结构恢复力非参数化模型识别的改进容积卡尔曼滤波方法

对地震等强动力荷载作用过程中结构损伤的发生发展过程进行识别,必须考虑结构行为的非线性。本文运用相对位移和相对速度的幂级数多项式表征结构恢复力模型,提出一种基于改进的容积卡尔曼滤波算法(Updated Cubature Kalman Filter, UCKF)和结构部分自由度上加速度响应时程的结构参数、未知响应及恢复力非参数化模型识别方法。以一个含磁流变阻尼器的多自由度数值模型为例,考虑20%的加速度响应测量噪声影响,识别出模型的结构参数、未知响应及阻尼力。并将本文方法所得结果分别与基于扩展卡尔曼滤波算法、传统容积卡尔曼滤波算法及含记忆衰退的扩展卡尔曼滤波算法所得结果进行比较。对一个带磁流变阻尼器的四层剪切型框架模型进行激振试验,基于部分自由度上的加速度响应时程实测值,识别出结构参数、未知动力响应以及阻尼器阻尼力的非参数化模型,通过与实测结果的比较,验证了本文方法的可行性。

基于改进的迭代容积卡尔曼滤波姿态估计

为了充分利用新的量测信息,提高姿态估计的精度,在分析现有迭代滤波策略存在问题的基础上,采用一种新的容积点迭代策略,将其与容积卡尔曼滤波算法相结合,提出了一种改进的迭代容积卡尔曼滤波(improved iterated cubature Kalman filter,IICKF)算法.该算法采用容积数值积分理论近似非线性函数的均值与方差,利用状态扩维理论来解决量测迭代中量测噪声与状态相关的问题,同时利用一种新的容积点迭代策略,即在量测迭代过程中直接采用容积点迭代,避免每步迭代都进行均方根计算来产生容积点,克服传统迭代策略是基于高斯近似产生采样点的局限,有效地降低扩维带来的计算量.仿真结果表明:该算法的估计精度高于乘性扩展卡尔曼滤波(multiplicative extended Kalman filter,MEKF)以及迭代容积卡尔曼滤波(iterated cubature Kalman filter,ICKF)算法,该算法的提出有助于提高姿态估计的精度.

基于容积卡尔曼滤波PMSM无位置传感器控制

为克服模型不精确和存在外部扰动导致卡尔曼滤波精度下降问题,提出一种改进容积卡尔曼滤波内置式永磁电机无位置传感器控制算法。建立了两相静止坐标下永磁电机状态方程,采用高斯过程回归对系统状态和量测进行学习,并替代容积卡尔曼滤波中的系统状态方程和量测方程。该方法保留了容积卡尔曼滤波算法的辨识精度,提高了模型不精确和存在外部扰动时系统的鲁棒性,实验结果表明,相对于对比卡尔曼滤波、扩展卡尔曼滤波和容积卡尔曼滤波算法,改进的容积卡尔曼滤波算法在辨识精度、实时性及鲁棒性上均更优,具有更广的应用前景。

基于改进型ASRCKF算法的锂离子电池荷电状态估计

针对锂电池荷电状态(state of charge,SOC)估计中由先验噪声统计特性未知导致的估计精度不高和鲁棒性差的问题,以二阶Thevenin等效电池模型为研究对象,提出一种改进型自适应平方根容积卡尔曼滤波器(adaptive square-root cubature Kalman fliter,ASRCKF)。改进型ASRCKF算法使用有偏噪声估值器对系统噪声和观测噪声协方差进行自适应更新,保证了协方差矩阵的非负定性。仿真结果表明,改进型ASRCKF算法能够准确地估算出锂电池SOC值,预测误差保持在1.4%以内,具有良好的鲁棒性和收敛性。

电池双滤波结构下模型参数与状态在线估计

在使用贝叶斯族估算电池荷电状态(SOC)时,由于电池初始参数及系统模型的不确定性,此类算法可能致使算法在运行中的某个时间点出现发散的情况。对此,采用改进型容积卡尔曼双滤波算法在线联合估计电池模型参数和SOC。同时,在对电池进行容量测试以及混合功率测试的基础上,使用对该算法电池进行评估。实验结果表明了电池状态估计的最大绝对误差为2. 95%,平均绝对误差为1. 20%。通过与单一滤波结构的算法进行对比,说明了双滤波结构在估算精度以及算法稳定性方面更优。