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。

一种基于动态残差的自适应鲁棒无迹卡尔曼滤波器定位算法

针对标准无迹卡尔曼滤波(UKF)定位算法无法满足移动机器人在不平整地面运动时高精度定位要求的问题,结合抗差估计理论,提出了一种自适应鲁棒无迹卡尔曼滤波器(ARUKF)定位算法。ARUKF根据动态残差对UKF的预测值进行抗差自适应调整,减小了外部干扰对系统预测值的影响,提高了系统的精度与鲁棒性,通过减少采样过程的运算量加快了运算,并提高了系统实时性。仿真和现场测试结果表明,相较于UKF算法和基于Sage-Husa的改进UKF算法,ARUKF算法对不平整地面产生的扰动能更快收敛,具有更加优异的精度、鲁棒性和实时性,平均距离误差小于2 mm,平均角度误差小于0.016 rad,可以满足更苛刻的建筑施工现场放线要求。

变循环发动机自适应无迹卡尔曼滤波器设计

针对变循环发动机健康参数估计问题,设计了一种自适应无迹卡尔曼滤波器。该算法通过最大化后验密度函数来建立过程噪声协方差和测量噪声协方差的自适应更新方程,以改善传统无迹卡尔曼滤波器设计中先验参数需要根据经验来设置,进而导致滤波器性能受人为因素影响较大的问题。以带核心机驱动风扇级的变循环发动机为对象,进行了不可测参数估计仿真试验,对所设计的自适应无迹卡尔曼滤波器算法进行了仿真对比验证。结果表明:在单参数退化条件下,健康参数平均估计误差不大于2%;多参数退化条件下,健康参数平均估计误差不大于1.8%;该算法性能优于增广卡尔曼滤波器、传统无迹卡尔曼滤波器,相较于传统无迹卡尔曼滤波器性能提升9.5%。

基于无迹卡尔曼滤波器的Sub Thalamic Nucleus神经元关键参数及变量获取

为了获取脑部神经一些不可测量的关键参数和变量。本研究提出以可测量的神经元膜电位为基础,通过无迹卡尔曼滤波(Unscented kalman filter,UKF)实时估计,实现关键参数和关键变量的获取。本研究以Sub Thalamic Nucleus(STN)神经元为研究对象,应用以上的方法分别实现了单个参数(钠离子通道电导gNa)的估计、多个参数(钠离子通道电导gNa,钾离子通道电导gk)的同时估计,以及多个变量(r、n、h及Ca离子浓度)的同时估计,证明了该方法的可行性。本研究还给出了UKF方法和自适应同步方法的对比,进一步证明了UKF方法的有效性。本研究提出的方法可以正确的估计出所需的关键参数和变量,对神经活动的外部电磁控制成为可能,对临床神经疾病的诊断和治疗具有重要的意义。

处理通信延迟的分布式无迹卡尔曼滤波算法

针对通信延迟影响下非线性系统的状态估计问题,提出了一种分布式无迹卡尔曼滤波器估计算法。考虑了一类由多个子系统组成的非线性系统,各子系统之间通过自身的状态相互作用;基于无迹卡尔曼滤波器原理,给每个子系统设计了相应的局部状态估计器来估计子系统的状态;各局部状态估计器通过通信网络来交换信息,考虑了通信时可能存在时变延迟,提出了一种状态预测器生成延迟子系统的状态预测,补偿延迟带来的影响;通过对一个反应器分离器过程工艺实例的应用,说明了所提出的分布式状态估计方案的有效性和适用性。

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.

电子档案信息化数据自适应无迹卡尔曼滤波降噪算法

针对降噪过程极易丢失原始数据,产生粗大误差后数据的噪声协方差初始值偏差的问题,研究了电子档案信息化数据自适应无迹卡尔曼(Kalman)滤波降噪算法。电子档案信息化架构包含数据层、业务层、用户层,数据层根据用户层的用户数据请求,完成电子档案信息化数据预处理、决策、监测、分析等,通过拉以达(Laida)准则对电子档案信息化数据提出假设,获取标准偏差概率,确定区间剔除粗大误差,应用Sage-Husa滤波器估计剔除粗大误差后数据的噪声协方差、抑制初始值偏差,最大限度地保留其原始数据,利用无迹卡尔曼算法,实时估计电子档案信息化数据的未知噪声特性,完成电子档案信息化数据降噪,并通过虚拟感应服务连接数据层、用户层、业务层,在业务层呈现用户所需电子档案信息。实验结果表明,该算法能够有效去除电子档案信息化数据的多种噪声,并保留有效数据。

基于无迹卡尔曼滤波器的改进SLAM问题求解方法

目前在即时定位与地图构建(Simultaneous Localization And Mapping,SLAM)的研究中已经使用局部取样策略来降低无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的计算复杂度至状态向量维数的平方等级.但是在大规模的SLAM中平方复杂度仍然难以满足实时性需求.为了解决这个问题,提出了一种收缩无迹卡尔曼滤波器(Shrink Unscented Kalman Filter,S-UKF),并应用于SLAM问题中.首先证明了解耦非线性系统中的部分取样策略和全取样策略的等价性.然后提出了一个通过重构公式中相关项的收缩方式来降低计算复杂度.最后,仿真实验的结果和基于真实环境数据集的实验结果证明了该方法的有效性.

基于自适应无迹卡尔曼滤波器的锂电池SOC估计

采用传统无迹卡尔曼滤波器(UKF)来估计锂电池荷电状态(SOC)的结果较为精确,但其应用前提是要精确获得系统过程噪声和观测噪声的统计特性。结合UKF与自适应滤波,提出一种自适应UKF(AUKF)算法,以二阶RC等效电路模型为基础,并以磷酸铁锂电池为测试对象,通过实验数据结合最小二乘法完成模型参数辨识,提出并详细给出基于无损交换(UT)自适应卡尔曼滤波器的算法步骤,测试实验结果表明:采用AUKF的算法估计锂电池SOC精度在恒流和美国城市循环工况(UDDS)动态工况下均能达到1.2%以内,相比传统的UKF算法具有更强的估计精度和自适应跟踪能力。

无迹卡尔曼滤波器在惯导初始对准中的应用研究

滤波技术在惯导系统初始对准中的应用是一项重要的研究内容，随着非线性滤波技术的发展，如何通过新的滤波技术来提高初始对准的性能近年来得到了广泛关注。文章针对可扩展卡尔曼滤波器存在着计算复杂和滤波不稳定的缺点，尝试了一种新的非线性滤波器——无迹卡尔曼滤波器。针对所采用的非线性初始对准模型的特点，对无迹卡尔曼滤波器进行了简化，将简化后的无迹卡尔曼滤波器应用于非线性初始对准中，得到了较好的对准效果。

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。

一种高阶无迹卡尔曼滤波方法

现有的研究中,高阶无迹变换(Unscented transform,UT)还不存在具体的解析解,因此,无法利用高阶无迹变换获得具备更高精度的高阶无迹卡尔曼滤波器(Unscented Kalman filter,UKF).为了解决这一问题,本文在五阶容积变换(Cubature transform,CT)的基础上,通过引入一个自由参数κ,得到高阶无迹变换的解析解,从而获得了高阶无迹卡尔曼滤波器(Unscented Kalman filter,UKF).同时验证了现有的五阶容积变换和五阶无迹变换分别是本文所提出的高阶无迹变换在κ=2和κ=6-n时的两个特例.进而分析和讨论了高阶无迹卡尔曼滤波器在系统不同维数条件下κ值的最优选取,并讨论了其稳定性.纯方位跟踪模型和弹道目标再入模型仿真验证了本文方法的正确性,且与现有方法相比具有更高的精度.

基于自适应无迹卡尔曼滤波的锂电池SOC估计

锂电池荷电状态(SOC)的准确估算是制约电动汽车发展的关键技术之一。针对传统Kalman滤波算法因固定的噪声滤波初值不能够跟随工况变化致使SOC估算不准确的问题,基于PNGV模型建立状态空间方程组,将Sage-Husa自适应滤波算法融合到无迹卡尔曼滤波(UKF)算法之中,对噪声进行实时预测和修正,进而提高SOC的估算精度。仿真实验结果表明,AUKF比UKF的估算值更接近于理论参考值,AUKF解决了UKF因固定噪声带来的误差问题,可提高电动汽车启动、巡航、制动等复杂工况下的电池组电流剧烈变化中SOC的估算精度。

基于无迹卡尔曼滤波的动力电池荷电状态估计

提出一种基于无迹卡尔曼滤波算法的荷电状态估计算法。扩展卡尔曼可以线性化非线性函数实现滤波递推,但对于强非线性系统可能会滤波发散,且复杂的计算难以保证系统的实时性。无迹卡尔曼通过对非线性函数的概率密度进行近似,用一系列确定的样本来逼近状态的后验概率密度。通过FUDS工况实验验证了无迹卡尔曼滤波算法在荷电状态估计的效果,结果表明SOC估计精度在3%以内,满足实验的要求。

自适应平方根无迹卡尔曼滤波算法

将高斯过程回归融入平方根无迹卡尔曼滤波(SRUKF)算法,本文提出了一种不确定系统模型协方差自适应调节滤波算法.该算法分为学习和估计两部分:学习阶段用高斯过程对训练数据进行学习,得到系统回归模型及噪声协方差;估计阶段由回归模型代替状态方程和观测方程,相应的噪声协方差实时自适应调整.该方法克服了传统方法容易受系统动态模型不确定性和噪声协方差不准确限制的问题,仿真结果验证了算法的有效性.

一种扩维无迹卡尔曼滤波

本文讨论了一种基于扩维的无迹卡尔曼滤波(A-UKF)。通过无迹变换(UT),引出了无迹卡尔曼滤波(UKF)的算法描述,进一步深入研究了扩维无迹卡尔曼滤波,它把非线性系统中的过程噪声和测量噪声引入到采样点中,当采样点通过非线性系统传播时,有效的削弱了噪声的影响,并在算法上进行了比较,说明了A-UKF比UKF的精确性要高。最后通过仿真进行了验证。

基于无迹卡尔曼滤波的iBeacon/INS数据融合定位算法

针对微机电惯性导航系统(MEMS-INS)定位解算存在积累误差及低功耗蓝牙技术iBeacon指纹定位存在跳变误差等问题,该文提出一种基于无迹卡尔曼滤波器(UKF)的iBeacon/MEMS-INS数据融合定位算法。该算法对iBeacon锚点与定位目标的距离进行解算,利用加速度计和陀螺仪的数据实现姿态阵和位置解算。将蓝牙锚点位置向量、载体速度误差信息等组成状态量,将惯性导航定位信息和蓝牙定位距离信息等组成观测量,设计无迹卡尔曼滤波器,实现iBeacon/MEMS-INS数据融合定位。实验测试结果表明,该算法有效解决MEMS-INS存在较大积累误差及iBeacon指纹定位存在跳变误差的问题,可以实现1.5 m内的定位精度。

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。

基于无迹卡尔曼滤波的单站混合定位跟踪算法

针对移动台的单站跟踪问题,以"到达时间和与到达时间差(TSOA/TDOA)"新型混合定位技术作为基础,提出一种基于"到达时间和与到达时间差"混合被动单站定位模型的无迹卡尔曼滤波跟踪算法。该算法以观测到的有噪信息为基础,引入"到达时间和与到达时间差"观测模式,使用受随机加速影响的匀速运动状态作为跟踪算法的状态模型,将无迹卡尔曼滤波(UKF)算法应用在移动台的定位跟踪上,实现了对移动台的位移和速度的同步跟踪。仿真结果表明:无迹卡尔曼滤波算法应用移动台跟踪系统是有效的;与扩展卡尔曼滤波相比,其跟踪算法的滤波精度、稳定性更优。