基于改进的无迹卡尔曼滤波长基线定位算法研究

在复杂的水环境中,自主水下机器人(Autonomous Underwater Vehicle, AUV)运用声学导航系统实现自主导航并确保精确定位。针对水声环境中由于外部噪声带来的定位精度损失问题,提出一种改进的无迹卡尔曼滤波(Adapt Unscented Kalman Filter, AUKF)长基线定位算法。该算法在无迹卡尔曼算法(UKF)的基础上引入遗忘因子,充分利用新的测量数据动态调整测量协方差矩阵和过程协方差矩阵,有效避免因长期运行带来的累计误差。实验结果显示,当AUV沿两种不同轨迹运行时,AUKF算法的均方根误差最低,分别为2.901 1、19.221 5。该算法定位精度高,适用于长时间工作的高精度水下定位。

基于无迹卡尔曼滤波的液体火箭发动机故障诊断

针对火箭发动机故障数据难以获取的问题,设计了一种基于无迹卡尔曼滤波(UKF)的液体火箭发动机故障诊断算法。采用MATLAB/Simulink平台搭建了液体火箭发动机故障仿真模型,实现发动机正常运行仿真和预燃室氧阀门故障、氧主泵汽蚀、氢主涡轮叶片脱落3种故障仿真。将正常运行仿真值与设计值、试车值进行了对比。结果表明:模型参数与设计值最大误差不超过5%,仿真精度较高;仿真参数变化趋势与试车值基本一致,且稳态值误差较小。使用UKF算法求取发动机正常运行阈值范围,并对故障序列进行滤波处理,若故障数据连续3次超出阈值区间,且在0.1 s内有至少2个涡轮泵发出报警,则判定故障发生,故障发生时间为第2个涡轮泵报警时间。使用设计算法对3种故障序列进行诊断,判定故障发生时间分别为20.08 s、20.05 s、20.18 s。相比于传统红线阈值算法,文中所设计算法响应更为及时,且误报率较低。

自适应双层无迹卡尔曼滤波的车辆状态估计

针对在车辆行驶状态估计中存在估计不准确、鲁棒性较差以及系统噪声不确定等问题,提出一种将双层无迹卡尔曼滤波(DLUKF)与改进的Sage-Husa算法相结合的自适应双层无迹卡尔曼滤波算法(ADLUKF)作为车辆行驶状态的估计器,再结合三自由度汽车模型对车辆行驶的横摆角速度和质心侧偏角进行估计。通过改进的Sage-Husa滤波器对系统过程噪声和测量噪声进行动态调整,进而减少车辆行驶状态估计的误差。应用Carsim与Matlab/Simulink进行联合仿真以及实车试验数据来验证该估计器的有效性,并与无迹卡尔曼滤波(UKF)算法进行对比。结果表明:与UKF算法相比,该算法有效提高了车辆行驶的横摆角速度和质心侧偏角的估计精度和稳定性。

基于分数阶模型多新息无迹卡尔曼滤波算法的超级电容SOC估计

对超级电容的SOC估计展开了研究。首先,搭建了超级电容测试平台,用于超级电容的参数辨识,并对超级电容进行了常规性能测试;其次,在不同的环境温度和动态工况下采用多种算法进行超级电容SOC估计。结果表明,采用分数阶模型多新息无迹卡尔曼滤波(FOMIUKF)算法对超级电容SOC的估计精度最高,对超级电容的路端电压跟随情况最好,估计结果的均方根误差和平均绝对误差的最大值分别约为1.8%和1.73%。

基于无迹卡尔曼滤波的精密时钟同步算法

工业以太网中,各设备对时钟同步精度的要求越来越高。以IEEE1588协议理论为基础,设计一种基于无迹卡尔曼滤波的时钟同步算法。通过对PTP得到的时间差进行观测,获取对下一个周期时钟偏差、时钟频率的估计值,使用该估计值校正从时钟频率和时钟偏差,以保证时钟同步。实验证明,该方法能够有效提高时钟同步精度。

基于无迹卡尔曼滤波算法的喷涂机器人末端位姿补偿系统

喷涂建筑机器人在进行建图时无法将地面平整度的信息包含在地图中。当机器人按照所建地图运行时,由于地面信息的缺失,喷涂建筑机器人工作末端的喷涂夹具无法与墙面平行。为补偿喷涂夹具相对于墙面之间的位姿误差,提出一种基于无迹卡尔曼滤波的多传感器融合的喷涂夹具位姿补偿方法:以位移测量传感器测得的数据构建夹具位姿的状态方程,以陀螺仪测得的数据构建夹具位姿测量方程;利用无迹卡尔曼滤波算法获得夹具姿态的最优估计并将其传递给机器人,从而实现对喷涂夹具位姿误差的补偿。搭建实验平台验证了误差补偿系统的可行性。实验结果表明,误差补偿后的喷涂夹具相对于墙面之间的角度误差减小至0.005°。

无迹卡尔曼滤波估计空间目标特征信息

为了加强对空间目标,尤其是非合作目标的探测监视,空间目标的各种特性正受到越来越多的关注。通过无迹卡尔曼滤波对空间目标的位置、速度、姿态、角速度和材料复折射率5种状态参数进行了反演估计。利用观测角度、光度和偏振度数据作为观测值估计目标的状态,基于位置与速度运动学模型和姿态与角速度动态模型,完成5种状态的时间演化,实现了对5种状态参数的联合估计。仿真结果表明,设置合理的状态初始值、状态方程和测量方程噪声,5种状态参数误差均能合理收敛,无迹卡尔曼滤波能够较好地预测空间目标的5种特征参数,同时也验证了观测角度、光度和偏振度数据可以用于反演空间运动目标的5种非直接观测特征信息。

基于无迹卡尔曼滤波和小波分析的IMU传感器去噪技术研究

获得精确的姿态信息是跌倒检测的关键。文中在姿态角解算问题中提出一种基于无迹卡尔曼滤波和小波滤波的改进方法,通过Savitzky-Golay滤波器和小波滤波融合算法对加速度计以及陀螺仪数据进行降噪处理,利用降噪后的加速度数据对陀螺仪数据进行PI积分补偿,将补偿后的陀螺仪数据进行Mahony解算,其结果作为无迹卡尔曼滤波的状态信息;其次通过加速度值解算,将其结果作为无迹卡尔曼滤波的量测信息实现姿态解算。实验表明,在静态条件下,相对于常见的扩展卡尔曼滤波融合切比雪夫滤波算法,该方法使IMU传感器原始加速度计精度提高了83.3%,姿态角标准差平均减少了0.00193,能够有效地减少随机噪声。零点漂移、高斯噪声对IMU传感器姿态角信号的影响,使跌倒检测系统在复杂的环境条件下具有较高的精度以及稳定性。

基于无迹卡尔曼滤波的动力电池状态估计

准确预测动力电池的荷电状态(SOC)与健康状态(SOH)对电动汽车电池系统的安全运行至关重要。卡尔曼滤波(KF)算法被广泛用于动力电池的状态估计,但非线性误差较大。提出利用无迹卡尔曼滤波(UKF)算法实现对动力电池状态的准确估计。首先,通过分析动力电池实验数据,建立一阶等效电路模型,模型拟合优度达到0.992。随后,加入容量衰退机制模拟锂离子电池老化过程,并对电池进行恒流充电以及随机放电循环,模拟动力电池实际工况。不同初始值下,SOC、SOH估计的均方根误差均小于0.01,且随着循环次数的增加,误差逐渐减小。

基于滤波平滑的迭代无迹卡尔曼滤波算法

针对强非线性动态函数情况下无迹卡尔曼滤波(unscented Kalman filter,UKF)先验估计精度严重降低的问题,提出了一种基于滤波平滑的迭代UKF算法来改进UKF的时间更新。通过研究固定间隔无迹Rauch-Tung-Striebel平滑器的部分反向平滑操作,可以获取滤波动态模型更精确的输入,进而得到更精确的状态先验估计,而将该迭代UKF算法与用于处理量测更新的传统迭代UKF算法结合,可进一步改进滤波解。利用单变量非平稳增长模型对所提迭代UKF算法的有效性进行了验证,结果表明:对于非线性动态模型,提出的迭代UKF算法的性能有明显提升,且将该算法与传统迭代UKF算法相结合,可进一步提高UKF的性能。

自适应无迹卡尔曼滤波算法在水下组合导航系统中的应用

【目的】解决水下组合导航系统中先验噪声与实际噪声分布不匹配时,融合滤波性能下降问题,提高自主式水下航行器导航精度。【方法】提出一种自适应无迹卡尔曼滤波算法(AUKF),在融合算法中引入自适应因子;重构系统状态方程中速度项与状态变量的结合方式,解决系统方差不一致问题。通过仿真实验和半物理实验验证该算法的有效性。【结果与结论】与无迹卡尔曼滤波算法相比,在平均位置估计偏差上,AUKF算法的纬度均方根误差(RMSE)降低27%,经度RMSE降低27%,高度RMSE降低25%。AUKF在面对偏差对系统状态的扰动时能够有效抑制滤波发散,从而有效地提高自主式水下航行器的导航精度。

四驱车辆交互式多模型自适应无迹卡尔曼滤波路面附着系数估计

路面附着系数对车辆动力学控制性能有重要影响,为准确实时估计路面附着系数,提高算法在不同路面及工况下的估计精度与收敛速度,本文针对分布式四轮驱动车辆,结合7自由度车辆动力学模型和Dugoff轮胎模型,提出了一种基于交互式多模型的自适应无迹卡尔曼滤波(IMM-AUKF)路面附着系数估计方法,首先将改进的Sage-Husa噪声估计器引入到无迹卡尔曼滤波(UKF)算法中,构建了自适应无迹卡尔曼滤波(AUKF)观测器,以对测量噪声进行实时更新并保证其协方差矩阵的正定性,同时提高新观测数据的权重,并增强算法的实时跟踪精度和稳定性;然后通过选择不同的观测变量,分别构建了车辆纵向行驶工况AUKF观测器和横纵向耦合工况AUKF观测器,并利用交互式多模型(IMM)算法进行观测器模型的切换,进而实现算法在车辆不同行驶工况下路面附着系数的准确估计。高附、低附、对接以及对开等路面仿真试验及实车道路试验结果表明,所提出的IMM-AUKF算法相比于传统的UKF算法,具有更高的估计精度与更快的收敛速度,能够适应不同工况下路面附着系数的实时准确估计。

基于自适应无迹卡尔曼滤波算法的锂电池荷电状态预测

针对无迹卡尔曼滤波在噪声不稳定和工况复杂的情况下锂电池荷电状态预测准确度低的问题,提出基于二阶等效RC电路模型,采用遗忘因子递推最小二乘法对模型参数进行辨识,使用自适应无迹卡尔曼滤波算法(AUKF)对锂电池荷电状态进行预测,最后在DST数据工况下,验证预测模型的准确性。对无迹卡尔曼滤波(UKF)算法和提出的AUKF算法进行仿真对比,结果表明:所提算法的最大误差在±0.02之内,预测精度更高、适用性更强。

基于双无迹卡尔曼滤波的电动汽车状态惯性监测

为了能够对车辆动力惯性参数开展非线性评价,开发了一种分布结构驱动力电动汽车双无迹卡尔曼滤波(Dual unscented Kalman filter,DUKF)方法与状态观测系统联合系统车辆惯性监测方法。采用离散化方法建立车辆非线性动力学观测器,有效满足了车辆的非线性动力学评价要求。研究结果表明:相对DEKF方法,采用DUKF方法观测时达到了更小振荡程度,到达稳态观测阶段时,DUKF达到了更接近实际值的稳态观测效果,促进观测精度的显著提升,可以与非线性车辆动力学评价系统之间达到良好适应性。该研究有助于提高自动驾驶的稳定性,为后续的理论研究奠定一定的基础。

自适应渐消无迹卡尔曼滤波锂电池SoC估计

精确的荷电状态(SoC)是锂电池安全高效运行的重要保障,文章针对传统无迹卡尔曼滤波(UKF)对非线性系统突变状态跟踪能力差,导致SoC估计精度低的问题,提出一种新型自适应渐消无迹卡尔曼滤波(AFUKF)SoC估计方法。首先,通过设计新型衰减因子对UKF误差协方差矩阵进行加权,并基于新型衰减因子完成AFUKF的设计,减小陈旧量测值对估计结果的影响,提高传统UKF的估计精度和跟踪能力。其次,基于自主实验平台测试数据,验证了本文所提AFUKF算法存在初始误差时,相较于传统UKF算法,ECE工况下平均绝对误差和均方根误差分别下降了47.95%和33.92%,DST工况下分别下降了36.40%和27.73%;相较于同类改进的AUKF算法,ECE工况下平均绝对误差和均方根误差分别下降了43.36%和33.51%,DST工况下分别下降了39.01%和25.63%。模型结果表明,相比于传统UKF算法以及同类型改进的AUKF算法,AFUKF具有更高的估计精度,且在相同初始SoC误差条件下具有更好的鲁棒性。

基于无迹卡尔曼滤波水下WPT系统副边关键参数在线辨识

为提升无线电能传输(wireless power transfer,WPT)系统传输性能,需在控制过程中实时获取负载与耦合系数等关键信息,而该信息的获取目前普遍采用无线通讯模块或增加额外通信线圈等方式,增加了系统复杂度,尤其面临复杂水下工况及高频电磁环境,在通讯过程中极易造成通讯异常而导致系统瘫痪。为此,文中提出一种新型基于无迹卡尔曼滤波的WPT系统互感及负载关键参数在线识别方法,该方法仅需采样原边侧电压瞬时值,即可实时获取互感与负载等关键参数信息。同时为提升辨识精度与收敛速度,采用离线式神经网络指导粒子群优化算法建立系统噪声协方差矩阵。实验结果表明,该算法具有模型简单、计算精度较高等特点,在变负载、变移相控制角及偏移情况下,所提出的在线辨识方法对负载与互感的最大识别误差分别为6.19%和1.7%,且2 ms左右即可完成负载的动态识别,具有一定的工程应用价值。

基于无迹卡尔曼滤波的反窃电自动化检验系统

在电力系统发展过程中,窃电行为不仅会产生巨大的经济损失,还会引起火灾,影响电力公司的安全运行。为此,设计了基于无迹卡尔曼滤波的反窃电自动化检验系统。构建检验系统模型,根据模糊逻辑函数,计算卡方验证匹配参数。利用离散算法建立检验设备的系统状态方程和系统测量方程,加权处理信息噪音干扰。分析无迹卡尔曼滤波动状态,计算均方误差值,实现反窃电自动化检验。实验结果表明,基于无迹卡尔曼滤波的反窃电自动化检验系统准确率在98%以上,可保证电力公司的安全运行。

随机丢包的无迹卡尔曼滤波估计以及性能分析

在工程应用中,无线网络控制系统多为非线性系统。由于长距离传输和通信网络不可靠等原因,系统传感器的测量值可能在传输过程中丢失,影响精度估计以及系统性能。文中研究一类受相关噪声和传感器测量值丢失影响的非线性离散随机系统的无迹卡尔曼滤波问题。通过引入一个服从伯努利分布且条件概率已知的随机变量来描述随机发生的传感器测量值丢失现象。文中提出了一种对数据进行补偿的算法,并使用标准数值软件对所得结果进行验证。结果表明,经过算法补偿后的滤波能够较好地估计系统,可以减少传感器测量值丢失对滤波器性能的影响,增加估计的准确性。

基于卡尔曼滤波算法的电池状态估计

为更好地获得锂离子电池荷电状态SOC(state-of-charge)估计值,选用二阶等效电路模型作为研究对象,针对带有遗忘因子的递推最小二乘法在参数辨识中易受到噪声等环境因素干扰的缺点,提出偏差补偿最小二乘法来实现模型参数的准确辨识,并结合无迹卡尔曼滤波算法对SOC进行估计。针对无迹卡尔曼滤波算法稳定性差等缺点,提出利用权重向量更新滤波算法中的卡尔曼滤波增益。实验结果表明,所提算法估计SOC的总误差可控制在2.7%以内,验证了算法的鲁棒性和有效性。

基于扩展KRSL无迹卡尔曼滤波的约束动态状态估计

动态状态估计作为监测系统动态变化的有效手段,对电力系统稳定运行具有重要意义。然而,采集和传输的数据中往往存在时变非高斯量测噪声和离群值,使得基于均方误差准则的传统卡尔曼滤波估计方法的精度不高。为此,首先定义广义核风险敏感损失函数,将其引入无迹卡尔曼滤波框架以实现鲁棒状态估计。然后,考虑同步发电机和控制器模型存在不同条件约束,通过伪量测法将约束条件引入上述估计算法中,以解决估计值超出真值变化范围而产生较大估计偏差的问题,从而进一步提升估计精度。最后,应用新英格兰16机68节点网络模型在不同条件下进行仿真实验,以验证算法的有效性。