系统存在未知输入时的鲁棒故障检测

提出了系统存在未知输入时实现鲁棒故障检测的一种新方法。该方法以系统发生故障之前总有一段正常运行阶段的假设为前提,其基本思想是,在正常运行阶段用一般的观测器估计未知输入,估计稳定后把估计所得到的未知输入当作已知输入修正检测滤波器,这样可以以往的未知输入观测器方法丢失故障信息的缺点。     

一种新颖的故障检测滤波器设计

研究了含有未知输入线性系统的故障检测问题,针对传统方法丢失信息或繁琐复杂的缺点,设计了一种新颖的故障检测滤波器。该方法使未知输入在故障发生前衰减到几乎处处为零,系统近似为无未知输入的标准系统,残差只敏感于故障,动态的实现了未知输入与故障的分离。仿真结果表明,该方法效果良好。     

基于自适应滤波器的无人水下机器人传感器故障诊断研究

采用自适应滤波器FIR(Finite Impulse Response Filter)对无人水下机器人进行在线自适应建模,并利用LMS(least-mean-square)算法在线调节滤波器的权系数,通过对滤波器权系数和误差信号平方的分析,可实时检测出传感器的故障。针对OUTLAND1000无人水下机器人方向传感器,应用该方法对传感器的故障进行检测,实验结果表明所提故障检测方法准确可靠、并具有较好的实时性。     

基于滤波器组分解的周期性振动冲击信号解调方法及其应用

针对离散小波包变换用于振动信号解调分析存在的不足,构造了一种具有线性相位的两通道正交镜像对称滤波器组(QMF)用于信号解调分析;与同阶的小波滤波器相比,此QMF滤波器不仅滤波性能更优,而且其滤波系数的求取更加便捷.为了解决常规两通道滤波器组分解算法中存在的子带信号组频带错位问题,引入了无频带错位的QMF滤波器组分解算法.基于此分解算法,提出了一种用于早期故障自动检测的振动信号解调新方法.该方法在考虑各组子带信号能量大小的基础上,按修正的归一化峭度(MKv)最大化准则自动选择一组含有丰富故障信息的子带信号进行Hil-ben包络谱分析提取故障特征.利用该方法对仿真和实际轴承故障信号进行了解调分析,分析结果表明,该方法可以有效地检测出轴承故障.     

基于滤波器组和高阶累积量的信号特征检测

结合高阶累积具有对加性高斯和对称非高斯噪声不敏感的特性，提出了一种基于滤波器组和高阶累积量的特征检测方法。该方法既不需待检信号做高斯和平稳的假设，也不需要有信号的先验知识。其原理是首先通过滤波器组将检测信号在频域上进行分离，选取输出能量较大的一组子频带信号近似给出信号的时频描述；然后在各个选中的子频带内分别计算三阶累积量的短时估计，从而抑制有色噪声，将信号的特征检测出来。仿真信号和实验信号验证了该方法的有效性和适应性，即使信号特征完全淹没在噪声中，也能检测出来。     

交流连续调谐滤波器失谐度的无盲区检测方法

失谐度的在线测量是交流连续调谐电力滤波器中的关键环节之一,其检测精度会影响到滤波器的性能及其运行的稳定性。针对目前调谐滤波器失谐度间接测量方法所存在的检测盲区问题,提出了一种基于滤波电容器和电抗器两端谐波电压幅值的失谐度测量方法,该方法克服了失谐度检测盲区的问题,且实现简单方便;建立了交流连续调谐滤波器的失谐度检测实验系统,实验结果表明该失谐度检测方法是有效准确的。     

基于多级滤波的子带信号分析及应用

为有效提取设备的故障征兆信息,提出了一种基于多级滤波的子带信号分析方法,并将其应用于机械设备的状态监测.运用两通道滤波器组来构造多级滤波器,再利用多级滤波器将机械设备的振动信号从高频到低频分解成一组子带信号,对子带信号进行频谱分析、包络分析等处理.结合对子带信号与原始信号的分析,提取出机械设备的故障征兆信息以进行状态监测.仿真分析和应用实例表明该,子带信号分析方法有助于更加完备地提取机械设备的故障征兆信息.     

瞬态测量的Prony方法

通过Prony参数估计的研究提出了改善参数估计精度的方法;利用Prony法对实际带通滤波器在斜坡信号激励下的传输特性进行了瞬态分析。实验表明Prony分析法具有强的适应性和较大的动态范围,只需很短的采样时间就可以完成对系统特性的测量。     

分数阶差分滤波器及边缘检测

为了减少边缘检测中的噪声影响,设计了一种分数阶差分滤波器,给出了该滤波器的原理,分析了此类滤波器的幅频特性。该滤波器的系数可通过调节它的阶次来改变,在合适的阶次范围内,该滤波器具有一定的平滑功能。同时,它还克服了直接用分数阶微分检测边缘时,有边缘漂移的问题。最后,我们将其应用于边缘检测,结果表明,在无噪声情况下,其检测结果和其它方法一样好,在有噪声情况下,该滤波器具有一定的噪声免疫力。     

多模态柔性系统的最优时滞滤波器设计

时滞滤波器是一种消除柔性系统残留振动的有效方法。本文对多模态柔性系统的时滞滤波器设计进行了讨论。在最优随机时滞滤波器的基础上,通过使在某一频率下的残留振动最小,求出最优的时滞时间和频率,来设计最优时滞滤波器,消除系统中所有模态的残留振动。与一般的级联法相比,该方法减少了脉冲个数,大大减小了时滞时间,具有一定的鲁棒性。仿真结果进一步证明了该方法的有效性。     

噪声方差自适应修正的混合系统故障诊断方法

针对混合系统故障诊断问题,提出了一种模型噪声方差自适应修正的多模态故障诊断方法。首先,在粒子滤波的框架内将混合系统故障诊断建模为最优状态估计与跟踪问题,利用实时观察信息和各个模态先验的转移概率,估计最优的故障模态,并针对估计结果进行单独的建模分析;接着,根据平滑估计值和当前观测信息之间的相关性,建立噪声方差在线自适应检测机制,对模态噪声方差进行自适应更新,有效克服了模型噪声统计特性时变对滤波精度的影响,提升了算法的鲁棒性。最后,针对多种模态估计跟踪进行了充分的仿真分析,验证了本文方法的有效性和鲁棒性。     

扩展卡尔曼滤波方法在转子典型故障诊断中的应用

转子故障的早期诊断与预示是当前转子动力学的一个难点。文献[1]提出了一种基于多模型估计得到转子裂纹参数对转子进行故障诊断的方法,但是该方法需要构造大量的多模型估计器,存在着构造复杂,计算量大的问题。针对这个问题,提出基于扩展卡尔曼理论(EKF)的转子典型故障诊断方法。针对Jeffcott转子建立了不对中、裂纹和弯曲故障模型,还分别构建了基于扩展卡尔曼滤波-加权整体迭代(EKF-WGI)的参数估计方程。通过不对中、弯曲和裂纹故障的实验验证,表明该参数估计方法对于转子典型故障有着较高的诊断能力。与传统的诊断方法提取频谱特征相比,该方法不依赖于经验和故障事例,可以较精确地估计故障参数,在转子的故障诊断中更有针对性。     

基于改进无迹卡尔曼滤波的锂电池SOC在线估计

针对无迹卡尔曼滤波算法对电池模型敏感并且容易受到不确定噪声干扰的问题,提出了改进的无迹卡尔曼滤波算法（improved unscented Kalman filter,IUKF）,提高电池荷电状态（State of charge,SOC）估计精度和鲁棒性能。首先,对锂离子电池进行建模并完成参数离线辨识。紧接着,对模型参数进行敏感性分析,研究不同参数对SOC估计效果的影响程度,为模型参数自适应对象的选取提供依据。随后,研究了包含模型自适应算法和噪声自适应算法在内的IUKF算法实现过程。最后,通过物理实验对比分析了IUKF与其它算法的实际估计效果,实验结果表明,该方法估计误差小于1.79%,鲁棒性能良好。     

Modeling and state of charge estimation of lithium-ion battery

Modeling and state of charge(SOC) estimation of lithium-ion(Li-ion) battery are the key techniques of battery pack management system(BMS) and critical to its reliability and safety operation.An auto-regressive with exogenous input(ARX) model is derived from RC equivalent circuit model(ECM) due to the discrete-time characteristics of BMS.For the time-varying environmental factors and the actual battery operating conditions,a variable forgetting factor recursive least square(VFFRLS)algorithm is adopted as an adaptive parameter identification method.Based on the designed model,an SOC estimator using cubature Kalman filter(CKF) algorithm is then employed to improve estimation performance and guarantee numerical stability in the computational procedure.In the battery tests,experimental results show that CKF SOC estimator has a more accuracy estimation than extended Kalman filter(EKF) algorithm,which is widely used for Li-ion battery SOC estimation,and the maximum estimation error is about 2.3%.     

基于三阶累积量及自适应滤波时延估计的管道定位方法

针对直接互相关被动时延估计法定位管道异常振动事件存在噪声干扰影响定位精度的问题,提出了基于三阶累积量及自适应滤波时延估计的管道异常事件定位方法。该方法对顺、反两路异常振动信号进行三阶自累积量和互累积量估计,抑制高斯相关噪声和对称分布噪声。然后利用自适应滤波时延估计算法对三阶自累积量和互累积量信号的时延进行迭代计算,在不依赖先验知识的情况下抑制非高斯相关噪声。经现场实验证明,该方法可以准确地对管道异常事件进行定位,对噪声具有很好的抑制作用,改善了直接互相关时延估计的性能。相对于直接互相关时延估计方法,相对定位误差由2.7%降低到0.6%,定位一致性提高了三倍,平均定位精度可达14m。     

基于高阶累积量自适应算法的列车轴承的故障诊断

论述三阶累积量递推最小二乘自适应算法（CDRLS）和三阶累积量最小均方误差自适应算法（CDEFWLMS），及其在列车轴承故障诊断中的应用。通过对列车滚动轴承的保持架断裂和滚子掉块典型故障信号分析，得出高阶累积量自适应算法具有良好的降噪性，CDEFWLMS算法比CDRLS算法处理后的特征频率更突出明显。研究表明：用高阶累积量自适应滤波算法提取信号特征，容易地分离正常轴承信号、保持架断裂和滚子掉块故障信号，从而验证了高阶累积量自适应滤波在故障诊断、检测中具有良好的应用特性。     

ADAPTIVE FILTERING IN STRUCTURAL DYNAMICS

The Kalman filter has been shown to be ideally suited to both the state and parameter estimation problems in structural dynamics. However these exploratory works on the application of Kalman filtering to structural engineering problems, in general only give suboptimal results, relying on assumed statistics to describe the noise sequences. Optimality however can be achieved by adapting onto these statistics (or the filter gain), using output from the filter equations to feed the adaptive algorithm. The present paper details one recently developed adaptive approach which exhibits good computational and convergence properties. This is coupled with a correlation test to show the optimality or nonoptimality of the results in any given application. A seismically excited structure is used to illustrate the required problem formulation and estimation results.     

基于卡尔曼滤波的STFT域回声抵消算法

提出了一种低复杂度的短时傅里叶变换域卡尔曼滤波算法来解决声学回声抵消问题。首先在短时傅里叶变换域建立了基于频域卷积传递函数的观测方程,并利用一阶马尔科夫模型对频域回声路径进行建模,给出了精确的卡尔曼滤波方程,并讨论了过程噪声和观测噪声的估计问题。为降低算法计算复杂度,提出了低复杂度卡尔曼滤波算法。另外,在更新滤波器时加入远端信号邻近频点的信息来进一步提高回声抵消性能。实验结果表明,所提算法对近端干扰不敏感,不需要额外的双端对讲检测算法,且比传统的频域自适应滤波算法具有更快的收敛速度。     

A New Optimized Algorithm with Nonlinear Filter for Ultra-Tightly Coupled Integrated Navigation System of Land Vehicle

The extended particle filter (EPF) assisted by the Takagi-Sugeno (T-S) fuzzy logic adaptive system (FLAS) is used to design the ultra-tightly coupled GPS/INS (inertial navigation system) integrated navigation, which can maneuver the vehicle environment and the GPS outages scenario. The traditional integrated navigation designs adopt a loosely or tightly coupled architecture, for which the GPS receiver may lose the lock due to the interference/jamming scenarios, high dynamic environments, and the periods of partial GPS shading. An ultra-tight GPS/INS architecture involves the integration of I (in-phase) and Q (quadrature) components from the correlator of a GPS receiver with the INS data. The EPF is a particle filter (PF) which uses the extended Kalman filter (EKF) to generate the proposal distribution. The PF depends mostly on the number of particles in order to achieve a better performance during the high dynamic environments and GPS outages. The T-S FLAS is one of these approaches that can prevent the divergence problem of the filter when the precise knowledge on the system models is not available. The results show that the proposed fuzzy adaptive EPF (FAEPF) can effectively improve the navigation estimation accuracy and reduce the computational load as compared with the EPF and the unscented Kalman filter (UKF).