基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。

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.

小波分析的自适应卡尔曼滤波模型在地铁隧道变形监测中的应用

为了加强地铁安全保护机制,基于测量机器人智能化、自动化的特点,对某试验区的地铁隧道进行变形监测,选择Trimble S9 HP测量机器人进行数据采集,通过云平台进行数据处理及变形分析,最后利用小波分析的自适应卡尔曼滤波模型对后期形变量进行预测。结果表明,自动测量机器人的测量精度满足隧道监测要求,完成了地铁隧道变形监测的预设目标,分析隧道结构的变形特征并通过小波分析的自适应卡尔曼滤波模型进行变形预测,所得预测数据精度较高,可以为今后工程建设和地铁维护提供参考。

基于递归小脑模型神经网络和卡尔曼滤波器的锂电池荷电状态预测

由于储能系统被广泛应用到新能源汽车、分布式发电等领域,其在运行过程中的可靠性是研究的重点之一。荷电状态(SOC)是反映电池续航能力的关键参数。为保证储能系统的正常运行,提出了一种锂电池SOC估计的方法,将递归小脑模型神经网络(RCMNN)和卡尔曼滤波器(KF)都用于荷电状态估计。为了强化RCMNN的捕获动态特征的能力,在联想记忆层和权值记忆层均加入了递归单元。将采集的电压、电流和温度作为模型的输入,用于模拟储能系统的不同充、放电情况。考虑到实际工况下电池放电的复杂性,在不同的放电条件和不同SOC初值的情况下将SOC的实际值与预测值进行对比。试验结果表明,该预测方法在不同条件下都具有较高的精度和鲁棒性。

基于集中式卡尔曼滤波干扰观测器的无模型自适应控制

针对一类具有测量扰动的离散时间非线性系统,提出一种基于集中式卡尔曼滤波干扰观测器的无模型自适应控制方法。利用动态线性化方法构造被控系统的线性化数据模型;根据线性化数据模型和传感器的测量数据,设计最优集中式卡尔曼滤波干扰观测器;并利用观测器的输出在线调整伪偏导数,提出系统的控制更新方案。该方案的设计和分析不依赖于除输入输出数据的任何模型信息,可避免常规无模型自适应控制方法容易受测量扰动的影响。仿真结果表明:与基于单个传感器卡尔曼滤波干扰观测器的无模型自适应控制方法相比,提出的基于多传感器最优集中式卡尔曼滤波干扰观测器的无模型自适应控制方法具有更好的跟踪性能和更大的数据信噪比。

基于GA-LSTM自适应卡尔曼滤波的路面不平度识别

准确、快速地识别出车辆当前行驶的路面激励信息,是实现智能底盘控制进而保证车辆平顺性的关键。针对传统路面不平度识别算法准确率低、自适应性差等问题,提出了基于遗传算法(genetic algorithm,GA)优化长短期记忆神经网络(long short-term memory networks,LSTM)自适应卡尔曼滤波的路面不平度识别算法。基于2自由度车辆悬架模型,通过灰色关联法选择LSTM神经网络的特征输入变量,并采用GA优化LSTM神经网络的模型参数以准确识别路面等级,并据此实时更新卡尔曼滤波器算法中的噪声矩阵,实现了在复杂路况下对路面不平度的自适应识别。仿真和试验研究表明,所提出的基于GA-LSTM自适应卡尔曼滤波算法能够快速准确的识别路面不平度与路面等级,与传统卡尔曼滤波算法相比,相关系数、均方根误差和最大绝对误差分别提高3.11%、37.5%和51.2%,表明所提算法对复杂工况具有很好的自适应能力。

一种基于动态残差的自适应鲁棒无迹卡尔曼滤波器定位算法

针对标准无迹卡尔曼滤波(UKF)定位算法无法满足移动机器人在不平整地面运动时高精度定位要求的问题,结合抗差估计理论,提出了一种自适应鲁棒无迹卡尔曼滤波器(ARUKF)定位算法。ARUKF根据动态残差对UKF的预测值进行抗差自适应调整,减小了外部干扰对系统预测值的影响,提高了系统的精度与鲁棒性,通过减少采样过程的运算量加快了运算,并提高了系统实时性。仿真和现场测试结果表明,相较于UKF算法和基于Sage-Husa的改进UKF算法,ARUKF算法对不平整地面产生的扰动能更快收敛,具有更加优异的精度、鲁棒性和实时性,平均距离误差小于2 mm,平均角度误差小于0.016 rad,可以满足更苛刻的建筑施工现场放线要求。

基于PNGV模型与自适应卡尔曼滤波的铅炭电池荷电状态评估

储能电池应用广泛,准确估计储能电池的荷电状态(state of charge,SOC)对提高电池健康状态有重要意义。铅炭电池作为一种高性能、低成本、高安全性的新型储能电池,在储能电站等场景受到广泛关注,而目前尚缺少铅炭电池SOC估计相关研究。本工作首先通过静流间歇滴定技术探究铅炭电池的荷电状态与开路电压关系,后通过混合脉冲功率性能试验得到铅炭电池的伏安特征数据,建立一阶Thevenin和一阶PNGV等效电路模型,利用基于代理模型和灵敏度分析的随机算法(surrogate optimization algorithm,SOA)对两种等效电路模型进行参数辨识。在此基础上,利用扩展卡尔曼滤波算法(extended Kalman filter,EKF)估计铅炭电池SOC,估算过程考虑噪声干扰。另外,在铅炭电池SOC初值未知的情况下,EKF算法不能准确估计铅炭电池SOC。因此,本工作提出采用自适应扩展卡尔曼滤波算法(adaptive extended Kalman filter,AEKF)对铅炭电池进行状态估计,来弥补EKF的不足。结果表明,在存在噪声且SOC初值未知的情况下,AEKF算法较EKF算法和安时积分法更能准确估计铅炭电池SOC,在给定SOC初值为0.9时,误差最小,为3.91%,验证了算法的有效性与适用性,提高了铅炭电池荷电状态估计的准确性和可靠性。

自适应卡尔曼滤波在杆塔作业智能防坠中的应用研究

目前输电线路杆塔作业存在高空坠落的安全隐患,为提高杆塔作业人员作业的安全系数,提出一种基于自适应卡尔曼滤波的杆塔作业目标跟踪方法。文章结合跟踪目标运动特点,采用匀速运动模型为研究模型,对系统离散模型进行自适应卡尔曼滤波理论推导;在不同噪声和异常数据下对比分析了传统卡尔曼与自适应卡尔曼的跟踪性能。分析结果表明,自适应卡尔曼滤波算法能够较好地跟踪预判目标轨迹,能够适应复杂的跟踪环境,可应用在杆塔作业智能防坠系统中。

变循环发动机自适应无迹卡尔曼滤波器设计

针对变循环发动机健康参数估计问题,设计了一种自适应无迹卡尔曼滤波器。该算法通过最大化后验密度函数来建立过程噪声协方差和测量噪声协方差的自适应更新方程,以改善传统无迹卡尔曼滤波器设计中先验参数需要根据经验来设置,进而导致滤波器性能受人为因素影响较大的问题。以带核心机驱动风扇级的变循环发动机为对象,进行了不可测参数估计仿真试验,对所设计的自适应无迹卡尔曼滤波器算法进行了仿真对比验证。结果表明:在单参数退化条件下,健康参数平均估计误差不大于2%;多参数退化条件下,健康参数平均估计误差不大于1.8%;该算法性能优于增广卡尔曼滤波器、传统无迹卡尔曼滤波器,相较于传统无迹卡尔曼滤波器性能提升9.5%。

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明:所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的遮挡干扰问题。

基于多项式模型和卡尔曼滤波器的正交频分复用自适应信道估计算法

在正交频分复用(OFDM)系统中,为了准确地检测接收信号并实现解调,必须对信道的传输函数进行准确估计.本文提出了一种适用于OFDM通信系统,基于二阶多项式模型和卡尔曼滤波器(Kalman filter)的自适应信道估计算法.利用二阶多项式模型对无线时变信道进行建模,通过合理安排插入导频结构,使用块状导频,可以使得原本二维的时频多项式模型减少到一维,降低信道估计算法的复杂度.同时,在多项式模型的基础上,将时变无线信道等效为一autoregressive(AR)过程,从而建立起卡尔曼滤波器的过程方程与测量方程,通过卡尔曼滤波器的递推公式,即可实现对多项式模型参数的自适应估计.本文提出的算法可以仅使用最少的导频(即与多项式模型参数相同个数的导频)实现准确的信道估计.由于每次所需导频个数的减少,接收端所需存储的未解调信号的数量也随之降低,大幅减少了接收端所需的存储空间.计算机仿真证明,与线性插值算法和基于二阶多项式模型算法的信道估计相比,在相同输入信噪比和归一化多普勒频移条件下,本文提出的算法具有较低的误码率.

基于平方根容积卡尔曼滤波器的非线性模型参数识别

针对容积卡尔曼滤波器在参数识别过程中截断误差导致算法终止的问题,采用平方根容积卡尔曼滤波器、容积卡尔曼滤波器和奇异值容积卡尔曼滤波器分别对MFS模型、Bouc-Wen模型进行参数识别。结果表明:平方根容积卡尔曼滤波器得到MFS模型参数b、K、Q识别值的均方根误差比容积卡尔曼滤波器和奇异值容积卡尔曼滤波器至少降低了19.17%、29.88%和2.64%。容积卡尔曼滤波器识别Bouc-Wen模型不稳定,平方根容积卡尔曼滤波器识别值的均方根误差比奇异值容积卡尔曼滤波器至少降低17.04%。平方根容积卡尔曼滤波器既提高非线性模型参数识别精度,又具有良好的数值稳定性。

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。

基于改进卡尔曼滤波器的扰动抑制无模型自适应控制方案

针对无模型自适应控制方法在测量扰动作用下控制效果不佳的问题,本文提出了一种新的扰动抑制无模型自适应控制方案.首先基于受控系统的动态线性化数据模型及测量扰动的统计特性,在最小方差估计准则下推导了基于系统输入输出数据的改进卡尔曼滤波器.然后基于此滤波器给出了一种新的扰动抑制无模型自适应控制方案.该方案仅需用到受控系统的输入输出数据,即可实现在强测量扰动作用下系统的无模型自适应控制.仿真结果显示,相比现有的扰动抑制无模型自适应控制方案,该方案在系统跟踪常值参考信号、时变参考信号时均能有效地抑制测量扰动,适用性更好的同时可以获得更小的跟踪误差及更大的数据信噪比.

渐消卡尔曼滤波器的最佳自适应算法及其应用

本文依据卡尔曼滤波器在使用最佳增益时,其余差序列互不相关的性质,开发了一种新的渐消滤波算法。该算法根据对象输出,在线自适应地调整遗忘因子,从而使滤波器在对象模型存在误差或对象受到外扰时,仍收敛并保持最佳性。该算法已应用于造纸机控制,取得较好效果。

基于卡尔曼滤波器的交流伺服系统自适应滑模控制

为了减小负载转矩扰动和系统参数摄动对永磁同步电机控制系统的影响,提出了一种基于卡尔曼滤波器的自适应滑模速度控制器。该控制器由自适应律估计参数摄动项,用卡尔曼滤波器估计外部扰动项。设计了含积分作用的滑模面,以保证电机转速的无静差跟踪;采用了指数趋近律,以提高趋近速度并削弱抖振。卡尔曼滤波器估计得到的系统外部扰动前馈补偿至控制器的输出,用于有效降低滑模控制器的不连续切换项造成的系统抖振。实验结果显示:跟踪设定的600r/min转速时,控制器稳态转速精度达到±1r/min。电机在以600r/min稳速运行时,设计的控制器在1.6N·m的外部转矩扰动下的最大转速波动比传统PI控制器的转速波动减小了2%。仿真分析和实验数据表明基于卡尔曼滤波器的自适应滑模控制器对交流伺服控制系统具有较强的抗扰动性、鲁棒性以及良好的稳态性能。

一种自适应联合卡尔曼滤波器及其在车载GPS/DR组合导航系统中的应用研究

—本文设计了实现车载ＧＰＳ／ＤＲ组合导航系统最优综合的联合卡尔曼滤波器，并给出了滤波算法。提出了一种自适应联合卡尔曼滤波器结构及其算法，并应用于ＧＰＳ／ＤＲ组合导航系统的最优综合校正中。理论分析及计算机仿真结果均表明，应用该自适应联合卡尔曼滤波器可大大提高车载ＧＰＳ／ＤＲ组合导航系统的定位精度及容错能力。

基于模糊逻辑控制的舰船组合导航自适应卡尔曼滤波器(英文)

双天线GPS提供的载体姿态信息与惯性导航系统信息进行融合可提高组合导航系统的性能。由于在实际应用中,GPS接收机可能会受到某种干扰无法提供舰船航向信息,从而降低传统卡尔曼滤波器的性能。因而提出了一种新的基于模糊逻辑控制的自适应卡尔曼滤波器。改进后的卡尔曼滤波器使用两个模糊逻辑控制器来调整两个系统的组合模式,并且根据卡尔曼滤波器的内部状态、GPS工作状态和舰船运动状态来计算卡尔曼增益。通过使用INS和GPS的实测数据验证,这种基于模糊逻辑控制的自适应卡尔曼滤波器能有效的提高INS/GPS组合导航系统的性能。

基于多重渐消因子的自适应卡尔曼滤波器

现有计算渐消因子的自适应卡尔曼滤波器得到的通常是标量渐消因子,从而导致各滤波通道具有相同的调节能力,不利于提高滤波精度。针对该问题,提出了一种利用估计均方误差和新息协方差估计值来计算多重渐消因子的方法,通过一组并行工作的基于限定记忆指数加权的新息协方差估值器来计算渐消因子,并根据估计均方误差把渐消因子分配给各滤波通道,从而提高自适应卡尔曼滤波器整体性能,仿真结果证明了所提方法的有效性。