基于双重扩展自适应卡尔曼滤波的汽车状态和参数估计

准确实时地获取行驶过程中的状态信息是汽车动态控制系统研究的关键,为此提出了一种新的汽车状态估计器。建立了包含不准确模型参数和未知时变统计特性噪声的非线性汽车动力学模型,针对该非线性系统提出一种双重扩展自适应卡尔曼滤波算法(DEAKF)。该算法采用两个卡尔曼滤波器并行运算,状态估计和参数估计互相更新,同时将带遗忘因子的噪声统计估值器嵌入到状态校正过程和参数校正过程之间,以解决系统的噪声时变问题。基于ADAMS的虚拟试验和实车试验结果表明,该算法的状态估计精度高于EKF方法和DEKF方法的状态估计精度,同时具有良好的模型参数校正能力,对汽车动态控制系统中估计器的设计具有理论指导意义。

双重遗忘卡尔曼滤波PMLSM无位置传感控制研究

针对EKF估计PMLSM位置存在模型不精确、噪声统计特性不确定时估计精度不高,且有可能导致滤波发散的问题,提出一种双重遗忘卡尔曼滤波法,它是在EKF的基础上引入自适应渐消因子,实现第一重遗忘,引入Sage-Husa自适应滤波法,实现第二重遗忘。实验表明:该方法不论是同步速度还是负载突变,均按正弦规律递减,负载突变前、后速度稳定误差最大值分别为0.469%、0.943%,最终将稳定在0.167%附近,跟踪效果随仿真时间的加长而更好。

直角坐标系下的水下被动目标跟踪自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散,导致滤波精度很差的情况,文章中提出了一种直角坐标系下自适应卡尔曼滤波算法,对虚拟噪声进行了估计,动态补偿观测模型的线性化误差,削减系统的观测误差,并对其滤波理论及其算法进行了研究和仿真,结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。

双自适应衰减卡尔曼滤波锂电池荷电状态估计

针对卡尔曼滤波法在锂离子电池荷电状态(SOC)估计时存在误差较大、收敛较慢等问题,提出了一种双自适应衰减扩展卡尔曼滤波荷电状态估计(DAFEKF)算法。该算法首先设计了针对动力电池的荷电状态估计观测器,利用测得的电流和电压值分别作为观测器的输入和观测值,结合双自适应衰减扩展卡尔曼滤波估计出观测器中的电池荷电状态,在卡尔曼滤波算法的基础上加入时变衰减因子来减弱过去数据对当前滤波值的影响,并自适应地调整卡尔曼算法中过程噪声和测量噪声协方差。利用DAFEKF算法估计出的SOC结果与扩展卡尔曼滤波(EKF)和自适应扩展卡尔曼滤波(AEKF)算法进行了比较,结果表明,DAFEKF方法具有较好的准确性、鲁棒性和收敛性,使SOC估计误差控制在2%以内。

基于自适应无迹卡尔曼滤波的锂电池SOC估计

荷电状态(SOC)是电动汽车电池管理系统的重要组成部分,SOC的准确估计可以有效降低电池的成本,提高电池的利用效率。为解决扩展卡尔曼滤波算法(EKF)中噪声协方差对SOC估计精度的影响问题,采用噪声协方差实时更新自适应无迹卡尔曼滤波算法(AUKF)对电池SOC进行准确估计。对锂电池开展充放电实验,进行离线参数辨识,得到锂电池二阶RC等效电路模型参数。通过建立电池SOC与开路电压、电池模型参数之间的函数关系,利用Matlab/Simulink仿真验证了等效电路模型的正确性。基于验证的二阶RC电路模型采用AUKF和EKF两种算法对实际工况下的单体锂电池SOC进行估计,最大估计误差分别为0.0114、0.0176,平均误差分别为0.0062、0.0079。结果表明AUKF解决了EKF在复杂工况下估算精度较低的问题。

基于自适应卡尔曼滤波的电池荷电状态估算

提出基于自适应卡尔曼滤波(AEKF)的磷酸铁锂锂离子电池荷电状态(SOC)估算方法,以改进型新一代汽车合作计划(PNGV)等效电路模型为基础,提高SOC估算的稳定性和精度。在MVEG-A和FTP75工况下,相比于常规扩展卡尔曼滤波(EKF)算法,AEFK算法可实时估计未知噪声的均值和方差,误差率分别降低4.846%和3.672%,估算精度得到提高。

卡尔曼滤波算法研究

对卡尔曼滤波的起源和发展进行了简述,然后对标准卡尔曼滤波的定义和模型进行了回顾,重点对近似二阶扩展卡尔曼滤波、扩维无迹卡尔曼滤波和自适应卡尔曼滤波等3种最新改进型的卡尔曼滤波算法进行了详细阐述,最后对这3种新改进型的卡尔曼滤波算法的优缺点进行了对比分析,对各自的适用领域和场景进行了说明。

卡尔曼滤波技术在汽车故障解码器中的应用研究

目前常用的汽车故障解码器不能诊断故障码不出现的各类故障,为了扩展解码器的诊断功能,提出了一种利用基于模糊自适应卡尔曼滤波的径向基函数神经网络处理解码器数据流的新方法。该方法通过MATLAB软件与ACCESS数据库相结合编制故障诊断程序,可实现汽车电喷发动机无故障码的故障诊断。同时,还将基于模糊自适应卡尔曼滤波的径向基函数网络与BP网络进行了比较。结果表明,基于模糊自适应卡尔曼滤波的径向基函数神经网络诊断速度快且准确,更适合用于故障诊断,如果将本研究所编制的程序固化到解码器中,将会使其进一步向智能化方向发展。

复杂环境下无人车双重自适应定位算法

针对复杂环境中部分传感器失效情况下无人车定位精度下降甚至出现无法定位问题,提出局部自适应滤波和自适应信息共享因子分配的双重自适应算法,提升了无人车多源融合定位性能。所提算法利用新息自适应调节测量噪声对局部滤波器进行自适应状态估计,利用局部滤波器状态协方差和观测噪声自适应分配信息共享因子,能有效地抵御观测值粗差影响。仿真结果和实车测试数据均表明,该双重自适应定位算法能够根据局部滤波器新息和状态协方差在线自动更新信息共享因子,相比自适应联邦卡尔曼滤波算法和经典联邦卡尔曼滤波算法,位置精度分别提高了44%和63%,误差小于1 m,验证了所提算法在复杂环境下能有效提高整个导航系统的可靠性、鲁棒性。

制导率未知时返回弹道自适应抗差滤波计算

针对制导率未知状态下返回弹道的自适应抗差估计问题,基于工程实际情况建立了一种无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法,给出了状态模型及观测模型,并运用基于机动检测及模型切换的自适应处理方法、基于加速度模型补偿的自适应处理方法来实现对返回段机动过程的实时跟踪。仿真计算结果表明,所给出的计算方法是可行的,所提出的基于加速度模型补偿的自适应处理算法较好地实现了对返回弹道的抗差估计处理。研究结果对返回弹道实时估计有一定的参考价值。

基于自适应模型非线性系统容错控制的研究

针对未知的多变量非线性动态系统,提出了一种新型的自适应故障容错控制方法。该方法首先通过设计一个自适应RBF神经网络模型建立未知过程的动态模型,并利用扩展卡尔曼滤波算法在线调节RBF网络权值学习系统的时变参数和故障动态,然后设计基于此模型的自适应迭代逆模控制算法实现相应的容错控制策略。将容错方法成功应用到一个连续的多变量三水箱过程。

基于热电耦合模型和AUKF的锂电池内温状态估算

内温状态(SOIT)可用于锂(Li)电池热失控风险评估以及提高荷电状态/可用性能剩余比例(SOC/SOH)估值精准度。在分析锂电池等效电路模型和热模型的基础上,提出了一种反映锂电池内温升高并对SOC估算形成噪声影响的双重极化热电耦合模型。通过实施恒流放电和混合脉冲功率特性(HP-PC)实验并引入带遗忘因子的递推最小二乘法,分别得到锂电池等效电路模型、等效热模型辨识参数。为应对热噪声,提出将无迹卡尔曼滤波(UKF)与自适应协方差匹配相结合为自适应UKF(AUKF),在SOIT估算中,完成过程噪声协方差、测量噪声协方差的在线修正。实验结果证明,当外界因素引发锂电池内部电流电压波动加剧时,AUKF在抑制SOIT估值误差趋大方面明显优于UKF。

一种改进自适应永磁同步电机永磁磁链观测算法

为了提高永磁同步电机永磁磁链观测器的观测性能,提出了一种基于双重自适应无迹卡尔曼滤波的永磁磁链观测算法。由于无迹卡尔曼滤波在鲁棒性方面存在缺陷,为了对观测性能有所改进,算法从观测干扰、状态噪声两方面对算法进行优化,即利用缩小因子,对状态噪声进行缩小;利用自适应矩阵,削弱观测误差,减小观侧干扰对系统的影响。对比改进算法与传统算法的观测磁链效果,在受到外部干扰时,改进算法在观测磁链波动幅度方面比传统观测器更小、在稳定时间方面比传统观测器更少。但在加入改进自适应算法后,会导致计算量增加,所以在采样算法上采用最小斜度采样进行优化。通过对采样算法进行优化,使单次算法运算时间缩短20.56%,增强磁链观测器观测实时性。

基于模型估计的LiFePO_4电池EKF滤波算法SOC估计研究

常规LiFePO_4动力电池组SOC(state of charge)估计方法难以同时满足复杂工况下SOC预测的可靠性与初值不敏感性,为解决该问题,提出一种针对电池组工况特性下的扩展卡尔曼滤波算法。该算法基于电池组工况放电特性,提取其特征参数并进行模式分类,根据在电池充放电时不同参数与区间,对卡尔曼滤波模型进行动态参数补偿,加快SOC向真值的收敛速度,并减少SOC估计误差,实现算法对SOC估计初值的不敏感性。最后使用美国机车工况测试UDDS标准模型,对实际采集的电池模型进行仿真实验,其结果验证了所提出的算法可行性和有效性。

旋转导向钻井工具姿态测量陀螺仪故障估计与处理方法

针对旋转导向钻井工具姿态测量系统陀螺仪故障问题,提出一种陀螺仪加性故障估计与处理方法。首先将陀螺仪故障增广为状态变量,融合加速度计测量信息建立非线性测量模型;然后针对由于模型线性化、陀螺仪漂移、钻井过程的高温、高压、强振动等因素导致卡尔曼滤波算法估计精度变差的问题,将测量误差等效为幅值有界但分布未知的误差,提出了一种自适应扩展集员卡尔曼滤波算法,实现了陀螺仪加性故障的准确估计,利用陀螺仪故障估计值校正陀螺仪输出,实现故障条件下工具面角的准确测量。样机模拟实验结果表明在发生陀螺仪故障情况下,基于所提出的算法,工具面角估计值的最大均方根误差为3.841°,满足实际钻井技术需求,为提高旋转导向钻井工具姿态测量系统的可靠性奠定了基础。

低成本捷联惯导系统初始对准方法

为了缩短低成本捷联惯导系统初始对准时间并提高对准精度,给出了一种基于微型电子罗盘的初始对准方法。首先利用电子罗盘辅助加速度计完成粗对准,然后,分别设计了自适应扩展卡尔曼滤波器和平淡卡尔曼滤波器(UKF)用于精对准。实验结果显示,在系统量测噪声方差阵未知时,在滤波器中加入自适应方法能有效的提高对准精度;而采用非线性滤波的UKF算法,即使在粗对准之后方向失准角比较小的情况下,也可获得比线性滤波更优的对准精度和快速性。

多模型UKF方法及其在故障诊断中的应用

当系统的非线性行为较强时,扩展卡尔曼滤波器对系统状态变量估计的性能将大幅下降;针对传统的扩展多模型自适应估计方法 (EMMAE)的不足,文章提出了一种新的基于无迹卡尔曼滤波(UKF)和多模型自适应估计相结合的故障诊断方法;首先利用UKF能更好的逼近状态方程的非线性特性,然后利用改善后的残差质量提高故障隔离的效果;仿真结果表明,传统的故障诊断方法相比,该方法能快速准确地辨识出系统故障。

双重自适应UKF在SINS初始对准中的应用

对无迹卡尔曼滤波(UKF)算法进行了改进,提出一种双重自适应UKF算法.该算法能缩放噪声、平抑模型噪声;通过监测基于新息特性的自适应矩阵的迹并进行实时修改,达到抑制观测干扰的目的.仿真结果表明,双重自适应UKF算法对于模型噪声和观测干扰十分敏感,同时具有较强的鲁棒性,能快速对其进行平抑.

机载有源无源传感器稳健融合方法

在机载有源无源情报融合处理中,很多条件很难满足中心式滤波的要求,比如一般情况下过程噪声是不正确的,或者不知道的。给出了几种稳健的Kalman滤波,这些方法主要针对运动方程或者观测方程中噪声信息未知或者噪声信息不准确的情况下,对数据进行融合。如果只是过程的信息未知,提出的自适应滤波,即是用观测信息对运动方程的噪声进行实时估计;如果运动方程和观测方程的噪声不准确,则可以采用H∞滤波进行噪声误差方差估计。

一种基于简化MRAS无速度传感器的永磁电机EKF磁链辨识

表面式永磁同步电机因其结构简单、功率密度高、效率高等优势,被广泛应用于高性能伺服系统以及其他工业场合中。由于电机控制性能受温度和磁饱和等现象影响,电机参数的在线辨识则显得至关重要。针对由于永磁电机数学模型阶数低造成无法由一个估计器同时辨识转速和电机参数的问题,本文提出了一种结合EKF和MRAS辨识的优点,在MRAS无速度传感器系统估计转速的基础上通过EKF观测器估计永磁体磁链的解决方法,并与精确MRAS算法作了比较,对自适应PI参数的选择进行了讨论。Simulink仿真研究验证了该方法的有效性和准确性,能满足电机运行速度快且动态要求高的场合需要。