分布式驱动电动汽车双无迹卡尔曼滤波状态参数联合观测

为实时观测分布式驱动电动汽车行驶过程中的车身质心侧偏角等状态及车辆惯性参数如车辆质量、横摆转动惯量等信息,针对车辆惯性参数估计易敏感于载荷参数变化的挑战,发展面向载荷参数不确定（乘客或货物加载）的纵向、侧向、横摆运动的四轮车辆非线性动力学系统估计模型,在融合轮毂转矩等车载多传感器信息的基础上,将能适应强非线性系统的无迹卡尔曼滤波引入到车辆惯性参数估计中,设计车辆并联双无迹卡尔曼滤波状态参数联合观测系统,其中一个无迹卡尔曼滤波器观测车辆速度、车身质心侧偏角等状态,而另一个无迹卡尔曼滤波器观测车辆惯性参数。在CarSim/Matlab高保真环境中使用双移线、正弦工况对观测器在不同的载荷加载条件的可行性和有效性进行仿真验证,结果表明：该观测系统能实时观测车辆运行的状态及车辆惯性参数,即使在重载荷加载条件下仍具有较高的观测精度。     

基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计

纵向车速和质心侧偏角是车辆主动安全控制系统的关键参考状态信号,通常采用卡尔曼滤波算法估计。当系统噪声和测量噪声的统计特性存在不确定性时,不仅估计精度会降低,甚至导致估计器发散。结合分布式驱动电动汽车4个车轮转矩和转速可直接测量的特点,提出一种车辆状态自适应扩展卡尔曼滤波估计方法。基于量纲一化新息平方实现车辆状态估计有效性检测,提出滑动窗口长度自适应调整规则;根据新息统计特性提出卡尔曼滤波增益和状态估计误差协方差矩阵的自适应调整策略,及基于车辆状态估计稳态误差和动态响应速度的自适应参数确定原则。数值仿真和试验证明,所提出的车辆状态估计方法,不仅估计精度较高,而且实时性和易用性较强。     

卡尔曼滤波方法估计车辆质量与道路坡度对比分析

针对传统车辆控制系统难以实时准确测量整车质量和道路坡度的问题,建立车辆纵向动力学方程,采用欧拉前向方法将系统方程进行离散化,运用扩展卡尔曼滤波算法和无迹卡尔曼滤波算法,分别设计了整车质量观测器、道路坡度观测器、整车质量和道路坡度联合观测器,并进行了对比分析.在Simulink/Carsim环境下进行了联合仿真分析,采用...     

基于扩展卡尔曼滤波的镍氢电池SOC估计

针对电池SOC估计所用安时积分法的缺陷,本文采取了EKF(扩展卡尔曼滤波)算法,在描述电池模型系统的状态方程和观测方程上应用这种算法估算SOC值。通过实验看到了,EKF算法不存在安时积分法的误差累积问题且有对错误初始SOC值的自我纠正能力,而且较为精确和稳定,其估算误差的小于5%。     

U-卡尔曼滤波在状态估计中的应用

本文介绍了新的滤波估计方法-U卡尔曼滤波.UKF能给出最佳估计的至少二阶近似.本文通过一个时间序列的仿真实例说明UKF比EKF的估计精度要高.     

锂电SOC改进无迹卡尔曼滤波估算算法研究

传统无迹卡尔曼滤波(UKF)算法在估算锂离子动力电池荷电状态(SOC)时,常会出现由于电池模型参数不准确和无法预先获取噪声统计特性而使得估算误差增大的问题.针对这些问题,这里提出一种改进的自适应无迹卡尔曼滤波算法(AUKF):该算法通过扩充状态变量法来实现欧姆内阻在线更新,以此提高电池模型精度,并根据实时SOC估计值与真实值的误差,构造滑模观测器实现系统噪声和观测噪声的更新,降低未知噪声的干扰,最后通过不同温度下复杂工况实验,验证了新算法的估计精度和稳定性.     

基于改进的无迹卡尔曼滤波确定视线感知相对状态

基于视线传感器原理,研究了如何确定摄动作用下两颗卫星间相对状态的问题.采用VISNAV传感器作为相对状态传感器,并应用一种改进滤波算法实现了问题求解.首先,考虑了两颗卫星间相对位置与相对姿态的运动方程及摄动作用的影响,给出了改进的离散系统方程及其误差协方差矩阵的取值方法,避免了复杂协方差矩阵的实时额外求解,降低了算法计算量及实施难度.最后,给出相应的无迹卡尔曼滤波(UKF)算法并通过STK和MATLAB软件进行了数值仿真实验.分析表明,改进后的算法保证了收敛性,数值仿真及对比仿真验证了本文方法的可行性和有效性.在摄动因素作用的前提下,改进的方法能够在200m的相对距离内达到角秒级的相对姿态确定精度和毫米级的相对位置确定精度,完全可以满足近距离自由飞行卫星间的相对状态确定要求.     

重力/地磁辅助的欧拉角无迹卡尔曼滤波姿态估计

为了克服应用扩展卡尔曼滤波(EKF)的姿态估计算法的线性化误差问题,提出了一种基于重力/地磁辅助的欧拉角无迹卡尔曼滤波(UKF)姿态估计算法来提升低成本微机电系统(MEMS)的姿态测量精度。应用重力与地磁数据抑制了MEMS姿态误差快速发散问题;将欧拉角作为状态,应用四元数完成时间更新过程中的姿态更新,避免了四元数作为状态的规范化问题及欧拉角姿态更新精度低的问题;由于UKF滤波器不存在线性化误差,故其具有更好的稳定性和姿态估计精度。应用实际MEMS数据开展的算法验证实验显示:与EKF姿态估计算法相比,提出的UKF姿态估计算法得到的俯仰与横滚角精度提高了近20%,航向角精度提高了12.1%。结果表明:本文提出算法的精度更高;然而由于UKF算法对状态协方差估计不足,其收敛时间有所增加。     

利用双卡尔曼滤波算法估计电动汽车用锂离子动力电池的内部状态

以电动汽车的研发为背景,建立用于电动汽车中作为辅助动力源的锂离子动力蓄电池的等效物理模型及其离散形式的状态空间方程,然后分别介绍如何基于卡尔曼滤波算法在线估计电池内部的荷电状态和寿命状态。在此基础上,介绍利用双卡尔曼滤波算法同时在线估计荷电状态和寿命状态的算法原理,并设计出相关的电池测试试验,利用在此试验过程中所采集的包括电流、电压等数据对电池的内部状态进行估计。对试验结果的分析表明,利用双卡尔曼滤波算法在线估计电池内部状态是有效的,并且估计精度也相对较高,可以较好地反映电池内部的真实状态。     

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。     

基于双自适应无迹卡尔曼滤波算法的锂电SOC/SOH联合估计

合理准确地估算出电池荷电状态（SOC）与健康状态（SOH）对电动汽车安全运行和能量分配有重大意义。目前锂离子动力电池状态参数的研究中,很少考虑两个参数在估算过程中的相互影响;传统无迹卡尔曼滤波（UKF）算法在应用时,常因难以真实模拟实际噪声导致估算误差增大。针对这些问题,这里以电池Thevenin等效电路模型为基础,结合改进的AUKF,提出双自适应无迹卡尔曼滤波算法（DAUKF）,实时更新计算模型参数,实现SOC与SOH的联合估算,提高算法的估算精度。最后通过实验及仿真对比,验证了该算法的可行性及估算精度。     

四驱混合动力轿车驱动工况无迹卡尔曼车速估计

针对驱动模式复杂多变的四驱混合动力轿车,考虑其后轮毂电机驱动转矩的准确可测以及既定模式下前驱动轮转矩的可推算性,结合电子稳定程序(Electronic stability program,ESP)系统传感器信号,提出无迹卡尔曼车速估计算法。搭建四驱混合动力轿车仿真平台,其集成了驱动系统模型、非线性7自由度车辆动力学模型和统一轮胎模型。基于车辆动力学模型和轮胎模型,设计融合驱动轮转矩信息和传感器信息的车速估计算法,并将估计结果与仿真车速进行比较分析。在样车上加装转向盘转角、横摆角速度和质心加速度等传感器,采集轮转、驱动轮转矩信息,在后轮纯电驱动模式低速双纽线试验、四轮混合驱动模式双移线和蛇行试验工况下,对所设计算法进行实车道路试验。仿真和实车试验结果表明,无迹卡尔曼车速估计算法精度较高,且具有较强的工况适应性。     

独立驱动电动汽车质心侧偏角融合估计方法

针对传统质心侧偏角估计精度低、实时性差等问题,把四轮独立驱动电动汽车作为研究对象,提出一种基于强跟踪卡尔曼滤波及无迹卡尔曼滤波融合估计的质心侧偏角估计方法。由于汽车在侧向加速度较小时车辆动力学特性基本呈线性变化,此时通过强跟踪卡尔曼滤波快速估计,当汽车侧向加速度较大时车辆动力学特性趋于非线性变化,通过无迹卡尔曼滤波准确估计。最后将两种估计方法的数据融合,完成不同车速不同工况下对车辆质心侧偏角的估计。搭建Simulink-Carsim联合仿真平台对提出的方法进行验证,结果表明该方法在保证估计精度的同时具有较好的实时跟踪效果及鲁棒性。     

应用RB无迹卡尔曼滤波组合导航提高GPS重获信号后的导航精度

针对微机电-船舶惯性导航/全球定位(MEMS-SINS/GPS)组合导航系统在GPS信号中断时造成的强非线性误差及重获信号后精度变差的问题,设计了基于Rao-Blackwellised无迹卡尔曼滤波(RB-UKF)的组合导航算法。首先,基于捷联平台欧拉失准角定义了姿态误差,建立了捷联惯导系统的非线性误差传播方程。然后,针对组合导航的状态方程为非线性而量测方程呈线性的特点,设计了RB-UKF算法,在保证精度的同时降低了计算量。最后,设计了滤波算法总体结构,分别给出了GPS信号正常时和中断时组合导航滤波计算的流程。将提出的算法用于跑车实验,结果表明:在GPS失锁20s和40s再重获信号之后,使用RB-UKF算法的组合导航系统位置精度分别优于6m和7.5m,比扩展卡尔曼滤波(EKF)算法精度提高了1.5倍以上,误差收敛速度提高了1.88~16.5倍,计算量比UKF量测更新的计算量减小了41.7%。实验显示该方法显著提升了组合导航系统GPS信号中断再恢复后的滤波精度,且易于工程实现。     

基于IUKF的非线性状态估计

为了提高测量更新的近似精度,将迭代卡尔曼滤波(IKF)的思想引入到UKF中,得到迭代无迹卡尔曼滤波算法(IUKF).理论分析与仿真结果表明:IKF的引入在提高非线性近似精度的前提下并没有增加计算的复杂性;在相同数量级运算时间的条件下,其估计性能明显优于标准EKF和UKF滤波器.     

基于无迹卡尔曼滤波的直升机主减速器剩余安全寿命预测

剩余寿命预测为管理者制定预防性维修策略以保证设备不发生非正常停机提供重要信息。针对设备状态呈现非线性变化以及工程实际中的实时性寿命预测要求,提出一种基于无迹卡尔曼滤波的在线剩余寿命预测方法。该方法首先建立状态空间模型描述设备的退化过程,然后利用监测信号使用无迹卡尔曼滤波估计模型的状态,并通过期望最大化算法估计模型的参数,进而利用当前时刻模型的状态和模型的参数递推求解设备的剩余寿命,最后将该方法应用于直升机主减速器的剩余安全寿命预测。结果表明:该方法能够较准确的在线预测出直升机主减速器的寿命。     

动态卡尔曼滤波在导航试验状态估计中的应用

阐述了GPS动态试验的新方案,使用两个精度相差一个数量级的GPS接收平台,通过匀速运动车辆的DGPS及GPS的滤波对比试验,验证了卡尔曼滤波器的有效性.并针对传统EKF(extended Kalman filtering)滤波器动态滤波性能较差的缺陷,引入了一种基于非线性思想的动态无导数卡尔曼滤波器,并对其状态方差阵及随机噪声方差阵Cholesky分解更新公式做了改进,避免了导数的运算,加快了滤波速度,有效地确保方差矩阵平方根的正定性从而抑止了发散.将这种新的卡尔曼滤波器应用于实际动态定位状态估计问题上.试验结果表明:比起传统卡尔曼滤波器,新的卡尔曼滤波器有较高的精度,实用性更强.     

基于无迹卡尔曼滤波和设备的三轴磁强计校正

采用无迹卡尔曼滤波(unscented Kalman filter,UKF)磁强计模型参数估计方法,提出对三轴磁强计的总量及分量误差进行校正。采用高精度质子磁力仪提供磁场基准值,借助无磁转台实现磁强计全方位转动,对一款DM-050三轴磁强计进行了参数估计,并将参数估计值运用到总量和分量校正。仿真结果表明,参数估计值与磁强计实际参数值一致。校正后,磁强计总量误差从427.9 nT减少到2.06 nT;X、Y、Z轴分量误差分别减少到1.84 nT、1.96 nT、1.72 nT。而且证明了UKF对磁强计模型参数估计的重复性良好,并研究了噪声幅度大小对UKF的性能影响程度。实验结果表明,磁强计误差从114.94 nT减少到14.47 nT,表明该方法能有效提高磁强计测量精度。     

基于模糊自适应无迹Kalman滤波的车辆状态参数估计

为了精确估计车辆行驶状态参数,提出了一种基于模糊自适应无迹卡尔曼(Kalman)滤波的车辆状态参数估计方法,将模糊控制引入到无迹卡尔曼滤波算法中,通过模糊控制动态调整系统测量噪声,实现滤波的自适应调节。采用非线性三自由度汽车模型作为车辆状态参数估计模型,以前轮转角和纵向加速度为系统输入向量,以横摆角速度、质心侧偏角及纵向车速为状态向量,以侧向加速度为输出向量。应用Carsim软件和Matlab/Simulink软件进行联合仿真,验证该算法的有效性,结果表明:模糊自适应无迹卡尔曼滤波算法比无迹卡尔曼滤波和扩展卡尔曼滤波估计精度高、效果好。