基于扩张状态观测器的可调系统参数辨识与实验

在测量噪声条件下,研究基于扩张状态观测器(ESO)的参数辨识方法和实际应用.结合仿真与实验,分析测量噪声对ESO观测状态输出的影响.为了提高实际应用中的辨识效果,通过引入积分型滤波器对观测状态中的噪声进行抑制.所提出方法可以很好地处理非均匀周期采样数据,适用于不规则采样系统的参数辨识.最后,在一类参数可调实验系统上构造两类实际对象,通过实验验证所提出辨识方法的有效性和实用性.     

航天器姿态自抗扰控制

为抑制航天器自身结构参数变化和内外扰动对姿态控制精度和姿态稳定度的影响, 设计了航天器姿态自抗扰控制器. 自抗扰控制器(ADRC)由跟踪微分器(TD)、扩张状态观测器(ESO)和姿态反馈控制器(AFC)3部分组成.跟踪微分器负责安排姿态指令过渡过程, 并提取其微分信号. 扩张状态观测器(ESO)充分利用姿态敏感器与速率陀螺的量测信息, 可对航天器姿态及内部和外部干扰进行观测. 姿态反馈控制器则在补偿ESO估计的干扰的同时,实现航天器的姿态控制. 与已有研究相比, 扩张状态观测器采用复合量测信息对状态估计进行校正, 性能较好. 而自抗扰控制器只采用一个环路即可实现姿态控制及干扰补偿, 结构简单. 对某航天器姿态控制系统的仿真结果表明,以上自抗扰控制器是可行的.     

一种兼顾带宽拓展和噪声抑制的ESO参数整定方法

从频域角度出发,提出一种兼顾观测带宽和噪声抑制的扩张状态观测器参数整定方法.首先推导传统扰动观测器与线性扩张状态观测器之间的等价关系,将三阶扩张状态观测器的参数整定问题转化为滤波器的设计问题;然后采用切比雪夫滤波器提升观测器性能.仿真结果表明,与已有的扩张状态观测器参数整定方法相比,所提出方法在提高扰动观测能力的同时,具有更好的噪声抑制能力.     

线性自抗扰控制器的稳定性研究

研究了线性扩张状态观测器(Extended state observer, ESO)的估计能力,并且分析了在线性自抗扰控制(Linear active disturbance rejection control, LADRC)下闭环系统的稳定性. 对于系统模型未知的情形, 给出了线性扩张观测器估计误差有界的证明, 并通过分析得出了如下结论: 在扩张状态观测器跟踪误差趋于零的前提下, 在线性自抗扰控制下的闭环系统可以实现对设定信号的精确跟踪以及输入-输出有界(Bounded input and bounded output, BIBO)稳定.     

修改型扩张状态观测器:分析与实现

利用系统已知信息构造的扩张状态观测器(extended state observer,ESO)称之为修改型扩张状态观测器.本文完善了修改型扩张状态观测器(modified extended state observer,MESO)的假设条件,并分析了相对于常规的扩张状态观测器,修改型扩张状态观测器估计精度更高的原因.针对系统模型参数不确定情况,提出了基于最小二乘法的修改型扩张状态观测器实现方法,并详细论述了最小二乘法在线辨识系统模型的原理.仿真结果与理论分析结果一致,验证了修改型扩张状态观测器理论分析的正确性和实现方法的可行性.     

直流降压变换器的降阶扩张状态观测器与滑模控制设计与实现

本文针对直流降压变换器的负载电阻扰动和输入电压变化等系统不确定因素对输出电压的影响,提出了基于降阶扩张状态观测器的滑模控制方法(SMC+RESO).首先设计降阶扩张状态观测器对系统状态,负载电阻扰动和输入电压变化进行估计,然后基于估计值利用滑模控制技术设计控制器,实现对直流降压变换器系统给定电压跟踪的快速性和准确性.值得注意的是,不同于文[1]所提出的基于扩张状态观测器的滑模控制方法(SMC+ESO),本文所提出的方法采用降阶扩张状态观测器,实现简单,且无需电流传感器,减小了实际应用的成本.利用Lyapunov稳定性定理从理论上证明了所设计的控制器可以保证闭环系统的稳定性.仿真和实验结果表明,与已有的基于扩张状态观测器的滑模控制方法相比,所提出的控制方法更好地改善了系统的跟踪性能和对干扰和不确定性的鲁棒性能,且减少了成本,但是牺牲了系统稳态性能.     

基于ESO的Buck型变换器趋近律控制

针对Buck型变换器系统中存在的时变干扰,如输出负载波动,本文提出一种基于扩张状态观测器(ESO)的趋近律控制方法。首先,对系统中存在的时变干扰进行建模,把抑制时变干扰问题转换为抑制匹配和非匹配扰动问题。其次,设计一种扩张状态观测器,用于估计匹配和非匹配扰动。然后,根据提出的新型指数幂次趋近律设计滑模控制器,结合ESO,有效抑制时变干扰对系统的影响,并通过Lyapunov稳定性定理分析观测器的收敛性和闭环控制系统的稳定性。最后,仿真结果验证了所提方法的有效性。     

基于双曲正切函数的二阶时变参数扩张状态观测器

当传统扩张状态观测器(ESO)的状态初值与系统的状态初值相差较大时,普遍存在微分峰值现象.为了消除这种现象,本文给出了用双曲正切非线性函数构造ESO的一般形式,并且用Lyapunov函数证明了二阶ESO的误差系统为渐近稳定.然后又利用双曲正切函数自身的饱和特性,设计出一种时变ESO,可以实现微分峰值的有效抑制.最后,把这种ESO的仿真结果与经典ESO的仿真结果进行对比,表明这里提出的ESO能够有效抑制微分峰值现象,并可以获得系统状态变量和非线性扰动的精确估计.     

扩张状态观测器的性能与应用

研究自抗扰控制方法中的扩张状态观测器(ESO)。通过频域分析可得出该观测器性能随频率升高而逐渐衰减的结论,衰减程度取决于观测器的参数和系统的采样频率,并指出对现有的参数配置方法加以改进可以获得补偿性能更好的观测器。提出了一种非线性扩张状态观测器,在同等采样率条件下能够提高观测器的跟踪性能。仿真结果表明,所提出的状态观测器与现有的观测器相比,在主动控制中效果更好。     

基于扩张状态观测器的 连铸结晶器振动位移系统自适应滑模控制

针对伺服电机驱动的连铸结晶器振动位移系统中存在时变负载转矩、参数不确定性等问题,本文提出了一种基于扩张状态观测器(extended state observer, ESO)的自适应非奇异终端滑模(nonsingular terminal sliding mode,NTSM)控制方法.首先,设计ESO对系统存在的综合扰动和不可测状态进行估计.然后,采用分层设计的方法,分别对位移跟踪子系统和电流环子系统设计基于ESO的自适应NTSM控制器和滑模控制器.为削弱ESO估计误差对跟踪精度的影响,在NTSM控制器中引入了自适应增益.可以证明,所设计的控制器能够保证闭环系统所有信号有界,系统状态可渐近收敛到原点附近的小邻域内.最后,仿真结果验证了所提出控制方法的有效性.     

带有色厚尾量测噪声的鲁棒高斯近似滤波器和平滑器

为了解决带有色厚尾量测噪声的非线性状态估计问题,本文提出了新的鲁棒高斯近似（Gaussian approximate,GA）滤波器和平滑器.首先,基于状态扩展方法将量测差分后带一步延迟状态和白色厚尾量测噪声的非线性状态估计问题,转化成带厚尾量测噪声的标准非线性状态估计问题.其次,针对量测差分后模型中的噪声尺度矩阵和自由度（Degrees of freedom,DOF）参数未知问题,设计了新的高斯近似滤波器和平滑器,通过建立未知参数和待估计状态的共轭先验分布,并利用变分贝叶斯方法同时估计未知的状态、尺度矩阵、自由度参数.最后,利用目标跟踪仿真验证了本文提出的带有色厚尾量测噪声的鲁棒高斯近似滤波器和平滑器的有效性以及与现有方法相比的优越性.     

带有色量测噪声的非线性系统 Unscented 卡尔曼滤波器

传统Unscented卡尔曼滤波器(Unscented Kalman filter, UKF)要求噪声必须为高斯白噪声, 无法解 决带有色噪声的非线性系统滤波问题. 为此, 本文提出了一种带有色量测噪声的UKF滤 波新算法. 首先,基于量测信息增广和最小方差估计, 推导出一类带有色量测噪声的非 线性离散系统状态的最优滤波框架, 接着采用Unscented变换(Unscented transformation, UT)来计算最优框架中的 非线性状态后验均值和协方差, 进而得到有色量测噪声下UKF滤波递推公式. 所设 计的UKF新方法能有效地解决传统UKF在量测噪声有色情况下非线性滤波失效的问题, 数 值仿真实例验证了其可行性和有效性.     

基于Kalman滤波的通用和统一的白噪声估计方法

用射影理论,基于Kalman滤波提出了通用和统一的白噪声估计方法,可统一解决带非零均值相关噪声的线性离散时变随机控制系统的白噪声滤波、平滑和预报问题.提出了输入白噪声估值器和观测白噪声估值器,最优和稳态白噪声估值器,固定点、固定滞后和固定区间白噪声平滑器,白噪声新息滤波器和Wiener滤波器.它可应用于石油地震勘探信号处理和状态估计,为解决信号和状态估计问题,提供了新的途径和工具.关于Bernoulli-Gaussian白噪声估值器的仿真例子说明了其有效性.     

无人机组合导航系统的自适应滤波研究

无人机组合导航滤波器的设计需要考虑器件和外部环境不稳定带来的影响,同时在飞行过程中也面临着组合导航系统噪声和量测噪声统计特性不确定问题,从而导致滤波精度低,稳定性差,甚至有可能发散,传统常规卡尔曼滤波无法解决上述问题。提出一种根据极大似然准则的自适应卡尔曼滤波算法,利用滤波残差的均值和方差不断对卡尔曼滤波的状态噪声方差阵和测量噪声方差阵进行实时修正,提高滤波器对模型不确定性和噪声变化的适应能力和鲁棒性。仿真表明,所提出的组合导航滤波器能够满足无人机导航任务的要求,并且具有很好的导航精度和稳定性。     

一种影像测量系统中自适应混合噪声滤波方法

介绍了影像测量系统中的噪声来源以及常用的滤波方法。针对均值滤波器和中值滤波器在滤除高斯噪声和脉冲噪声时各自表现出良好的性能,设计了一种针对待测零件图像中混合噪声的自适应滤波方法,系统根据噪声类别灵活选择滤波方法。实验证明改进的滤波策略能获得比传统滤波方法更高的信噪比改善因子。     

Robust unscented Kalman filter with adaptation of process and measurement noise covariances

Unscented Kalman filter (UKF) has been extensively used for state estimation of nonlinear stochastic systems, which suffers from performance degradation and even divergence when the noise distribution used in the UKF and the truth in a real system are mismatched. For state estimation of nonlinear stochastic systems with non-Gaussian measurement noise, the Masreliez–Martin extended Kalman filter (EKF) gives better state estimates in relation to the standard EKF. However, the process noise and the measurement noise covariance matrices should be known, which is impractical in applications. This paper presents a robust Masreliez–Martin UKF which can provide reliable state estimates in the presence of both unknown process noise and measurement noise covariance matrices. Two numerical examples involving relative navigation of spacecrafts demonstrate that the proposed filter can provide improved state estimation performance over existing robust filtering approaches. Vision-aided robot arm tracking experiments are also provided to show the effectiveness of the proposed approach.     

多目标跟踪的混合高斯PHD滤波

为解决目标数未知或随时间变化时的多目标跟踪问题,将多目标状态和观测信息表示为随机集的形式,建立了多目标跟踪的混合高斯概率假设密度(PHD)滤波方法。当目标初始的先验概率密度满足高斯分布的形式时,通过将状态噪声、观测噪声、目标的繁衍、新目标的产生、目标的存活概率和检测概率表示成混合高斯的形式,之后每个时刻的后验概率密度均能表示成混合高斯的形式。线性混合高斯PHD滤波方法将Kalman滤波引入到PHD滤波中,利用混合高斯成分预测和更新随机集的PHD,并估计出目标的状态。实验结果表明,在杂波环境下混合高斯PHD滤波方法可以有效地跟踪目标状态。     

A treatment of nonwhite measurement noise in discrete linear systems

A combination of pure colored and pure white measurement noise may occur in several classes of linear discrete time dynamic stochastic systems of interest. Accurate state estimation in the presence of this nonwhite measurement noise is achieved through the use of a low order least squares filter. Previously the statistical nature of this nonwhite noise has been restricted, and computationally burdensome algorithms have been developed to handle this particular type of measurement noise. In overcoming these difficulties a filter is developed, similar in form to a Kalman filter, whose order is no higher than the order of the state.