采用自适应中心差分卡尔曼滤波器的锂离子电池荷电状态估计

锂离子电池因其能量密度高、使用寿命长等优点被越来越多地应用到卫星、便携式设备和电动汽车等领域.荷电状态作为电池管理系统的重要指标,它的准确监测对保障电池的使用安全、提高电池的使用效率有着重要意义.针对锂离子电池的荷电状态估计,本文提出了一种自适应中心差分卡尔曼滤波算法.首先,设计了一个线性卡尔曼滤波器实现了对测量方程系数的实时估计,从而避免了荷电状态与开路电压关系曲线的测试.其次,考虑到部分工况难以准确地获取模型参数,使用增广向量法并采用自适应中心差分卡尔曼滤波器实现了荷电状态与模型参数的自适应估计.再次,将线性卡尔曼滤波器与自适应中心差分卡尔曼滤波器耦合,实现了荷电状态、模型参数、测量方程系数的联合估计,使得本文所提算法能够更好地应用于电池内部参数未知的复杂工况.为了进一步提高算法的估计精度和对噪声的适应能力,通过迭代法对噪声协方差矩阵进行了动态调整.最后,通过几组实验验证了本文所提算法的有效性.

一种改进中心差分卡尔曼滤波方法

针对中心差分卡尔曼滤波(CDKF)跟踪时估计精度较低这一不足,提出了一种基于迭代测量更新的中心差分卡尔曼滤波(ICDKF)方法。本文将迭代滤波理论引入到中心差分卡尔曼滤波算法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该算法与扩展卡尔曼滤波(EKF)、中心差分卡尔曼滤波(CDKF)的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,迭代中心差分卡尔曼滤波(ICDKF)算法不仅具有无需计算Jacobian矩阵的优点,而且具有更高的估计精度。

基于平方根中心差分卡尔曼滤波的大方位失准角初始对准

基于大方位失准角条件下捷联惯导系统误差模型的非线性特点,采用非线性滤波方法进行初始对准。扩展卡尔曼滤波存在精度低,且需要计算雅可比矩阵等不足,而中心差分卡尔曼滤波在递推过程中具有计算量大,数值不稳定等缺点。针对上述问题采用了一种改进的中心差分滤波算法——平方根中心差分卡尔曼滤波。仿真结果表明,与扩展卡尔曼滤波相比,平方根中心差分卡尔曼滤波对方位失准角的对准精度由24.5′提高到5.83′,并且避免了计算雅可比矩阵带来的不便;与中心差分滤波相比,平方根中心差分卡尔曼滤波在保证滤波精度的同时,降低了滤波的计算量,提高了滤波的数值稳定性。

中心差分卡尔曼平滑器

针对一类非线性离散系统的状态平滑问题,本文设计了一种中心差分卡尔曼平滑器(CDKS).文中基于最小方差估计准则,详细推导了非线性系统的状态最优平滑递推公式,并采用中心差分变换来近似计算状态的后验均值和协方差.相比于传统中心差分卡尔曼滤波器(CDKF),所设计的CDKS算法有效提高了非线性状态的估计精度,拓展了中心差分变换的应用范围.仿真实例验证了所提出平滑器的可行性和有效性.

基于中心差分卡尔曼滤波器的快速SLAM算法

针对密集路标环境下机器人同时定位与地图创建(SLAM)速度缓慢以及一致性不够收敛,提出了一种使用Stirling多项式插值方法对非线性过程进行近似的卡尔曼滤波器,同时利用路标测量统计信息对SLAM过程中的状态向量和状态协方差进行动态调整的SLAM方法.此方法对预测方程和测量方程使用Stirling多项式插值方法可以近似到二级甚至是更高级的泰勒展开.使用路标统计信息动态计算各个路标对于当前时刻状态向量的权重,利用此权重进行状态向量和状态向量协方差动态调整.实验表明无论是在稀疏路标环境下还是在密集路标环境下此方法在内存占用、SLAM速度以及对机器人定位的一致性上都优于FASTSLAM.

基于改进的平方根中心差分卡尔曼滤波的单站无源定位算法

针对单站无源定位可观测性弱、收敛速度慢、定位精度差等问题,推导出了一种带次优渐消因子的平方根中心差分卡尔曼滤波算法。在正交原理的约束下,通过引入自适应次优渐消因子实时调整增益矩阵,保证不同时刻残差序列相互正交,提高了滤波器对状态变化的反应速度和对有偏估计的自适应修正能力。同时,使用误差协方差的平方根替代协方差参与滤波,保证滤波算法的数值稳定性。仿真结果表明,新算法稳定性更好、收敛速度更快、定位精度更高。

基于中心差分卡尔曼滤波的SINS初始对准研究

研究了在大失准角条件下,捷联惯导系统初始对准非线性误差模型,分析了扩展卡尔曼滤波算法因对非线性模型线性化而存在的缺点,研究了中心差分卡尔曼滤波算法,提出将中心差分卡尔曼滤波算法应用于捷联惯导系统大失准角初始对准中。仿真结果表明,在水平失准角为小角度、方位失准角为大角度时,中心差分卡尔曼滤波算法同扩展卡尔曼滤波算法相比,提高了初始对准的估计精度和收敛速度。

基于高斯过程的中心差分卡尔曼滤波在BDS/INS组合导航中的应用

针对扩展卡尔曼滤波器在BDS/INS组合导航系统模型不确定时精度下降的问题,提出了一种基于高斯过程的中心差分卡尔曼滤波算法(GP-CDKF)。在训练数据有限的情况下,用中心差分卡尔曼滤波(CDKF)来估计组合导航系统的状态向量;同时高斯过程可以考虑CDKF中的噪声和不确定性。因此,将高斯过程引入到CDKF中,可以进一步提升导航性能。试验结果表明,GP-CDKF与CDKF算法相比,东向、北向位置误差分别降低16.4%、57.1%,东向、北向速度误差分别降低15.9%、23.3%,说明GP-CDKF算法在动态系统状态估计方面优于CDKF算法。将GP-CDKF应用于BDS/INS组合导航系统中,可以有效提高导航性能。

基于中心差分卡尔曼滤波的航天器视觉相对导航算法研究

在航天器视觉相对导航过程中,量测方程的非线性特性会影响航天器相对位姿的估计精度。分析了扩展卡尔曼滤波方法(EKF)将非线性模型线性化时存在的缺点,研究了中心差分卡尔曼滤波方法(CDKF),提出用中心差分卡尔曼滤波方法来解决视觉导航中两航天器的相对位姿估计问题,并给出了EKF与CDKF的仿真结果。仿真结果表明在相同条件下,CD-KF算法比EKF具有更高的精度和稳定性,该方法能够在航天器视觉相对导航中应用。

基于中心差分卡尔曼滤波的车速估计研究

针对车辆行驶过程中车速估计问题,论文基于中心差分卡尔曼滤波理论设计了车速的估计算法。建立了非线性三自由度车辆估算模型,根据纵向加速度、侧向加速度和方向盘转角低成本传感器信号的信息融合,实现对车速的准确估计,应用CarSim与Matl ab/Simulink联合仿真实验对算法进行验证。结果表明:估计算法能够准确估计车辆行驶过程中的纵向车速、侧向车速和质心侧偏角。

改进的中心差分卡尔曼滤波水下被动目标跟踪

中心差分卡尔曼滤波是目标跟踪领域中常用的非线性滤波方法之一,但在单站的纯方位目标跟踪中,有时受观测站的运动轨迹、观测噪声等影响,中心差分卡尔曼滤波会出现滤波不稳定甚至发散的情况。针对这一问题,本文提出一种基于奇异值分解平方根的中心差分卡尔曼滤波改进方法。通过采用QR分解和奇异值分解2种不同的方式计算协方差的平方根,代替协方差矩阵参与运算,增强算法的稳定性。通过3种不同情形下的仿真结果均表明,所提方法与常规的中心差分卡尔曼滤波和经典的平方根无迹卡尔曼滤波方法相比,具有最低的均方根误差。

利用sigma点卡尔曼滤波的多UUV协同定位

融合无人水下航行器(UUV)内部航位递推估计和外部量测信息的协同定位方法是一种提高只配备低精度自定位装置的UUV定位精度的有效手段。当协同系统结构固定时,滤波器的选择就决定了精度提高的幅度。针对扩展卡尔曼滤波(EKF)在处理非线性系统时具有较大的截断误差和繁琐的计算,提出了使用sigma点卡尔曼滤波(SPKF)的协同定位方法。与EKF相比,无味卡尔曼滤波(UKF)和中心差分卡尔曼滤波(CDKF)具有更好的鲁棒性,在没有增加计算复杂度的基础上进一步提高了UUV的定位精度。仿真比较了采用不同滤波算法的协同定位方法提高定位精度的效果,验证了利用sigma点卡尔曼滤波的多UUV协同定位方法的有效性和一致性。

采用强跟踪中心差分滤波器的汽车状态和参数估计

采用3自由度非线性汽车动力学模型作为汽车状态和时变参数估计的标称模型,利用强跟踪中心差分卡尔曼滤波器(CDKF)对汽车的纵向速度、质心侧偏角和横摆角速度等信息,以及标称模型的前、后轴等效时变侧偏刚度进行了估计。为验证强跟踪CDKF算法的估计性能,采用模型在环和硬件在环的方式进行多种工况的仿真验证。结果表明,该算法具有可行性和准确性。

迭代中心差分粒子滤波的SLAM算法

为了提高SLAM算法中的位姿估计精度,通过在广泛使用的RBPF粒子滤波器中,利用迭代中心差分卡尔曼滤波器(ICDKF)来代替其中的扩展卡尔曼滤波器(EKF),并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计智能车辆的位姿,进而采用ICDKF算法更新特征地图的位置.该算法在保证定位精度的同时减少了计算的复杂度,提高系统的估计性能,增加了迭代算法的稳定性.仿真实验结果验证了迭代中心差分粒子滤波SLAM算法的有效性.

基于温度场与D-Kalman参数估计的光学电压传感温度补偿方法

光学电压传感器在温度稳定性方面仍有亟待解决的问题,一是电光晶体在温度变化时存在温度梯度,导致表面温度与光路温度不等;二是晶体物性参数也会受到温度影响。为此提出一种基于温度场与双卡尔曼滤波(Dual Kalman, D-Kalman)参数估计的温度补偿方法。以锗酸铋晶体为研究对象,在对传感器输出信号进行交直流分离的基础上,先利用半解析法建立晶体暂态温度场模型,再分别通过卡尔曼滤波与中心差分卡尔曼滤波实现对晶体内部温度和初始温度下晶体折射率的状态估计,最后将修正参数与传感器输出信号高频分量相结合计算补偿电压。实验结果表明,传感器在外界温度为[20℃,40℃]以0.5℃/min速率不断升高的环境下,暂态温度场解析式的仿真精度在0.02%以内,实验测量精度在0.2%左右,补偿输出电压测量精度优于0.52%。与同平台下反向传播神经网络温度补偿效果以及不同平台下的补偿效果相比,该方法提高了传感器测量精度。

基于内环修正CDKF算法的锂电池SOC估计

针对现有中心差分卡尔曼滤波算法(CDKF)每次滤波仅进行一次状态更新,无法充分发挥其修正作用的问题,提出一种基于内环修正的中心差分卡尔曼滤波算法(ILCDKF)。采用带遗忘因子的递推最小二乘法(FFRLS)辨识二阶RC等效电路模型的参数;在CDKF算法的量测更新阶段,依据状态误差协方差矩阵建立状态修正机制,通过内环状态修正以提高滤波精度;通过美国联邦城市运行工况(FUDS)和动态应力测试工况(DST)下的仿真实验来验证所提算法的有效性,结果表明,所提算法与扩展卡尔曼滤波算法(EKF)、无迹卡尔曼滤波算法(UKF)及CDKF相比,在荷电状态(SOC)估计精度和收敛速度方面均有所提升。

基于CDKF-RBFPID的激光器恒流源控制器

激光器的稳定工作需要一个输出电流精度高和稳定的恒流源控制系统。针对激光器恒流源系统在噪声环境下输出精度差且使用PID算法参数难整定的问题,提出一种基于中心差分卡尔曼滤波(Center Differential Kalman Filter,CDKF)与改进的径向基函数(Radial Basis Function,RBF)神经网络自适应PID控制相结合的算法CDKF-RBFPID。通过CDKF更新恒流源系统的状态、协方差,从而滤除系统中的状态噪声和测量噪声。利用强化学习Actor-Critic框架调整RBF-PID参数,实现自适应参数调整。对恒流源系统输出电流和激光器输出功率进行对比实验,结果表明:CDKF RBFPID算法能够有效降低噪声对系统的影响,恒流源输出电流精度以及激光器输出功率稳定性进一步提升,其中响应时间缩短了58.3%,稳态误差降低了71.4%,输出电流控制精度达到1%。

改进的多特征粒子滤波目标跟踪算法研究

针对在复杂环境下多特征融合的粒子滤波算法跟踪精确度低的问题,提出一种改进的多特征融合算法;该算法采用二阶中心差分卡尔曼滤波方法来实现建议分布函数的优化,在重要性采样中融入最新的测量信息,提高了粒子的使用效率,并引入动态模板更新机制对目标模板实时更新;在多特征融合策略上利用基于粒子滤波框架下的EM算法适用于不同数量样本集的特点求解状态估计,不仅避免因计算特征权重产生误差,而且提高了算法的实时性;滤波器仿真实验结果表明,在一维非线性模型下对比其它改进粒子滤波算法,提出的方法性能最优;在基于视频序列的目标跟踪实验中,通过比较本文算法在不同特征、不同采样粒子数量条件下的性能对比验证文章算法的有效性;最后通过一系列不同环境下的跟踪实验证明,文章所提算法对复杂条件下的目标跟踪具有较高的精度和鲁棒性。

一种改进的SR-CDKF算法及其在早期微小故障检测中的应用

复杂设备早期微小故障检测是故障检测与诊断领域的难题,系统状态和参数发生阶跃变化或者缓慢漂移是这类故障的主要特征.本文在正交性原理的基础上,提出一种强跟踪平方根中心差分卡尔曼滤波(Square-root center diference Kalman filter,SR-CDKF),即SSR-CDKF,并将SSR-CDKF应用于复杂设备的早期微小故障检测中.仿真结果表明,SSRCDKF能够更准确地估计系统状态和参数,更迅速地跟踪系统和参数突变情况.通过仿真计算比较滤波器在不同参数取值下的方差值,得出了选择合适参数的方法.最后利用该算法检测出了陀螺仪的早期微小故障.

确定采样型强跟踪滤波飞机舵面故障诊断与隔离

为了克服扩展多模型自适应估计中扩展卡尔曼滤波的理论局限性,多重渐消因子强跟踪改进引起的滤波发散现象以及多维高斯故障概率计算量大等问题,本文将一类基于确定解析采样近似方法的非线性次优高斯滤波与多模型自适应估计相结合,提出了改进的多重渐消因子强跟踪非线性滤波快速故障诊断方法.确定采样型滤波克服了扩展卡尔曼滤波的理论局限性;推导了等效多重渐消因子计算方法,避免了非线性系统雅克比矩阵的计算,提高了故障突变时的跟踪性能;提出了基于平方根分解的改进的一步预测协方差更新方程,保证了滤波稳定性;提出了基于欧几里得范数简化的故障概率计算方法,降低了计算量.通过对比仿真验证了3种不同非线性滤波算法及其强跟踪改进算法的有效性,故障诊断方法跟踪性强、速度快、精度高,具有较好的鲁棒性和稳定性.