基于鲁棒H无穷滤波的步进电机转子状态估计

为有效控制步进电机的运行,根据H无穷鲁棒滤波理论,设计了基于扩展H无穷滤波的步进电机状态观测器,并建立数学模型,将定子电流、转子转速和位置作为状态变量。通过测量定子侧的电流值和电压值,利用扩展H无穷滤波器对电机转子的状态做出最小方差估计。仿真结果表明,扩展H无穷滤波估算转子转速和位置信息是可行的,且扩展H无穷滤波精度和稳定性都优于扩展卡尔曼滤波。

基于改进H无穷滤波的锂离子电池SOC估计

采用锂电池一阶等效电路模型,通过动态应力测试(dynamic stress test,DST)工况放电实验,结合带遗忘因子的递推最小二乘法在线辨识模型参数,针对H无穷滤波(HIF)算法存在的缺点,提出了利用估计残差序列信息改进的H无穷滤波算法。实验结果表明:改进H无穷滤波(IHIF)算法收敛速度快;与HIF算法相比,在不同工况下IHIF算法可使电池荷电状态(SOC)估计的最大绝对误差减小1.7793%,平均绝对误差减小0.5627%,均方根误差减小0.6487%。

基于正则化观测矢量的H无穷粒子滤波红外目标跟踪方法

提出了一种新颖和鲁棒的红外图像序列中的目标跟踪方法。由于H无穷滤波器在系统噪声源不能确定或是未知的情况下具有较好的预测性能,所以以其估计得到的预测信息来分配粒子滤波算法的粒子。为解决粒子滤波的"采样枯竭"问题,正则化了H无穷粒子滤波器的观测矢量。同时,通过计算每个目标的亮度和局部标准差分布构成级联核的目标模型,以用于计算粒子集中各个粒子的加权值。对于目标的尺寸和表观信息变化的情况,以目标区域像素灰度值零阶矩的函数来调整跟踪窗口的大小,模型更新则通过更新目标模型的每个量化阶来实现。实验结果证明了所提出的红外图像目标跟踪方法是有效的,并且优于所比较的算法。

一类随机不确定网络控制系统的H∞滤波器设计

当网络控制系统信道中存在乘性噪声和丢包、时滞时,数据在传输中会受到干扰甚至丢失。本文针对带有乘性噪声、丢包和一步随机时滞的一类网络控制系统,通过状态增广,将信道特性转化为随机系统参数,并利用线性矩阵不等式方法推导了其H∞滤波器,使得滤波误差满足给定的H∞性能指标。本文算法将H∞滤波器设计转化为便于计算机求解的约束凸优化问题,并通过仿真和对比验证了算法的有效性。

基于AEKF滤波与H_(∞)滤波的锂离子电池SOC联合估计

锂电池荷电状态(SOC)的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有卡尔曼滤波SOC估计方法存在估计精度低、鲁棒性差等问题,采用锂离子电池的二阶电阻-电容等效电路模型,通过HPPC循环脉冲实验和动态应力测试工况放电实验,结合带可变遗忘因子的递推最小二乘法(VFFRLS)及开窗理论,对等效电路模型参数进行在线辨识,提出利用自适应扩展卡尔曼滤波(AEKF)算法和H_(∞)滤波算法联合估计SOC的方法。结果表明:与AEKF算法相比,在DST工况下该算法可以使电池荷电状态估计的最大绝对误差减小3.9029%,平均绝对误差减小0.9622%,均方根误差减小0.5515%。与H_(∞)滤波算法相比,在DST工况下该算法可以使电池荷电状态估计最大绝对误差减小1.309%,平均绝对误差减小2.8934%,均方根误差减小2.6136%。

基于AR-ECM平均差异模型的串联电池组SOC、容量多尺度联合估计方法

考虑电池单体老化差异所致的电池组不一致性,针对串联电池组荷电状态(state of charge,SOC)、容量估计问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的平均差异模型(mean-difference model,MDM)。基于此模型,提出串联电池组SOC、容量多尺度联合估计算法。该算法由2个部分组成,一是基于AR-ECM的MDM及差异化模型参数辨识策略:条件辨识策略和定频分组辨识策略;二是基于多时间尺度H无穷滤波(multi-timescale H infinity filter,Mts-HIF)的电池组SOC、容量联合估计算法。通过将所提出MDM中的自回归平均模型(autoregression mean model,AR-MM)与传统MDM中的n阶RC平均模型(nRC mean model,nRC-MM)比较,结果表明所提出的AR-MM在复杂运行工况下具有更优的动态跟随性能。依据最小化信息量准则(akaike information criterion,AIC),AR-MM具有更优的复杂度与精度的权衡。通过与基于多时间尺度扩展卡尔曼滤波(multi-timescale extended Kalman filter,Mts-EKF)联合状态估计算法比较,结果表明所提出的Mts-HIF状态估计算法具有更优的鲁棒性、精度和收敛速度。

基于混合AUKF和HIFF的锂离子电池SOC估计

提出基于模型的自适应无迹卡尔曼滤波(AUKF)和H无穷滤波(HIFF)的联合算法。选取Thevenin模型,针对有色噪声条件下的输入数据,改进常用的带遗忘因子的递推最小二乘(RLS)法,提出偏差补偿型递推最小二乘(BCRLS)法,来抑制数据的有色噪声。设计的AUKF/HIFF混合算法具有较好的精度和更强的鲁棒性,可实现参数和状态的联合估计,提高实车应用的可能。在不同输入数据条件下,混合算法的荷电状态(SOC)估计误差均小于2%,可靠性较好。

基于温变双极化模型的锂离子电池荷电状态估计

电池荷电状态(SOC)的准确估计对延长电池使用寿命、提高电池利用率和保障电池安全性具有重要意义。在不同环境温度下进行了锂离子电池的基本性能试验和动态工况试验,建立了温变双极化等效电路模型。基于该模型,采用H无穷滤波算法代替传统的扩展卡尔曼滤波算法,在无需假设过程噪声和测量噪声均服从高斯分布的前提下,实现了SOC的精确估计。在考虑温变和电池模型存在误差的条件下进行验证,不同温度条件下的SOC估计最大误差保持在±0.03范围内,证明了所提出的SOC估计算法具有较高的温度适应性和鲁棒性。

基于结构先验约束的PET图像重建研究

提出了一种通过对空间相关的CT解剖模版中所体现的不同组织区域位置信息赋予不同的药物运转规律特性,在状态空间方法进行PET图像重建的基础上,建立加入结构约束的动态PET重建框架的方法。考虑到可能出现的结构信息与PET浓度分布不匹配的情况,对低放射性浓度区域进行一定处理,使得该PET重建浓度框架具有一定的区域自适应能力。所采用的滤波器对系统和噪声不做任何假设,只需假定噪声扰动能量有限,更好地适应PET重建系统。并且,利用状态方程能够在时间轴上对图像进行预估反馈的特性,加入时间域上的约束,将全帧图像作为整体的一个时间-空间信号,大大增强了时间关联性。最后,开展蒙特卡洛模拟实验对该算法在改善PET重建图像的分辨率和图像边界模糊性方面进行验证。