基于改进联合扩展卡尔曼算法的AGV车SOC估算研究

结合自动引导车(AGV车)运行工况中充电电流大、间歇充电以及放电电流的特点,文章根据电池SOC估算的需求和锂离子电池的外特性,解决电池SOC估算的非线性和电流漂移问题,对电流突变情况下的SOC估算存在较大误差进行分析,提出了利用动态增益系数对Joint-EKF算法进行改进,提高Joint-EKF算法在电流突变时估算算法的跟踪性能和实时性。

移动机器人的卡尔曼滤波定位算法改进与仿真

针对传统卡尔曼滤波算法和扩展卡尔曼滤波算法应用于移动机器人定位系统时出现的误差值较大和算法发散现象,在定位算法中引入修正因子对状态估计方程进行优化。分析传统卡尔曼滤波和扩展卡尔曼滤波的定位算法原理,研究运动过程中驱动力和摩擦力对移动机器人的影响,引入修正因子改进卡尔曼滤波算法,并对传统卡尔曼滤波算法、扩展卡尔曼滤波算法和改进算法做仿真对比和研究。仿真结果表明:修正因子对传统卡尔曼滤波算法和扩展卡尔曼滤波算法都具有改进效果,能提高定位精度。

基于二阶近似扩展卡尔曼滤波的锂离子电池SOC估计

为提高电池荷电状态(SOC)估计的准确性,更高阶的扩展卡尔曼滤波(EKF)算法被用来估计SOC值。首先建立锂离子电池一阶Thevenin等效电路模型,采用样条函数来表述开路电压(OCV)和SOC值的函数关系。为更加精确地识别等效电路模型参数,提出一种新的带有可变遗忘因子最小二乘法(VFFRLS)的算法来在线识别模型参数。由于VFFRLS解的精度依赖于算法初始值的设定,为此采用改进粒子群算法求得模型初始参数值,进而得到更加精确的VFFRLS初始值。最后采用二阶EKF来估计电池的SOC值,以此提高估计精度。两组不同的数据集用来证明二阶EKF估计SOC值具有普适性。实验结果表明,二阶EKF在估计不同工况条件下的SOC值时,平均绝对误差(MAE)都保持在1%以内,由此证明了所提方法的有效性。

基于改进PNGV模型的电池SOC估计算法研究

针对储能磷酸铁锂电池并根据磷酸铁锂电池电化学阻抗谱研究,提出一种双RC并联环节的改进PNGV模型,在HPPC实验下辨识模型参数。针对扩展卡尔曼滤波(EKF)算法在估计电池荷电状态(SOC)时不能实时估测噪声的缺点,将Sage-Husa自适应算法引入EKF算法得到自适应扩展卡尔曼滤波算法,并通过对噪声实时预测和修正来提高电池SOC估计精度。在Matlab/Simulink中搭建电池及SOC估计仿真模型并在模拟动态工况下进行仿真。仿真结果表明改进PNGV模型精度优于PNGV模型;自适应扩展卡尔曼滤波算法估计电池SOC时较EKF算法收敛速度更快,估计精度更高。模型及算法的改进取得较好的效果。

基于强跟踪延迟滤波算法的互馈双电机联合状态估计

通过分析交流传动互馈实验系统的工作特点,采用联合控制策略实现互馈双电机的高性能控制。为避免传感器安装带来的问题,提出一种新型的联合状态估计方法实现双电机转速、转矩和磁链的同时估计。在感应电机降阶模型的基础上引入运动和转矩方程,得到输出方程为一阶状态延迟的四阶模型。在强跟踪滤波算法和延迟扩展卡尔曼滤波算法的基础上,提出适用于上述模型的强跟踪延迟滤波算法,从而建立互馈双电机联合状态估计算法。通过各种工况下的交流传动实验对其进行验证,实验结果表明,该方法能有效估计互馈系统在各种工况下运行时的电机状态,同时在极低速和零速时具有理想的估计精度和跟踪速度,且计算复杂度适中,适用于互馈系统电机状态的在线联合估计。

基于前向神经网络的非线性时变系统辨识改进EKF算法

为了克服传统扩展卡尔曼滤波算法进行参数估计时可能产生的新数据失效问题,提出了一种改进的扩展卡尔曼滤波(EKF)步骤,然后将改进步骤做为人工神经网络的学习算法用于基于前向神经网络的非线性时变系统辨识。与传统的扩展卡尔曼滤波步骤相比克服了新数据的饱和现象,可以更好地反映系统时变特征。通过一个单变量一般时变非线性系统和一个三自由度非线性时变刚度结构系统算例,仿真验证了新算法在辨识精度和计算量方面的改进特性。

基于AEKPF算法对锂离子电池SOC与SOH的联合估计

为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter,AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合SOH实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和SOH估计值,而且AEKPF算法联合SOH可以有效提高SOC的估计精度,仿真绝对误差不超过±1%.

基于DSSOGI锁频环与改进鲸鱼优化算法的波浪发电系统功率优化控制

为改善波能转换器的能量捕获效率问题,提出基于双自调谐二阶广义积分器(DSSOGI)锁频环与改进鲸鱼算法的优化控制方案。基于水动力模型的频域响应分析,寻求波浪发电系统最优负载,引入DSSOGI锁频环结构实时测量波浪频率,并采用扩展卡尔曼滤波方法,加快动态响应速度,预估波浪主频。当海况发生变化时,通过DSSOGI锁频环结构,实时监测波浪频率,及浮体相应的速度、位移等信息。根据商用软件求解浮体的非线性参数,结合IWOA算法,求解最优邻域的负载参数,使系统处于最优负载状态,提高捕获效率。仿真结果表明,所提控制方案能有效改善水动力参数非线性问题,增加系统输出功率。

基于联合估计迭代算法的三轴磁力仪标定补偿方法

地磁场测量过程中,三轴磁力仪受到多种干扰因素的影响而产生误差,对测量精度造成影响。在分析地磁场测量值误差来源的基础上,建立了三轴磁力仪测量一体化模型,提出采用联合估计迭代算法对其进行标定,并比较了该方法与扩展卡尔曼滤波算法、非线性最小二乘算法的性能。在仿真结果基础上,构建实验系统对所提方法进行实验验证。仿真和实验结果表明:3种方法中,联合估计迭代算法补偿误差均值和标准差最小,且收敛速度最快,可将三轴磁力仪测量值误差均值由142.4 nT降至12.5 nT,标准差由170.0 nT降至29.2 nT,抑制比达到84.51%;为三轴磁力仪的标定补偿提供了一种有效的方法。

基于DEKF联合估计的CD3S信号解调算法

针对实值混沌直接序列扩频(chaotic direct sequence spread spectrum,CD3S)信号同步难、解调难的问题,利用混沌码同步与信息码解调间的关联性,提出了一种基于双扩展卡尔曼滤波联合估计的CD3S信号解调算法。算法采用双扩展卡尔曼滤波结构,交替进行混沌码估计与信息码估计,通过联合估计完成混沌扩频码同步,并实现信息码的解调。考虑到信息码状态相互独立造成的卡尔曼增益退化问题,算法改进了信息码估计时的卡尔曼增益计算方法。仿真结果表明,该算法可以实现CD3S信号的正确解调,改进卡尔曼增益解调可以有效改善CD3S系统的误码性能。

一种改进的汽车雷达数据实时聚类算法

为了更好地在复杂多目标环境下进行汽车雷达数据的实时聚类,使用扩展卡尔曼滤波算法(EKF)对基于密度的聚类算法(DBSCAN)进行改进,并通过仿真和实测实验进行验证。结果表明:新算法在进行增量聚类时每次耗时可以保持在一个稳定且较低的水平;新聚类在不增加时间复杂度的情况下进行自适应聚类,可以解决汽车雷达数据密度不均匀的情况。可见新算法同时实现了增量和自适应DBSCAN聚类,同时保证聚类的效率和准确度。

一种基于超宽带技术的改进定位算法

目的:针对UWB室内定位技术由于室内环境复杂等原因导致的定位精度降低的情况,提出了一种在TOA模型下的改进定位算法。方法:该算法结合了Chan与Taylor算法的内容及思想,在对线性方程组进行加权最小二乘的同时,根据门限值的比较进行多次迭代,以获得比Chan和Taylor算法更高的精度,最后对扩展卡尔曼滤波进行改进,将估计值作为改进扩展卡尔曼滤波算法的初始值,对位置进行二次估计定位。结果:通过Matlab仿真该算法得到均方根误差小于12 cm,稳定在10 cm左右。结论:实验表明,与Chan、Taylor算法相比,本文算法能有效减小定位误差,具有更好的稳定性和精度。

基于ABP-EKF算法的锂电池SOC估计

电池荷电状态(state of charge,SOC)的准确估计是电动汽车合理实施电池管理的前提条件和重要依据。针对目前电动汽车对动力电池SOC估计精度的不断提高这一问题,利用联合估计法对锂电池SOC进行研究。基于Thevenin电池模型与修正的安时积分算法,推导出了锂电池的输出方程以及状态空间模型,通过采集实验过程中的相关数据并应用递推最小二乘法对电池模型参数作出辨识。分析了扩展卡尔曼滤波(EKF)算法以及自适应BP神经网络算法的原理,联合两种算法并在此基础上提出了自适应BP-EKF算法(ABP-EKF)。运用所提出的算法对锂离子电池SOC进行联合估计,最后通过对比ABP-EKF与EKF两种算法估计锂电池SOC的数据,研究结果表明:所提出ABP-EKF算法相比于EKF算法在均值误差项与均方根误差项分别减少了3.9%和3.79%。

基于EKF和UKF的移动机器人定位算法优化与仿真

为了研究卡尔曼滤波算法在非线性系统中的定位预测效果,对扩展卡尔曼滤波算法和无迹卡尔曼滤波算法的应用结果做了分析对比,并且根据机器人的受力情况,在滤波算法中引入修正因子,对状态估计方程进行改进。仿真实验表明:无迹卡尔曼滤波算法在非线性系统中的定位效果优于扩展卡尔曼滤波算法;修正因子对两种算法都具有改进效果,提高了定位精度。

水下机器人姿态融合算法研究

针对水下机器人作业过程中使用扩展卡尔曼滤波算法进行姿态融合解算时,姿态信息会产生较大误差,设计了一种精准进行姿态融合的改进扩展卡尔曼滤波算法。水下机器人导航系统设计的关键在于多传感器数据融合的精确性。为了有效设计水下机器人多传感器数据融合算法,对水下机器人扩展卡尔曼滤波算法进行分析,设计了基于四元数的改进扩展卡尔曼滤波算法进行姿态融合解算。研究表明,改进后的算法降低了数据融合的噪声,提高了系统的收敛性。

基于预标定基坐标系及MIEKF算法的工业机器人标定方法

为了提高工业机器人的绝对定位精度和标定效率,提出一种基于预标定基坐标系及改进迭代扩展卡尔曼滤波(MIEKF)算法的运动学标定方法。该方法的优点在于用采集的位置数据进行基坐标系和工具坐标系预标定,节省两者拟合的时间。在建立位置误差模型时利用相关系数和复共线性分析去除模型的冗余参数。用MIEKF算法辨识模型的几何参数误差。通过实验对比验证,机器人经补偿后的绝对定位精度提高了88.07%。

基于IWHO-EKF的高速免耕播种机播种深度监测系统研究

为解决免耕播种机高速(12~16 km/h)作业时因地势起伏造成机械振动与传感器测量误差导致的播种深度监测系统精度降低,以及单一传感器监测可靠性较差的问题,研究了一种基于改进野马算法(Improved wild horse optimizer,IWHO)优化扩展卡尔曼滤波器(Extended Kalman filter,EKF)中关键参数Q_(sigma)、R_(sigma1)、R_(sigma2)、R_(sigma3)的多传感器数据融合算法(IWHO-EKF)的高速免耕播种机播种深度监测系统。首先,建立以激光、超声波与角度传感器为多传感器监测单元的播种深度监测模型;其次,通过卡尔曼滤波算法对3个单一传感器分别滤波;最后,提出一种加入莱维飞行与高斯变异的IWHO-EKF算法,将滤波后的3个单一传感器进行数据融合,从而解决机械振动干扰与传感器测量误差降低的问题,同时充分发挥多传感器融合信息,确保免耕播种机高速作业时实现高精度、高可靠性播种深度实时监测。为验证其优越性,通过IWHO-EKF算法与单一传感器监测、单一传感器滤波和WHO-EKF算法进行仿真对比试验与田间试验。仿真试验表明:基于IWHO-EKF的高速免耕播种机播种深度监测算法平均绝对误差为0.073 cm,均方根误差为0.090 cm,相关系数为0.983,实现了高精度监测,且精度相较于传感器原始监测值、滤波值与WHO-EKF算法均显著提升。田间试验结果表明:基于IWHO-EKF算法的高速免耕播种机播种深度监测系统相较于3个单一传感器监测值,平均绝对误差和平均均方根误差分别降低0.063 cm和0.067 cm,同时平均相关系数提升0.027,该系统能够提高播种深度监测系统的精确性和可靠性。

立面作业机器人姿态感知系统设计与分析

针对立面作业机器人在大型立面设备中容易发生姿态倾斜的问题,本文设计了一种基于惯性测量单元对立面作业机器人的姿态进行全方位感知、检测的立面作业机器人姿态感知系统。该系统分析了机器人在滑移和倾覆状态下的受力情况,得出机器人稳定吸附的条件。同时,本文还提出了一种基于扩展卡尔曼滤波算法对获取的传感器数据进行滤波融合,并结合PID控制算法对系统进行动态调节的方法,该方法有效改善了机器人姿态倾斜问题。最后通过联合仿真实验验证了该系统的有效性,为后续立面作业机器人的设计和应用提供了技术参考。

基于优化EKF的永磁同步电机转速估计

为了解决在永磁同步电机无速度传感器直接转矩控制系统中,扩展卡尔曼滤波器在转速估计时系统噪声矩阵和测量噪声矩阵难以较准确获得的问题,提出了一种基于改进粒子群优化的扩展卡尔曼滤波器转速估计方法,该方法融合了粒子群算法与遗传算法的优点,经过实验仿真表明,当将此方法应用于卡尔曼滤波器系统噪声矩阵和测量噪声矩阵寻优时,与遗传算法、标准粒子群算法相比,改进粒子群优化的卡尔曼滤波器能更加迅速地找到较优解。

不同温度下基于FFRLS-AEKF的锂电池SOC估计

荷电状态(SOC)是电池管理系统的重要指标。针对不同环境温度对于SOC估计的影响,分别建立基于温度影响的二阶RC等效电路模型与电池可用容量模型。在此基础上,采用带有遗忘因子的递归最小二乘法(FFRLS)对模型参数进行在线识别,同时结合改进的自适应扩展卡尔曼滤波算法(AEKF)实现SOC在线联合估计,以其闭环反馈系统通过迭代来保障估计的准确性。实验结果表明,该方法在不同的环境温度下都具有较高的精度,且最大误差小于1.2%,平均绝对误差小于0.6%,均方根误差小于0.5%。