基于半随机滤波-期望最大化算法的剩余寿命在线预测

剩余寿命(RL)预测是设备预测维护的关键环节。准确在线预测能够为维护策略的实时安排提供更加精确的技术支持,有效避免失效的发生。工程实际中,反映设备退化过程的性能指标往往不能直接监测,为解决隐含退化过程的剩余寿命在线预测问题,提出一种基于半随机滤波-期望最大化(EM)算法的预测方法。首先以剩余寿命为隐含状态,构建状态空间模型描述直接监测数据与设备剩余寿命间的随机关系。为实现单个设备剩余寿命的在线预测,依据到当前时刻为止的监测数据,采用扩展卡尔曼滤波(EKF)与期望最大化算法相互协作的方法实时估计与更新模型未知参数和剩余寿命分布。最后,将该方法用于惯性测量组合(IMU)剩余寿命在线预测问题,实验结果表明该方法能够提高预测的准确性并减少预测的不确定性。     

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。     

基于改进的自适应平方根容积卡尔曼滤波相对导航算法

针对无人机编队飞行时由于目标建模的不确定性导致相对导航滤波算法精度降低甚至出现滤波发散的问题,提出了一种自适应平方根容积卡尔曼滤波算法。首先,建立了无人机双机编队时的相对导航模型。然后,基于新息的自适应修正准则,对滤波状态预测量进行修正,进行了基于自适应修正的平方根容积卡尔曼滤波相对导航算法设计。最后,开展了仿真计算与结果分析。仿真结果表明,该算法具有较好的滤波精度和稳定性,且当目标运动状态与模型不匹配时,该算法与平方根容积卡尔曼滤波算法相比有更好的滤波性能。     

一种改进的高超声速滑翔目标跟踪方法

针对临近空间高超声速滑翔目标跟踪问题，提出一种基于反向传播神经网络修正改进迭代扩展卡尔曼滤波(Back Propagation Neural Network-aided Improved Iterative Extended Kalman Filter, BP-IIEKF)的目标轨迹跟踪方法。在雷达站坐标系下建立目标运动模型和量测模型。引入阻尼因子修正IEKF算法中的协方差预测矩阵，并定义算法的代价函数，给出迭代终止条件，保证了算法收敛精度，减小状态的观测更新误差，提高了目标状态估计精度。利用BP神经网络修正滤波结果，补偿系统滤波误差，进一步提高了跟踪精度。仿真结果表明所提算法对高超声速滑翔目标具有更高的跟踪精度。     

模型预测滤波在机载SAR运动补偿POS系统中的应用

 机载合成孔径雷达（SAR）运动补偿用位置姿态系统（POS）的定位精度直接影响SAR成像的效果。为进一步提高POS的导航精度,提出将模型预测滤波（MPF）与扩展卡尔曼滤波（EKF）相结合的方法应用于POS中。该方法不需要假设模型误差为高斯过程,并能够在线实时估计并修正系统模型,有效解决了MPF算法与系统模型不完全兼容的问题。飞行试验结果表明,该方法的收敛速度和滤波精度均明显优于目前工程应用中的KF和EKF,特别是大大提高了POS的定位精度;同时该算法与线性滤波KF的计算量相当,更好地满足了工程应用对导航精度和实时性的要求。     

基于鲁棒扩展卡尔曼滤波的双目视觉测量相对导航技术研究

针对非合作目标相对导航问题,为提高相对导航的精度和可靠性,采用双目视觉测量方法实现追踪器与目标器之间相对状态的测量,并基于鲁棒扩展卡尔曼滤波方法,提出了一种鲁棒相对导航滤波方法。仿真结果表明,该方法对相对导航系统模型中的不确定性具有良好的鲁棒性,且滤波精度较高。     

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,...     

基于物理解算的民用飞机气动参数辨识方法研究

传统的风洞试验与理论计算无法满足建立高精确飞机飞行动力学模型的需求,有必要通过试飞后的气动参数辨识来修正其飞行动力学模型。以极大似然法为代表的传统动态激励气动参数辨识法极大地依赖于激励信号设计、辨识算法等,存在较大的不确定性。本文提出了一种基于物理解算的方法,利用飞机不同飞行条件下的配平数据,从物理机理出发,针对气动静导数条理进行一一解算,并形成了物理解算法的辨识流程和方案。这一方法可为后续动导数的动态激励辨识减少大量未知参数,从而提高了整个气动模型的修正精度和效率。研究结果表明这一方法具有较高的可靠性和准确性。     

SINS/BDS紧组合系统中自适应 两阶段扩展卡尔曼滤波

在实际应用中，以伪距/伪距率为观测量的SINS/BDS紧组合导航系统，存在量测噪声的统计特性与实际不相符的情况，传统扩展卡尔曼滤波（EKF）方法无法有效解决这一问题，从而引起滤波误差增大。提出了一种SINS/BDS紧组合导航系统的GDOP估算及在线估计量测噪声的自适应两阶段EKF（ATEKF）方法，该方法使用经过紧组合修正后的SINS输出的位置，并结合星历数据中提供的卫星位置求解GDOP。在此基础上，利用GDOP值以及新息，实现了紧组合导航系统的量测噪声方差阵（Rk）的在线实时估计，从而达到自适应滤波的效果，改善导航精度。     

面向再入目标跟踪的估计与辨识联合优化算法

准确的弹道系数辨识和精确的目标状态估计是再入目标高精度跟踪与高可靠识别的关键。一方面,状态估计的误差会造成模型参数(弹道系数)的辨识风险;另一方面,模型参数的辨识偏差又会导致模型失配从而降低目标状态的估计精度。因此,需要实现再入目标的状态估计和参数辨识的联合优化。针对再入目标弹道系数未知情形,提出了一种基于期望最大化(EM)框架并采用粒子滤波(PF)平滑器实现的PF-EM联合优化算法。在E步基于粒子平滑器得到目标状态的后验平滑估计,M步采用数值优化算法更新上一次迭代的弹道系数,通过E步和M步的不断迭代,以保证状态估计和弹道系数辨识的一致性。算法仿真对比表明:所提算法的状态估计和参数辨识精度均优于传统的状态增广算法。     

一种扑翼飞行器气动参数的辨识方法

针对实际飞行中无法直接测量的扑翼飞行器气动参数辨识问题,结合刚体六自由度模型,提出一种基于迭代学习和人工鱼群法的扑翼飞行器隐式气动参数辨识方法。鉴于扑翼飞行器飞行试验中待辨识气动参数值难以直接测量、导致一般辨识算法中梯度难以求解的问题,提出基于摄动法的梯度方向寻优方法。考虑到待辨识参数数量及辨识结果对参数初始值的敏感性,该方法采用人工鱼群算法优化计算待辨识参数初始值。且针对迭代过程中损失函数易陷入局部最优和优化速度受限问题,采用变学习因子迭代学习策略。试验结果表明,所提出的算法能有效估算出扑翼飞行器气动参数。     

基于CKF的联合扩维误差配准算法

误差配准是多传感器信息融合的基础。为解决机载多平台多传感器的误差配准问题,研究并提出了一种基于容积卡尔曼滤波(CKF)的联合扩维误差配准算法。在算法实现中,首先采用状态矢量维数扩展方法建立非线性滤波框架下的系统误差配准模型,其次根据误差配准模型对各传感器的测量系统误差及各平台的姿态角系统误差进行估计,最后通过CKF滤波实现对状态预测值的修正,改善系统误差对滤波精度的影响。仿真结果表明,所提出的算法能够有效融合利用多传感器的测量信息,实现对多传感器系统误差及目标状态的实时联合精确估计。     

自适应扩展增量 Kalman 滤波方法

基于扩展增量Kalman滤波方法(EIKF)和自适应增量Kalman滤波(AIKF),建立自适应扩展增量Kalman(AEIKF)模型及其分析方法,给出递推算法.在许多实际情况(如深空探测),由于环境因素的影响、测量设备的不稳定性等原因,量测方程往往存在未知的系统误差,并且模型参数也具有不确定性,结果导致较大的Kalman滤波误差,影响滤波的收敛性.提出的AEIKF方法能够成功消除这种未知的系统误差,并能够实时估计变化的噪声统计量,提高Kalman滤波精度.该方法计算简单,便于工程应用.      

基于UKF的共轴式无人直升机模型辨识

建立了共轴式无人直升机系统非线性模型,并针对其非线性强,不同飞行模态下气动参数差异等问题,将无迹卡尔曼滤波(UKF)引入共轴式直升机系统非线性模型辨识,不但避免了直升机线性模型仅仅适用于悬停模态的局限性,同时为直升机系统在线自适应控制提供了基础条件,使得共轴式无人直升机自主全包线飞行成为可能.以北京航空航天大学FH-1共轴式无人直升机为例进行了仿真辨识实验.实验结果表明基于该方法的共轴式直升机在线非线性模型辨识不依赖于参数初值的选取,模型参数能在10s内收敛,各状态量辨识精度达到80%以上,明显高于传统的预报误差法(PEM),具有一定的实用性.      

鲁棒EKF在脉冲星导航系统中的应用

针对脉冲星导航系统的滤波问题,传统的扩展卡尔曼滤波(EKF)算法存在不能克服系统模型存在不确定性参数以及乘性噪声等缺陷,提出一种鲁棒EKF算法。首先,分析了状态预测误差方程和估计误差方程,利用统计学原理,得到了状态预测方差矩阵和状态估计方差矩阵计算等式。由于系统模型存在不确定性参数,状态预测协方差矩阵和状态估计协方差矩阵无法计算;因此,利用4个重要矩阵不等式,分析并找到预测方差矩阵和状态估计方差矩阵的上界。最后,利用状态估计误差协方差矩阵上界设计状态增益矩阵,使得状态估计协方差矩阵的迹最小。将该算法对脉冲星导航系统进行仿真,仿真结果验证了所提算法的有效性。     

基于改进平方根无迹卡尔曼滤波方法的涡扇发动机气路状态监控

针对涡扇发动机气路状态监控存在模型未知或不准确导致滤波效果下降甚至发散的问题,研究了一种融入高斯过程回归（GPR）的改进平方根无迹卡尔曼滤波（UKF）方法.该方法利用GPR对训练数据进行学习,建立发动机气路部件状态监控的GPR模型,替代UKF方法中的非线性系统模型;采用超球体单形采样和平方根滤波方法来提高滤波的计算效率和数值稳定性.仿真结果表明:训练的GPR模型解决了UKF方法对发动机原系统模型和噪声协方差矩阵依赖性的问题;与扩展卡尔曼滤波（EKF）和平方根UKF方法相比较,改进平方根UKF方法精度更高,对健康参数的估计精度达到99.9%,实现了对涡扇发动机单个和多个气路部件健系参数的有效跟踪.      

间隙非线性气动弹性系统的辨识

间隙非线性气动弹性系统有非常丰富的动力学特征。由于工程实际中间隙不易准确测量甚至无法测量,通常需要通过辨识来建立其数学模型,其中间隙开关点位置是辨识问题中的难点。本文利用间隙开关点将间隙非线性系统区分为3个线性子系统,用Hammerstein模型表示其非线性部分,构造了开关点的迭代序列;并采用非迭代和迭代相结合的方法进行求解,从而成功获得包含间隙开关点在内的该系统所有模型参数;以间隙非线性的二元翼段为例,验证了该辨识方法的有效性。     

感应电动机磁链观测与参数在线辨识方法研究

针对感应电动机在矢量控制过程中存在的转子磁链定向不准确的问题,解释了磁链观测误差的原因,重点研究了电机参数的在线辨识方法。提出了基于模型参考自适应系统的感应电动机磁链观测与参数在线辨识方法。基于波波夫超稳定性定理,设计了转子时间常数与励磁互感的双参数自适应律。该方法以电压模型磁链观测器作为参考模型,在线辨识出电流模型磁链观测器所需的参数,使磁链观测结果具有收敛性和鲁棒性,从而避免了电机参数测量不准确与容易变化对磁链定向造成的不良影响。仿真结果表明该方法具有实时性与可行性。     

基于GPR模型的自适应平方根容积卡尔曼滤波算法

与传统算法一样,动态系统的参数化模型(含噪声统计特性)未知或不够准确易导致容积卡尔曼滤波(CKF)效果严重下降,甚至滤波结果发散.为此,利用高斯过程回归(GPR)方法对训练数据进行学习,得到动态系统的状态转移GPR模型和量测GPR模型以及噪声统计特性,用以替代或增强原有动态系统模型,并将其融入到平方根容积卡尔曼滤波(SRCKF)中,分别提出了无模型高斯过程SRCKF (MFGP-SRCKF)和模型增强高斯过程SRCKF (MEGP-SRCKF)两种算法.仿真结果表明:这两种新的自适应滤波算法提高了动态系统模型精度,且实时自适应调整噪声的协方差,克服了传统算法滤波性能易受系统模型限制的问题;与MFGP-SRCKF相比,在给定一个不够准确的参数化模型,且有限的训练数据未能遍布估计状态空间的情况下,MEGP-SRCKF具备更高的滤波精度.     

机载单站对运动目标无源定位跟踪算法

针对无源定位系统中,机载单站相对于运动辐射源目标作为状态模型,在测方位角及其变化率基础上,引入多普勒频率变化率参数构建观测模型。常用的扩展卡尔曼滤波（EKF）存在不稳定和精度低的问题,采用修正增益的扩展卡尔曼滤波算法（MGEKF）,找出修正函数矩阵,实现定位状态滤波估计。仿真结果表明,MGEKF算法较之EKF算法有较高的定位精度和较快的收敛速度。