基于自适应无迹卡尔曼滤波算法的多股螺旋弹簧动态响应模型参数辨识和分析

针对传统方法在辨识多股螺旋弹簧(以下简称多股簧)非线性响应模型参数时效率较低、精度较差的问题,提出带噪声统计估计器的自适应无迹卡尔曼滤波(AUKF)算法。该算法通过对多股簧试验数据中的量测(过程)噪声进行递推和估计,能够确保非线性模型参数辨识的收敛性;结合多股簧动态试验对该算法进行检验。研究结果表明:即使在量测噪声级别较高的情况下,AUKF算法也可以准确地求出多股簧的动力学模型参数;在预测多股簧动态响应过程中,若预测振幅和参数辨识所用振幅相差太大则会导致较大的预测误差;当加载速度变化时,多股簧动力学模型中的迟滞部分参数基本不变,但0阶非线性刚度系数和非线性放大因子变化较大。

基于改进自适应无迹卡尔曼滤波的国产民机导航数据滤波算法

针对国产民用飞机导航数据存在杂波不能准确测量的问题,提出一种基于改进自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法的导航数据滤波方法。将无迹卡尔曼滤波(unscented Kalman filter,UKF)与改进Sage-Husa次优无偏极大后验噪声估计器结合构造出改进AUKF,有效解决了在模型不确定或干扰信号统计特性不完全得知的情况下,滤波精度低甚至发散的问题,同时与维纳滤波器和小波阈值法滤波效果进行对比。选择ARJ21飞机实际运行的高度、经度及纬度数据进行仿真。结果表明:改进后的AUKF算法较其他滤波算法精度更高,有效提高了导航数据的可靠性。研究对提高国产民机导航定位精度具有重要意义。

基于无迹卡尔曼滤波软测量技术的汽车行驶状态估计

为了有效解决电动汽车在行驶过程中的车速、质心侧偏角和横摆角速度等参数低成本测量的问题,采用无迹卡尔曼搭建了软测量算法;该算法充分考虑电动汽车动态行驶状况下非线性的影响因素,同时采用非线性的高速公路研究所动态轮胎模型对轮胎侧向力进行精确估计。通过与Car Sim动力学仿真软件进行联合仿真,对比分析验证所建立的软测量算法能够准确、实时地估计出电动汽车的运动参数。

基于模糊自适应卡尔曼滤波的汽车状态软测量

汽车行驶中某些状态信息很难直接测量或测量成本较高,而正确获取这些状态对汽车底盘控制有着重要的意义。为以较低成本获取关键的汽车运动状态,利用参数软测量技术,针对汽车3自由度(3-DOF)动力学模型,采用了基于模糊自适应卡尔曼滤波算法的汽车状态软测量方法 ,利用模糊控制策略实时监测残差的实际方差和理论方差的比值对时变观测噪声的协方差矩阵进行在线修正,通过该方法来抑制噪声对精度的影响,进而提高汽车状态的估计精度。仿真结果表明,本文所采用的模糊自适应卡尔曼滤波算法在时变噪声的情况下能够有效地提高状态估计的精度,能够满足工程实际需求。

车辆行驶状态无迹卡尔曼软测量

为了有效解决电动汽车在行驶过程中的车速、质心侧偏角和横摆角速度等参数低成本测量的问题,采用无迹卡尔曼搭建了软测量算法,该算法充分考虑了电动汽车非线性的车辆运动状态估计,对于轮胎侧向力的估计采用非线性的魔术轮胎模型。最终,通过联合仿真实验方法验证了所建立的软测量算法能够准确、实时地估计出电动汽车的运动参数。

改进型自适应无迹卡尔曼姿态算法

提出了一种改进型自适应无迹卡尔曼滤波姿态算法,能够有效的解决MEMS陀螺仪的漂移和噪声问题,同时减小运动加速度对加速度计的影响。将改进的自适应Sage-Husa算法与无迹卡尔曼滤波器相结合,使量测噪声统计特性在线更新,提高系统的抗干扰能力,避免扩展卡尔曼滤波的线性化误差,可以得到精确的全姿态角。每次迭代只更新3个欧拉角,提高了系统的解算速度。飞行实验和分析表明:改进算法能够有效的提高姿态解算精度,收敛速度快,自适应能力强,稳定可靠,具有较强的鲁棒性,在干扰消失时能够快速得到准确姿态角。

基于自适应无迹卡尔曼的机器人室内定位算法

针对室内环境复杂,难以通过单一传感器对机器人精准定位的问题,以室内环境中的两轮差动移动机器人为研究对象,提出了一种自适应无迹卡尔曼室内定位算法;该方法以无迹卡尔曼滤波(UKF)算法为基础,融合里程计、超声波定位系统、电子罗盘等传感器数据,利用超声波定位低频特性好的特点,减轻里程计结合电子罗盘进行航迹推算的累积误差和打滑影响;鉴于实际中量测噪声往往难以确定,利用Sage-Husa自适应方法,并根据不同传感器的噪声特性设置不同的加权系数,在线更新量测噪声特性,以实现对量测噪声的自适应;通过仿真验证,该方法能在传感器噪声特性未知的情况下,有效适应传感器噪声的变化,从而能够在复杂室内环境下,实现较高精度和鲁棒性的位姿估计。

汽车行驶状态无迹卡尔曼软测量

为了有效解决电动汽车在行驶过程中的车速、质心侧偏角和横摆角速度等参数低成本测量的问题,采用无迹卡尔曼滤波(UKF)搭建了软测量算法.该算法充分考虑了电动汽车非线性的车辆运动状态估计,对于轮胎侧向力的估计采用非线性的魔术轮胎模型.通过联合仿真实验方法,验证了所建立的软测量算法能够准确、实时地估计出电动汽车的运动参数.

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.

基于噪声估计的自适应无迹卡尔曼滤波算法

针对无迹卡尔曼滤波算法(UKF)需要借助较为准确的系统模型和噪声才能给出较为良好的滤波结果这一问题,提出了一种基于噪声估计的自适应无迹卡尔曼滤波算法(NEA-UKF).首先将SAGE-HUSA算法原理引入到UKF算法中,使UKF算法具有自适应估计状态噪声和量测噪声的能力;然后在状态噪声和量测噪声估计方程中引入记忆指数衰减加权以及协方差匹配判据,提高了噪声的实时估计精度和稳定性;最后针对状态模型和状态噪声不准确情况下的目标进行跟踪仿真.仿真结果表明,NEA-UKF算法能较好地自适应调节状态噪声和状态噪声协方差矩阵去匹配目标的运动状态,且几乎不受目标状态的突变影响,保持了对目标的良好跟踪.

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。

基于自适应无迹卡尔曼滤波的动力电池SOC估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电池SOC时,在未知的干扰噪声条件下滤波精度较低和稳定性较差等问题,基于等效的二阶RC电路模型,提出自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法。在模型参数辨识的基础上,构建了系统状态方程以及量测方程;随后,研究了无迹卡尔曼滤波算法及其自适应调整策略。根据仿真结果可知,该算法估计的电池SOC最大误差小于2.13%,估算精度及收敛速度均好于传统无迹卡尔曼滤波算法。

锌液流量的自适应BP算法软测量

锌的精馏过程中 ,由于锌液温度高、具有腐蚀性 ,因此不能直接检测其流量。分析了影响锌液流量的因素 ,建立了流量的神经网络模型 ,利用一种自适应BP算法 ,实现了对锌液流量的在线检测。仿真结果表明 ,自适应BP算法的学习速度比标准BP算法有明显提高 ,用该方法检测锌液流量的平均相对误差小于 1 5 %。

自适应粒子群优化算法及其在注塑成型质量指标软测量中的应用

对粒子群优化算法(PSO)进行分析,提出了一种根据速度信息自适应调整参数的粒子群优化算法(APSO-VI),该算法经过大量测试函数上的模拟实验验证,并与PSO进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等大规模复杂非线性优化问题时易陷入局部最优和不收敛的问题。用APSO-VI训练神经网络,并将其用于注塑成型质量指标软测量建模,结果显示基于APSO-VINN的软测量模型比基于BPNN的软测量模型具有更高的精度和更好的性能。

基于自适应等距映射算法的软测量建模

针对等距映射(Isomap)算法中的邻域图构造问题,提出1种自适应确定邻域的方法。利用欧氏距离计算样本相似系数。基于各样本的局部密度和平均密度构造密度指数函数。根据密度指数函数自适应调整样本的近邻数,构造合理的邻域图。采用高斯过程回归(GPR)建立模型。将该方法应用于某双酚A生产装置的软测量建模中。仿真结果表明,基于自适应Isomap算法建立的GPR模型比Isomap-GPR模型具有更高的估计精度,均方根误差减小了约15%。

一种基于自适应卡尔曼滤波的ADS-B点迹跟踪处理方法

广播式自动相关监视技术(ADS-B),是基于卫星定位数据,通过地空、空空数据链通信对外广播本机状态信息,并接收其他飞机信息的空管监视技术。针对密集飞行的点迹跟踪处理问题,建立了基于ADS-B监视的密集飞行模型,采用了一种基于"当前"统计模型的自适应卡尔曼滤波算法进行点迹数据处理。仿真结果表明:自适应卡尔曼滤波算法在收敛速度和跟踪精度方面优于常规卡尔曼滤波算法,适合密集飞行目标的近距离跟踪。

基于改进云自适应粒子群优化算法的NO_X含量测量

脱硝反应器入口NO_X浓度的及时、准确测量,对精确调节喷氨量、控制氮氧化物的排放至关重要。针对NO_X气体分析仪测量存在的精度差、滞后性等问题,基于传统云理论,并结合径向基函数(RBF)神经网络,提出了改进的云自适应粒子算法(CPSO)-RBF神经网络的测量模型。利用云模型理论中云滴具有随机性、稳定倾向性等特点,提出了一种新型分段式自适应调整粒子群惯性权重算法。利用此优化算法,对神经网络参数进行优化,提高了测量模型的精度。将该模型应用于SCR反应器入口的NO_X含量测量中,实例仿真表明,改进算法优化的神经网络模型具有较高的精度,为反应器入口NO_X含量的实时、准确测量提供了一定的理论依据,也为实际生产过程中NO_X的测量与控制提供了一定的参考。

基于AWOA算法与LSSVM的主蒸汽流量软测量模型

汽轮机主蒸汽流量是分析机组运行效率的重要参数。针对大型机组主蒸汽流量计算模型复杂繁琐、计算精度不高的现状,提出一种基于自适应鲸鱼优化算法(AWOA)与最小二乘支持向量机(LSSVM)结合的主蒸汽流量软测量模型。针对鲸鱼优化算法(WOA)寻优精度低的问题,提出了自适应鲸鱼优化算法,在鲸鱼个体位置更新公式中引入自适应惯性权值,通过平衡算法的开发和探索能力改善算法的优化性能。在此基础上,提出了基于AWOA优化LSSVM的主蒸汽流量的软测量模型,引入AWOA算法来提高LSSVM的学习效率、逼近精度和泛化能力。主蒸汽流量软测量的仿真结果表明:优化后的AWOA-LSSVM主蒸汽流量软测量模型具有良好的训练精度与泛化能力,可有效地用于主蒸汽流量的软测量。

改进的PSO算法及其在软测量建模中的应用

通过大量仿真实验,考察了粒子群算法(PSO)中粒子平均速度和算法收敛性之间的关系,提出了一种基于粒子速度反馈信息的自适应调整权重策略,同时在搜索过程中引入混沌序列。给出的收敛性分析证明,该算法可以以概率1收敛到全局最优解。对经典函数的测试计算表明,改进后的PSO算法较好地解决了基本粒子群算法中易陷入局部最优的缺点,在稳定性和收敛精度上均优于普通的PSO算法。改进的粒子群算法被用于优化神经网络的结构和参数,并将基于改进算法的神经网络用于4_CBA软测量建模中。实际应用表明,与基于其它智能算法的神经网络相比,该网络不仅有较高的泛化性能,而且有更快的学习速度和较好的实时性。

基于改进自适应UKF的随钻动态测量方法研究

钻井过程中,底部钻具的强烈振动和快速旋转导致姿态测量信号中含有多频高幅值的干扰信号。根据上述过程的特点,提出一种改进的自适应无迹卡尔曼滤波(UKF)算法。算法在标准UKF中引入自适应因子,通过改变量测量的协方差矩阵实时调整滤波增益,提高算法对突变状态的自适应能力;并且对传统自适应因子计算方法进行改进,在保证算法精度的同时降低计算复杂度,满足随钻测量对实时性的要求。实验室振动平台系统的仿真结果表明,在振动噪声突然变强的情况下,所提方法可以有效滤除姿态测量传感器中的干扰噪声,提高导向钻具姿态参数的解算精度。