基于自适应滤波的电动汽车动力电池荷电状态估计方法

基于卡尔曼滤波法的电池组荷电状态(State of charge,SOC)估计方法适合于电流变化比较剧烈的混合动力汽车中电池组的SOC估计,但由于电池模型以及系统噪声、量测噪声统计特性的不确定性,容易引起滤波发散.研究联邦城市行驶工况,并对电池组进行充放电试验,建立单变量的镍氢电池组的状态空间模型.将SOC作为系统的状态,由于自适应滤波算法可以抑制滤波发散,基于自适应滤波算法研究镍氢电池组的SOC估计方法.台架试验表明该方法具有较高的估计精度和可靠性,计算量小,更适用于实际应用.     

基于NACKF的分布式驱动电动汽车轮胎侧向力与质心侧偏角估计

针对传统容积卡尔曼滤波算法在进行车辆关键状态估计时要求噪声统计特性已知的问题,提出一种噪声自适应容积卡尔曼滤波（Noise adaptive cubature Kalman filter, NACKF）算法来进行车辆关键状态的估计。基于次优无偏极大后验估计器对量测噪声协方差进行实时更新并将其嵌入到标准容积卡尔曼算法中实现自适应容积卡尔曼滤波。针对车辆不同子系统间耦合特性对滤波精度的影响,构建双重自适应容积卡尔曼滤波器分别进行侧向力与质心侧偏角的估计,两者在估计过程中互为输入构成闭环反馈,利用分布式模块化结构弱化系统耦合特性对估计精度的影响,实现轮胎侧向力与质心侧偏角的实时准确估计。利用Simulink-Carsim联合仿真平台进行仿真验证和实车试验验证。结果表明,基于双重自适应容积卡尔曼滤波的估计算法相对标准容积卡尔曼滤波估计精度更高,较好地改善了传统容积卡尔曼滤波器在噪声先验统计特性未知条件下非线性滤波精度下降的问题。     

S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合的汽车状态估计算法

精确的汽车状态信息的获取是汽车动态控制系统正常工作的前提。建立了二自由度汽车动力学模型,提出了将S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合进行汽车关键状态估计的方法。模糊卡尔曼滤波利用所设计的模糊控制器通过实时监测信息实际方差与理论方差的比值,实现对时变量测噪声的协方差矩阵的实时在线估计,提高了算法在时变量测噪声情况下的鲁棒性;S-修正的自适应卡尔曼滤波算法基于滤波不发散理论推导得出实时修正因子S,进而对估计误差协方差矩阵直接加权。两种方法的结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度,最后通过基于ADAMS的虚拟试验验证了该方法的有效性。     

采用自适应无迹卡尔曼滤波的卫星姿态确定

针对现有算法卫星姿态确定中模型参数估计不准确,系统存在外界干扰下稳定性差和跟踪精度不足的问题,提出一种自适应无迹卡尔曼滤波算法,对卫星三轴姿态进行估计.首先分析了陀螺和星敏组合定姿的工作原理,然后推导了以误差四元数为状态变量的卫星姿态运动学方程.滤波过程中,该算法引入自适应矩阵,对量测噪声协方差矩阵进行调整;依据滤波发...     

引入系统不确定度的模糊IAE-UKF组合导航

针对车载卫星与惯性器件的组合导航系统不确定性对导航精度影响较大的问题,依据滤波新息估计量的统计特性与模糊度隶属度函数的控制特性,设计滤波方法实现对组合导航误差的抑制.考虑系统先验知识难以准确获取,首先采用新息自适应估计(Innovation Adaptive Estimation,IAE)方法对当前量测噪声方差进行在线...     

基于闭环自适应辨识的速度环PI参数自整定

针对永磁同步电机伺服系统速度环比例积分（PI）参数整定过程中需要反复调节、效率低等问题,提出了一种基于闭环自适应卡尔曼滤波（AKF）系统辨识的伺服系统速度环PI参数自整定方法。首先根据输入信号激励速度闭环系统,分析不同频率激励作用下闭环辨识序列的信噪比与实际输出,然后引入AKF算法辨识闭环被控对象的离散模型,最后通过遗传算法仿真搜索最优速度环PI参数。仿真与实验结果表明：该算法能有效抑制量测噪声等扰动对系统辨识精度的影响,辨识结果能够反映实际系统的动态输入输出特性,优化后的速度环具有优良的响应性能和较高的精度,便于实际工业应用。     

基于卡尔曼滤波算法的光谱共焦测量精度的提升方法

为减少待测物体位置变化时光谱系统受到的噪声干扰以及峰值定位误差,基于卡尔曼滤波算法原理,提出一种将Voigt寻峰定位的结果作为观测误差并进行最优估计来提升共焦系统测量精度的方法。先进行标定实验,确定光谱共焦系统的测量范围及精度;再依次对比中值滤波、Savitzky-Golay滤波以及快速傅里叶变换滤波等对光谱信号去噪的处理情况,并选用高斯、洛伦兹以及Voigt拟合等方法寻峰定位。同时,分析了Voigt拟合中的峰值提取、高斯宽度、洛伦兹宽度以及幅值误差对拟合精度的影响。实验结果表明,系统的测量范围可达3 mm,中心光斑半径增大了近1.79倍,采用卡尔曼滤波算法能够降低系统中的噪声引起的定位误差且系统精度能够提升11倍,满足高精度的测量需求。     

改进卡尔曼滤波的融合型锂离子电池SOC估计方法

荷电状态(SOC)估计对于锂离子电池充放电优化控制、任务规划、可靠性提升等均具有重要价值,针对广泛应用的卡尔曼滤波(KF)一类方法存在的参数设置无具体标准、模型性能随工况环境改变而适应性降低等问题,提出一种噪声方差可变卡尔曼滤波方法(VVKF)的SOC估计算法,该算法每次迭代时估计并设定最适应当前系统状态的的噪声方差,克服了KF噪声方差初值依靠人为经验设定而造成精度下降的问题,同时采用最小二乘支持向量机作为KF的量测方程,通过建立样本库的方式克服电池型号以及工况改变对SOC估计精度的影响。采用马里兰大学CACLE中心锂离子电池数据集的实验证明了VVKF较KF性能的提升以及SOC估计的有效性。     

光针轮廓扫描技术测量内螺纹曲面

分析了激光光针扫描在测量内螺纹曲面时的特性及影响精度的因素。根据光斑在被测面的噪声分布特点,采用中值滤波与小波阈值去噪相结合的综合滤波算法对光斑图像进行了去噪处理,其中中值滤波可以有效地消除光斑图像中的脉冲噪声,而基于小波变换的阈值去噪算法可以消除图像中的高斯噪声。通过综合滤波算法对光斑图像进行处理,可以有效消除激光光斑噪声,消除图像噪声对测量精度的影响,同时保持了光斑图像的细部特征。根据激光光斑图像在倾斜被测物体表面光强分布特点,设计了近似圆拟合算法来确定光斑中心,该算法相对传统算法具有计算量小、计算效率高,适合在线检测的特点,可以克服测量面倾斜对激光光斑中心的影响。利用采用上述方法的坐标机激光光针扫描系统,对标准内螺纹量规进行测量,对比应用前后的测量结果,螺距精度提高了0.48 mm,中径测量精度提高了0.44 mm,牙型角精度提高0.57°。     

目标跟踪中非线性滤波算法的研究

介绍了3种非线性估计方法.在处理目标跟踪等动态系统实时估计问题中,EKF将系统进行线性化近似时存在估计误差,从而影响目标跟踪的精度;PF对系统噪声和量测噪声的概率分布没有要求;RPF是改进的粒子滤波算法.分析了EKF、PF和RPF算法的原理,比较了3种算法的性能差异.仿真结果表明,PF滤波精度优于EKF,而RPF在精度和计算复杂度等方面均优于PF,且随着粒子数目的增加,PF和RPF的精度也不断提升.     

基于变分贝叶斯的DR/UTP组合导航滤波方法

针对水下无人航行器(UUV)的航位推算导航方法(DR)和水下应答器(UTP)组合导航系统中传统滤波器因观测噪声统计模型不准确或未知而出现的滤波器发散问题,提出了一种基于变分贝叶斯的平方根容积卡尔曼滤波算法,该算法利用变分贝叶斯方法对DR/UTP组合导航系统的状态和时变观测噪声进行估计,并引入自适应调节因子来提高对观测噪声的逼近精度,然后利用平方根容积卡尔曼滤波对系统状态进行更新。仿真结果表明,该滤波算法能够较好地跟踪UUV的DR/UTP组合导航系统外部观测噪声方差的不断变化,可有效提高对DR/UTP组合导航系统各参数的估计精度。     

自适应卡尔曼滤波器在火箭弹落点估计中的应用

利用雷达对火箭弹一段飞行过程中的参数进行量测,对火箭弹落点进行了准确估计,实现了火箭弹的轨迹修正。采用具有自适应调节滤波增益矩阵的卡尔曼滤波器,结合质点弹道模型,建立了自适应卡尔曼滤波弹道模型,完成了对三坐标雷达探测的一段火箭弹飞行参数的野值处理与滤波,并对火箭弹落点进行外推。数值仿真结果表明,经自适应调节的卡尔曼滤波器滤波后,弹道量测信号中的野值与噪声被有效去除,且滤波方差可以在短时间内收敛。根据滤波时间与落点估计误差的关系,采用滤波时间为8-10 s 方案,可得到最佳的落点估计。     

移动机器人自适应抗差无迹粒子滤波定位算法

针对机器人定位过程中传感器感知信息存在野值,加剧粒子退化,导致机器人状态参数滤波值失真,甚至出现定位失败的问题,提出一种机器人自适应抗差无迹粒子滤波定位算法。在重要性采样阶段利用无迹卡尔曼滤波产生优选的建议分布函数,降低系统估计误差,同时有效提升系统的抗噪声能力。同时利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入的自适应因子调节增益矩阵,减弱野值对滤波的影响。实验结果表明,当观测数据中存在野值时,该算法能够有效地控制观测异常误差的影响,定位精度得到了很大提高,并在不同系统噪声和观测噪声方差下,具有较强的鲁棒性和实时性。     

卡尔曼滤波器在过程估计中的应用

提出了一种卡尔曼滤波算法,建立离散状态模型,运用MATLAB对直流电机进行分析,对过程进行估计.以一个平方信号作为过程输入,分别计算了无噪声过程响应和有噪声过程响应来加以比较.根据控制信号和测量输出估计过程输出和状态,卡尔曼滤波器的估计输出接近于无噪声过程的输出,状态估计也令人满意;估计输出信号的误差方差较小,效果良好.     

基于Sage窗的自适应Kalman滤波用于钟差预报研究

钟差预报是时间保持工作中的一项关键技术。Kalman算法作为一种最优预报算法,具有实时性的特点,在时间保持工作中得到了广泛的应用。但是由于经典Kalman算法需要准确确定模型随机误差和测量误差,否则状态估计会引入一定的误差,在原子时算法中表现为原子钟噪声和钟差测量噪声。原子钟的噪声参数值通常是通过Allan方差估计,若估计不够准确,Kalman预报将会出现误差。通过研究基于Sage窗的自适应Kalman预报算法,实时修正状态模型误差。利用自适应因子调整状态预测协方差阵有效降低了模型误差,提高了预报精度,最后通过两台氢原子钟和两台铯原子钟的实测数据验证了算法的有效性。     

微间隙焊缝磁光成像卡尔曼滤波跟踪算法

在激光对接焊过程中,实时控制激光束准确对中焊缝是保证焊接质量的前提。针对紧密对接激光焊,研究一种用于微间隙(不大于0.1 mm)焊缝位置识别及跟踪的磁光成像卡尔曼滤波算法。采用磁光传感器实时获取焊接区域的微间隙焊缝磁光图像序列,利用微间隙焊缝磁光图像的灰度梯度特征提取焊缝位置坐标。以焊缝位置及位移量构成状态矢量,建立描述焊缝位置的状态方程和测量方程。同时,假设系统动态噪声和测量噪声为零均值随机分布的高斯白噪声,建立噪声环境下的卡尔曼滤波跟踪算法,计算最小均方差条件下焊缝中心最优预测值,减小系统噪声和过程噪声对焊缝位置测量的影响。试验结果显示,该方法能有效实现激光对接焊微间隙焊缝位置的识别与跟踪。     

基于 RP-EKF 的无人机动力系统参数辨识

针对无人机动力系统电池电压波动导致系统噪声大、辨识结果精度低的问题,本研究提出了一种基于反向预测-增广卡尔曼滤波(RP-EKF)的无人机动力系统参数辨识方法。首先构建增广参数矩阵,将压降噪声模型考虑入辨识环节,其次提出反向预测卡尔曼滤波算法,设定新息平方比阈值,计算原始预测新息平方与反向预测新息平方的比值,通过对比预测新息比与阈值完成过程噪声调整并实现估计模型修正。实验结果表明,本文提出的基于RP-EKF的参数辨识方法,平均误差为39.22 rpm,均方根误差为55.85 rpm,平均相对偏差为0.85%,相比于最小二乘算法与卡尔曼滤波算法,本文方法辨识结果平均误差分别提高41.51%和22.26%,均方根误差提高49.63%和13.0%,平均相对偏差提高41.7%和22.7%。本文提出的算法拥有更高的辨识精度。