强跟踪滤波器在AUV执行机构故障诊断中的应用

建立了AUV的推力器及舵等执行机构的偏差型故障模型；引入强跟踪滤波器理论，采用SFEKF算法(一种采用时变渐消因子实现的强跟踪滤波器算法)在线估计AUV状态及执行机构故障偏差，利用贝叶斯决策方法对得到的残差进行分析，实现了AUV执行机构的故障诊断；仿真验证了强跟踪滤波器在AUV执行机构故障诊断中的有效性．     

基于新健康因子的锂电池健康状态估计和剩余寿命预测

容量和内阻是评估锂离子电池健康状态和预测其剩余寿命的重要指标,然而电池容量和内阻难以直接在线测量.通过分析锂离子电池充电过程中电流和电压的变化特征后提取出两种健康因子,并且证明所提因子与电池容量高度相关,进一步建立了用于锂电池容量估计的两因子线性回归模型.在此基础上,通过结合BP(back propagation)神经网络和粒子群优化思想设计锂离子电池健康状态估计算法.考虑到锂电池的健康状态和剩余使用寿命之间存在一定的映射关系,因此再利用所提取的健康因子和其健康状态估计结果设计了锂电池的剩余使用寿命预测算法.实验结果表明,所提取的健康因子能够准确地进行电池容量估计并应用于在线评估锂离子电池的健康状态和预测其剩余使用寿命.     

基于STEKF的锂离子动力电池SOC估算

为能在线准确估算电动汽车动力电池的荷电状态(SOC),提出了一种基于强追踪扩展卡尔曼滤波(STEKF)的锂离子电池的SOC估算方法,该滤波器引入了多重次优渐消因子;以某型锂离子电池为研究对象,基于电池的外特性及相关机理,建立了电池的二阶RC等效电路模型,使用最小二乘法辨识模型参数,然后按照等效电路模型建立电池的STEKF非线性状态空间方程,最后在ECE15工况下进行仿真。结果表明,STEKF估算电池SOC的误差保持在2%以内,该方法能准确估算电池的SOC。     

基于蚁群优化FEKF算法的汽车状态估计

针对汽车状态估计过程中观测噪声时变问题,提出一种双重迭代自适应滤波算法—蚁群优化模糊逻辑扩展卡尔曼滤波(FEKF)算法.建立考虑Fiala轮胎模型的汽车二自由度非线性动力学模型,利用模糊逻辑对扩展卡尔曼滤波(EKF)算法估计过程中的观测噪声水平进行在线修正,同时引入蚁群优化算法对模糊逻辑中的输入输出隶属度函数进行优化,得到的双重迭代算法对处理强时变观测噪声水平下滤波估计过程具有很强的自适应性.最后通过建立虚拟仿真试验来验证该蚁群优化FEKF新算法的估计精度,结果显示,蚁群优化FEKF算法相比较于FEKF算法估计精度更高,鲁棒性更强.     

分类因子自适应抗差滤波

自适应抗差滤波的关键技术是构造观测等价权矩阵和合理的自适应因子，以便能有效地平衡观测信息、状态信息及其各分量对状态参数估值的贡献．文中在自适应抗差滤波和双因子相关观测抗差估计原理的基础上，提出了将常速度模型的状态预报信息分为位置和速度两类，并分别构造相应的自适应因子．导出了相应的分类因子自适应抗差滤波解，并给出了分类自适应因子的计算表达式．计算结果表明，分类因子自适应抗差滤波不仅能有效地控制观测异常和动态扰动异常的影响，而且利用分类因子合理地平衡了位置预报信息和速度预报信息对状态参数估值的贡献，其精度要优于基于位置不符值和速度不符值的单因子自适应抗差滤波．     

关于锂离子电池Thevenin模型的仿真研究

针对动力电池组运行时,内部的系统参数会随着环境因素和荷电状态(state-of-charge,SOC)发生动态改变,提出一种参数变化的Thevenin等效电路模型;从荷电状态是影响锂电池各参数特性的主要因素出发,将传统Thevenin模型中模拟各模块使用的不变参数用随着SOC变化的动态变量来表示; HPPC获取模型参数,电池仿真端电压基本上跟实际端电压波形吻合,且趋势大致相同;实验结果表明:在正常工作状态下,建立的模型可以有效地反应电池内部的工作特性,有着良好的精度。     

太阳能电池系统故障检测

本文介绍一种快捷方便的太阳能电池故障在线检测方法,利用单片机Atmega16,通过编写程序控制电池系统电池个体间的电子开关,使电池单体逐个脱出和接入电池系统,在线检测负载端电压和工作电流来检测和判断电池状态或故障位置。     

基坑位移监测中带有未知参数的滤波算法

在基坑边坡的动态监测中,为了控制几何观测异常对形变参数估计的影响,把基坑边坡的力学信息看成是一个未知信息,建立了带有未知参数的滤波模型,并在固定的观测窗口中,把未知参数看成是一个不变的量,利用观测残差和状态预测残差来拟合它,并对滤波结果同时进行修正,得到了一个带有未知参数的滤波算法.实例说明,利用先验的几何、物理信息进行变形监测,能有效地提高状态参数估计可靠性.     

相关噪声下的机动目标跟踪SMFEKF-IMM算法

一种基于Kalman和扩展Kalman滤波器的相互作用多模型(IMM)方法可以减小模型的不确定性,但无法消除由于噪声相关引起的状态偏差的弱点.为了提高目标状态估计的精度,把IMM和一种带多重渐消因子的扩展Kalman滤波器(SMFEKF)相结合,提出了一种具有相关噪声的混合随机模型的机动目标跟踪方法.这种方法引入了一个多重渐消因子,当输出残差发生变化时,动态调节增益和系统噪声水平,使输出残差近似正交,从而抑制了相关噪声的影响,适应目标的状态变化.理论分析和仿真实验表明了这种算法的有效性和可行性.     

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明：ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。