基于云平台的电池管理系统设计与实现

针对现有电动汽车电池管理系统荷电状态(SOC)估计精度不高的问题,基于扩展卡尔曼滤波法并结合安时积分法和开路电压法对电池SOC进行估算。同时,基于中国移动OneNET云平台设计了后台管理系统,通过4G DTU模块实现电池管理系统各项数据的上传,并对这些数据进行分析和处理,从而实时监测电池系统状态。实验结果表明,该系统的各项功能均满足设计要求。     

电动车辆电池电量检测仪的设计

根据安时法提出了一种电池电量的检测方法,讨论了温度、电池老化的补偿措施,并给出了系统的软硬件设计方法.实验结果表明该仪器具有检测时间快,价格低廉等特点,具有较大的推广价值.     

基于STM32F105和LTC6804的电池管理系统设计

设计了一种基于STM32F105和LTC6804的电动汽车电池管理系统,可以在实现均衡功能的同时以高精度监测单体电池电压。提出了一种开路电压法和修正后的安时积分法结合的SOC估算方法,来实现对剩余电池电量较为精确的估计。     

机器人姿态解算算法研究

在机器人惯性导航研究中,针对传统滤波方法在非线性系统模型下误差大的问题,提出了一种基于改进粒子滤波的机器人姿态解算方法。粒子滤波精度较高且不受系统模型非线性程度的影响,与扩展卡尔曼滤波算法相比在非线性系统应用中有巨大的优势。使用扩展卡尔曼滤波对系统状态进行预测,使粒子分布向高似然区移动。对粒子滤波算法的重采样过程进行了改进,提升了算法的效率。不同的地面环境下系统噪声有较大变化,将地面环境信息作为观测信息融合到系统中,对算法参数进行实时修正能够获得更高的精度。实验结果表明,应用此算法进行姿态解算精度较高,且性能优异。     

基于粒子滤波算法的动力电池SOC估计

针对电池荷电状态(SOC)容易受到电流、温度、循环寿命等非线性因素的影响,建立基于温度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由于粒子滤波算法对非高斯、非线性系统的适应性,因此选用粒子滤波算法来研究电池SOC估计。通过美国FTP-75工况和NEDC工况实验仿真显示,基于粒子滤波算法的电池SOC估计比扩展卡尔曼滤波算法估计精度高、适应性好。     

基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中。针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子。仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值。     

5基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中.针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子.仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值.     

低成本惯导系统预处理和姿态解算

针对低成本惯性传感器系统中由于系统误差、环境干扰等因素造成的姿态计算数据精度低、易发散等问题,设计了一种加速度计和陀螺仪的误差预处理模型,并使用扩展卡尔曼滤波实现其过程。然后基于扩展卡尔曼滤波算法构建两级噪声方差阵和引入渐消记忆因子的自适应扩展卡尔曼滤波算法,实现姿态角的融合过程。最后采用四元数更新算法求解姿态角。实验结果表明:通过自适应扩展卡尔曼滤波算法使姿态解算精度进一步提高。     

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%。     

混合动力汽车电池管理系统

本文探讨了混合动力车用蓄电池管理系统穴BMS雪的研究和开发,包括系统集成、BMS的软硬件设计,实现了对动力蓄电池性能参数的精确测量,包括模块电压、总电压、电流、温度等,建立了基于安时法的SOC修正算法,具有丰富的故障诊断功能,较强的抗干扰能力和CAN网络通讯功能。研制的电池管理系统运用于某混合动力大客车上,取得了较好的效果。     

基于机器视觉的汽车门锁自动检测系统研究

为了解决汽车门锁人工检测劳动强度大、效率和精度低的问题,设计了一套基于机器视觉的汽车门锁自动检测系统,该系统由硬件系统和软件系统组成。针对门锁表面对比度低、装配件多和结构复杂的问题,研究了改进的距离保持水平集图像分割算法和改进的SIFT图像匹配算法,最后将这些算法在计算机中编程实现,完成图像处理软件与系统界面软件设计。测试结果表明,该系统硬件选型合理,软件稳定性好、效率高,提高了汽车门锁检测的效率与精度,具有很高的实际意义和经济价值。同时,该系统也可推广到其他工业装配件的质量检测中。     

基于集中拓扑式总线的电池管理系统的设计

为了对144 V锂动力电池进行在线检测与管理,设计了以Freescale公司MC9S12XET256MAL单片机作为主控芯片、集中式拓扑总线结构的电池管理系统,实时检测电池电压、电流、温度等基本参数;采用开路电压结合安时积分通过卡尔曼滤波算法进行SOC估算;同时以双路CAN总线实现数据通信,对锂动力电池进行有效管理和控制。研制出的样机在实际测试验证中,系统的检测、通信、估算、控制等功能达到技术指标。     

基于最小二乘法CNC无线测头智能检测控制系统设计

为提高CNC在机检测效率和质量，针对现有的接触式测头各种检测误差，研究一种基于最小二乘法曲线拟合插值方法的测量误差补偿模型，该算法通过最小二乘法分别对测头模型标定、系统测量误差补偿模型构建，设计了一套精度较高的CNC无线测头智能检测与控制系统，达到在机测量零件尺寸精度和误差补偿。生产结果证明该系统误差补偿算法的可行性、有效性与优越性较高，提高了生产效率、生产质量，降低了次品率、生产成本，能广泛适用于CNC数控铣削精密加工零件尺寸测量与误差补偿。     

双卡尔曼滤波算法在锂电池SOC估算中的应用

以在线估计锂离子电池组的荷电状态(SOC)为目的,建立了双卡尔曼滤波(DEKF)算法.以Thevenin电池模型和卡尔曼滤波算法为基础,对电池模型建立了状态空间表达式.分别采用最小二乘法和DEKF算法对该模型参数进行辨识,提高了该模型的精度,使电池模型能够较好地反映电池内部的真实状态.介绍了双卡尔曼滤波算法在线估算荷电状态的原理,并设计了相关的电池测试实验.实验结果表明在不同的工况环境下,该算法在线估计SOC具有较高的精度和对环境的适应度,最大误差小于4.5％.最后,验证了DEKF算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准和累积误差的问题.     

一种用于光电目标跟踪的非线性滤波算法

基于传统转换测量卡尔曼滤波算法,提出了一种二阶去偏转化测量卡尔曼滤波算法。该算法对转换测量方程进行二阶泰勒展开,得到转换测量值误差的均值和方差表达式,并对转换测量方程进行去偏差补偿,再经转换测量卡尔曼滤波,从而显著减小传统滤波算法的线性化误差,提高远距离目标的跟踪精度。仿真结果表明:二阶去偏转换测量卡尔曼滤波(SCMKF)算法跟踪精度明显优于传统的扩展卡尔曼滤波(EKF)算法和转换测量卡尔曼滤波(CMKF)算法,收敛速度比EKF算法至少可提高1倍。     

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。     

基于递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的车辆状态估计

针对汽车状态估计中模型参数的变化和观测噪声的时变特性,提出了递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的汽车状态估计算法。为实现模型参数与观测噪声的实时更新,建立了基于三自由度非线性车辆动力学模型的算法,首先利用递推最小二乘法对汽车的总质量进行估计,其次建立了模糊控制器对扩展卡尔曼滤波的观测噪声进行实时跟踪。在搭建的CarSim与MATLAB/Simulink联合仿真平台中验证了该算法的有效性,结果表明该算法估计精度高于传统扩展卡尔曼滤波算法,研究结果为汽车的主动安全控制提供了理论支持。     

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。     

基于卡尔曼滤波的多温度传感器数据融合系统

设计了一种基于卡尔曼滤波的多温度传感器数据融合系统,其中采用多个温度18B20单总线数字传感器对同一点温度实施监测,对采样结果采用卡尔曼滤波数据融合算法计算得到温度估计值.实测数据仿真分析表明,卡尔曼滤波数据融合算法具有较高的计算精度和容错性,能够明显改善温度估计精度,显著提高测温系统的可信度,并具有实时融合的动态性能.     

基于Peukert方程的动力电池荷电状态卡尔曼滤波估计算法

电池荷电状态（SOC）受到温度、电流、循环寿命等因素的影响,Peukert方程是一种很好的计算电池容量方法。传统Peukert方程没有考虑温度的影响,而温度变化会导致Peukert方程常数n和K的变化。因此,建立了基于温度和电流变化的Peukert方程,利用安时法和复合电化学模型建立电池模型状态方程和测量方程,采用扩展卡尔曼算法实现电池荷电状态动态估算。结果显示,基于温度修正Peukert方程的镍氢电池荷电状态估计算法精度比传统安时法提高7%~8%。