采用自适应无迹卡尔曼滤波器的车速和路面附着系数估计

针对车辆主动安全控制中的车速和路面附着系数这一关键信息,提出了一种实时估计该信息的滤波算法,同时建立了将包含时变噪声统计特性的七自由度非线性车辆动力学模型作为滤波算法的标称模型,以及一种自适应无迹卡尔曼滤波算法。该算法采用传统的无迹卡尔曼滤波器来估计车速和路面附着系数,同时利用次优Sage-Husa噪声估计器对系统的噪声统计特性进行实时更新,其中采用遗忘因子限制噪声估计器的记忆长度,使新近数据发挥重要作用,使陈旧数据逐渐被遗忘,从而解决了因系统标称模型误差、外界扰动等因素引起的噪声时变的问题。在不同路面条件下进行了多种工况的实验验证,并与无迹卡尔曼滤波器的估计结果进行对比分析,结果表明,该算法具有良好的鲁棒性,其估计精度高于无迹卡尔曼滤波器,且满足车辆主动安全控制系统的要求。

改进型Sage-Husa卡尔曼滤波器在电压暂降检测中的应用

电压暂降是电网中的一个关键电能质量问题。用于电压暂降检测的Sage-Husa型卡尔曼滤波器具有形式简单、计算量小、响应速度快的优点,但在系统阶次较高时容易出现滤波发散的问题。为避免滤波发散,同时进一步提高该滤波器的实时响应速度,改进Sage-Husa型卡尔曼滤波器中的噪声矩阵估计器,给出基于改进后Sage-Husa卡尔曼滤波器的电压暂降快速检测方法,并通过仿真和实验证明了该方法的有效性。与传统的Sage-Husa型卡尔曼滤波器相比,改进后Sage-Husa卡尔曼滤波器避免了滤波发散的现象,同时提高了的响应速度。

一种改进型Sage-Husa自适应跟踪滤波器

为了更好地对探测或侦察目标进行跟踪,提出一种改进型Sage-Husa自适应滤波算法。传统的Sage-Husa自适应滤波器在对时变观测噪声估计时,^Rk可能会失去正定性,而且噪声更新权值不会自适应动态改变,从而对噪声方差估计不准确,最终引起滤波发散。利用一种极大后验噪声估计器对观测噪声进行估计,从而保证观测噪声^R k的正定性,并且降低^R k的估计误差。最后利用Cholesky分解,解决改进型Sage-Husa自适应滤波中,Pk由于舍入误差而失去正定性,导致滤波发散的问题。

自适应软测量算法的汽车行驶状态估计

为了实现车辆行驶状态低成本测量,设计了估计汽车行驶状态参数的传统无迹卡尔曼滤波器和能够有效解决噪声时变特性的次优Sage-Husa噪声估计器相结合算法,通过建立电动汽车3自由度的动力学模型和HSRI轮胎模型,且融合低成本测量的纵、横向加速度和方向盘转向角传感器测量信息,从而可精确估计电动汽车行驶状态.在选定的典型工况下,通过与无迹卡尔曼软测量算法进行对比,硬件在环实验结果有效地验证了自适应无迹卡尔曼软测量算法具有很好的鲁棒性,且比无迹卡尔曼软测量算法更加能够有效地估计电动汽车的行驶状态.

自适应高斯—厄米特滤波器

针对带有未知统计特性噪声的非线性系统,提出了一种新型的自适应滤波器——自适应高斯—厄米特滤波器(AGHF),其过程是通过将Sage-Husa噪声估计器推广到非线性系统,得到更为一般的噪声估计的递推形式,它与高斯—厄米特滤波器(GHF)相融合,得到适用于带有未知统计特性噪声的非线性系统的高精度自适应滤波器.仿真结果表明,当非线性系统存在一类未知统计特性噪声(系统噪声或测量噪声)时,与扩展卡尔曼滤波器(EKF)、GHF和自适应扩展卡尔曼滤波器(AEKF)相比,AGHF滤波器可显著提高对噪声统计特性和系统状态的估计精度.

一种基于AUKF的航天器自主导航算法

将非线性Sage-Husa噪声估计器与无迹滤波器(UKF)相结合,提出了一种新型的自适应无迹滤波器(AUKF).对基于AUKF的航天器自主导航系统进行了计算机仿真,仿真结果表明,对于存在测量偏差的自主导航系统,AUKF的导航滤波精度较传统的扩展卡尔曼滤波器(EKF)有显著的提高.进而,针对航天器自主导航系统测量偏差周期时变的特点,提出了提高偏差估计精度的改进算法.仿真结果表明,在适当增加计算量的条件下,利用偏差估计改进算法的AUKF能够进一步提高自主导航系统的导航精度.

基于自适应扩展Kalman滤波器的永磁同步电机无速度传感器控制

通过引入一种基于Sage-Husa噪声估计器的自适应扩展Kalman滤波器,给出了一种永磁同步电机无速度传感器控制方案.选取定子固定坐标系下的电机模型,首先得到了基于扩展Kalman滤波器的永磁同步电机转速估计方程.在此基础上,结合Sage-Husa噪声估计器,得到了基于自适应扩展Kalman滤波器的永磁同步电机转速估计方程.仿真结果表明,基于自适应扩展Kalman滤波器的方法,不仅可以准确地估计出电机的转速和转子位置,而且可以自适应确定扩展Kalman滤波器的一个关键参数——系统噪声协方差矩阵.与传统的扩展Kalman滤波器方法相比,本方法具有更好的实用性.

车辆运行参数自适应软测量的防抱死控制研究

建立了一种将Sage-Husa噪声估计器与无迹卡尔曼滤波器有机的结合的软测量算法,通过自适应软测量算法对车速等车辆运行参数进行有效的测量,结合采用轮速传感器得到的易测量轮速信号,实时计算车辆防抱死系统的实际的滑移率,通过与理想路面滑移率比较,从而实现各轮缸压力的有效控制,避免了车轮的抱死。通过CARSIM/Simulink联合仿真实验表明:建立的自适应软测量算法可以实现车速的准确测量,并且在对开路面上可以有效抑制了制动过程中的车轮抱死,从而保证了车辆的制动稳定性。

改进强跟踪EKF算法在MEMS姿态解算中的研究

本文针对四旋翼姿态解算,提出了一种噪声自适应强跟踪扩展卡尔曼滤波算法(ASTEKF)。当机体从平稳状态向机动状态过渡时,由于量测噪声影响会导致算法估计不准确,因此本文首先证明不同时刻新息序列方差满足正交性原理,正交性原理表明,量测噪声对观测值的准确性影响很大;其次,引入Sage-Husa噪声自适应估计器较准确估计系统量测噪声均值和方差,使观测值更准确;最后,通过满足正交性原理条件公式计算次优渐消因子,将次优渐消因子引入协方差一步预测运算式中,得到强跟踪滤波器。次优渐消因子的引入使得一步预测协方差矩阵增大,即增大强跟踪扩展卡尔曼滤波器增益,使系统增加对观测值权重,得到更准确的状态估计值。离线仿真实验和在线实物实验结果表明了所设计算法的有效性。

动基座下粗—精寻北算法研究

介绍了陀螺寻北仪的工作基本原理及外界干扰对该系统的影响,选取正弦模型为基座晃动模型来模拟外界的干扰,采用粗—精寻北的组合寻北方法实现外界干扰情况下航向角、俯仰角及滚动角的解算;粗寻北采用均值法;精寻北针对噪声数据的统计特性未知的特点,采用抗野值的带Sage-Husa噪声估计器的自适应卡尔曼滤波改进方法,对比了野值对寻北结果的影响,并在不同的晃动幅值和晃动频率下进行了仿真,结果表明该方法精度高、抗干扰能力强,能有效地实现寻北解算。

基于车辆状态估计的商用车ESC神经网络滑模控制

针对商用车电子稳定性控制系统(ESC)中纵向车速、侧向车速、质心侧偏角等部分车辆状态参数难以直接获得、车辆系统传感器过程噪声一般为时变且未知等问题,提出了自适应容积卡尔曼滤波(ADCKF)算法,将标准容积卡尔曼滤波(CKF)算法与次优Sage-Husa噪声估计算法结合在一起,对部分车辆状态参数进行实时在线估计;然后根据商用车ESC的控制需求,并考虑建模不确定性和外界扰动,提出了商用车ESC径向基(RBF)神经网络滑模控制算法,利用径向基神经网络对干扰项进行估计。最后,通过MATLAB/Simulink与TruckSim联合仿真,对上述算法进行仿真验证。仿真结果表明:ADCKF算法对商用车的车辆部分状态参数估计较为精确,基于车辆状态估计的商用车ESC神经网络滑模算法控制效果良好,能满足商用车ESC控制需求。

基于自适应无迹卡尔曼的永磁同步电动机无位置传感器控制

通过对扩展卡尔曼滤波算法的优缺点和永磁同步电动机控制系统特性的研究分析发现,扩展卡尔曼滤波对非线性方程的处理方式会引入高阶项截断误差,导致滤波效果下降,并且滤波过程必须计算繁琐的雅可比矩阵,大大增加了系统的复杂性。针对该问题,设计了一种基于自适应无迹卡尔曼滤波算法的控制系统,不仅对转子的位置、转速进行观测,而且对系统噪声进行在线自适应调整,达到降低系统模型误差,提高系统动态性能的目的。仿真结果验证了该改进状态观测器的有效性。