采用自适应中心差分卡尔曼滤波器的锂离子电池荷电状态估计

锂离子电池因其能量密度高、使用寿命长等优点被越来越多地应用到卫星、便携式设备和电动汽车等领域.荷电状态作为电池管理系统的重要指标,它的准确监测对保障电池的使用安全、提高电池的使用效率有着重要意义.针对锂离子电池的荷电状态估计,本文提出了一种自适应中心差分卡尔曼滤波算法.首先,设计了一个线性卡尔曼滤波器实现了对测量方程系数的实时估计,从而避免了荷电状态与开路电压关系曲线的测试.其次,考虑到部分工况难以准确地获取模型参数,使用增广向量法并采用自适应中心差分卡尔曼滤波器实现了荷电状态与模型参数的自适应估计.再次,将线性卡尔曼滤波器与自适应中心差分卡尔曼滤波器耦合,实现了荷电状态、模型参数、测量方程系数的联合估计,使得本文所提算法能够更好地应用于电池内部参数未知的复杂工况.为了进一步提高算法的估计精度和对噪声的适应能力,通过迭代法对噪声协方差矩阵进行了动态调整.最后,通过几组实验验证了本文所提算法的有效性.

基于GA-LSTM自适应卡尔曼滤波的路面不平度识别

准确、快速地识别出车辆当前行驶的路面激励信息,是实现智能底盘控制进而保证车辆平顺性的关键。针对传统路面不平度识别算法准确率低、自适应性差等问题,提出了基于遗传算法(genetic algorithm,GA)优化长短期记忆神经网络(long short-term memory networks,LSTM)自适应卡尔曼滤波的路面不平度识别算法。基于2自由度车辆悬架模型,通过灰色关联法选择LSTM神经网络的特征输入变量,并采用GA优化LSTM神经网络的模型参数以准确识别路面等级,并据此实时更新卡尔曼滤波器算法中的噪声矩阵,实现了在复杂路况下对路面不平度的自适应识别。仿真和试验研究表明,所提出的基于GA-LSTM自适应卡尔曼滤波算法能够快速准确的识别路面不平度与路面等级,与传统卡尔曼滤波算法相比,相关系数、均方根误差和最大绝对误差分别提高3.11%、37.5%和51.2%,表明所提算法对复杂工况具有很好的自适应能力。

基于极大后验估计的自适应容积卡尔曼滤波器

针对标准的容积卡尔曼滤波器(CKF)设计需要精确已知噪声先验统计知识的问题,提出一种自适应CKF算法.该算法在滤波过程中,利用Sage-Husa极大后验估值器对噪声的统计特性进行在线估计和修正,有效地提高了CKF的估计精度和数值稳定性.在某些情况下,噪声协方差估计会出现异常现象使得滤波发散,进而提出了相应的改进方法.仿真结果表明了自适应CKF算法的可行性和有效性,且明显改善了标准CKF算法的滤波效果.

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。

基于自适应简化容积卡尔曼滤波的编队卫星相对导航

针对在星间相对导航中噪声的统计特性未知可能引起滤波估计精度下降甚至发散的问题,提出了一种自适应简化容积卡尔曼滤波(ASCKF)算法。将Sage-Husa自适应滤波与容积卡尔曼滤波(CKF)相结合,通过容积规则摆脱线性滤波的局限性。改进Sage-Husa噪声估计器以避免噪声方差在线估计可能出现的非正定现象,从而保证了滤波器对噪声统计变化的自适应能力。结合编队卫星运动模型的特点,用常规卡尔曼滤波(KF)的时间更新代替相应的容积变换过程,在不影响滤波器性能的前提下减少了运算量。仿真结果表明:在测量噪声统计特性未知的情况下,与CKF相比,该文算法对相对状态的估计精度提高了近25%,同时滤波器的稳定性也得到了提高。

快速对角阵权系数协方差交叉融合容积卡尔曼滤波器

针对互协方差信息未知的多传感器系统,本文提出了一种快速对角阵权系数协方差交叉融合算法(FDCI).本文首先提出了一种对角阵权系数协方差交叉融合(DCI)方案,并证明了所提出DCI算法在融合估计精度上高于经典批处理CI融合(BCI)算法.在此基础之上,针对非线性等复杂的互协方差未知的多传感器系统,提出FDCI算法,并证明了所提出FDCI算法的无偏性及鲁棒精度. FDCI融合算法虽然在融合估计精度上低于DCI,但FDCI无需进行多权系数的非线性代价函数的优化问题,进而大大降低了计算负担,提高了系统的实时性.最后,结合容积卡尔曼滤波算法(CKF)提出了快速对角阵权系数协方差交叉融合容积卡尔曼滤波算法.仿真实例验证了所提出算法的正确性和有效性.

基于自适应容积卡尔曼滤波的路面附着系数识别

路面附着系数是车辆行驶稳定性的关键参数之一,精确识别车辆行驶时的路面附着系数是决定车辆安全性能优劣的重要前提。相较通过测量路面物理量的Cause-Based识别方法,基于动力学响应的Effect-Based识别方法受客观环境的影响较小,且经济成本更为节约。本文结合车辆动力学响应与Dugoff轮胎模型公式,基于极大值后验估计(MAP)原理和观测信息对量测噪声的统计特性进行在线估计,并将其嵌入容积卡尔曼(CKF)中构建自适应容积卡尔曼(NACKF)路面附着系数估计器,提高算法的估计精度。CarSim-Simulink仿真试验结果表明,在高附着路面下NACKF算法的估计精度较之传统四维UKF和CKF分别提高了0.001 7和0.000 55,而在对接路面下估计精度较之传统UKF和CKF分别提高了0.172 3和0.039。

基于改进容积卡尔曼滤波器的超宽带/惯性导航系统室内融合定位技术

在室内非视距环境中,单一超宽带(ultra wide band,UWB)技术会产生稳定性差和定位精度低的问题,以至于不能达到室内定位的要求。将UWB定位技术和惯性导航系统(inertial navigation system,INS)技术相结合,能够有效抑制非视距误差对定位结果的影响,因此本文提出基于改进的容积卡尔曼滤波器(cubature Kalman filter,CKF)的UWB/INS融合室内定位方法。首先,通过广义似然比检测算法对行人的静止态和运动态进行检测;之后对于静止态通过零速修正算法对速度进行修正,零积分航向角速率修正算法对航向角进行修正;然后,通过模糊综合评判的非视距识别算法对非视距信号进行识别,通过基于半定规划的非视距修正算法对识别出的信号进行修正;最后通过改进的容积卡尔曼滤波器将UWB定位数据和INS定位数据进行融合,得出组合定位结果。实验结果显示,与标准容积卡尔曼滤波算法相比,改进的容积卡尔曼滤波算法的定位结果均方根误差降低了2.32 cm(18.82%),拥有更好的定位精度和鲁棒性。

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%。

基于容积卡尔曼滤波-自适应PID的共轴无人机设计

针对PID控制的共轴无人机控制参数不易整定且控制效果较差的问题,设计一款基于容积卡尔曼滤波-自适应PID的共轴反桨无人机。飞行姿态控制方案采用双闭环自适应PID算法,以得到较为理想的姿态控制效果;采用与普通多旋翼不同的气动布局,以得到更长的续航时间与更理想的悬停稳定性。搭建自适应PID控制算法仿真模型,仿真结果显示,相较于PID算法,提出的自适应PID控制算法能够对姿态角进行更为理想的控制,达到稳定且高效的收敛效果,该自适应PID控制算法对共轴无人机的飞行姿态具有良好的控制能力。

基于平方根容积卡尔曼滤波器的非线性模型参数识别

针对容积卡尔曼滤波器在参数识别过程中截断误差导致算法终止的问题,采用平方根容积卡尔曼滤波器、容积卡尔曼滤波器和奇异值容积卡尔曼滤波器分别对MFS模型、Bouc-Wen模型进行参数识别。结果表明:平方根容积卡尔曼滤波器得到MFS模型参数b、K、Q识别值的均方根误差比容积卡尔曼滤波器和奇异值容积卡尔曼滤波器至少降低了19.17%、29.88%和2.64%。容积卡尔曼滤波器识别Bouc-Wen模型不稳定,平方根容积卡尔曼滤波器识别值的均方根误差比奇异值容积卡尔曼滤波器至少降低17.04%。平方根容积卡尔曼滤波器既提高非线性模型参数识别精度,又具有良好的数值稳定性。

基于Masreliez-Martin的鲁棒分数阶容积卡尔曼滤波算法及应用

针对具有非高斯量测噪声的分数阶离散时间非线性系统的状态估计问题,提出一种基于Masreliez-Martin(简称为M-M)方法的鲁棒分数阶容积卡尔曼滤波器。在分数阶离散非线性动态系统基础上,使用三阶容积原则推导了状态预测公式,并使用M-M方法实现状态的量测更新,构成了基于M-M方法的鲁棒分数阶容积卡尔曼跟踪算法。将提出的算法应用到再入目标的状态估计中,仿真结果表明,基于M-M方法的鲁棒分数阶容积卡尔曼滤波器优于分数阶无迹滤波器和分数阶容积卡尔曼滤波器。最后,分析了不同程度的量测污染噪声对鲁棒分数阶容积卡尔曼滤波算法的估计性能影响,验证了所提算法的鲁棒性。

基于时滞系统的模糊自适应容积卡尔曼滤波算法

容积卡尔曼滤波算法作为经典的滤波算法,它有自己的优点,可以有效地提高滤波精度,但滤波过程当中量测噪声统计特性往往不确定,且系统观测还可能存在时滞,文章借鉴转化时滞方程和模糊化的思想,提出一种在观测时滞系统下的模糊自适应容积卡尔曼滤波算法。该算法既解决了观测时滞方程的问题,又动态调整量测噪声协方差阵的权值。仿真实验表明,该算法可以有效减小误差且提高滤波精度。

基于自适应容积卡尔曼滤波算法的镁空气电池SOC估算

目的:电池荷电状态是镁空气电池的重要参数,镁空气电池作为应急电源时需要更加精确的荷电状态估算精度。方法:本文对其建立二阶RC等效电路模型进行研究,提出自适应遗忘因子的递推最小二乘法进行模型参数的辨识,对辨识后的参数进行仿真验证,得出端电压的绝对误差小于29 mV。利用扩展卡尔曼、无迹卡尔曼、容积卡尔曼滤波算法,获得了电池参数、放电电压电流与电池荷电状态之间的关系,在此基础上本文提出了一种噪声自适应变化的容积卡尔曼滤波算法。结果:最终通过仿真表明,该算法误差较小,与实际测得的SOC误差为1.325%。结论:本算法在预估镁电池荷电状态上准确度更高,可行性与有效性更佳,满足应急电源监控系统的要求。

渐消卡尔曼滤波器的最佳自适应算法及其应用

本文依据卡尔曼滤波器在使用最佳增益时,其余差序列互不相关的性质,开发了一种新的渐消滤波算法。该算法根据对象输出,在线自适应地调整遗忘因子,从而使滤波器在对象模型存在误差或对象受到外扰时,仍收敛并保持最佳性。该算法已应用于造纸机控制,取得较好效果。

基于卡尔曼滤波器的交流伺服系统自适应滑模控制

为了减小负载转矩扰动和系统参数摄动对永磁同步电机控制系统的影响,提出了一种基于卡尔曼滤波器的自适应滑模速度控制器。该控制器由自适应律估计参数摄动项,用卡尔曼滤波器估计外部扰动项。设计了含积分作用的滑模面,以保证电机转速的无静差跟踪;采用了指数趋近律,以提高趋近速度并削弱抖振。卡尔曼滤波器估计得到的系统外部扰动前馈补偿至控制器的输出,用于有效降低滑模控制器的不连续切换项造成的系统抖振。实验结果显示:跟踪设定的600r/min转速时,控制器稳态转速精度达到±1r/min。电机在以600r/min稳速运行时,设计的控制器在1.6N·m的外部转矩扰动下的最大转速波动比传统PI控制器的转速波动减小了2%。仿真分析和实验数据表明基于卡尔曼滤波器的自适应滑模控制器对交流伺服控制系统具有较强的抗扰动性、鲁棒性以及良好的稳态性能。

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明:ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。

强跟踪自适应平方根容积卡尔曼滤波算法

针对强跟踪滤波器(STF)的理论局限性及不良测量导致的滤波性能下降问题,提出了一种强跟踪自适应平方根容积卡尔曼滤波(SRCKF)算法.利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应SRCKF.基于STF的理论框架,采用自适应SRCKF代替扩展卡尔曼滤波构建强跟踪自适应SRCKF.该算法兼具STF与自适应SRCKF的优点,在系统同时存在模型不确定性及不良测量时具有良好的滤波性能.仿真验证了所建算法的有效性.

一种自适应联合卡尔曼滤波器及其在车载GPS/DR组合导航系统中的应用研究

—本文设计了实现车载ＧＰＳ／ＤＲ组合导航系统最优综合的联合卡尔曼滤波器，并给出了滤波算法。提出了一种自适应联合卡尔曼滤波器结构及其算法，并应用于ＧＰＳ／ＤＲ组合导航系统的最优综合校正中。理论分析及计算机仿真结果均表明，应用该自适应联合卡尔曼滤波器可大大提高车载ＧＰＳ／ＤＲ组合导航系统的定位精度及容错能力。

基于模糊逻辑控制的舰船组合导航自适应卡尔曼滤波器(英文)

双天线GPS提供的载体姿态信息与惯性导航系统信息进行融合可提高组合导航系统的性能。由于在实际应用中,GPS接收机可能会受到某种干扰无法提供舰船航向信息,从而降低传统卡尔曼滤波器的性能。因而提出了一种新的基于模糊逻辑控制的自适应卡尔曼滤波器。改进后的卡尔曼滤波器使用两个模糊逻辑控制器来调整两个系统的组合模式,并且根据卡尔曼滤波器的内部状态、GPS工作状态和舰船运动状态来计算卡尔曼增益。通过使用INS和GPS的实测数据验证,这种基于模糊逻辑控制的自适应卡尔曼滤波器能有效的提高INS/GPS组合导航系统的性能。