基于扰动观测器和卡尔曼滤波器的永磁直线同步电机扰动抑制

针对负载力扰动和速度测量噪声会影响永磁直线同步电机控制精度这一问题。提出扰动观测器与卡尔曼滤波器相结合的扰动抑制方法。扰动观测器可以实时观测负载变化,并把干扰量等效成相应的电流输入给系统,降低载扰动对系统的影响。卡尔曼滤波器可以准确估计动子的位置与速度,减小了测量噪声和离散误差的影响,从而提高系统控制精度和鲁棒性能。仿真实验结果表明,卡尔曼滤波器与扰动观测器结合可以有效抑制磁阻力和摩擦力引起的推力波动。

基于两级滤波的改进滑模观测器PMSM无速度传感器控制

针对永磁同步电动机(permanent magnet synchronous motor,PMSM)伺服系统中由滑模观测器引起的位置估算误差以及抖振问题,提出了一种改进的两级滤波滑模观测器。首先,根据PMSM的数学模型,设计了利用传统滑模观测器估计定子电流和反电动势的估计算法;其次,分析了传统滑模观测器在PMSM伺服系统应用中的不足;再次,提出了一种新的饱和函数以代替传统的符号函数,改进了滑模观测器的控制律;最后,通过变截止频率滤波器和卡尔曼滤波器组成的二级滤波器,得到PMSM转子更精确的位置估计信息。利用Matlab,对使用了传统观测器的系统和使用改进的观测器的系统分别进行了仿真,仿真结果表明:与使用了传统观测器的PMSM伺服系统相比,使用了改进观测器的PMSM伺服系统转速误差更小、估算结果更准确。

捷联惯导系统中卡尔曼滤波器的降维状态观测器设计

最优控制系统如捷联惯导系统都离不开状态反馈。然而系统的状态变量并不都是易于直接检测到的，这就需要状态观测器。本文基于减轻导航计算机计算负担和降低成本的考虑，提出卡尔曼滤波器的降维观测器的设计，并且讨论了误差模型的噪声补偿和降低估值误差的方法。

基于积分链式卡尔曼滤波器的角加速度观测器的噪声参数整定及性能研究

噪声统计特征值的整定是积分链式卡尔曼滤波器(IKF)的设计要点。针对噪声统计特征值的整定进行研究,推导出积分链式卡尔曼滤波器的离散噪声统计特征值与离散采样周期的函数关系,定量分析了积分链式卡尔曼滤波器的离散噪声统计特征值的跟踪性能。在此基础上,提出了一种定量计算噪声统计特征值的方法,通过滤波器截止频率、离散采样周期直接计算得到噪声统计特征值,改变了以往的仿真-实验-调整环整定方法,简化了设计流程。仿真和实验验证了所提出方法的有效性。

基于卡尔曼滤波滑模变结构转子位置观测器的PMSM无差拍控制

针对永磁同步电机(表贴式永磁同步电机)无转速传感器矢量控制系统,设计了新的滑模观测器进行转子位置和转速的观测。在通常滑模电流观测器基础上,采用sigmoid函数代替常数切换函数在一定程度上减小了抖振,采用扩展卡尔曼滤波器代替常用低通滤波器,用锁相环技术完成了转速的提取。用李亚普诺夫稳定性定理证明了设计的滑模变结构观测器的渐进稳定性。提出在同步旋转轴系下的一种基于无差拍算法的永磁同步电机离散化电流预测控制方法以提高电机电流环的性能。通过实验验证了设计的滑模观测器和无差拍控制器有效性和可行性。

改进的两步卡尔曼滤波器在惯导平台误差模型辨识中的应用

根据系统特性,将原两步卡尔曼滤波算法进行了简化,并引入自适应滤波方法以防止滤波发散,得到了改进的新算法。理论分析及仿真结果表明,该新算法计算量较扩维卡尔曼滤波算法小,而且可有效克服滤波发散现象。

基于高阶神经网络扩展卡尔曼滤波器算法的非线性动态系统辨识

针对非线性动态系统辨识 ,采用高阶神经网络和径向基函数网络相结合的方法 ,神经网络的连接权值可作为系统的未知参数 ,用扩展卡尔曼滤波器 (EKF)算法来估计 ,确保了该方法的快速收敛 .具体模型的仿真结果表明该方法能快速收敛 ,并能方便的用于在线辨识 .

基于扩展Kalman滤波器电机转子磁链观测器的设计

交流感应电机是多变量、非线性、强耦合的高阶系统,所有这些控制方案的实现,几乎都需要转子磁链信息。基于此提出了一种基于扩展Kalman滤波器理论的磁链观测器的设计方法,并对所设计的观测器进行了计算机仿真,得到了良好的观测效果。

基于广义卡尔曼滤波器的路面辨识

为防止车辆驱动轮打滑、提高制动效能,并使车辆在转向工况下获得稳定的行驶特性,对路面情况的实时辨识进行研究.利用μ-s曲线的斜率特性,采用广义卡尔曼滤波器结合路面变化探测模块的方法估算车轮纵滑刚度;利用仿真实验验证该方法的准确性和有效性,路面辨识方法的响应速度得到明显提高.该方法有利于整车控制策略的开发.

半主动悬架的无迹卡尔曼状态观测器设计

卡尔曼滤波器是线性动态系统中应用最广泛的一种状态估计方法。在非线性系统中,扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)被广泛应用,相比扩展卡尔曼滤波器,无迹卡尔曼滤波器准确度更高、更易于实现。在车辆动力学这种强的非线性系统中,无迹卡尔曼滤波器应用广泛。设计了一种基于无迹卡尔曼滤波器的半主动悬架系统状态观测器,讨论了不准确的过程噪声协方差Q和测量噪声协方差R、及测量信号组合的选择和不准确的模型参数对状态观测精度的影响,仿真结果表明不准确的过程噪声和测量噪声协方差、不合适的测量信号选择和模型参数不准确的干扰在不同程度上降低了状态估计精度。

采用卡尔曼滤波器的PMSM改进预测函数控制

针对伺服控制系统中,外部转矩扰动、低分辨率码盘带来的测速量化误差等因素影响预测模型的精度,使得标准预测函数控制(PFC)在面对强扰动时不能达到令人满意控制效果的问题,提出了一种采用卡尔曼滤波器(Kalman filter)的改进预测函数控制方法。首先以伺服系统的数学模型为基础,在有限精度位置编码器条件下,构建了Kalman滤波器模型,准确观测出负载转矩、转子位置和转速信息;然后将观测的转矩与转速信息反馈给预测函数控制器,重构了计及扰动影响的预测函数控制模型,从而得到最优控制量,实现伺服系统的高性能控制。实验结果验证了所提方法在转速检测与扰动抑制方面的可行性和有效性。

基于卡尔曼滤波器SMO的永磁同步电机无传感器矢量控制

对永磁同步电机(Permanent Magnet Synchronous Motor,PMSM)数学模型进行深入分析,提出用滑模状态观测器(Sliding Mode Obserbe,SMO)实现对PMSM无传感器转子位置和速度估算,引入卡尔曼滤波器,从而使得滑模观测器反电势波形更加平滑和准确,也更适合高性能应用。用Simulink仿真验证了算法的正确性和可行性,并对结果进行了分析讨论。

卡尔曼滤波器在液压系统辨识中的应用

一、概述众所周知,在对液压系统或元件进行控制和研究时,首要的任务就是用恰当的数学模型来描述被控对象的动态特性,只有掌握了数学模型才能对系统进行深入的研究和精确的控制。由于液压系统包含一些理论上难以精确确定的参数和非线性因素。

基于卡尔曼滤波器的永磁同步电机自抗扰控制

针对外部突加大负载扰动时,传统自抗扰控制策略中扩展状态观测器(ESO)的观测精度差,以及系统噪声对ESO观测精度的影响,提出一种基于卡尔曼滤波器的自抗扰控制策略(KF-ADRC)。通过卡尔曼滤波器观测出的负载转矩进行前馈补偿,以提高大负载扰动下ESO观测精度;通过卡尔曼滤波器观测出的转速用作系统闭环反馈,以削弱系统噪声对ESO观测精度的影响。将传统自抗扰中的线性误差状态反馈律替换为非线性误差状态反馈律,以提升系统跟踪和抗扰性能。搭建了400 W PMSM伺服系统驱动平台验证了该控制策略的有效性。

基于卡尔曼滤波器的三极磁轴承位置自检测

提出采用卡尔曼滤波器的方法来实现主动磁轴承的位置自检测,该方法利用卡尔曼滤波器来解决转子的偏心问题,并为验证该方法的有效性,针对三极磁轴承,实现其转子径向位移和速度的估算。所设计的卡尔曼滤波器利用经过滤波的线圈电压和控制器的输入作为计算转子位置和速度估算值的输入信号。卡尔曼滤波器的估算值通过检测输入和输出数据进行数字模拟,其中,不可观测的偏心问题可以当作未知状态。结果表明,采用所提出的位置自检测方法可以成功估算磁轴承的偏心位移值,且位移估算值和实际检测值一致。

基于自适应滑模观测器的荷电状态估算方法

锂电池荷电状态(State of Charge, SOC)的精确估算是电池管理系统的必要基础,但锂电池受充放电倍率大小、老化速度等影响,存在强非线性、时变性等特性,SOC难以直接测量,只能结合海量电压和电流数据通过算法估算。本文提出一种自适应滑模观测器算法(Attitude Sliding Mode Observer, ASMO)对SOC估算,通过梯度下降的算法实时更新滑模观测器矩阵增益,以提高算法的精度和鲁棒性。在测试工况下将拓展卡尔曼滤波算法、滑模观测器算法与改进算法比较,结果表明,相较于传统拓展卡尔曼滤波算法和滑模观测器算法,改进过的算法具有更高的精度和鲁棒性,误差可控制在1%以内,验证改进算法有效性。

基于无迹卡尔曼滤波的船舶运动数学模型辨识

针对一艘目标三体船,构建MMG运动数学模型结构,利用无迹卡尔曼滤波器结合自航试验数据对模型中的参数进行辨识。为减轻动力相消带来的影响,结合三体船特点对模型结构进行化简,并设计不同的控制方式进行分步辨识。通过模型预报数据与自航试验观测值的对比,以及部分参数的试验测量值与辨识值的比较,验证了本文辨识方法的有效性和优越性。

一种卡尔曼滤波器的永磁同步电机无速度传感器

针对滑模观测器的永磁同步电机参数误差容易造成估算误差和反电动势中存在高频纹波分量的缺点,使用低通滤波器不能有效消除高频纹波,提出在滑模观测器前端引入卡尔曼滤波器来消除高频纹波,使得永磁同步电机的控制系统具有更好的稳态效果和动态响应。依据设计仿真搭建MATLAB平台,对提出新方法进行验证。试验结果表明增加卡尔曼滤波环节后的滑模观测器不仅鲁棒性强,而且在一定程度上有效抑制了抖振,在系统快速性及稳态性能上都有较好的效果。

SVD-Unscented卡尔曼滤波的非线性结构系统识别

提出一种基于奇异值分解的unscented卡尔曼滤波(SVD-UKF)非线性滞回结构系统识别方法。SVD-UKF可被看成改进的unscented卡尔曼滤波(UKF)方法,相对UKF而言,SVD-UKF具有更好的鲁棒性和灵活性。此方法不仅避免象扩展卡尔曼滤波(EKF)为了计算Jacobians矩阵的所需的导数运算,并且可以克服常规UKF方法在计算协方差时经常遇到的病态条件的缺点。对非线性系统参数的识别和突然变化的识别的数值模拟结果显示了所提出方法的鲁棒性和灵活性。

基于遗传算法辨识噪声模型的异步电机闭环卡尔曼速度估计

用扩展的卡尔曼滤波器(EKF)估计异步电机闭环矢量控制系统中速度变量 /转子磁链的难点是,系统运行的消息噪声和测量噪声模型不易准确获得,而滤波估计的精度和收敛性主要受其影响。为此,提出了一种基于遗传算法(GA)的磁场定向闭环系统噪声协方差全局寻优方法,解决了噪声模型难以辨识的实际问题。仿真结果验证了该方法的有效性。