排序方式: 共有13条查询结果,搜索用时 171 毫秒
1.
针对不确定噪声下的非线性系统状态估计问题, 本文提出了一种基于轴对称盒空间滤波的状态估计方法. 首先, 利用轴对称盒空间包裹线性化过程带来的误差项, 将状态函数线性化误差轴对称盒空间与噪声轴对称盒空间求取闵可夫斯基和, 得到干扰误差轴对称盒空间; 随后, 利用状态量、线性误差和测量噪声的轴对称盒空间的闵可夫斯基和, 得到系统状态预测集; 进而, 利用轴对称盒空间边界正交的性质, 将盒空间拆分为多组超平面, 构造测量更新的约束条件并得到集员包裹. 本文所提方法相比传统的椭球滤波方法而言, 降低了算法的复杂度, 减少了包裹状态可行集和线性化过程带来的余, 获得了更加紧致精确的系统状态集. 最后, 采用非线性弹簧–质量–阻尼器系统验证了本文所提算法的有效性. 相似文献
2.
针对噪声有界但未知条件下的非线性系统状态估计问题,提出基于超平行空间集员滤波算法.利用Stirling矩阵将模型进行一阶展开,基于凸差规划完成线性化误差定界,采用超平行空间表示误差边界和状态可行集,求解下一时刻预测状态可行集超平行体.在更新步将观测值分解为多个带,融入观测值的线性化误差并将带依次与超平行体相交,得到该时刻超平行空间描述下的状态可行集更新情况.所提出算法能够避免在求解线性化误差过程中外包误差集合带来的体积扩充,降低非线性集员滤波算法的保守性,仿真示例验证了所提出算法的可行性和有效性. 相似文献
3.
针对含有未知但有界噪声的离散系统故障诊断问题,提出基于正交超平形空间定向扩展的滤波故障诊断方法.首先,在传统超平形空间的结构基础上,利用相邻时刻超平行空间顶点极值定义正交超平行空间,包裹参数可行集的上下界的同时,保证参数边界值的单调收敛;随后,利用超平行空间与带空间的交集情况,检测系统是否发生故障,进而在故障发生时定向扩展正交超平行空间,依据带空间与正交超平行空间在扩展方向测试集的交集情况实现故障隔离;最后,利用正交超平形空间在迭代过程中的收缩性质完成故障识别.给出的仿真示例验证了算法的可行性和有效性. 相似文献
4.
5.
针对未知但有界噪声时变参数系统,提出了一种基于正多胞体空间扩展滤波的参数辨识方法.采用有界误差方法对测量噪声和参数变化过程进行建模,通过选取最优扩展系数进而扩大正多胞体大小,使得正多胞体包含变化后的参数可行集,由时不变参数系统约束条件构造扩展系数方程,通过线性规划方法求解前k步扩展系数值,选取最大值作为最终扩展系数.采用扩展系数更新每一步时变参数正多胞体约束条件,求解全部参数的上下界得到包裹参数可行域的最紧致正多胞体.仿真示例说明该方法辨识时变参数的有效性和准确性. 相似文献
6.
针对含有未知但有界噪声的线性系统故障诊断问题,提出一种基于正多胞体的滤波故障诊断方法,利用线性规划方程表示递归运算过程中的约束条件,同时在递归过程中更新正多胞体的空间表达式,求取每个参数的不确定区间,并以正多胞体的空间形态描述参数可行集,通过检测滤波器参数正多胞体可行集是否为空,判断系统有无故障.针对不同故障类型设计集员滤波器,当参数正多胞体可行集为空,即系统发生故障时,采用模型匹配的方式实现故障诊断,如果出现故障样本中未包含的故障类型,则将该故障类型添加到故障样本库中.分别给出低维和高维空间的仿真实例,描述正多胞体空间的结构变化情况,给出不同故障状态下的正多胞体空间分析结果.最后通过仿真结果和分析验证了所提出的故障诊断方法的有效性和实用性. 相似文献
7.
针对变换器中因电解电容退化而引起的等效电阻异变的故障诊断问题,提出了一种基于逆向卡尔曼滤波的电力变换器故障诊断方法。将变换器抽象为一类卡尔曼滤波动态方程。将电路元件参数作为卡尔曼滤波的未知状态,利用电路的电压和电流作为已知矩阵,逆向推导卡尔曼滤波递推公式,完成电力变换器的参数辨识和故障诊断。针对变换器正常状态下的参数辨识结果,表明所提出的逆向卡尔曼滤波参数辨识算法具有较高的精度。同时针对变换器故障状态下的故障诊断结果,表明逆向卡尔曼滤波算法也具有很好的跟踪性,能够快速显示故障元件及其参数变化情况。仿真验证了所提出方法的有效性和实用性。 相似文献
8.
针对受未知但有界噪声干扰的噪声不确定时滞系统, 提出了一种基于凸空间收缩滤波的系统状态估计方法. 首先, 利用凸空间定义包裹系统真实状态的可行集, 求解下一时刻的凸空间体形状矩阵; 随后从凸空间收缩角度, 利用当前时刻噪声和扰动构造带空间, 得到满足状态预测和量测更新条件的凸空间结构; 进而, 依据时滞系统约束条件构造线性规划不等式方程组, 利用线性规划求解该凸空间, 得到包裹状态可行集的最紧致凸空间体; 最后, 通过数值仿真与电池化成工艺变换器案例仿真, 验证了本文所提方法解决不确定时滞系统状态估计问题的有效性和准确性. 相似文献
9.
为了准确预测风电机组的输出功率,针对实际风场,给出一种基于灰色GM(1,1)模型和辨识模型的风电功率预测建模方法,采用残差修正的方法对风速进行预测,得出准确的风速预测序列。同时为了提高风电功率预测的精度,引入FIR-MA迭代辨识模型,从分段函数的角度对风电场实际风速-风电功率曲线进行拟合,取得合适的FIR-MA模型。利用该模型对额定容量为850 kW的风电机组进行建模,采用平均绝对误差和均方根误差,以及单点误差作为评价指标,与风电场的实测数据进行比较分析。仿真结果表明,基于灰色-辨识模型的风电机组输出功率预测方法是有效和实用的,该模型能够很好地预测风电机组的实时输出功率,从而提高风电场输出功率预测的精确性。 相似文献
10.