神经网络扩张观测器估计活塞运动和检测未知动态

气液联合驱动的液压锤活塞密封于液压油缸内,用于转换液压能为冲击能,难以用传感器直接测量其运动状态(位移、速度)和未建模动态(包括摩擦阻力等各种阻力,为非线性项)。为此,建立活塞的动力学模型,分解动力学模型为线性部分和非线性部分,利用观测器理论结合神经网络的方法,设计径向基函数神经网络扩张的观测器,神经网络位于观测器的反馈通道用来逼近未知动态模型,把物理参数测量问题转化为活塞运动状态的估计和未知动态建模。推导并简化神经网络权重训练自适应算法,在线调整神经网络权重。构造Lyapunov函数,分析了神经网络扩张观测器误差的有界性和动态收敛特征。观测器应用于Van der Pol混沌振子系统的状态估计,仿真结果验证了自适应神经网络扩张观测器算法的有效性。在气液驱动液压锤活塞冲击能测量中的应用表明:神经网络扩张观测器能够有效地估计活塞位置与速度,从而实现了液压锤冲击能量的测量和未知动态检测。     

Mean-Shift和Kalman算法在工件分拣技术中的应用

针对生产线上动态工件的跟踪分拣问题,提出了一种Kalman预测目标和Mean-Shift搜索目标综合应用的跟踪算法,实现了对履带上工件的动态跟踪.该算法首先利用Kalman滤波估计出后续运动目标的位置、速度和匹配范围,然后使用基于HSV色彩空间融合的Mean-Shift算法进行小范围搜索和目标匹配,最后将Mean-Shift算法得到的目标位置作为下一帧Kalman滤波器的输入参数使得后续状态具有预测的能力,迭代执行,直至搜索到目标为止.实验证明,该算法能够有效解决动态工件的跟踪和定位问题.     

复杂有色噪声广义系统信息融合Kalman滤波器

针对带复杂有色噪声的线性广义系统,提出了矩阵加权融合稳态Kalman滤波器.应用奇异值分解将原广义系统滤波问题转化为两个正常子系统滤波问题.通过状态增广与量测变换法将有色过程噪声、有色量测噪声化为白噪声,因此问题转化为带相关白噪声正常系统Kalman预报问题.基于线性最小方差意义与矩阵加权融合准则得到了复杂有色噪声作用下的广义系统融合Kalman预报器,进而得到带复杂有色噪声的原广义系统滤波器.该滤波加权融合算法精度高于各单传感器局部滤波器,低于集中式融合滤波器.Monte-Carlo仿真实验证明了该滤波融合算法的有效性与可行性.     

基于Kalman滤波算法的姿态传感器运动补偿方法研究

为了消除姿态传感器在检测过程中可能会出现随着运动加速度的变化而产生测量误差的现象,提出了基于Kalman滤波算法的姿态传感器加速度补偿方法。详细介绍了传感器工作原理以及运动状态下的误差分析及补偿。该方法通过将姿态传感器在运动过程中出现的角速度进行误差处理,建立传感器运动线性方程,在此基础上,采用Kalman滤波算法,通过对传感器测量输入的姿态角进行修正,从而达到姿态角准确测量的目的。通过实验数据及仿真分析表明,经过Kalman滤波算法对姿态传感器的运动进行误差补偿后的运动特性输出精度,相比补偿前有了很明显的提高,达到所需精度要求。     

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。     

非接触测量振动与冲击速度的激光多普勒方法

本文论述了应用激光多普勒效应,非接触测量振动与冲击速度的方法。研制了一套带有频移的二维激光多普勒测速(LDV)系统,既可用于流动,也可用于固体运动测量。应用此系统对气缸活塞速度和冲击靶的大加速度的测量,进行了初步尝试。     

系统干扰分布阵未知的GPS/SINS故障诊断算法

针对系统模型不确定性、未知输入扰动,为对干扰解耦以及不依赖系统未知输入扰动分布阵先验信息,提出了系统干扰分布阵未知的GPS/SINS(global positioning system/strapdown interial navigation system)故障诊断算法.设计了MEP-UIO(model error prediction-unknow input observer)故障诊断观测器,改进了传统未知输入故障诊断观测器(UIO)假设系统未知扰动分布阵已知的不足;利用凸二次规划最优化原理,构造了关于未知扰动分布阵的目标函数,提出了满足目标函数最小的未知输入扰动分布阵的最优估计算法以及状态估计误差方差最小的故障诊断系统增益阵设计方法.仿真结果表明,提出的MEP-UIO故障诊断观测器设计算法相比传统Kalman滤波精度更高,验证了该故障诊断算法的有效性.     

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。     

基于改进UKF的非线性结构荷载和参数同步识别

传统无迹卡尔曼滤波（unscented Kalman filter，简称UKF）方法在非线性结构参数识别过程中，通常要求结构的输入已知，当非线性结构的输入难以测量或测量误差较大时，该方法的应用将受到限制。为了对未知激励作用下的非线性结构参数进行识别，提出一种基于改进UKF的非线性结构荷载和参数同步识别方法。该方法在系统状态更新过程中，利用结构响应和参数的当前预测值，对输入荷载进行初步估计，并结合系统状态的估计值对输入荷载进行识别。为降低测量噪声对非线性系统识别结果的影响，采用在UKF方法中嵌入卡尔曼滤波器（Kalman filter，简称KF），对测量噪声协方差矩阵进行同步优化，确保非线性结构荷载和参数识别的精确性。分别对地震激励下的单自由度和5自由度Bouc-Wen滞回模型进行数值模拟，验证了该方法的可行性和准确性。结果表明，改进的UKF方法能够有效地实现非线性结构未知荷载和模型参数的同步识别。     

基于Stribeck曲线的液压缸劣化趋势评价

为了评估液压系统的工作状态,提出了基于Stribeck摩擦模型的劣化程度评估方法。通过机理解析建立液压缸动力学模型,将实际系统可测量位移数据以及利用位移信号差分处理得到速度信号和加速度信号作为系统输入,其他测量数据和已知参数组成系统输出,设计双时间尺度最小二乘法辨识未知参数。将辨识的摩擦系数用于刻画Stribeck曲线,通过比较不同时间段的Stribeck曲线建立劣化指标,并分析相应缸体劣化程度。通过数值仿真验证理论的合理性和有效性。     

Centroid weighted Kalman filter for visual object tracking

In the visual object tracking, the Kalman filter presents commonly the state model and observation model uncertainty in the actual performance of Gaussian noise, so it makes the estimation of certain parameters produce errors in the model, and results in decreasing estimation precision. In order to enhance the stability of the Kalman filter, an algorithm based on centroid weighted Kalman filter (CWKF) for object tracking is proposed in this paper. The algorithm firstly uses background subtraction method to detect moving target region, and then uses the Kalman filter to predict target position, combining centroid weighted method to optimize the predictive state value, finally updates observation data according to the corrected state value. Tracking experiments show that the algorithm can detect effectively moving objects and at the same time it can quickly and accurately track moving objects with good robustness.     

A modified NARMAX model-based self-tuner with fault tolerance for unknown nonlinear stochastic hybrid systems with an input–output direct feed-through term

A modified nonlinear autoregressive moving average with exogenous inputs (NARMAX) model-based state-space self-tuner with fault tolerance is proposed in this paper for the unknown nonlinear stochastic hybrid system with a direct transmission matrix from input to output. Through the off-line observer/Kalman filter identification method, one has a good initial guess of modified NARMAX model to reduce the on-line system identification process time. Then, based on the modified NARMAX-based system identification, a corresponding adaptive digital control scheme is presented for the unknown continuous-time nonlinear system, with an input–output direct transmission term, which also has measurement and system noises and inaccessible system states. Besides, an effective state space self-turner with fault tolerance scheme is presented for the unknown multivariable stochastic system. A quantitative criterion is suggested by comparing the innovation process error estimated by the Kalman filter estimation algorithm, so that a weighting matrix resetting technique by adjusting and resetting the covariance matrices of parameter estimate obtained by the Kalman filter estimation algorithm is utilized to achieve the parameter estimation for faulty system recovery. Consequently, the proposed method can effectively cope with partially abrupt and/or gradual system faults and input failures by the fault detection.     

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。     

基于多基站IMMKF-DOA辅助车辆协同定位算法研究

针对传统卡尔曼滤波算法在进行车辆实时运动过程中难以精准定位问题,提出一种基于运动状态自适应的交互多模型卡尔曼滤波(Interacting multiple model Kalman filter,IMMKF)与多基站到达方向(Direction-of-arrival,DOA)相融合进行车辆位置实时估计算法。基于无偏估计器对测量噪声协方差进行实时更新并将其嵌入标准卡尔曼滤波算法中实现自适应交互多模型卡尔曼滤波。针对车辆不同运动状态及动态行驶环境对车辆定位估计精度的影响,构建自适应交互多模型卡尔曼滤波器与多基站信息融合算法进行车辆位置实时估计,考虑不同车速与不同基站数等行驶工况下车辆定位精度的变化趋势,实现车辆实时位置的准确估计。利用PreScan-Simulink联合仿真平台进行虚拟仿真验证和实车试验验证。结果表明,基于交互多模型卡尔曼滤波与到达方向角的融合算法相对标准的卡尔曼滤波估计精度高,较好地改善了传统单一模型的卡尔曼滤波算法在进行车辆实时运动状态估计过程中精准定位问题,实车试验验证了提出算法对车辆定位精度较传统卡尔曼滤波算法的精度提高了一个数量级,实现了更精确的车辆位置估计。     

基于双层修正无迹卡尔曼的水下节点定位算法* .txt

摘要：针对水下无线传感网络中运动节点定位精度低的问题,提出了一种新的基于双层修正无迹卡尔曼的水下节点定位算法(DLMUKF)。该算法利用下层无迹卡尔曼滤波算法对节点状态进行预测,根据各信标节点的测距传播时延对预测的节点状态进行修正。运用上层无迹卡尔曼滤波算法对修正后的状态进行新的预测与修正。仿真实验中,DLMUKF算法的平均定位误差约为传统多边定位算法的15%,约为基于无迹卡尔曼滤波（UKF）定位算法的16%,受节点运动时间与速度的影响最小。通过实验证明DLMUKF算法能更充分利用实际距离值,可以有效减小运动节点的定位误差。 .txt     

基于AEKF的车辆质量与道路坡度实时估计

针对车辆在实际行驶过程中外界噪声的统计特性无法已知的问题,以车辆纵向动力学模型为基础,提出了自适应扩展卡尔曼滤波(adaptive extended Kalman filter,简称AEKF)的车辆质量及道路坡度估计算法。以动态估计车辆系统中的质量与坡度为研究对象,引入了旋转质量换算系数,建立车辆纵向动力学系统的状态空间模型,考虑了不同时刻的档位匹配与行驶特殊工况的处理。对系统状态方程进行离散化处理,得到系统状态方程与系统测量方程,在扩展卡尔曼滤波(extended Kalman filter,简称EKF)的基础上引入带遗忘因子的噪声统计估计器,通过AEKF对状态方程与测量方程实时更新,进行在线估计和校正噪声统计值,从而解决系统的噪声时变问题。本研究算法与EKF算法估计及实测结果的对比分析表明,本研究算法能够很好地对车辆质量和坡度信号进行有效滤波和估计,在短时间内逐渐收敛并逼近实测值,从而能够合理有效地检测车辆在行驶过程中的状态信息。     

基于等价输入干扰估计器的永磁同步电机无速度传感器控制

提出了一种新型的采用等价输入干扰估计器的永磁同步电机控制系统结构,其控制器采用PI控制方法,估计器采用状态观测器与低通滤波器的组合,在此结构下控制器与估计器的设计满足分离原理.为实时估计电机转速,根据定子侧测量的电压、电流值,基于扩展卡尔曼滤波方法(EKF)设计了电机的转速估计器.仿真结果表明在较宽的速度给定范围内,估计器有较高的估算精度,控制器能很好地抑制未知干扰,提高了永磁同步电机的性能.最后通过dSPACE实验验证了该方法的有效性.     

基于组合模型的锂电池参数辨识和电池荷电状态在线联合估计

针对电池荷电状态(SOC)估算过程中开路电压与SOC之间的迟滞效应以及充放电电流和端电压中噪声的影响,提出了基于组合模型的Frisch 方案双滤波（FSDF）法。先通过一阶RC等效电路模型结合Preisach离散模型建立新的模型,随后采用Frisch 方案对模型的输入输出进行噪声方差估计,滤除部分输入输出噪声,最后使用扩展卡尔曼滤波结合无迹卡尔曼滤波进行参数实时更新和电池单体SOC估算。实验证明,FSDF方法对锂电池SOC估算结果与Frisch方案递推最小二乘无迹卡尔曼滤波法等其他方法相比,具有精度高、鲁棒性好等特点。     

Clock state estimation with the Kalman-like UFIR algorithm via TIE measurement

We show that recently designed the p-shift unbiased finite impulse response (UFIR) iterative algorithm is highly efficient in applications to clock state estimation via measurement of the time interval error (TIE). The algorithm is Kalman-like, but does not involve noise statistics and initial errors. Its crucial property is that the estimate becomes optimal in the minimum mean square error sense when the estimator memory is large that is typical for clocks. Examples are given for state estimation in an ovenized crystal clock and error prediction in a master clock. Based upon the experimental studies, we show that this algorithm outperforms the Kalman filter requiring the clock noise covariance matrix that is hard to specify correctly even in white Gaussian approximation.     

非线性状态空间方法辨识电液伺服控制系统

针对回归神经网络辨识和建立非线性动态系统模型的问题,研究非线性状态空间描述的回归神经网络数学模型。讨论极小均方误差网络训练收敛准则,通过研究Kalman 滤波估计公式中的随机变量,提出一种参数增广的回归神经网络非线性状态方程,无导数的Kalman滤波器用于增广参数估计,人工白噪声强迫网络学习,更新网络权值,避免了扩展Kalman滤波器计算Jacobian信息和基于递度学习算法收敛慢的问题。在电液伺服系统辨识建模的应用中表明,回归神经网络较好地跟踪了液压油缸压力变化,与扩展Kalman滤波估计学习算法相比,新的算法具有较快的收敛和精度。