基于改进的Sage-Husa自适应卡尔曼滤波的晶振驯服研究与实现

二级频标中恒温晶振(OCXO)成本较低,具有较高的短期稳定性,老化会影响时钟守时系统的工作精度和稳定性。全球导航卫星系统(GNSS)驯服晶振的方法结合了GNSS卫星授时长期稳定性高和本地晶振短期稳定性高的特点,实现了两者的优势互补,提升了晶振驯服系统输出频率的准确度和长期稳定性。基于GNSS驯服恒温晶振的硬件系统,设计了基于判别因子的野值剔除方法,改进了基于Sage-Husa的自适应卡尔曼滤波算法。驯服实验结果表明,算法提高了晶振驯服系统输出频率的准确度和长期稳定性,实验系统中恒温晶振频率漂移量的标准差降低了约99.01%,恒温晶振的长期稳定性的Allan方差提高了约3个数量级,达到6.181×10-12。

Sage-Husa自适应卡尔曼滤波算法在SINS初始对准中的应用研究

Sage-Husa自适应卡尔曼滤波算法是解决系统模型发生变化的捷联惯导系统初始对准的一种有效工具,但对未知的系统噪声方差阵和观测噪声方差阵进行同时估计将会造成滤波发散.本文将在选择最佳遗忘因子的基础上,选取仅对观测噪声方差阵和均值进行估计的改造Sage-Husa自适应卡尔曼滤波算法进行捷联惯导系统的初始对准.计算机仿真试验结果表明:该方法在收敛速度和精度上都有很大改进.

误差状态卡尔曼滤波的视觉惯性自适应融合定位方法研究

头盔瞄准具(HMS)是近年来新一代战斗机飞行员的辅助瞄准设备,能够帮助飞行员增强战场态势感知能力,对敌方目标进行快速、精准打击。其能正常工作的关键是获取飞行员头部相对于运动飞机的姿态参数。本文结合头盔瞄准具这一应用场景研究了视觉组合姿态测量关键技术。视觉惯性组合定位能够实现目标位姿测量方法的优势互补,而由于标称噪声矩阵无法绝对准确预测,融合算法的鲁棒性、精度有待进一步提升。针对这一问题,本文提出一种误差状态卡尔曼滤波框架下基于变分贝叶斯推断的视觉惯性自适应融合方法。首先,对于过程噪声使用逆威沙特(Wishart)分布进行建模,之后通过引入隐变量分解一步预测协方差,并结合变分贝叶斯推断实现了对过程噪声协方差矩阵的在线估计。试验证明,在复杂运动及标称噪声协方差矩阵偏移较大的测量条件下,所提位姿测量算法具有较高的精度与鲁棒性,能够完成对靶标的快速、高精度跟踪。

基于自适应无迹卡尔曼滤波算法的锂电池荷电状态预测

针对无迹卡尔曼滤波在噪声不稳定和工况复杂的情况下锂电池荷电状态预测准确度低的问题,提出基于二阶等效RC电路模型,采用遗忘因子递推最小二乘法对模型参数进行辨识,使用自适应无迹卡尔曼滤波算法(AUKF)对锂电池荷电状态进行预测,最后在DST数据工况下,验证预测模型的准确性。对无迹卡尔曼滤波(UKF)算法和提出的AUKF算法进行仿真对比,结果表明:所提算法的最大误差在±0.02之内,预测精度更高、适用性更强。

小波分析的自适应卡尔曼滤波模型在地铁隧道变形监测中的应用

为了加强地铁安全保护机制,基于测量机器人智能化、自动化的特点,对某试验区的地铁隧道进行变形监测,选择Trimble S9 HP测量机器人进行数据采集,通过云平台进行数据处理及变形分析,最后利用小波分析的自适应卡尔曼滤波模型对后期形变量进行预测。结果表明,自动测量机器人的测量精度满足隧道监测要求,完成了地铁隧道变形监测的预设目标,分析隧道结构的变形特征并通过小波分析的自适应卡尔曼滤波模型进行变形预测,所得预测数据精度较高,可以为今后工程建设和地铁维护提供参考。

基于集中式卡尔曼滤波干扰观测器的无模型自适应控制

针对一类具有测量扰动的离散时间非线性系统,提出一种基于集中式卡尔曼滤波干扰观测器的无模型自适应控制方法。利用动态线性化方法构造被控系统的线性化数据模型;根据线性化数据模型和传感器的测量数据,设计最优集中式卡尔曼滤波干扰观测器;并利用观测器的输出在线调整伪偏导数,提出系统的控制更新方案。该方案的设计和分析不依赖于除输入输出数据的任何模型信息,可避免常规无模型自适应控制方法容易受测量扰动的影响。仿真结果表明:与基于单个传感器卡尔曼滤波干扰观测器的无模型自适应控制方法相比,提出的基于多传感器最优集中式卡尔曼滤波干扰观测器的无模型自适应控制方法具有更好的跟踪性能和更大的数据信噪比。

基于自适应卡尔曼滤波的RFID/SINS组合导航研究

在室内导航定位中,射频识别(Radio Frequency Identification,RFID)技术具有信号穿透性强、成本低廉等诸多优点,能够有效代替GPS完成室内组合导航。针对室内惯性导航误差发散和滤波中噪声参数不确定的问题,提出了基于自适应卡尔曼滤波(Adaptive Kalman Filtering,AKF)的RFID/SINS组合导航系统,通过RFID定位系统抑制惯性导航误差发散,并应用AKF将噪声参数与量测输出参数关联实现实时更新。对AKF和标准卡尔曼滤波(Kalman Filtering,KF)下的RFID/SINS组合导航系统进行了仿真和实验。结果表明,在AKF下组合导航系统平均定位误差降低了10%,位置稳定性提升了7.4%,定位误差保持在0.07 m左右。基于AKF的RFID/SINS组合导航系统能够满足室内高精度定位导航的需求。

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明:所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的遮挡干扰问题。

自适应卡尔曼滤波与PSO-GA-BP算法的机器人误差补偿

采用七轴机器人设备夹持激光器的方式对某型号发射筒进行切割开孔加工。在加工过程中,因轨迹精度和绝对定位精度较低,容易对型号产品发射筒产生损伤和误差切割等问题,运用D-H算法建立七轴机器人理想模型,运用正逆运动学数值算法对理想模型进行验证,运用理想模型的理论位姿参数和激光跟踪仪的测量位姿参数基于Sage-Husa自适应卡尔曼滤波求解七轴机器人真实位姿坐标信息,得到理想位姿参数和真实位姿坐标信息的关节误差,然后结合粒子群优化-遗传算法-BP神经网络联合算法对七轴机器人建立误差预测模型,采用七轴机器人理论位姿参数作为输入样本,真实位姿与理论位姿的各关节角度差作为输出样本,通过库卡机器人Workvisual 5.0软件按照模型输出值对七轴机器人的各关节角度值进行补偿。经过仿真实验和加工,各关节误差补偿后的七轴机器人轨迹误差和绝对定位误差减小72%,满足工艺要求。

基于Sage-Husa自适应的卡尔曼滤波负荷信号降噪研究

在对工业污水处理站运行设备进行负荷识别时,由于其所处的复杂工作环境,采集设备得到的信号中经常包含背景中的强噪声干扰,使得在对关键电力参量波形的识别和处理时出现较大困难。本文基于Sage-Husa自适应算法与卡尔曼滤波法相结合,在卡尔曼滤波基础上,加入遗忘因子,陌生参量指标,对工业污水站设备采集信号波形进行处理。采用公司智能电表采集平台数据进行实验验证,本文算法对比传统卡尔曼滤波算法,误差平均值降低42.91%,误差方差降低48.68%,获得更好的消除背景噪声效果。

小波结合改进自适应卡尔曼滤波的MEMS陀螺降噪方法

惯性传感器是惯性导航系统的核心组成,其精度决定了惯性导航系统的精度。为了提高惯性传感器精度,提出一种小波分析和时间序列相结合的改进Sage-Husa自适应卡尔曼滤波降噪方法。首先利用小波去噪滤除陀螺仪高频噪声,然后利用时间序列分析与改进Sage-Husa自适应卡尔曼滤波相结合处理低频噪声。通过Allan方差分析估计陀螺仪噪声系数,结果表明所提方法降噪效果相较于传统卡尔曼滤波,陀螺仪的角度随机游走、零偏不稳定性、角速率游走及速率斜坡分别提高了90.6%、83.2%、87.9%、88.1%。

基于自适应无迹卡尔曼滤波算法的月壤参数估计

在月球低重力环境下,载人月球车的行驶稳定性会受到月壤参数影响和发生参数无法直接获取的问题,对此提出一种月壤参数估计算法。建立月球车行驶过程中轮壤模型并进行简化,设计基于自适应无迹卡尔曼滤波的估计器,通过车轮力实现月壤参数在线估计。在Adams/Simulink中搭建月球车动力学模型及估计算法模型,并进行联合仿真。仿真结果表明,设计的估计器能够较为准确地估计月壤参数。

基于改进自适应无迹卡尔曼滤波算法的锂电池荷电状态估计

针对变窗口自适应无迹卡尔曼滤波(AUKF)算法在窗口改变时窗口长度发生突变,窗口序列数据急剧减少,导致状态估计误差增大,稳定性和精确度下降的问题,基于二阶RC等效电路模型,并采用遗忘递推最小二乘(FFRLS)算法进行参数辨识,结合改进后的变窗口AUKF算法估计锂电池荷电状态(SOC)。在城市道路循环(UDDS)工况下进行试验验证,并与无迹卡尔曼滤波(UKF)、自适应无迹卡尔曼滤波(AUKF)及变窗口AUKF算法进行对比,结果表明,改进后的变窗口AUKF算法将平均误差控制在0.38%以内,具有更高的精确性和收敛性。

基于PNGV模型与自适应卡尔曼滤波的铅炭电池荷电状态评估

储能电池应用广泛,准确估计储能电池的荷电状态(state of charge,SOC)对提高电池健康状态有重要意义。铅炭电池作为一种高性能、低成本、高安全性的新型储能电池,在储能电站等场景受到广泛关注,而目前尚缺少铅炭电池SOC估计相关研究。本工作首先通过静流间歇滴定技术探究铅炭电池的荷电状态与开路电压关系,后通过混合脉冲功率性能试验得到铅炭电池的伏安特征数据,建立一阶Thevenin和一阶PNGV等效电路模型,利用基于代理模型和灵敏度分析的随机算法(surrogate optimization algorithm,SOA)对两种等效电路模型进行参数辨识。在此基础上,利用扩展卡尔曼滤波算法(extended Kalman filter,EKF)估计铅炭电池SOC,估算过程考虑噪声干扰。另外,在铅炭电池SOC初值未知的情况下,EKF算法不能准确估计铅炭电池SOC。因此,本工作提出采用自适应扩展卡尔曼滤波算法(adaptive extended Kalman filter,AEKF)对铅炭电池进行状态估计,来弥补EKF的不足。结果表明,在存在噪声且SOC初值未知的情况下,AEKF算法较EKF算法和安时积分法更能准确估计铅炭电池SOC,在给定SOC初值为0.9时,误差最小,为3.91%,验证了算法的有效性与适用性,提高了铅炭电池荷电状态估计的准确性和可靠性。

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。

基于自适应卡尔曼滤波加速度与位移融合的结构位移实时估计

实时高精度位移测量在工程结构的安全和寿命评估方面有着重要作用。为提高基于全球导航卫星系统技术的位移测量的精度及稳定性,本文提出了一种融合加速度和位移数据的自适应多速率卡尔曼滤波方法,来实时获取精度提升的位移信息。由于不合理的噪声参数设置会使位移估计的精度严重下降,利用加速度和位移数据测量噪声各自的特点,以分开估计相应噪声方差的思路来实现自适应估计;考虑传感器噪声的性质,自适应滤波中对噪声参数的估计可简化为仅对位移噪声方差进行估计;利用Sage-Husa估计器实现位移噪声方差的自适应估计,使滤波能在噪声参数未准确获知的情况下进行稳定的位移实时估计。讨论了自适应滤波中初始噪声参数的影响,确定了初始系统噪声参数的选取原则;分别在时不变与时变位移噪声环境下,观察该滤波应用于不同频率的谐波位移信息下的估计性能;以某1.5 MW风电塔在风–地震耦合作用下塔顶结构响应的数值模拟,说明本文的自适应滤波在一般工程结构应用中的有效性。结果表明,即使初始噪声参数设置有误或位移噪声具有时变性,本文方法依然具有较好的估计效果及鲁棒性。研究成果可为结构实时高精度位移监测提供一定理论支撑与参考。

基于改进自适应卡尔曼滤波的姿态解算方法研究

针对无人机多传感器数据融合进行姿态解算时,因陀螺仪零位漂移和加速度计噪声特性发生变化而导致滤波发散、降低滤波精度的问题,提出了一种基于PI自适应的两级卡尔曼滤波姿态解算方法。第一级滤波使用加速度计数据,通过PI自适应算法实时修正观测噪声协方差矩阵,解决由于加速度计噪声特性发生变化导致滤波发散的问题。第二级滤波使用磁力计数据对姿态角进行校正,利用校正因子修正陀螺仪零位漂移引起的误差。实验结果表明该方法具有良好的鲁棒性,在姿态角发生较大变化时,该方法仍能保证姿态角误差较小,有效地减小了陀螺仪累计误差,明显提高了滤波精度。

基于改进自适应卡尔曼滤波的电力大负荷预测与计费研究

电力大负荷预测是电力公司进行高效电力系统规划和运行的重要基础;为了提高电力负荷预测精度进而更加有效地估计电力计量与计费,创新地提出了一种基于改进的自适应卡尔曼滤波(AKF)的电力大负荷计量计费预估方法;分析了电力负荷预测研究现状,针对传统卡尔曼滤波算法不足,引入自适应遗忘因子对卡尔曼滤波算法进行改进,建立数学模型、整定因子调整模型关键参数,得到电力大负荷数据的预测值,最终通过计量计费转换公式得用电量以及电费计量预估值;仿真结果表明:基于AEKF的电力大负荷计量预测方法的负荷预测结果与实际结果误差小于1.35%,电力计费预测结果与实际结果相对误差小于1.263%;应用实例证明:基于AEKF的电力大负荷计量计费预估方法,能够提高电力公司的调度效率12%,增加电费营收5.3%~12.2%。

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。

基于改进自适应卡尔曼滤波的闭环脱靶量预测技术研究

针对传统卡尔曼滤波算法的脱靶量预测稳定性差、精度不高等问题,提出了一种基于改进自适应卡尔曼滤波的脱靶量预测方法。利用脱靶量误差源统计特性建立脱靶量模型,结合改进自适应卡尔曼滤波方法实现对脱靶量的准确估计,并将改进自适应卡尔曼滤波与传统卡尔曼滤波的预测修正结果对比分析。仿真结果表明:基于改进自适应卡尔曼滤波算法比传统卡尔曼滤波算法在闭环校射中方位角预测修正提高70%以上,高低角预测修正提高30%以上,该改进卡尔曼滤波算法预测结果更加稳定、精确。