采用扩展卡尔曼滤波的永磁同步电机转矩控制

针对现有的永磁同步电机观测器精度低、参数易发散的问题,提出了一种采用衰减记忆卡尔曼滤波器的永磁电机直接转矩控制器。通过建立的永磁同步电机旋转坐标系下的状态模型,选取旋转坐标系下的电流、转子位置和转速作为状态变量,实现了电机转矩和磁链的衰减记忆卡尔曼滤波器估计系统。通过引入衰减因子降低过去量测值对系统的影响,改善了衰减记忆卡尔曼参数易发散的问题。仿真和实验结果表明该方法能够准确观测到电机转矩和磁链,在负载转矩突变时具有较强的鲁棒性和可靠性。

基于非线性模型预测控制的火星大气进入智能制导方法

针对火星大气进入精确制导问题,提出了基于非线性模型预测控制(nonlinear model predictive control,NMPC)的智能进入制导方法。首先,考虑了进入制导约束,采用NMPC方法设计制导算法。通过引入衰减记忆滤波器,提出了基于误差信息估计的预测模型修正方法,增强系统对模型误差的鲁棒性,并利用变预测时域策略提高系统性能。然后,以NMPC制导系统为制导模板,在实际条件下生成大量样本数据集,进行深度神经网络(deep neural network,DNN)的离线训练。最后,在进入制导过程中利用DNN代替求解复杂优化问题和积分预测的过程,在线快速解算控制量,并结合横向制导实现智能制导。仿真结果表明,提出的制导方法能够快速计算指令,实现了高精度制导。

机载雷达对地动目标跟踪研究

雷达对目标的跟踪过程中,往往利用α-β滤波器对目标航迹进行滤波以得到更高的跟踪精度。试验发现机载雷达对地动目标跟踪的过程中,若目标突然发生运动状态的改变如加/减速等,则滤波误差容易发散。工程上往往利用衰减记忆滤波器来维持滤波器的稳定性,但对于匀速运动目标,随跟踪步数的累积该滤波器跟踪精度无法得到持续改善。本文提出一种结合利用α-β滤波器和衰减记忆滤波器的目标跟踪算法,使其兼顾跟踪精度和滤波稳定性。通过仿真试验证明了该滤波方法的有效性。

AMAUKF应用于无人机跟踪目标再捕获研究

无人机(UAV)在使用滤波器对目标跟踪时常遇到目标丢失情况,然而在目标丢失时使用一步估计代替估计值会对跟踪精度造成较大影响,鉴于此,将自适应衰减记忆滤波(AMAF)理论应用于无迹卡尔曼滤波(UKF)以提高再次捕获目标后的跟踪精度;新的滤波器命名为自适应衰减记忆卡尔曼滤波(AMAUKF);在此基础上设计了滤波流程和计算机仿真实验,结果表明新的滤波器不但缩短了收敛步长,而且提高了跟踪精度。