen:
| Modellklasse | Online | Offline |
|---|---|---|
| ADM1-R4 | CH₄, CO₂ (Partialdrücke) | TS, VS, IN (Total Solids, Volatile Solids, Inorganic Nitrogen) |
| ADM1-R3 | CH₄, CO₂, pH | TS, VS, IN, (Sac nur für Algebra) |
| ADM1-R2 | CH₄, CO₂, pH, VFA (utopisch) | TS, VS, IN |
Wichtig: TS, VS, IN sind Laborwerte im realen Betrieb, mit Sample-and-Hold modelliert.
Methodik¶
Zwei unabhängige Ansätze, beide symbolisch:
-
Algebraischer Ansatz (Mathematica): Bilde Lie-Ableitungen
\(y, \dot y, \ddot y, \dots\) der Messungen, baue daraus ein Gleichungssystem und löse symbolisch nach den Zuständen auf. Eindeutige Lösung → global observable; mehrere Lösungen → lokal observable. -
Geometrischer Ansatz (STRIKE_GOLDD-Toolbox in Matlab, Algorithmen
FISPO und ORC-DF): Prüfe Rang einer Observability-Matrix \(\mathcal{O}(x)\) aus Lie-Ableitungen. Rang \(n\) → lokal observable.
Hauptergebnisse¶
ADM1-R4 (11 States): global observable mit CH₄, CO₂, TS, VS, IN¶
Die fünf Messungen reichen aus, alle 11 Zustände werden rekonstruiert. Wichtig: TS, VS und IN sind nicht ersetzbar. Hellmann begründet das so:
„This follows directly from the model equations: all three states only appear in their corresponding differential equation. Therefore, if they were not available as measurements, they could not be observable because they would not be introduced into the system of equations via other measurements, regardless of the degree of time derivatives." (S. 10)
Das ist der Single-Channel-State-Effekt: ein Zustand, der nur in seiner eigenen Differentialgleichung auftaucht und sonst nirgends, ist nur durch direkte Messung observable. Keine Zeit-Ableitungs-Magie hilft.
ADM1-R3 (17 States): lokal observable mit CH₄, CO₂, pH, TS, VS, IN (+ Sac)¶
- Mit dem algebraischen Ansatz scheitert die volle ADM1-R3, weil das Gleichungssystem
zu komplex wird (Mathematica-Kernel stirbt). - Mit dem geometrischen Ansatz (STRIKE_GOLDD) erfolgreich gezeigt: 17 von 17
States lokal observable. - Für die Algebra-Lösung der Subvarianten ist eine Online-Messung von
Sac (Acetat) nötig — was im Feld nicht realistisch ist. Geometrisch zeigt sich die volle ADM1-R3 auch ohne Sac als observable.
ADM1-R2 (mehr States): nicht observable ohne Online-VFA¶
„In an agricultural setting, these acid measurements are not available online. Even when assuming them to be available online, both algorithms of the geometric approach failed to evaluate the respective observability rank condition, and thus did not allow to draw conclusive statements." (S. 12)
Das ist eine harte praktische Schranke: für Modelle mit individuellem VFA-Spektrum reicht die Sensorik einer Agraranlage nicht aus.
Identifizierbarkeit¶
Strukturell identifizierbar gezeigt:
| Modell | Identifizierbare Parameter |
|---|---|
| ADM1-R4 | Hydrolyse- und Decay-Raten (zeitvariant) |
| ADM1-R3 | \(\mu_{m,ac}\), \(K_{S,ac}\), \(K_{I,nh3}\) |
D.h. der UKF kann nicht nur Zustände, sondern auch ausgewählte kinetische Parameter online mitschätzen, vorausgesetzt die Messmenge bleibt unverändert.
Strukturelle Erkenntnisse für den Filter-Bau¶
-
Manche Messungen sind Pflicht, nicht „nice to have": jeder Zustand, der
nur in einer einzigen DGL und sonst nirgendwo auftritt, muss gemessen werden. Im ADM1-R4 sind das genau IN, TS, VS. -
pH-Messung ist ein struktureller Hebel: pH-Messung erlaubt direkte
Berechnung von \(S_{H^+}\) (über \(\mathrm{pH} = -\log_{10} S_{H^+}\)). Damit werden die drei Ionen-Zustände \(S_{ion}\), \(S_{ac^-}\), \(S_{hco3^-}\) redundant und können aus dem Zustandsvektor entfernt werden:
„Measuring the pH allows to infer \(S_{H^+}\) directly because these two variables are linked via the negative common logarithm. […] However, as \(S_{H^+}\) can be directly determined from pH measurements, the states \(S_{ion}\), \(S_{ac^-}\) and \(S_{hco3^-}\) become redundant. Their respective differential equations can be cut out of the system of equations." (S. 30, „Neglecting model part E")
Eine einzige pH-Sonde reduziert effektiv die Zustandsdimension um 3 und eliminiert ein algebraisch nichttriviales Subsystem (die Ladungsbilanz \(\Phi\)).
- Komplexität skaliert schlecht: Rechenzeit der geometrischen Analyse für
ADM1-R3 (17 States, FISPO): ~12.000 s; nach Weglassen einzelner Modellteile auf BMR3+ABC (13 States): ~12 s. Faktor 1000. Für ADM1-R2 und höher reicht keine der beiden Methoden mehr aus.
2. Gaida et al. 2012 — Pattern Recognition statt Observer¶
Ein anderes Paradigma. Statt einen mathematischen Beobachter zu konstruieren, wird die Abbildung Messung → Zustand als statistisches Klassifikationsproblem behandelt.
Setup¶
- Modell: volles ADM1 (Batstone et al. 2002), 37 States
- Anlage: Full-Scale Agraranlage (Simulationsstudie)
- Messungen: Biogasstrom, CH₄- und CO₂-Konzentrationen im Biogas, pH-Wert,
Substratmenge je Substrattyp (Mais, Gras, Gülle, Mistfeststoffe) - Methodik: Diskriminanzanalyse / Maschinelles Lernen — statische
Mapping-Funktion Messung → Operating State
Hauptaussage¶
„The operating state vector of the modelled anaerobic digestion process can be predicted with an overall accuracy of about 90%."
D.h. 90 % Klassifikations-Genauigkeit über alle ADM1-Zustände hinweg, allein mit den genannten Standard-SCADA-Messungen.
Interpretation und Einordnung¶
Was Gaida zeigt, ist nicht klassische Observability im Sinne Hellmanns. Es ist eher: „unter typischen Betriebsbedingungen liegt der ADM1-Zustand auf einer niedrigdimensionalen Mannigfaltigkeit, die statistisch gut vorhersagbar ist, obwohl er formal nicht aus den Messungen rekonstruierbar wäre."
Drei Implikationen:
-
Praktische Observability ≠ strukturelle Observability: Ein System kann
formal nicht observable sein, der Betrieb dennoch in einem Bereich liegen, in dem statistische Methoden ausreichen. -
Lernverfahren brauchen Trainingsdaten mit verlässlichem *„Wahrheits"-
Zustand. Das ist im Feld der knappste Faktor. -
Vorbild für Hybrid-Ansätze: Klassischer Observer (UKF) für die
strukturell observablen Zustände + statistisches Modell für den Rest.
3. Haugen et al. 2014 — UKF mit einer einzigen Messung¶
Die andere Extremposition: kein vollständiges ADM1, sondern ein drastisch vereinfachtes mechanistisches Modell, und nur eine einzige Online-Messung. Funktioniert trotzdem.
Setup¶
- Modell: Modified Hill Model — 4 States plus eine augmentierte Größe:
| State | Bedeutung |
|---|---|
| \(S_{bvs}\) | Biodegradable Volatile Solids (Substratspeicher) |
| \(S_{vfa}\) | Volatile Fatty Acids (Acetat-Surrogat) |
| \(X_{acid}\) | Acidogene Biomasse |
| \(X_{meth}\) | Methanogene Biomasse |
| \(S_{vs_{in}}\) | (augmentiert) Volatile Solids im Zulauf — als Random Walk modelliert |
-
Messung: Genau eine Online-Größe — \(F_{meth}\) (Methanstrom).
-
Reaktor: UASB-Pilotreaktor (250 L), Substrat Rindergülle.
Methodik¶
Standard-UKF nach Wan/van-der-Merwe; Tuning der Diagonalelemente von \(Q\) proportional zu den Zustandsmagnituden (mit Skalierungsfaktoren \(m_i\) für Feinabstimmung).
Hauptergebnis¶
Trotz nur einer Messung schätzt der UKF alle 5 augmentierten Zustände erfolgreich. Insbesondere konvergiert \(S_{vs_{in}}\) aus einem absichtlich großen initialen Fehler (20 % des wahren Werts) innerhalb von ca. 15 Tagen.
„The linearized reactor model, augmented with \(S_{vs_{in}}\), is found observable at a number of typical operating points using the obsv function of the Matlab Control System Toolbox." (S. 6f)
D.h. die strukturelle Observability ist im linearisierten Sinn an typischen Betriebspunkten gegeben.
Lehre¶
- Bei drastischer Modellreduktion (5 vs 17 vs 37 States) reichen wenige
Messungen. Der Preis: das Modell trifft viele biologische Mechanismen nicht, und Modellfehler erscheinen als Drift in den Schätzungen (Haugen beobachtet das im Plot für \(S_{vfa}\), Fig. 4 — „from \(t=150\,d\), there is a noticeable difference between the estimate and the laboratory analysis of \(S_{vfa}\)", S. 7f). - Augmentierte Zustände wie ein unbekannter Zulauf \(S_{vs_{in}}\) können
schon mit einer einzigen, indirekten Messung mitgeschätzt werden, wenn das System linearisiert observable ist.
Synthese — Wer sagt was zur Mess-Zustands-Abhängigkeit?¶
Kanal-für-Kanal: welche Messung erschließt welche Zustände?¶
Aus den drei Quellen zusammengeführt. Erklärung der Spalten: direkt = Messung tritt direkt im Output-Vektor auf, der Zustand erscheint nur durch diese Messung im Gleichungssystem. indirekt = Messung koppelt nichtlinear mit dem Zustand über ein anderes gemessenes Signal (z.B. CH₄-Strom hängt über die Kinetik von \(X_{ac}\) ab). konstruiert = Messung erlaubt algebraische Reduktion (z.B. pH → \(S_{H^+}\) → Ionen-Zustände eliminiert).
| Messung | Erschließt direkt | Erschließt indirekt | Konstruiert |
|---|---|---|---|
| \(p_{CH_4}\) (CH₄-Partialdruck) | \(p_{CH_4}\), \(S_{ch4,gas}\) | \(X_{ac}\), \(S_{ac}\) (über Methanogenese-Kinetik) | — |
| \(p_{CO_2}\) (CO₂-Partialdruck) | \(S_{co2,gas}\) | \(S_{IC}\), \(X_{ac}\) + \(X_{h2}\) (Verhältnis CH₄/CO₂) | — |
| \(\mathrm{pH}\) | — | Inhibition \(I_{ac}\) (über alle X-Pools) | \(S_{H^+}\) → \(S_{ion}\), \(S_{ac^-}\), \(S_{hco3^-}\) eliminierbar |
| \(S_{IN}\) (NH₄-N, Lab) | \(S_{IN}\) direkt | NH₃-Inhibition (über \(S_{nh3}\)) | — |
| TS (Total Solids, Lab) | \(X_{ash}\) direkt (via \(S_{h2o}\)) | partikuläre Pools \(X_{ch/pr/li}\) summarisch | — |
| VS (Volatile Solids, Lab) | \(X_I\) direkt | summarisch alle partikulären biologischen Pools | — |
| \(S_{ac}\) (Acetat, Lab oder online) | \(S_{ac}\) direkt | \(X_{ac}\) (über Acetoclasten-Kinetik) | — |
| \(F_{meth}\) (Methanstrom) | gewichtet alle methanogenen Beiträge | \(X_{meth}\), \(S_{bvs}\) (im Hill-Modell alles über Kinetik gekoppelt) | — |
| \(Q_{feed}\) (Substratstrom) | augmentierte Input-Channels direkt | Verdünnungsrate \(D\) als Faktor in jeder DGL | — |
Mess-Sets vs. Modellgröße: Faustregel¶
| Modell | States | Mindest-Mess-Set für volle Observability |
|---|---|---|
| Modified Hill (Haugen) | 5 | \(F_{meth}\) allein (linear lokal) |
| ADM1-R4 (Hellmann) | 11 | CH₄, CO₂, TS, VS, IN (5 Größen) |
| ADM1-R3 (Hellmann) | 17 | CH₄, CO₂, pH, TS, VS, IN (6 Größen) — strukturell, formal nachgewiesen via geometrisch |
| ADM1-R2 (Hellmann) | >17 | nicht observable bei Agrar-typischen Sensoren |
| ADM1 voll (Gaida) | 37 | klassisch nicht handhabbar — nur über ML mit ≈90 % Klassifikations-Genauigkeit |
Empirische Beobachtung: Pro zusätzlichem unabhängigen Sensorkanal kommt etwa eine Zustandsdimension hinzu, die der Filter wirklich trennen kann.
Die drei Quellen liefern zusammen ein konsistentes Bild, warum viele Zustände in der Praxis unobservable bleiben:
-
Single-Channel-States ohne Messung sind formal unobservable.
Hellmann zeigt das exakt für TS, VS, IN: kein noch so trickreicher Filter kann sie schätzen, wenn sie nicht direkt gemessen werden. -
Mehrere Zustände wirken ähnlich auf wenige Messungen, der Filter
verteilt das Innovationssignal über den Prior, nicht über echte Information. Im Hill-Modell sind die Bio-Pools dadurch effektiv auf 2-3 trennbare Dimensionen reduziert. Bei ADM1 sind es bei Standard-Sensorik ähnlich viele. Dies ist die praktische (nicht strukturelle) Schranke, die Gaidas Empirie reflektiert: 90 % Genauigkeit über alle States bedeutet, dass die effektive Mannigfaltigkeit niedrigdimensional ist.
Strukturelle Hebel — was die Literatur als entscheidend identifiziert¶
Aus den drei Arbeiten lassen sich drei Hebel ableiten, die die Observability qualitativ verbessern:
| Hebel | Wirkung | Quelle |
|---|---|---|
| pH-Sonde ergänzen | Eliminiert 3 Ionen-Zustände aus dem Filter, macht \(I_{ac}\) verifizierbar | Hellmann (Part E redundant), Gaida (pH ist eine ihrer 5 Messungen) |
| CH₄/CO₂-Trennung (statt nur Gesamt-Q_gas) | Trennt acetoklastische (\(X_{ac}\)) von hydrogenotropher (\(X_{h2}\)) Methanogenese | Hellmann (CH₄ und CO₂ als getrennte Outputs), Gaida (beides Messungen) |
| Lab-Werte für TS/VS/IN | Macht die jeweiligen Zustände überhaupt erst observable | Hellmann (Single-Channel-Argument) |
| VFA-Lab-Werte (FOS/TAC) | Macht \(S_{ac}\) direkt observable, erschließt das VFA-Spektrum | Hellmann (ADM1-R3 mit Sac), Haugen (impliziert über Frühwarn-Diskussion) |
Bedeutung für die IMplementierung des UKF¶
- ADM1da ist näher an ADM1-R3 als an ADM1-R4 in Komplexität (Sub-Fraktion-
Disintegration, Inhibitionen, Ladungsbilanz), aber mit deutlich mehr States als ADM1-R3 (41 statt 17). Hellmanns ADM1-R2-Befund ist die Warnung: jenseits von ~17 Zuständen ohne VFA-Online-Sensor ist die Lage prekär. - Reale Agraranlagen haben oft noch weniger Sensoren als Hellmanns Szenario
(kein pH, kein FOS/TAC, kein NH₄-N). Die Faustregel aus der Literatur ist damit klar: aus ADM1da lässt sich realistisch nur eine Untermenge der Zustände schätzen. - Hebel für die Zukunft sind in Reihenfolge des Nutzens:
pH-Sonde > CH₄/CO₂-Anteilssensor > tägliche FOS/TAC-Lab-Werte. Jeder davon ist in der Literatur als struktureller Sprung markiert, nicht als gradueller Zuwachs.
Quellen¶
- Hellmann, S., Hempel, A.-J., Streif, S., Weinrich, S.
Observability and Identifiability Analyses of Process Models for Agricultural Anaerobic Digestion Plants. 24th Intl. Conference on Process Control, 2023. arXiv:2301.05068v3. - Gaida, D., Wolf, C., Meyer, C., et al.
State estimation for anaerobic digesters using the ADM1. Water Science and Technology, 66(5):1088–1095, 2012. PMID: 22797239. - Haugen, F., Bakke, R., Lie, B.
State Estimation and Model-Based Control of a Pilot Anaerobic Digestion Reactor. Journal of Control Science and Engineering, 2014, Article ID 572621. DOI: 10.1155/2014/572621.
Weiterführend zitiert:
- Weinrich, S., Nelles, M. Systematic simplification of the anaerobic
digestion model no. 1 (ADM1) — model development and stoichiometric analysis. Bioresource Technology, 333:125124, 2021. - Villaverde, A. F., Barreiro, A., Papachristodoulou, A.
Structural identifiability of dynamic systems biology models. PLoS Computational Biology, 12(10):e1005153, 2016. (Hintergrund zur STRIKE_GOLDD-Toolbox.)