基于分数阶模型多新息无迹卡尔曼滤波算法的超级电容SOC估计

对超级电容的SOC估计展开了研究。首先,搭建了超级电容测试平台,用于超级电容的参数辨识,并对超级电容进行了常规性能测试;其次,在不同的环境温度和动态工况下采用多种算法进行超级电容SOC估计。结果表明,采用分数阶模型多新息无迹卡尔曼滤波(FOMIUKF)算法对超级电容SOC的估计精度最高,对超级电容的路端电压跟随情况最好,估计结果的均方根误差和平均绝对误差的最大值分别约为1.8%和1.73%。

基于平方根无迹卡尔曼滤波算法的电动汽车质心侧偏角估计

针对电动汽车质心侧偏角不便使用传感器直接测量的问题,提出采用平方根无迹卡尔曼滤波(SR-UKF)算法来估计电动汽车质心侧偏角。基于建立的车辆侧向动力学模型、非线性轮胎动力学模型以及估计得到的质心侧偏角,使用最小二乘法对轮胎侧偏刚度进行估计,得到轮胎侧偏刚度信息。最后,通过试验验证了基于SR-UKF的电动汽车质心侧偏角估计算法具有较高的精度,能够为后续车辆稳定性控制系统的设计提供有效的车辆状态信息。

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的液体火箭发动机故障诊断

针对火箭发动机故障数据难以获取的问题,设计了一种基于无迹卡尔曼滤波(UKF)的液体火箭发动机故障诊断算法。采用MATLAB/Simulink平台搭建了液体火箭发动机故障仿真模型,实现发动机正常运行仿真和预燃室氧阀门故障、氧主泵汽蚀、氢主涡轮叶片脱落3种故障仿真。将正常运行仿真值与设计值、试车值进行了对比。结果表明:模型参数与设计值最大误差不超过5%,仿真精度较高;仿真参数变化趋势与试车值基本一致,且稳态值误差较小。使用UKF算法求取发动机正常运行阈值范围,并对故障序列进行滤波处理,若故障数据连续3次超出阈值区间,且在0.1 s内有至少2个涡轮泵发出报警,则判定故障发生,故障发生时间为第2个涡轮泵报警时间。使用设计算法对3种故障序列进行诊断,判定故障发生时间分别为20.08 s、20.05 s、20.18 s。相比于传统红线阈值算法,文中所设计算法响应更为及时,且误报率较低。

基于平方根无迹卡尔曼滤波平滑算法的水下纯方位目标跟踪（英文）

为了避免被动跟踪中非线性带来的计算复杂化及跟踪精度的下降,提出将平方根无迹卡尔曼滤波平滑算法(SR-UKFS)应用到水下纯方位目标跟踪。SR-UKFS利用Rauch-Tung-Striebel(RTS)平滑算法将平方根无迹卡尔曼滤波(SR-UKF)作为前向滤波算法得到的目标状态估计向后平滑,得到前一时刻目标状态估计,再利用该状态估计值进行再次滤波得到当前时刻目标状态估计。该算法得到的前一时刻的目标状态估计更加精确,从而进一步提高了目标跟踪的精度。最后,通过对SR-UKFS算法和SR-UKF算法的跟踪性能进行了对比分析和验证,仿真结果表明在相同条件下,SR-UKFS算法能减少59%的位置误差和54%的速度误差,SR-UKFS算法应用于水下纯方位目标跟踪系统是有效的,为水下纯方位目标跟踪系统的工程实现提供了非常有价值的参考。

基于无迹卡尔曼滤波的视觉着舰引导算法

为抑制视觉测量与相对运动变化模型中的非线性成分,并针对传统纯视觉引导算法存在数据权重相同和基于同一时刻观测信息进行解算的问题,提出了一种基于无迹卡尔曼滤波(UKF)的视觉着舰引导算法。首先,选择坐标系并搭建运动模型;然后,选择合适的状态估计向量并设计观测方程;最后,进行滤波方程的求解并采用仿真实验测试算法的性能。仿真结果表明此算法具有很好的定位精度,同时也对视觉计算中的特征点定位误差有一定抑制作用,具有广泛的应用前景。

基于无迹卡尔曼滤波算法的弹道落点预测方法

为解决靶场理论弹道和外测飞行目标实时信息预测落点预测时间长,不能清晰及时预测飞行轨迹等问题,提出一种改进的弹道落点预测方法。从弹道模型出发建立基准模型坐标系,将外测设备参数配置于基准模型坐标系,实时采集的外测设备数据采用无迹卡尔曼滤波(unscentedkalmanfiltering,UKF)算法滤波处理后获得融合轨迹,并通过Runge-Kutta算法进行外推计算以进行落点预报。经Matlab仿真分析和实际效果验证,该方法的结果更加精确且适用性更强。

基于李群的无迹卡尔曼滤波视觉SLAM算法

视觉SLAM算法的理论框架已经十分完备,但是在实际应用中导航准确性还有待改善。基于此问题,提出了基于李群的无迹卡尔曼滤波(UKF⁃LG)视觉SLAM算法,优化了传统无迹卡尔曼滤波(UKF)的系统状态,把UKF的系统状态用李群表示,并构建视觉惯性紧耦合模型。在Euroc数据集下对包含该算法在内的5种滤波法进行了仿真对比,其中,L⁃UKF⁃LG算法比传统的UKF算法有更低的位置和姿态的均方根误差(RMSE)值,有效改善了导航定位准确性。

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.

基于无迹卡尔曼滤波算法的锂电池SOC估计

应用无迹卡尔曼滤波算法(UKF)进行锂电池的SOC估计,采用Thevenin二阶RC等效电路模型,对HPPC电池脉冲充放电实验数据进行Matlab处理,得到较为准确的模型。通过在Matlab中编写算法程序,对不同工况的估计值与实际值进行误差估算及对比分析,通过此算法进行SOC估计,得到该算法可有效降低系统误差并纠正SOC的初值偏差。

基于无迹卡尔曼滤波的无人机跟踪算法

基于四基站对无人机位置的定位数据,利用无迹卡尔曼滤波算法对定位数据进行最优估计,并预测无人机的运行轨迹,从而实现对无人机的实时跟踪.对经典的线性卡尔曼滤波算法和无迹卡尔曼滤波算法进行仿真对比,结果表明,线性卡尔曼滤波算法虽然能跟踪预测轨迹,但有较大的误差,而使用无迹卡尔曼滤波算法能有效地减小误差,使跟踪预测的轨迹更加精确.

卡尔曼滤波算法下电力通信自动化监测系统设计

为克服现有电力通信监测系统因噪声处理不佳导致的信号质量不高、系统负载能力差、耗时长等问题,将系统划分为数据层、网络层和应用层3个层次,采用卡尔曼滤波算法,设计了一种改进的电力通信自动化监测系统。在数据层通过设备采集电力通信数据,使用单元集成方式构建网元控制模块存储数据;通信传输信道将采集的数据传输至网络层,通过信道连接到应用层监测中心;基于数据服务器、交换器及工作站、路由器等设备构建数据处理模块、监测模块和管理模块,通过卡尔曼滤波算法完成数据处理,实现电力通信自动化监测系统设计。实验结果表明:该系统信号与干扰加噪声比(signal to interference plus noise ratio,SINR)较高,负载能力强,负载率低至40%左右,且平均运行耗时为8.0 s。

基于FFRLS和ASR-UKF滤波算法的锂电池SOC估计

锂电池在工作过程中,其内部参数易受多种因素影响,为提高锂电池在复杂环境下荷电状态(SOC)估计精度,以二阶戴维宁(Thevenin)等效模型为基础,结合遗忘因子递推最小二乘法(FFRLS)对模型参数进行在线辨识。针对传统卡尔曼滤波算法高度非线性及系统噪声不确定性等缺点,提出了一种自适应平方根无迹卡尔曼滤波(ASR-UKF)算法,该算法利用平方根算法处理均值和协方差,确保了状态协方差的半正定性和稳定性,并引入自适应滤波算法对噪声进行实时修正,消除了系统时变噪声影响。结果表明,FFRLS能有效解决数据饱和及算法矩阵计算量大的问题,等效模型精度高达98%。在混合动力脉冲特性(HPPC)测试和北京公交动态测试工况(BBDST)下,ASR-UKF算法SOC估计最大误差分别为3.264%和0.572%,具备更好的跟踪效果,验证了改进算法良好的收敛性与自适应性。

基于平方根无迹卡尔曼滤波的锂电池状态估计

在充电式混合动力电动汽车(plug-in hybrid electric vehicle,PHEV)和电动汽车(electric vehicle,EV)中,对电池进行精确、可靠的荷电状态估计(state of charge,SOC)非常重要。传统估计方法存在计算量大、估计不精确等缺点,提出一种平方根无迹卡尔曼滤波(square root unscented Kalman filter,SRUKF)算法对SOC进行实时估计及更新。利用无迹变换(unscented transformation,UT)精确估计系统方程的均值和协方差,使估算值达到二阶精度。利用平方根算法保证状态协方差的半正定性,提高数字计算的稳定性。通过实验对比,验证了该算法的有效性。结果表明,该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC估计的实际需求。

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。

基于无迹卡尔曼滤波的动力电池荷电状态估计

提出一种基于无迹卡尔曼滤波算法的荷电状态估计算法。扩展卡尔曼可以线性化非线性函数实现滤波递推,但对于强非线性系统可能会滤波发散,且复杂的计算难以保证系统的实时性。无迹卡尔曼通过对非线性函数的概率密度进行近似,用一系列确定的样本来逼近状态的后验概率密度。通过FUDS工况实验验证了无迹卡尔曼滤波算法在荷电状态估计的效果,结果表明SOC估计精度在3%以内,满足实验的要求。

一种基于无迹卡尔曼滤波的UUV协同定位方法

多水下无人航行器(multi-UUV)协同定位技术是解决海洋中间层水下导航定位问题的重要途径,针对以往multi-UUV仅靠距离量测的协同导航定位精度低的问题,给出了一种基于无迹卡尔曼滤波(UKF)方法的UUV协同定位方法。利用从UUV的运动学方程和基于距离的量测方程建立了从UUV的导航模型,针对该非线性导航模型,采用UKF设计了导航滤波算法,避免了对非线性方程的线性化处理,实现了递推导航滤波算法,并与传统的航位推算方法进行了仿真对比。仿真结果表明,从UUV能够利用该导航滤波算法进行实时定位,比传统的航位推算方法具有更高的定位精度。

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。

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。