基于混合系统粒子滤波和二元估计的故障预测算法

针对一类故障预测问题提出了一种基于粒子滤波的故障预测算法。在算法的状态估计阶段,采用混合系统粒子滤波和二元估计算法同时估计对象系统故障演化模型混合状态和未知参数的后验分布。在算法的状态预测阶段,在一定的假设条件的前提下,将混合模型连续状态变量的预测问题转化为一个基本状态空间模型的状态预测问题。通过对连续状态变量当前时刻的后验分布进行迭代采样从而获得其未来时刻的先验分布。在算法的决策阶段,在获取的故障演化模型连续状态变量分布基础上,结合一定的故障判据近似计算出对象系统剩余寿命分布。故障预测仿真实验结果证明了算法的有效性。     

基于成败试验的导弹贮存可靠性Bayes分析模型

针对传统导弹贮存可靠性分析方法的缺点, 提出了一种Bayes分析模型.这种模型以狄氏分布为先验分布, 综合利用了历史信息和专家信息, 结合导弹检测时间段的成败试验数据, 给出了各检测时间段可靠性的联合后验分布, 然后利用Gibbs抽样算法进行后验推断, 得到了各阶段可靠性的Bayes估计和区间估计.此外, 基于当前试验数据, 利用这种模型以预测未来导弹贮存可靠性.算例表明这种Bayes模型参数含义清楚, 利于工程应用.      

基于高斯权值-混合建议分布粒子滤波的疲劳裂纹扩展预测

飞行器结构的疲劳裂纹扩展预测对保障结构安全、实现视情维护具有重要意义。结合粒子滤波算法和结构健康监测方法进行在线的疲劳裂纹扩展预测是近年来刚刚开始研究的新方法,该方法通过状态空间模型表征疲劳裂纹扩展过程中的不确定性,同时通过贝叶斯方法将结构健康监测所获取的结构实际裂纹观测值用于修正裂纹扩展模型的预测误差,实现更准确的疲劳裂纹扩展在线预测。由于该方法的研究刚刚开展,已有研究中粒子滤波算法的重要性密度函数往往简单选取为先验转移概率密度,存在严重的粒子退化问题。另一方面出于简单考虑,仅采用表征裂纹稳定扩展区的Paris模型。针对上述问题,本文提出一种基于高斯权值-混合建议分布粒子滤波的疲劳裂纹在线预测方法,基于表征裂纹全扩展区域的NASGRO裂纹扩展模型建立疲劳裂纹扩展状态方程,以主动Lamb波监测方法实现结构裂纹的在线监测,借助在线结构健康监测的优势,在粒子滤波时选取重要性密度函数为观测概率密度和先验转移概率密度的混合分布,同时基于先验估计获取高斯权值进行权值更新。本文进一步进行了仿真研究,结果表明所提出的方法优化了疲劳裂纹扩展预测的准确性。     

基于混合粒子滤波的激光惯导系统误差的补偿

针对激光陀螺捷联惯导系统在动态尤其是高动态环境下的姿态误差显著增大的问题,提出了一种基于改进高斯混合粒子滤波的纯方位跟踪算法。算法基于混合粒子的卡尔曼滤波和粒子滤波的特点,用有限的高斯模型来近似后验状态密度、系统噪声和观测噪声的分布通过EM的算法设计实现模型的降阶,一定程度上克服了EM算法迭代的结果需要依赖初始值、可能收敛到局部最大点或可能收敛到参数空间边界的缺点,从而改善了粒子携带信息的衰减问题。通过仿真与试验结合,在纯动态应用环境下的姿态与定位精度补偿效果,与传统Kalman滤波相比,算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。     

一种基于NGA-QPF的航天器姿态估计方法

针对航天器姿态确定中的非线性非高斯的滤波问题,提出一种基于遗传算法的粒子滤波的航天器姿态估计方法。该方法将姿态四元数作为采样粒子进行粒子滤波,并将小生境遗传算法（NGA）引入粒子滤波算法中,以改善粒子滤波的性能;用遗传算法单独进行陀螺偏差估计,以减少粒子滤波的状态维数。该姿态估计方法保持了四元数的归一化性质,通过引入小生境遗传算法解决了重采样阶段的粒子退化问题,并且由于单独估计陀螺偏差避免了粒子滤波状态的扩展。该方法能够在较少粒子的情况下实现高效率高精度的定姿,仿真结果说明了方法的有效性。     

一种非线性滤波器的误差分析及应用

针对一类具有未建模误差和扰动的非线性系统的状态估计问题,提出一种在线估计并补偿模型误差的非线性滤波算法,该算法利用非线性预测滤波(NPF)基于预测输出残差的方差最小的基本原则估计模型误差,冉利用扩展卡尔曼滤波(EKF)的思想对补偿后的模型进行状态估计;详细推导了状态估计误差及其方差阵的传播模型.以卫星姿态确定系统为例,...     

基于非线性Wiener过程的航空发动机性能衰减建模与剩余寿命预测

针对航空发动机在性能衰减过程中普遍存在的非线性和三源不确定性问题,提出了一种基于非线性Wiener过程的航空发动机性能衰减建模与剩余寿命（RUL）预测方法。首先,为解决目前大多数剩余寿命预测方法中潜在假设的局限性,即当前时刻估计的漂移系数与上一时刻漂移系数的后验估计完全相等,在状态空间模型的框架下建立了一类新的同时考虑非线性和三源不确定性的性能衰减模型,并在首达时间下推导出剩余寿命的分布。然后,针对新研发航空发动机缺乏历史数据和先验信息的问题,提出了一种基于Kalman滤波和条件期望最大化（ECM）算法的参数估计方法,使得估计的模型参数不依赖于历史数据量。同时能够在获得一个新的性能衰减数据后,实现对模型参数的自适应估计和在线更新,进而实时地更新航空发动机的剩余寿命分布。实验结果表明,本文方法可以有效地提高剩余寿命预测的准确性,能为航空发动机的维修决策提供可靠的依据。     

基于高斯和粒子滤波的动态称重数据处理

由于动态称重过程中的噪声干扰,导致动态称重信号处理中存在数据处理速度慢与精度低等不足。为了提高动态称重的快速性与准确性,本文将高斯和粒子滤波算法应用于动态称重数据处理。在对动态称重系统建立状态空间模型的基础上,引进高斯和粒子滤波算法,利用高斯和逼近状态的后验密度,提高了对状态分布估计的精确性。实验结果证明,高斯和粒子滤波方法有效地提高了动态称重的速度与精度,比较实验结果说明本文方法优于传统的扩展卡尔曼滤波和粒子滤波效果。     

基于集员估计的卫星飞轮故障检测与预测方法

为了对卫星飞轮故障进行提前预警，提出了一种基于集员估计的故障检测和预测方法。首先，基于飞轮的动态模型设计了一种基于中心对称多面体的故障检测方法。在检测出飞轮故障后，选取飞轮的电流数据作为故障特征，并采用线性模型或非线性模型来描述其退化规律。然后，提出了一种基于中心对称多面体的集员算法，对退化模型中的未知参数进行估计，并以此为基础预测未来时刻的故障，进而实现对飞轮故障的提前预警。最后，通过数值仿真，将所提出的方法和两种现有的故障预测技术进行了对比。仿真结果表明了所提方法的有效性和优越性。     

混合线性/非线性模型的准高斯Rao-Blackwellized粒子滤波法

 针对混合线性/非线性模型,提出一种新的递推估计滤波算法,称为准高斯Rao-Blackwellized粒子滤波器（Q-GRBPF）。算法采用Rao-Blackwellized思想,将线性状态与非线性状态进行分离,对非线性状态运用准高斯粒子滤波（Q-GPF）算法进行估计,并将其后验分布近似为单个高斯分布,再利用非线性状态的估计值对线性状态进行卡尔曼滤波（KF）估计。将Q-GRBPF应用于目标跟踪的仿真结果表明,与Rao-Blackwellized粒子滤波器（RBPF）相比,Q-GRBPF在保证估计精度的前提下有效降低了计算复杂度,计算时间约为RBPF的58%;与Q-GPF相比,x坐标与y坐标的估计精度分别提升了45％和30％,而计算时间也节省了约30％。     

Adaptive Gaussian sum squared-root cubature Kalman filter with split-merge scheme for state estimation

The paper deals with state estimation problem of nonlinear non-Gaussian discrete dynamic systems for improvement of accuracy and consistency. An efficient new algorithm called the adaptive Gaussian-sum square-root cubature Kalman filter（AGSSCKF） with a split-merge scheme is proposed. It is developed based on the squared-root extension of newly introduced cubature Kalman filter（SCKF） and is built within a Gaussian-sum framework. Based on the condition that the probability density functions of process noises and initial state are denoted by a Gaussian sum using optimization method, a bank of SCKF are used as the sub-filters to estimate state of system with the corresponding weights respectively, which is adaptively updated. The new algorithm consists of an adaptive splitting and merging procedure according to a proposed split-decision model based on the nonlinearity degree of measurement. The results of two simulation scenarios（one-dimensional state estimation and bearings-only tracking） show that the proposed filter demonstrates comparable performance to the particle filter with significantly reduced computational cost.     

Particle flters for probability hypothesis density flter with the presence of unknown measurement noise covariance

In Bayesian multi-target fltering,knowledge of measurement noise variance is very important.Signifcant mismatches in noise parameters will result in biased estimates.In this paper,a new particle flter for a probability hypothesis density（PHD）flter handling unknown measurement noise variances is proposed.The approach is based on marginalizing the unknown parameters out of the posterior distribution by using variational Bayesian（VB）methods.Moreover,the sequential Monte Carlo method is used to approximate the posterior intensity considering non-linear and non-Gaussian conditions.Unlike other particle flters for this challenging class of PHD flters,the proposed method can adaptively learn the unknown and time-varying noise variances while fltering.Simulation results show that the proposed method improves estimation accuracy in terms of both the number of targets and their states.     

基于CPHD的双层粒子滤波目标跟踪算法

常规基于势概率假设密度滤波(Cardinalized Probability Hypothesis Density,CPHD)的粒子滤波(Particle Fil? ter,PF)跟踪算法应用于多目标跟踪时,容易遇到因粒子数量增加而带来的运算效率下降、目标数目估计不准的问题。文章基于常规粒子滤波 CPHD跟踪算法,通过部署双层粒子,提出基于势概率假设密度滤波的双层粒子滤波 (Two-Layer Particle Filter-CPHD,TLPF-CPHD)算法,以便提高目标数目及状态估计精度。仿真实验结果证明,相比于常规 PF-CPHD算法,新算法具有更好的目标数目和状态估计准确性。     

基于双模型滤波算法的环控系统换热器故障诊断

 在建立飞机环控系统数学模型的基础上,提出采用双模型滤波方法进行参数估计、状态预测和故障诊断,提高飞机环控系统故障诊断的快速性和准确性。如果采用最小二乘算法,参数估计是静态的,故障诊断延迟一般较大;采用单模型扩展Kalman滤波算法,虽然能够实现动态估计,但不能同时兼顾稳态过程和过渡过程（突发故障）的参数估计,导致误差较大。为了解决上述难题,针对飞机环控系统换热器故障诊断,提出两模型滤波算法。该算法由两个滤波器组成,分别用于跟踪系统的稳态和过渡过程。由于采用了两滤波器模型分别匹配不同的系统特征,能够改善飞机环控系统不同状态下的参数估计和状态预测性能,从而提高系统故障诊断的精度和速度。仿真结果证实了该算法的有效性。     

多目标跟踪的核粒子概率假设密度滤波算法

提出一种新的多目标跟踪算法：核粒子概率假设密度滤波算法(KP-PHDF)。算法的创新点在概率假设密度滤波算法(PHDF)的目标状态提取步骤,以粒子概率假设密度滤波算法为框架,并运用结合了mean-shift算法的核密度估计(KDE)理论进行概率假设密度(PHD)分布的二次估计、提取PHD峰值位置作为目标状态估计值。分析与多目标跟踪(MTT)仿真的结果表明,与现有序列蒙特卡罗概率假设密度滤波算法（SMC-PHDF）相比,在相同仿真条件下新算法的估计精度提高30.5%。     

改进的量测一致性的联邦滤波器两级故障检测

当联邦滤波器故障为缓变故障或者故障幅值比较小时,传统的基于量测一致性的联邦滤波器故障检测算法由于相应的估计误差和方差同时增大,这使得算法需一定的时间后才能使这种增量大到使故障函数计算结果超出门限,因而会出现警告延迟甚至漏检现象.针对量测一致性算法的缺点,提出了改进的基于量测一致性的联邦滤波器两级故障检测算法.相比传统的基于量测一致性的故障检测算法,该方法增加了故障检测的冗余性,不仅可以区分硬故障和软故障,而且提高了故障检测的可靠性和灵敏度,使得联邦滤波器的故障检测方法更加成熟完善,这对提高整个系统的可靠性具有重要意义.仿真和实验结果表明,该方法准确度高,计算量小,便于工程实现.