供水管网系统爆管预测

为有效分析管道爆管可能性的大小,并为制定管网更新决策提供依据,以北方某港口城市供水管网实际爆管数据为基础,采用生存分析的方法建立了爆管危险率模型,提出了管道个体的概念,详细分析了选取模型变量的方法,并采用贝叶斯定理将变量分级.结果显示该模型具有较好的拟合效果和预测精度,能够有效地筛选出爆管危险率较大的管道.     

自适应卡尔曼滤波在地铁监测中的应用

目的通过滤波后的数据对比,验证自适应卡尔曼滤波在处理地铁变形监测数据工作中优于经典卡尔曼滤波.方法分别应用经典卡尔曼滤波和自适应卡尔曼滤波建立动态处理数据模型,对地铁变形监测数据进行处理,并与人工实测值进行对比.结果使用经典卡尔曼滤波处理后,数据精度提高38%,使用自适应卡尔曼滤波处理后,数据精度提高55%.结论自适应卡尔曼滤波与经典卡尔曼滤波相比,自适应卡尔曼滤波剔除噪声效果强与经典卡尔曼滤波,并且自适应卡尔曼滤波后数据整体变化平稳,与实测值吻合性较好,自适应卡尔曼滤波在处理沈阳地铁一号线监测数据中,优于经典卡尔曼滤波.     

水泥预热器出口废气温度监测数据的融合方法

水泥预热器出口废气温度由多个传感器监测,当监测数据异常波动且范围较小时,故障传感器不易被发现,影响现场实时热效计算的准确度。针对该问题,提出一种自适应分批估计的数据融合方法。利用温度传感器的实际监测值与估计值的方差实时调节各传感器所占的权重系数,逐渐弱化误差较大的传感器对数据融合值的影响。自适应分批估计算法与算术平均值法的仿真实验对比结果表明:前者在现场数据小范围异常波动情况下,较后者更能融合出接近实际的温度值,适用于对预热器出口废气温度多传感器数据的融合处理。     

应用聚类算法识别供水管网爆管事故

作为现代都市的生命线,供水管网在人们的日常生活和城市的发展中占据不可替代的地位,然而爆管问题一直困扰着整个供水行业。针对供水管网爆管事故,该文以流量监测数据为基础,通过分析计量分区(district metering area,DMA)各个出入口流量计的数据关联性,使用聚类算法检测各种事件引起的异常流量数据,然后依据其出入口流量的变化特征识别管线爆管事故。结果表明:该方法应用在多出入口DMA时,识别效果会受到DMA出入口的数量与位置的影响,在出入口数量较少且位置适宜的前提下,能够准确识别爆管事故,并具有较低误报率。     

多目标大规模供水管网监测点的优化选址

针对供水管网水力模型中监测点布置的优化计算不易得到确定结果、运行数据不能完全代表管网状况的问题,提出反映管网节点水量和节点压力变化的节点覆盖水量和节点相关水压的多目标遗传算法,综合灵敏度分析、爆管分析,结合测压点布设原则、管网拓扑结构、水力计算结果最终确定测压点优化选址的方法。该方法用于城镇大规模实际管网中,采用管网节点中的0.3%个节点为水压监测点即可覆盖约45%的管网节点与43%的管网水量,通过与现有布设原则比较,发现其结果与布设原则匹配度较高。该方法提高了管网模型测压点的精度和准度,也代表了管网中水压变化和水量影响,可有效消除人为因素影响和提高监控管网漏水、爆管、能耗的效果。     

卡尔曼滤波在大坝动态变形监测数据处理中的应用

详细地讨论了离散线性系统的卡尔曼滤波模型的建立及相应的精度评定公式，通过对某大坝动态变形监测数据的卡尔曼滤波处理和结果分析，发现卡尔曼滤波值、预报值与原始观测值数据曲线的变化趋势非常接近，说明所建立的卡尔曼滤波模型是合理的、可靠的，可以较好地模拟动态目标系统的变化规律。同时，卡尔曼滤波模型能够实时、快速地处理大量动态变形数据，并能有效地改善动态变形监测数据的精度。     

基于大数据的水量监测系统有效性分析

加强取用水监测是实施最严格水资源管理制度的重要举措。为了更加有效利用大量取用水在线监测数据,对数据有效性进行了深入分析,首先,从监测数据的总量和时序变化两个方面进行异常值筛选;其次,从监测数据正常的监测点的个数和监测水量两个方面对取用水在线监测数据的有效性进行评估;最后,以G市的取用水在线监测数据为例进行实证分析,结果表明提出的异常值分析方法是有效的,并且建立的取用水在线监测数据有效性评估方法是可行的。     

基于GIS空间分析的供水管道爆管评价研究

地下供水管网的爆漏事故频频发生,探寻诱发事故的主因,并有针对性地预测、控制此类事故已成为各级水务部门急需解决的重要问题。整理北方某市供水管网2000—2008年的管道维修记录数据,运用统计分析法提取供水管网爆漏事故的典型影响因素。引进等级评分与因素权重量化不同因素对爆管的影响程度,采用GIS的空间分析技术,以空间建模的概念化模式研究一个单目标、多准则的空间预测问题,最后基于此对供水管网建立爆管评价模型,评价分析供水管道爆管的等级。     

基于GSM/GPRS的城域化管网泄漏监测与定位系统

针对城市供水管网的地下破裂和泄漏,设计了基于GSM/GPRS通信的远程泄漏监测与定位系统.由管网监测终端实时采集管网流量、流速、流向和压力,通过GPRS网络实现远程数据传输;系统基于GIS技术构建,针对供水管网突发性的爆管和地下泄漏特点,综合运用了负压波和流量检测法进行泄漏模式识别与漏点定位,可及时、准确的发现和定位泄漏点.该系统运用GPRS网络实现了低成本、高效率的城域化、网络化的管网泄漏检测,为城市供水管网的应急抢险提供了一个良好的平台,在实际使用中取得良好的效果.     

采用荧光光纤检测局部放电的自适应阈值方法

针对光测法实际检测中光电器件噪声及阈值设定困难的问题,提出了一种自适应的阈值方法。根据放电信号与噪声信号的相位分布差异,对采样数据进行分组量化与多周期累加。在充分分析累加序列功率成分的基础上,采用自回归(AR)谱估计理论,计算累加序列的功率谱并提取信号功率、噪声功率及谐波基波比三项功率谱指标。基于三项功率谱指标定义了一种放电评价参数,该参数能够表征信号功率占放电总功率的加权比值。通过噪声功率的波动幅度完成自适应阈值的设定。实验结果表明,所提方法可以根据采样数据动态调整阈值,实现放电的自动检测,无需人工干预,检测灵敏度高。该研究对于电力设备故障初期的预警及长期在线监测具有重要的意义。     

基于四元数EKF算法的小型无人机姿态估计

针对小型无人机设计的姿态测量系统,提出一种用于小型无人机姿态估计的四元数扩展Kalman滤波算法.该算法通过建立四元数姿态运动模型和航姿传感器测量模型,构建了以四元数和陀螺仪随机漂移为状态向量、以加速度计测量值和磁阻仪解算的航向角为观测向量的扩展Kalman滤波器,并设计了自适应测量噪声协方差矩阵修正法.实验结果表明,该算法不但解决了微机电系统惯性器件用于载体姿态测量时精度低、易发散、易被干扰的问题,而且显著减小了陀螺仪随机漂移对姿态估计的影响,有效提高了姿态估计的精度.     

组合导航系统新息自适应卡尔曼滤波算法

全球定位系统(GPS)量测噪声的不稳定变化将造成惯性导航系统(INS)/GPS舰用组合系统卡尔曼滤波器性能下降,在对自适应卡尔曼滤波器分析的基础上,提出了一种新的基于新息估计的自适应卡尔曼滤波算法.该算法通过计算新息方差强度的极大似然估计最优估计,将新息方差计算直接引入卡尔曼滤波器的增益计算.仿真结果表明,本文方法较标准卡尔曼滤波器可以提高系统精度和抗干扰能力.     

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

一种限定记忆的自适应扩展Kalman滤波器

为解决扩展卡尔曼滤波器(EKF)鲁棒性差,且无法实时精确跟踪系统突变状态的问题,研究一种基于限定记忆滤波的自适应EKF算法。算法将EKF与限定记忆滤波器相融合,减小旧量测数据对滤波效果的影响,提高估计精度;引入自适应因子与渐消因子,通过实时调节新旧滤波增益阵以及预测状态值,精确地跟踪系统突变状态。仿真实例表明,强跟踪算法与经典EKF算法相比,自适应EKF算法鲁棒性好,滤波精度高,能够有效地跟踪系统突变状态。     

改进的车载DR系统自适应扩展卡尔曼滤波模型及仿真研究

提出了车载ＤＲ系统改进的自适应扩展卡尔曼滤波模型及其滤波算法。由于考虑了速率陀螺漂移误差中的马尔柯夫过程成分,和采用描述机动载体运动的“当前”统计模型及自适应算法,提高了ＤＲ系统模型的准确性。计算机仿真结果表明,应用该模型和算法与改进前相比,ＤＲ系统的定位精度得到明显提高。     

基于模糊自适应卡尔曼滤波的SLAM算法

针对同步定位与地图创建（SLAM）问题中难以建立准确的先验噪声模型的问题,提出一种改进的模糊自适应卡尔曼滤波算法.该算法通过在线监测新息的变化,利用模糊逻辑对系统噪声和观测噪声的权重进行实时调整,进而改变系统对观测信息的信赖和利用程度,使滤波器最终趋于稳定.为了保证系统的实时性,提出一种直接将输入和输出进行模糊隶属函数匹配的方法代替模糊推理.将新的滤波算法用于SLAM仿真实验,结果表明该算法能根据噪声变化进行快速调整,滤波精度较高,相比标准EKF对定位和构图精度提升了50%以上.     

一种改进的自适应USQUE组合导航姿态估计方法

针对传统四元数无味卡尔曼滤波(unscented quaternion Kalman filter,USQUE)算法的量测噪声统计未知及时变引起滤波发散精度降低等问题,提出一种变分贝叶斯自适应四元数无味卡尔曼滤波算法(variational Bayesian-based adaptive USQUE,VB-AUSQUE).通过变分贝叶斯高斯迭代近似估计,获取近似的量测噪声协方差矩阵滤波先验条件.仿真和舰载测试表明:在捷联式惯性导航系统/全球定位系统(strapdown inertial navigation system/global navigation satellite system,SINS/GNSS)组合导航系统中,VB-AUSQUE算法能有效减少系统量测噪声未知及时变问题对姿态估计精度的影响,相比常规算法具有更高的精度.     

一种应用于GPS/低成本INS组合导航的自适应滤波算法

为了提高在全球卫星定位系统(GPS)接收机导航解更新间隔期间组合导航系统的定位精度,在分析了惯导系统(INS)误差模型的基础上,使用一种对噪声协方差矩阵进行实时自适应估计的算法改进了通常使用的标准Kalman滤波器。采集清华大学内的跑车实测数据,并使用自适应算法进行处理,结果表明:该方法可以有效地提高GPS导航解间隔期间组合导航系统的定位精度,整体定位精度可以提升近10%,在车辆行驶状态变化较大的路径中获得了最高达40%的位置精度提升。该方法易于实时实现,在实际工程实现中具有一定的应用前景。     

自适应两阶段卡尔曼滤波器在传递对准中的应用

研究自适应两阶段卡尔曼滤波器在动基座传递对准中的应用. 利用两阶段卡尔曼滤波器将子惯导的惯性器件偏差分离,从而减小由于系统状态过多而导致的滤波计算量,提高计算实时性. 加入自适应环节,使得随机系统偏差的先验统计特性不准确时也能取得良好的估计效果. 仿真结果表明,在对准模型存在未知的随机系统偏差时,自适应两阶段卡尔曼滤波器能够快速且准确地估计出失准角,符合传递对准在快速性和精度方面的需求.     

车载动力电池放电过程健康状态在线估计

针对电动汽车无规则随机充放电特点及在线检测需求，考虑到由于电池一致性问题导致难以保证离线实验数据分析法估计精度的问题，提出一种以离线获取的电池健康状态(SOH)外在指征函数为基础的基于无迹卡尔曼滤波(unscented Kalman filter，UKF)思想的在线闭环校正SOH估算架构.该方法优点在于:能够在随机放电过程中快速估算出高精度的SOH值，算法复杂度相对降低，易于实际工程实现且具有较好的鲁棒性.通过验证可以证明，提出的车载动力电池放电过程SOH估算方法具有较好的实用性及较高的估算精度.