基于双重扩展自适应卡尔曼滤波的汽车状态和参数估计

准确实时地获取行驶过程中的状态信息是汽车动态控制系统研究的关键,为此提出了一种新的汽车状态估计器。建立了包含不准确模型参数和未知时变统计特性噪声的非线性汽车动力学模型,针对该非线性系统提出一种双重扩展自适应卡尔曼滤波算法(DEAKF)。该算法采用两个卡尔曼滤波器并行运算,状态估计和参数估计互相更新,同时将带遗忘因子的噪声统计估值器嵌入到状态校正过程和参数校正过程之间,以解决系统的噪声时变问题。基于ADAMS的虚拟试验和实车试验结果表明,该算法的状态估计精度高于EKF方法和DEKF方法的状态估计精度,同时具有良好的模型参数校正能力,对汽车动态控制系统中估计器的设计具有理论指导意义。

采用强跟踪中心差分滤波器的汽车状态和参数估计

采用3自由度非线性汽车动力学模型作为汽车状态和时变参数估计的标称模型,利用强跟踪中心差分卡尔曼滤波器(CDKF)对汽车的纵向速度、质心侧偏角和横摆角速度等信息,以及标称模型的前、后轴等效时变侧偏刚度进行了估计。为验证强跟踪CDKF算法的估计性能,采用模型在环和硬件在环的方式进行多种工况的仿真验证。结果表明,该算法具有可行性和准确性。

基于灵敏度分析的污水处理过程状态和参数同时估计

针对污水处理过程中当参数添加进原系统作为额外状态使其增广系统不可观的情况,提出了一种基于灵敏度分析的变量选择方法对状态和参数进行同时估计。首先,探究了灵敏度分析与动态系统可观性的相关问题,进而说明如何使用灵敏度分析来选择可以进行同时估计的变量,以确定估计参数集。其次,仿真实验采用扩展卡尔曼滤波算法对污水过程状态与所选可估计参数集进行同时估计,并与未使用灵敏度分析的方案进行比较。仿真结果表明,在增广系统不可观时,使用灵敏度分析可以有效地选择出适合估计的参数集,从而提高估计性能。

基于DEKF的车辆状态与参数估计及验证

针对车辆在行驶过程中的参数变化影响车辆状态估计的数值,开发了一种基于双扩展卡尔曼滤波(Dual Extended Kalman Filter,DEKF)的估计器。双扩展卡尔曼滤波是基于车辆状态和参数估计相互依赖不可分离性,利用两个平行状态下的扩展卡尔曼滤波(EKF)分别对车辆状态和参数进行估计。选用四自由度车辆模型和HSRI轮胎模型,利用DEKF理论设计估计器,采用Trucksim-Simulink联合仿真对估计器进行仿真分析,验证估计器的有效性和准确性。

线性随机系统状态和参数鲁棒估计算法研究

针对含有元件、传感器故障的线性随机时变系统,提出了一种系统状态和参数鲁棒估计算法.该算法以Masreliez-Martin滤波器(MMF)为基础,将线性随机时变系统进行扩展,并把扩展参数放入状态向量,通过改善后验协方差矩阵,在考虑非高斯噪声时推导出的.最后,为了验证该算法的正确性,将其应用于液压伺服系统中.仿真结果表明,所提出的鲁棒估计算法能很好地对液压伺服系统进行状态和参数估计,并且收敛速度快,在存在非高斯噪声时灵敏度低,证明了其鲁棒性好、适应范围宽等特点.

双扩展卡尔曼滤波的无刷直流电机无传感器控制

文章研究了双扩展卡尔曼滤波器(DEKF)下的无刷直流电机(BLDCM)无位置传感器控制策略。利用带有噪声的输入信号,设计了一种DEKF观测器以实时估计无刷直流电机状态和参数。在观测器中,2个扩展卡尔曼滤波器分别作为状态滤波器和参数滤波器同时运行估计系统状态和电机参数。在任意时刻下,当前参数估计值作为状态滤波器的一个已知给定输入量,与此同时,当前状态估计值也作为参数滤波器的一个已知给定输入量。所设计的观测器对参数变化、模型不精确、过程噪声和测量噪声具有较强的鲁棒性,在稳态运行和动态运行模式下都可以获得足够精度的BLDCM状态和参数估计值。仿真研究进一步验证了所提出控制策略的可行性和有效性。

《分布式电驱动汽车及其动力学控制》

本书基于国家973计划、863计划和国际合作等重大项目,在开展了分布式驱动电动汽车的电驱动系统设计、状态和参数估计以及动力学控制方法等相关研究和应用实践后,汇总经验编写而成,兼具学术和应用价值。主要内容包括分布式驱动系统构型设计、纵向动力学控制等。