一种自适应扩展卡尔曼滤波的永磁同步电机无位置传感器矢量控制

在粗差干扰或噪声统计偏差情况下,扩展卡尔曼滤波(EKF)对永磁同步电机(PMSM)的速度和转子位置估计存在精度下降问题,为此提出一种基于新息序列的自适应扩展卡尔曼滤波算法(AEKF)。首先,将粗差干扰加入系统观测方程中,分析粗差干扰对系统观测精度的影响。其次,为增强算法的抗扰性能,在新息协方差计算中设置加权系数,通过调整临近时刻的新息协方差阵权重,计算出新息协方差值,并更新到卡尔曼增益的计算。最后,建立AEKF数学模型,并对比粗差干扰与噪声统计出现偏差情况下,AEKF与EKF两种策略的观测性能。仿真和实验结果表明,在粗差干扰或噪声统计信息出现偏差情况下,AEKF算法对永磁同步电机转速的观测具备更强的鲁棒性及更高的预测精度。

基于混合自适应扩展卡尔曼滤波的永磁同步直线电机等效机械参数辨识策略

针对机械参数辨识精度受推力系数波动影响而降低的问题,提出等效机械参数模型,将推力系数与待辨识参数相结合,并推导该模型在控制器调谐和前馈补偿上与传统模型的等效性。为了进一步实现等效机械参数在线辨识,构建基于混合自适应扩展卡尔曼滤波的辨识器。混合自适应扩展卡尔曼滤波在系统噪声矩阵和渐消因子中加入自适应机制,能够估计系统噪声,并在负载突变时快速收敛。通过对系统可观性和矩阵正定性的推导,证明算法的稳定性。最后,在一台永磁同步直线电机上进行实验,验证所提算法的有效性及其在PWM周期为32 kHz和10 kHz时在线运行的可行性。

基于自适应插值强跟踪扩展卡尔曼滤波的电力系统动态状态估计研究

针对扩展卡尔曼滤波(extended Kalman filter,EKF)算法在电力系统状态估计时存在鲁棒性差,精度被非线性系统的非线性程度制约大等缺点,提出一种自适应插值强跟踪扩展卡尔曼滤波(adaptive interpolation strong tracking extended Kalman filter,AISTEKF)算法,用于电力系统的动态状态估计。新算法利用自适应插值在两个连续采样点之间增加伪量测值,减小了EKF的线性化误差,有效提高了算法估计的精度;此外,该方法在EKF算法基础上引入强跟踪理论,增强了算法估计的鲁棒性。为验证所提出方法的有效性,分别运用EKF算法、自适应插值扩展卡尔曼滤波(adaptive interpolation extended Kalman filter,AIEKF)算法和AISTEKF算法对IEEE-5节点系统和IEEE-30节点系统进行动态状态估计。实验结果表明,与EKF和AIEKF算法相比,无论在高斯噪声环境下还是3种有偏噪声环境下,AISTEKF算法的电压幅值估计精度和电压相角估计精度都有显著性提高。所提出的新算法是一种鲁棒性好且估计精度高的电力系统状态估计方法。

最大相关熵准则下改进扩展卡尔曼滤波的车辆状态估计

针对传统卡尔曼滤波在非高斯环境下对车辆状态估计鲁棒性和精度差的问题,提出最大相关熵准则(MCC)下改进自适应迭代扩展卡尔曼(AIEKF)滤波算法(MC-AIEKF),建立横-纵耦合的三自由度车辆模型,利用易测得的车载传感器信息设计了包含横摆角速度、质心侧偏角、纵向车速的状态观测器。在双移线和正弦扫频输入工况下通过Simulink/CarSim仿真试验平台对提出的算法进行了验证。结果表明,在非高斯环境下,相比于扩展卡尔曼滤波(EKF)和AIEKF,MC-AIEKF算法估计精度高,鲁棒性好,在实际的车辆状态估计中MC-AIEKF具有更强的适用性。

基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计

电池荷电状态(SOC)的准确估计对于电动汽车动力电池的管理至关重要,而电动汽车在实际运行时经常会遇到SOC数据突变的问题,同时所建立的电池模型和噪声模型也存在一定误差,这导致传统扩展卡尔曼滤波算法在SOC估算过程中自适应性和鲁棒性较差。针对这些问题,本文提出使用自适应渐消扩展卡尔曼滤波算法(AFEKF),应用于锂离子电池的SOC估计。引入渐消因子对系统噪声协方差进行自适应迭代,从而实时更新最优卡尔曼增益,减少数据突变和电池模型误差等因素带来的影响,通过在复杂工况下的实验对比可知,AFEKF相比于标准EKF(extended Kalman filter),新欧洲驾驶循环工况下SOC估算精度提高0.78个百分点,变电流工况下估算精度提高0.5个百分点,同时在电池SOC初始值不准确的情况下能更快更平稳地收敛到真实值,表明AFEKF算法相比EKF估算SOC具有更高的估算精度和更好的鲁棒性。

基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法

针对复杂环境下雷达目标跟踪系统易受外界干扰引入噪声污染分布问题,为了保证系统实时可靠,提出了一种基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法(innovation-based adaptive extended Kalman filter,IAEKF)。通过建立系统新息统计特性,构造系统与量测噪声函数,将新息协方差直接引入滤波器增益矩阵计算,在不增加计算代价的同时,改善算法的自适应性。仿真实验表明,在雷达测量系统受时变噪声污染分布影响下,IAEKF算法相比EKF算法跟踪精度高,算法可行且有效,具有一定的工程研究价值。

基于改进自适应扩展卡尔曼滤波的高精度姿态解算

针对传统自适应扩展卡尔曼滤波的姿态角度解算精度低的问题,分析了Sage-Husa自适应滤波原理,设计了一种改进加权的测量噪声协方差矩阵,提出一种优化自适应滤波过程的扩展卡尔曼滤波方法(WAEKF)。该方法以自适应扩展卡尔曼算法为基础,通过设置不同的权重值更新测量噪声协方差,对测量噪声进行自适应滤波,实现姿态角度的有效解算。实验结果表明,该方法相较于传统的自适应扩展滤波算法大幅提高了姿态角的解算精度,其航向角的均方根误差和平均绝对误差分别降低了84.23%,78.28%。

基于模糊扩展卡尔曼的直线感应电机无速度传感器控制

直线感应电机(linear induction motor,LIM)可实现无接触、无摩擦的直线运动,具有爬坡强、横断面小、低噪音等优势,在中低速磁悬浮与城市轨道交通中被广泛应用。其中,基于观测器的电机无速度传感器矢量控制方法,是解决速度传感器成本高、可靠性低、维护难等问题的有效途径。针对LIM速度辨识受系统内外扰动影响导致观测精度下降问题,提出基于模糊扩张卡尔曼滤波(Fuzzy Extended Kalman Filter,FEKF)的速度观测方法,提高观测器鲁棒性。首先在αβ坐标系下建立考虑动态边端效应的LIM数学模型,利用LIM的实时电流和电压作为输入信号,以电流、磁链和速度作为状态变量,推导出基于扩展卡尔曼滤波(extended kalman filter,EKF)观测器电机状态空间方程的离散模型,利用EKF对LIM的速度和磁链进行在线观测,并用于实现LIM的矢量控制。其次,为提高EKF的噪声协方差矩阵Q对LIM系统内外扰动的鲁棒性,引入模糊控制方法对矩阵Q进行自适应调整,实现速度与磁链的估计精度。具体通过计算系统理论残差与实际残差的偏离程度得到噪声调节因子,实时调整噪声协方差矩阵Q,并在下一周期更新模糊扩展卡尔曼的反馈增益矩阵,提高对速度与磁链的估计精度。之后对系统的能观性与FEKF的收敛性进行分析,探明矩阵Q中各参数的边界及整定规律。最后通过仿真和硬件在环实验验证所提FEKF优化算法的有效性,结果表明FEKF能有效提高对LIM速度辨识准确性,实现LIM无速度传感器矢量控制。

基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆状态估计

本文中提出了一种基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆行驶状态估计算法。首先建立了非线性3自由度车辆估算模型和Dugoff轮胎模型。接着通过对纵向加速度、侧向加速度、横摆角速度和转向盘转角等低成本传感器信号的信息融合,实现对车辆行驶状态的准确估计。最后应用CarSim和Matlab/Simulink联合仿真对算法进行验证。结果表明:基于改进的Sage-Husa自适应扩展卡尔曼滤波的估计算法能比扩展卡尔曼滤波算法更准确、稳定地估计车辆行驶状态。

基于扩展卡尔曼滤波的无人机航姿算法

针对小型无人机在大机动或连续飞行时姿态解算精度低的问题,提出了一种基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)的航姿算法。该算法以机体系加速度分量与陀螺漂移作为待估状态量,建立了非线性滤波模型,在对传感器量测值预处理的基础上完成数据融合,获得了姿态角数据的准确输出,同时,根据外部运动加速度的大小不断调整噪声协方差以达到对EKF的自适应修正,从而抑制无人机航姿解算中磁干扰的影响。经三轴转台实验测试,姿态角的静态误差不超过0.5°,动态误差不超过2°,瞬变磁干扰误差不超过5°,该结果表明该算法能有效提高小型无人机的航姿解算精度。

新的自适应渐消扩展卡尔曼滤波在GPS定位中的应用

当实际数据出现突变时,基于最小二乘、扩展卡尔曼滤波的GPS定位解算存在定位结果精度低和稳定性差的问题。提出一种自适应渐消扩展卡尔曼滤波算法,通过自适应渐消迭代系统噪声协方差,来实现抑制数据突变影响。试验结果表明:该算法相比最小二乘、扩展卡尔曼滤波,其定位精度有所提高;相比传统渐消扩展卡尔曼滤波,其收敛速度、稳定性有所提高。

自适应扩展卡尔曼滤波在卫星姿态确定系统中的应用

扩展卡尔曼滤波(以下简称EKF)算法应用于卫星姿态确定系统时需要已知精确的系统模型及过程噪声和观测噪声统计特性,并有计算量过大的问题。本文在EKF算法中加入噪声观测器,构成自适应扩展卡尔曼滤波算法(Adaptive Extended Kalman Filter,以下简称AEKF),使系统能够在传感器噪声统计特性未知的情况下,依然获得较高的系统状态估计精度,增强了系统的鲁棒性。并且AEKF算法简化了系统状态方程,相对于EKF算法减少计算量。经数学仿真验证,AEKF算法能较好地对传感器噪声的统计特性进行在线估计,使姿态确定系统正常工作,有较高的工程应用价值。

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier,HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network,RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter,EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio,ACPR)比LM算法改善了2 d B.

自适应扩展卡尔曼滤波器在移动机器人定位中的应用

针对移动机器人定位过程中存在的误差积累问题,提出了采用自适应扩展卡尔曼滤波算法(AEKF).分析了扩展卡尔曼滤波(EKF)和AEKF两种算法,AEKF取采样时刻的各项泰勒级数,并利用Sage-Husa时变噪声估计器实时估计观测噪声,克服了线性化误差,增强了环境适应性;同时,对AEKF的收敛性及运算复杂度进行分析,并结合算法实验表明AEKF具有良好的速度精度综合性价比;最后对比分析两种算法实现机器人定位的效果并实验完成误差对比.结果表明AEKF具有更优的定位性能.

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.

基于自适应扩展卡尔曼滤波器的永磁同步电机超低速控制

在使用低精度编码器的条件下,为获得永磁同步电机良好超低速控制性能,提出了一种适用于宽转速、高噪声环境下,获得伺服驱动系统瞬时转速、角位移和等效负载转矩的在线估计方法。通过构建基于扩展卡尔曼滤波器的最优状态估计器,在线辨识系统转动惯量及迭代更新估计器系数矩阵,实现了准确、实时和稳定的状态估计。仿真和试验结果表明,该算法可获得良好的低速控制性能,并对环境噪声和系统建模误差具有良好的鲁棒性。

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。

基于自适应插值扩展卡尔曼滤波的永磁同步电机状态估计

PMSM无传感控制的转速与转子位置估计对系统至关重要,扩展EKF算法作为无传感控制技术被广泛应用在工业领域。但是EKF算法在系统线性化过程中产生截断误差,对于高度非线性模型无法得到精确估计值。为减小EKF算法因非线性问题而造成的误差,文中提出了一种基于AIEKF状态估计法。该方法以量化状态方程的非线性程度为依据,通过添加伪状态值减小EKF算法线性化中产生的误差对估值精度的影响,从而降低系统在线性化过程引起的误差。仿真计算结果表明,AIEKF较EKF的截断误差平均降低了55.6%。

GPS动态定位中的自适应扩展卡尔曼滤波算法

针对全球定位系统(GPS)提出一种扩展卡尔曼滤波器算法.这种滤波器算法直接从GPS接收机输出的定位结果入手,将各种误差因素的影响等效为一个总误差,对GPS接收机的机动载体的加速度采用当前统计模型,并利用线性卡尔曼滤波器进行动态定位数据的处理.本模型简单,实时性好,滤波后定位精度得到提高.

基于自适应扩展卡尔曼滤波的消能减震结构及附加阻尼力识别

针对消能减震结构中阻尼器提供的阻尼力难以直接测量,对其性能及状态进行评估较为困难的问题,提出了一种基于自适应扩展卡尔曼滤波的结构参数及未知激励识别方法,并将其应用于消能减震结构的阻尼器特性识别.当阻尼器结构模型已知时,该方法可对阻尼器参数进行识别;当阻尼器结构模型未知时,阻尼器对结构提供的附加阻尼力可视为结构所受附加未知激励,同样也可由该方法进行识别.采用一个多层剪切框架结构和一个多层加装阻尼器的消能减震结构作为数值算例,并采用一个单层加装阻尼器的剪切框架结构作为试验算例,验证了所提出的方法的有效性和可行性.所提出方法可为消能减震结构中阻尼器的特性识别及性能评估提供更多的依据.