为提高转向架构架模型的修正效率和实时性,提出了一种基于Kriging模型和无迹卡尔曼滤波的模型修正方法。首先,对构架进行模态分析,引入信息熵确定模态阶数来优选频响函数频率区间。其次,构造Kriging模型,将频响函数经过小波变换并提取第...为提高转向架构架模型的修正效率和实时性,提出了一种基于Kriging模型和无迹卡尔曼滤波的模型修正方法。首先,对构架进行模态分析,引入信息熵确定模态阶数来优选频响函数频率区间。其次,构造Kriging模型,将频响函数经过小波变换并提取第4层低频系数作为Kriging模型输出,并通过改进的灰狼算法(grey wolf optimizer,GWO)确定Kriging模型相关参数值。最后,以待修正参数作为状态向量,以Kriging模型预测的小波系数和真实响应的小波系数之差的平方和作为观测函数,通过无迹卡尔曼滤波算法求解待修正参数。结果表明,所提方法对构架模型参数修正有良好的精度、效率和鲁棒性,且在0.03 s内收敛到真实值。展开更多
针对无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计锂电池荷电状态(state of charge,SOC)时精度低、稳定性差、产生的sigma点过多导致计算难度大等不足,提出一种基于自适应球形不敏变换方式的无迹卡尔曼滤波(unscented Kalman f...针对无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计锂电池荷电状态(state of charge,SOC)时精度低、稳定性差、产生的sigma点过多导致计算难度大等不足,提出一种基于自适应球形不敏变换方式的无迹卡尔曼滤波(unscented Kalman filter based on adaptive spherical insensitive transformation,ASIT-UKF)算法。该算法通过使用球形不敏变换方式选择权系数以及初始化一元向量对sigma点的产生进行选取。与UKF算法相比,ASIT-UKF算法产生的sigma点减少近50%,使得算法的计算复杂度大大降低。同时,将产生的所有sigma点进行单位球形面上的归一化处理,提高了数值的稳定性。考虑到实际运行中锂电池系统噪声干扰带来的不确定性,加入Sage-Husa自适应滤波器对不确定性噪声的干扰进行实时更新和修正,以达到提高在线锂电池SOC估计精度的目的。最后,将均方根误差和最大绝对误差计算公式引入到性能估计指标中。实验结果表明,ASIT-UKF算法在准确度、鲁棒性和收敛性方面具有优越的性能。展开更多
文摘为提高转向架构架模型的修正效率和实时性,提出了一种基于Kriging模型和无迹卡尔曼滤波的模型修正方法。首先,对构架进行模态分析,引入信息熵确定模态阶数来优选频响函数频率区间。其次,构造Kriging模型,将频响函数经过小波变换并提取第4层低频系数作为Kriging模型输出,并通过改进的灰狼算法(grey wolf optimizer,GWO)确定Kriging模型相关参数值。最后,以待修正参数作为状态向量,以Kriging模型预测的小波系数和真实响应的小波系数之差的平方和作为观测函数,通过无迹卡尔曼滤波算法求解待修正参数。结果表明,所提方法对构架模型参数修正有良好的精度、效率和鲁棒性,且在0.03 s内收敛到真实值。
文摘针对无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计锂电池荷电状态(state of charge,SOC)时精度低、稳定性差、产生的sigma点过多导致计算难度大等不足,提出一种基于自适应球形不敏变换方式的无迹卡尔曼滤波(unscented Kalman filter based on adaptive spherical insensitive transformation,ASIT-UKF)算法。该算法通过使用球形不敏变换方式选择权系数以及初始化一元向量对sigma点的产生进行选取。与UKF算法相比,ASIT-UKF算法产生的sigma点减少近50%,使得算法的计算复杂度大大降低。同时,将产生的所有sigma点进行单位球形面上的归一化处理,提高了数值的稳定性。考虑到实际运行中锂电池系统噪声干扰带来的不确定性,加入Sage-Husa自适应滤波器对不确定性噪声的干扰进行实时更新和修正,以达到提高在线锂电池SOC估计精度的目的。最后,将均方根误差和最大绝对误差计算公式引入到性能估计指标中。实验结果表明,ASIT-UKF算法在准确度、鲁棒性和收敛性方面具有优越的性能。
