基于拓展卡尔曼滤波的货运列车载重估计算法

货运列车的作业场景多样、线路条件恶劣,其牵引、制动系统具有大时延、强约束等特点。目前在货运列车的控制系统中,通常通过建立复杂的列车多质点运动模型来设计控制算法以实现精确控制。但在实际运营中,货运列车的编组情况、作业时间和牵引质量都不固定,车载设备获取精准模型参数的代价高,这也是货运列车自动驾驶(automatic train operation,ATO)系统难以大规模应用的主要原因。针对货运列车牵引质量不固定的问题,文章提出了一种基于拓展卡尔曼滤波(EKF)的货运列车载重估计算法,其在ATO系统控制列车起动过程中,以ATO系统的控制输出和列车运动状态作为输入,实时估算列车的载重,校正控制系统模型和参数,减少了司机在人机交互界面频繁输入/确认列车数据的操作,同时也提高了ATO系统的控制精度和效率。仿真结果显示,在司机输入相对准确载重值的基础上,所提算法可以估计得到更准确的载重值,在2 000 t载重仿真实验中,估计误差控制在3.5%~4.0%之间。这表明该算法能有效降低ATO系统对多质点运动模型的要求,提高了ATO系统控车的精度。

基于自适应拓展卡尔曼滤波的锂电池荷电状态估计

荷电状态(State of Charge,SOC)是评价电池性能的重要指标。准确估计SOC,对于最大化电池容量和性能至关重要。目前,测量SOC的方法较多,同时也较为成熟,但是寻求更为有效与准确的估测方法还存在研究探索空间。提出了一种SOC估计方法,将带有遗忘因子的递归最小二乘(FFRLS)参数识别算法与基于自适应扩展卡尔曼滤波器(AEKF)的在线SOC估计方法相结合。基于二阶RC等效电路模型,采用FFRLS算法实时识别电池参数。利用识别出的参数,AEKF算法动态调整系统噪声参数,以获得更精确的SOC估计结果。所提出的SOC估计方法通过HPPC和UDDS工况验证,得出算法误差约为2%,证明了所提出方法的准确性和鲁棒性。

基于推广卡尔曼滤波算法的SOC估算策略

为了估算锂离子动力电池的荷电状态,以Thevenin模型为基础,建立了数学关系简单,易于工程实现的状态空间模型。在此基础上,对模型进行了线性化处理,采用推广卡尔曼滤波算法实现了对电池荷电状态的估算。仿真结果表明,该模型能较好地体现电池的动静态特性,推广卡尔曼滤波算法在估算过程中能保持很好的精度,并对初始值的误差有很强的修正作用,对噪声有很强的抑制作用。

CO-OFDM系统中基于卡尔曼滤波对相位噪声补偿算法的研究

基于卡尔曼滤波提出了两种相干光正交频分复用(CO-OFDM)系统的相位噪声补偿算法,这两种算法在发射端的时域均插入导频,并在接收端对导频进行卡尔曼滤波,最后利用插值算法补全全部子载波的相位噪声。仿真结果表明,基于最小均方误差(MMSE)准则的判决反馈算法在相位噪声比率为10^(-4)时,系统误码率约为10^(-4),并且出现了错误平层,而基于卡尔曼滤波所提出的两种相位噪声算法在大相位噪声的情况下仍然具有较好性能且能有效地降低错误平层,因而所提出的相位噪声补偿算法能改善CO-OFDM系统的性能。

集合卡尔曼滤波数据同化在一维波动方程中的应用

简要回顾了集合卡尔曼滤波(EnKF:EnsembleKalmanFilter)数据同化方法的发展历史,并介绍了EnKF数据同化方法的基本原理,利用一维非线性波动方程进行了数值试验。EnKF数据同化方法的实现过程简单可行,避免了EKF中协方差演变方程预报过程中出现的计算不准确和关于协方差矩阵的大量数据的存储问题,最主要的是EnKF可以有效控制模式变量估计误差方差的增长,改善预报效果。

无迹卡尔曼滤波(UKF)的应用比较分析

在高斯噪声环境下,由于扩展卡尔曼滤波(EKF)在目标跟踪应用中精度低和可能出现的滤波发散,将无迹卡尔曼滤波(UKF)应用于非线性系统的目标跟踪.通过UKF在目标跟踪中的应用和仿真结果的分析比较表明,与EKF相比较,UKF收敛快、对噪声适应能力强,算法实现简单.

2种卡尔曼滤波算法的应用分析

将传统的扩展卡尔曼滤波(EKF)和基于无味变换(UT)和标准卡尔曼滤波体系相结合的无味卡尔曼滤波(UKF)算法应用于反辐射导弹抗雷达关机的技术中,并对其进行仿真分析。结果表明,UKF算法具有跟快的收敛性和具有更高的精度,并能有效克服非线性严重时出现的滤波发散的问题,较好地达到了反辐射导弹抗雷达关机的目的。

基于无迹卡尔曼滤波器的雷达测距算法研究

广义卡尔曼滤波(EKF)在进行数据处理时,仅对测距系统和量测方程作泰勒级数展开且仅保留线性项,因而EKF只适用于弱非线性对象的估计,被处理对象的非线性越强,引起的估计误差就越大,甚至会引起滤波发散。将无迹卡尔曼滤波(UKF)应用于非线性系统的目标处理。通过UKF在雷达测距中的应用和仿真结果分析表明,与EKF相比,UKF收敛快、对噪声适应能力更强且算法实现更简单。自适应无迹卡尔曼滤波(AUKF)可以对系统模型进行实时估计,通过分析知道无迹卡尔曼滤波算法满足实时性跟踪要求,实现了对运动目标的快速跟踪。

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。

基于扩展卡尔曼滤波和希尔伯特-黄变换瞬时频率的齿轮啮合刚度辨识算法

齿轮副是传动系统中的重要部件,齿轮在啮合过程中会出现单、双齿交替参与啮合的情况,造成齿轮啮合刚度周期变化,引起系统振动。齿轮的啮合刚度与齿轮的状态有关,当齿轮出现故障时,齿轮啮合刚度会发生变化,因此通过监测齿轮的啮合刚度就能够估计齿轮副的工作状态。根据齿轮副的动力学模型建立齿轮啮合刚度的离散辨识模型,提出基于扩展卡尔曼滤波器和希尔伯特-黄变换瞬时频率,利用振动信号对齿轮啮合刚度进行估计的动态辨识算法。仿真和实测结果表明,所提出的方法能够跟踪辨识齿轮的啮合刚度,具有较高的辨识精度。

基于卡尔曼滤波的锂电池SOC估算影响因素研究

锂电池组的SOC估算是纯电动汽车剩余里程估计与能量管理的基础,也是电池管理系统的基础工作。卡尔曼滤波算法便于实现实时估计、能更好地适应电动汽车剧烈变化的工况而被广泛使用。为获得基于卡尔曼滤波算法的锂电池组SOC估算的影响因素,文章以磷酸铁锂电池组为研究对象,建立锂电池组的PNGV状态空间模型,并设计了EKF算法和UKF算法。在ADVISOR工况放电数据下,分别估算了锂电池组的SOC,分析了影响锂电池组滤波器滤波性能的因素。仿真实验结果表明,卡尔曼滤波算法相关参数初值的选择对SOC估算精度产生了重要影响。

基于拓展卡尔曼滤波算法的无人机迎角估计分析

阐述针对无人机运行中易发生迎角失控的问题,结合动力学模型与拓展卡尔曼滤波算法,构建无人机迎角估计算法模型,完成基于拓展卡尔曼滤波算法的无人机迎角估计,从而提升无人机飞行安全。

大失准角下SINS的KF/EKF2混合滤波对准

针对捷联惯导系统(SINS)大失准角下滤波对准过程中非线性滤波器状态维数过大的问题,提出了一种基于模型分解的卡尔曼滤波/二阶扩展卡尔曼滤波(KF/EKF2)混合滤波方法,将基于欧拉平台误差角的非线性滤波模型分解为线性部分和非线性部分,分别采用线性KF滤波和非线性EKF2滤波处理,并且设计了混合滤波的滤波步骤。实验结果表明,KF/EKF2混合滤波算法在计算量、实时性及精度等方面优于最常用的无迹卡尔曼滤波(UKF)和EKF2滤波。

基于AFEKF的锂离子电池SOC估算方法

针对利用扩展卡尔曼滤波算法估算锂电池荷电状态时,由于历史数据影响易产生累积误差的问题,提出了一种基于自适应渐消扩展卡尔曼的SOC估算方法。选用Thevenin等效模型并用递推最小二乘法进行电池参数辨识,通过将自适应渐消因子引入EKF算法中,抑制历史数据对当前状态估算的影响,完成锂电池SOC估算。结果表明:AFEKF算法在递推20次时可有效收敛,具有较好鲁棒性,估算SOC的平均误差为1.03%,误差均方根为1.21%,平均运行时间为1.476 s,可以较好地模拟电池的动静态特性。

一种采用联邦EKF的分布式INS/UWB人员无偏紧组合定位方法（英文）

为了实现精确的人员定位,提出了一种采用联邦EKF的分布式INS/UWB人员紧组合定位方法。在这种模式下,将数据融合滤波器应用于UWB无线通信信道中。INS与UWB分别测量得到的参考节点到未知节点之间距离的平方值被用于预估INS的导航解算误差。在此基础上,主滤波器将各信道滤波器的预估值进行数据融合,最后得到最终的INS导航解算误差预估。实验结果显示,该方法能够准确地提供人员位置信息,与集中式滤波器相比,平均位置误差降低了10.34%左右。

基于BP-EKF算法的电动汽车电池管理系统SOC精准估计

以数字信号处理器DSP(TMS320LF2407)为主控芯片,完成了电动汽车电池管理系统平台的搭建。电池荷电状态(SOC)的精准估计是电动汽车电池管理系统的核心任务之一,本文为提高SOC估计的准确性,提出了基于BP神经网络法与拓展卡尔曼滤波(EKF)法相结合的一种新算法(BP-EKF)。在对磷酸铁锂电池进行试验分析之后,运用Matlab的人工神经网络工具箱建立BP神经网络,并利用试验得到的数据对所建立的BP神经网络进行训练,从而利用训练好的BP神经网络优化补偿拓展卡尔曼滤波算法的估计结果。经过仿真实验验证两种算法的准确性,结果表明,与单纯的EKF滤波法相比,基于BP-EKF算法的SOC估计值的准确性有了显著的提高,且具备很好的适用性。

基于EKF的AMR锂电池SOC动态估计研究

AMR在科研和军事方面的应用决定了其需要一个能够准确、实时估计出锂电池SOC的估计值。由于AMR工作中的放电具有很强的动态性,使得传统估计方法用于锂电池SOC的动态估计效果很不理想。本文描述了EKF方法在AMR锂电池SOC动态估计中的应用。模拟AMR工况进行动态放电试验。试验结果表明,该估计方法能够实时而准确地得到SOC值。

基于UKF滤波的自主移动机器人锂电池SOC估计

准确估计剩余电量(state of charge,SOC)关系到自主移动机器人(AMR)的生存与安全,是AMR研究中所面临的主要挑战之一。针对广义卡尔曼滤波估计SOC的不足,本文给出基于无色卡尔曼滤波(UKF)估计AMR锂电池SOC的新方法。通过试验对UKF和EKF进行了比较。试验验证了同样条件下,UKF比EKF具有更好的滤波估计精度。

基于UKF滤波的时差定位与跟踪

由于无源时差定位隐蔽性强,抗干扰性好,定位精度高,相对于测向时差联合定位需要处理的数据少,因此是网络雷达中最主要的定位方式。提出将UKF滤波算法应用到网络雷达的时差定位跟踪中。计算机仿真实验表明,应用UKF算法比以往EKF类算法在滤波性能上有明显的提高。

利用EKF实现PMSM无转子位置检测控制

介绍一种采用外推卡尔曼滤波实现对转速与转子位置观测的控制方案 ,对外推卡尔曼滤波在无转子位置检测磁场定向控制中的应用原理进行了详细的分析 ,并实现了对转速与转子位置的解耦 ,最后给出了利用扩展卡尔曼滤波实现永磁同步电动机无转子位置检测磁场定向控制系统的仿真结果 。