一种基于冗余测量的自适应卡尔曼滤波算法

针对目前自适应滤波算法的不足,在测量系统量测噪声方差未知的情况下,设计了一种基于冗余测量的自适应卡尔曼滤波(RMAKF)算法。通过对系统冗余测量值的一阶、二阶差分序列进行有效的统计分析,可以准确估计系统量测噪声统计特性,进而在滤波过程中自适应调节噪声方差阵R,提高滤波精度。以全球定位系统/惯性导航系统(GPS/INS)松组合导航系统为对象进行了仿真实验,结果表明该算法在测量系统噪声特性未知或发生改变时,可对其进行准确估计,在采用低精度惯性器件情况下,滤波结果较其他主要自适应卡尔曼滤波算法有较明显的改进。     

一种提高螺旋桨相同步噪声模型辨识精度的方法

相同步降噪一般先通过一定飞行条件下的实测数据辨识出螺旋桨噪声模型,然后基于噪声模型计算出该条件下的最优相角,再将最优相角用于相同步降噪。在噪声模型辨识的过程中,受飞行速度、高度和气流变化等的影响,实测数据经常会发生较大的波动,从而影响辨识模型和最优相角的准确性。提出一种基于小波滤波和三参数正弦拟合法的最小数据波动的噪声数据选取方法,提高噪声模型的辨识精度,该方法通过小波滤波算法从噪声信号中提取出螺旋桨的叶尖通过频率信号,采用三参数正弦拟合算法合理地选择出波动最小的数据用于噪声模型辨识,从而有效地回避较大波动数据,提高辨识模型的精度。试验结果表明相较于传统使用固定数据辨识所得的噪声模型,使用最小波动数据辨识所得噪声模型能够获得更高的精度,且噪声模型预测的声压级和实际测量的声压级误差小于1dB,模型预测的最优相角与实际最优相角的误差小于5°,最优相角在试验位置点能够实现高达19.5dB的降噪效果。     

交流伺服系统控制器在线参数自整定方法

伺服系统转动惯量的变化会影响伺服控制性能。为提高伺服性能需要对转动惯量进行在线辨识,实现伺服控制器参数的在线自整定。详细介绍了基于模型参考自适应的转动惯量在线辨识方法,提出了动态调整自适应增益和滤波器时间的方法,有效解决了自适应算法辨识速度和辨识精度的矛盾。根据转动惯量的辨识结果,利用对称优化法则,实时调整伺服控制器参数,以保证控制器动态性能的一致性和鲁棒性。仿真和试验验证了方法的有效性。     

自适应增量 Kalman 滤波方法

提出自适应增量Kalman滤波(AIKF)的概念和定义,建立自适应增量Kalman滤波模型及其分析方法,给出主要的计算步骤.传统自适应Kalman滤波(AKF)方法能够对事先未知的系统噪声和量测噪声的统计量进行有效的估计.但是,传统自适应Kalman滤波方法也无法对由于环境因素(如深空探测)的影响、测量设备的不稳定性等原因产生的未知时变测量系统误差进行补偿和校正,从而产生较大的滤波误差,甚至导致发散.提出的自适应增量Kalman滤波方法不但能够对系统噪声和量测噪声的统计量进行估计,而且还能成功消除这种测量系统误差,有效地提高滤波精度.该方法计算简单,便于工程应用.      

序贯结构的Sage-Husa自适应滤波及其应用

在分析已有的Sage-Husa自适应滤波算法的基础上,本文首先推导了两种量测噪声自适应估计方法的等价性。为充分利用组合系统中已知的部分量测噪声参数,提高滤波稳定性和精度,研究了基于序贯结构的Sage-Husa自适应滤波算法;当组合系统测量噪声参数均为已知时,为降低算法复杂度,提高Sage-Husa自适应滤波的鲁棒性,加入协方差匹配的方法对序贯结构的Sage-Husa自适应滤波算法进行改进;通过在序贯结构下采用相应的信息融合策略,充分利用组合系统的输出信息。将两种算法分别应用于MIMU/GPS/磁强计组合系统中,基于跑车实验的离线数据分析表明,第一种滤波算法的滤波稳定性较标准自适应算法在滤波稳定性上有明显提高;第二种改进的滤波算法既降低了算法复杂度,又提高了抗野值效果,有效保持了组合系统在干扰状态下的导航精度。     

基于梯度算法的永磁伺服系统惯量辨识性能研究

为抑制惯量扰动对高性能伺服驱动系统性能的影响,系统应具有惯量辨识和控制器参数自整定的功能,而精准、快速地辨识出系统实时转动惯量值是其需要首先解决的关键技术.本文针对惯量辨识展开了研究,推导出永磁同步电机(PMSM)惯量辨识的梯度公式,并研究了影响惯量辨识收敛速度和精度的因素.通过仿真和实验表明,梯度算法用于永磁伺服系统...     

外弹道测量数据野值的递推辨识

动态测量数据中野值是导致滤波发散的主要原因之一。在目前的靶场外测数据处理中,尚无特别行之有效的野值辨识和剔除手段。本文以“新息”为基础,提出了基于卡尔漫滤波方法的野值辨识和剔除方法,有效地解决了滤波发散问题。而且可同时进行野值的剔除与状态估计,极大地提高了计算速度和数据处理的精度。经仿真计算证明,该方法是实用有效的。     

异步电机直接力矩控制中定子磁链自适应观测器的研究

为了提高直接力矩控制系统中定子磁链的观测精度,提出了一种新的定子磁链自适应观测器。该观测器在观测定子磁链的同时也辨识了随温度变化的定、转子电阻。该观测器的稳定性利用波波夫理论进行了严格的证明,其鲁棒性和观测效果也通过数字仿真得到充分的证实。     

鲁棒Kalman滤波及其在水下组合导航中的应用

在水下捷联惯导(SINS)/多普勒计程仪(DVL)组合导航系统中,当外部辅助信息受到野值等非高斯噪声污染时,选取调节因子γ为固定值将会降低基于Huber方法的鲁棒Kalman滤波(HRKF)算法的精度和鲁棒性。针对此问题,提出了一种基于马氏距离(MD)算法的调节因子自适应的鲁棒Kalman滤波(HRAKF)算法。首先利用MD算法对正常/异常的观测量进行辨识;进而建立γk递推关系式,并根据量测噪声特性对γ值进行实时调整;最后利用γk求取Huber权函数,并对量测噪声阵进行修正。选取8000s船载实测数据,分别利用Kalman滤波(KF)、HRKF及HRAKF算法进行水下组合导航半物理仿真试验。试验结果初步表明:在观测量受到野值或混合高斯分布噪声污染时,相较于KF和HRKF,HRAKF可实现更高精度、更加稳定的组合导航。     

自适应无迹增量滤波方法

提出自适应无迹增量滤波(AUIF)的概念和定义,建立自适应无迹增量滤波模型及其分析方法,给出递推算法.传统的滤波方法极少关注量测方程的系统误差.在许多实际情况(如深空探测),量测方程由于受环境因素及测量设备不稳定等影响往往无法进行验证或校准而存在未知的系统误差,并且模型参数和噪声统计量也具有不确定性.这种不确定性会使递推过程产生较大误差,甚至导致发散,从而降低滤波精度.提出的AUIF能够成功消除这种未知的系统误差,也能够实时估计变化的噪声统计量,提高滤波精度.该方法计算简单,便于工程应用.      

大粘滞摩擦因数的永磁伺服系统自适应反步控制

对于粘滞摩擦系数大的永磁伺服系统,传统的自适应反步控制会导致参数辨识结果波动较大、不易稳定、转速跟踪性能较差。设计了一种实时辨识粘滞摩擦因数的自适应反步控制器,同时对转动惯量、负载转矩和粘滞摩擦因数进行辨识,提高了对粘滞摩擦因数较大系统的转速跟踪性能和转动惯量及负载转矩辨识精度。所提方法结构简单、易于实现,在dSPACE公司的DS1103系统试验平台上对其进行了试验验证,试验结果表明了所提方法的正确性和有效性。     

航空发动机气路故障诊断的SANNWA-PF算法

针对航空发动机非线性、非高斯的特点，提出一种用于航空发动机气路故障诊断的自适应神经网络权值调整粒子滤波（SANNWA PF）算法。该算法根据粒子分布情况确定分裂和调整的粒子数目，进而根据粒子权重采用正态分布的方式进行分裂，采用反向传插(BP)神经网络进行权值调整，缓解了粒子的退化和贫化，具有更强的自适应性能和跟踪能力。通过一维非线性跟踪模型和航空发动机气路故障诊断仿真研究表明:SANNWA PF算法具有良好的非高斯性能，相对粒子滤波一维非线性追踪模型估计精度提高约21%，航空发动机气路故障诊断在高斯噪声和非高斯噪声下分别提高约30%和26%，诊断速度分别提高约7倍和10倍。      

一种新型模糊自适应Kalman滤波器在组合导航中的应用

针对光纤陀螺捷联惯导(FOG SINS)/GPS组合导航系统实际工作环境中,由于系统噪声与量测噪声模型发生变化而带来的滤波器发散的问题,提出一种新型模糊自适应Kalman滤波器(FSHAKF).通过引入IMU精度因子与GPS水平精度因子,构造模糊推理系统(FIS),实时更新自适应参数,有效地解决了传统Sage-Husa自适应滤波器(SHAKF)估计模型不准确、系统噪声与量测噪声无法同时估计以及滤波器长时间易发散的问题.仿真实验表明,本文提出的FSHAKF算法相较于SHAKF算法,估计精度得到明显提高,且避免了滤波器的发散.     

基于CMPSO算法的永磁同步电机转动惯量识别研究

永磁同步电机(PMSM)是一种具有很强非线性的动态系统,在工业驱动应用中发挥着重要作用。实时辨识转动惯量对于高精度PMSM系统控制和稳定性状态监测具有重要意义,但传统转动惯量识别方法精度较低。在传统离散模型参考自适应理论基础之上,用柯西变异粒子群优化(CMPSO)算法代替待辨识参数自适律设计环节,以实现PMSM转动惯量识别。该转动惯量辨识方法充分利用了CMPSO算法的快速高效收敛性,仿真结果和试验结果表明了可行性、正确性和准确性。     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于PnP的自适应线性卡尔曼滤波位姿估计求解方法。将PnP位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。     

考虑噪声抑制的高超声速风洞气动力识别方法

对于风洞试验中全尺寸模型试验的非平稳信号进行载荷辨识仍存在诸多问题。针对全尺度模型试验的非平稳信号载荷辨识提出了一种基于深度残差收缩网络（DRSN）深度学习技术的智能载荷辨识方法,该方法通过深度学习提取测力系统输出数据中的气动力、惯性力和噪声等特征,通过注意力机制对每组数据进行获取阈值,再通过软阈值函数对特征进行滤波降噪,有效辨识出测力系统响应信号中的惯性力分量并进行剔除,实现气动力载荷辨识。在测试验证中,均值法的辨识精度为85%以上,DRSN模型的辨识精度为94%以上,证明DRSN模型能有效降低噪声和惯性力对于载荷辨识的干扰,用于非平稳信号的载荷辨识具有精度高、可靠性好等特点。     

基于LSTM的空间机器人系统惯性张量在轨辨识

在空间机器人抓捕目标的过程中,整个系统的惯性张量会随时间变化且在目标被捕获瞬间发生突变,这会严重影响整体姿态控制的精度。针对以上问题,提出了一种基于长短期记忆（LSTM）的系统惯性张量在轨实时辨识方法。首先,对于目标捕获前后的2个阶段,利用拉格朗日方程建立了空间机器人的动力学模型;然后,基于所建空间机器人模型采用域随机化方法生成足量训练数据,并用其对由LSTM网络与多层全连接网络构建的参数辨识网络进行训练;最后,使用训练好的参数辨识网络对系统惯性张量进行辨识。数值仿真结果表明：所提方法能够精确辨识空间机器人抓捕过程中的系统惯性张量,所研究系统的主惯量平均相对辨识误差小于0.001,惯性积的平均相对辨识误差小于0.01。     

基于卡尔曼滤波的航空发动机单神经元自适应控制

针对航空发动机多任务、多变量、高精度和一体化控制的需求,提出了一种基于卡尔曼滤波的单神经元自适应控制方法。该方法在单神经元自适应控制算法的基础上,增加了对控制量和发动机反馈量的滤波,提高了响应速度,精度较高。仿真结果证明,该方法对过程噪声和测量噪声具有很强的克服能力,所需计算量较小,能满足发动机控制对实时性的要求。