基于改进连续-离散无迹卡尔曼滤波的水下航行器故障诊断

针对连续非线性系统的参数估计问题,提出了改进的连续-离散无迹卡尔曼滤波算法。该算法结合系统状态和参数的估计均值和协方差阵,通过构建控制系统的无迹状态矩阵,并对无迹状态函数积分获得预测无迹状态阵,再经过均值解算和估计更新,获得参数的估计值。然后,针对水下航行器连续非线性控制系统的故障诊断问题,将水下航行器执行机构的故障,以比例系数和附加参数的形式表达在控制系统的状态空间方程中,通过采用改进的连续-离散无迹卡尔曼滤波算法,估计故障数据,实现执行机构的故障诊断。最后,在水下航行器回坞仿真实验中,采用该算法有效估计出执行机构故障,验证了算法的可行性和有效性。

一种新型非线性卡尔曼滤波方法

提出了一种新型非线性卡尔曼滤波方法—单形无迹求积卡尔曼滤波(SUQKF)方法,该方法通过对单形无迹卡尔曼滤(SUKF)波所用的采样点进行修正,并与高斯-拉盖尔积分准则相结合,构造了一组个数、权系数和空间分布确定的新型高阶采样点,用来进行滤波。同时指出SUKF是SUQKF的特例。将所提方法通过实验与扩展卡尔曼滤波(EKF)、容积求积卡尔曼滤波(CQKF)进行比较,结果表明:SUQKF方法滤波精度高于EKF和CQKF,且收敛速度较快,实时性优于CQKF。

基于联合EKF-UKF算法的锂电池SOC预估研究

电池储能在当前能源结构中有着至关重要的作用,其荷电状态(state of charge,SOC)的准确预估是电池管理系统工作的前提。通过在MATLAB/Simulink中建立电池的Thevenin模型,并经过实验获得SOC与开路电压之间的关系,对扩展卡尔曼滤波(extended Kalman filter,EKF)算法、无迹卡尔曼滤波(unscented Kalman filter,UKF)算法进行了分析与模型的搭建,在实际工况输入下进行了SOC预估并与真实值进行了对比分析。最后,依据对EKF、UKF算法仿真结果的分析,提出了联合EKF-UKF算法,即初始阶段采用收敛速度快的EKF算法,之后采用误差低的UKF算法求取SOC值,仿真结果表明该算法能够有效提升SOC预估过程中稳定性。

UKF联合滤波器在车辆定位系统中的应用

传统的应用于GPS/DR组合定位系统中的联合卡尔曼滤波器都是由扩展卡尔曼滤波器(EKF)构成,而EKF具有滤波收敛速度慢、对系统模型误差和噪声统计特性的鲁棒性差和实际中难以实施等缺点,这些对联合卡尔曼滤波器的整体滤波性能和实用性都会产生不利影响。针对这一问题,通过用无迹卡尔曼滤波器(UKF)来替代EKF构成一种新型的基于UKF的联合卡尔曼滤波器,并将这种联合滤波器应用于GPS/DR车辆组合定位系统中。通过详细的计算机仿真和分析后,结果表明与传统的基于EKF的联合卡尔曼滤波器相比,该联合卡尔曼滤波器的滤波精度、收敛速度、鲁棒性、实用性和可靠性都得到了很大的改善,满足了定位系统低成本和高精度的要求,具有一定的应用价值。

一种用于目标跟踪的改进粒子滤波算法

为解决目标跟踪中粒子滤波算法的估计精度、粒子退化问题,提出一种改进的粒子滤波算法。在粒子滤波的基础上,利用UKF生成粒子滤波的建议分布,以改善滤波效果,在无味粒子滤波的基础上,融合典型的MCMC抽样算法,减少传统算法未考虑当前量测对状态的估计作用所带来的影响,增加采样粒子多样化。将该算法应用于具有非线性、非高斯特点的目标跟踪问题中,仿真结果表明,与普通的粒子滤波算法相比,其跟踪精度和滤波效果有较大提高。