基于极大后验原理的非线性系统传感器故障估计

针对扩展卡尔曼滤波算法(Extended Kalman filter,EKF)计算复杂,粒子滤波算法动态跟踪能力差,单一无先导扩展卡尔曼滤波算法(Unscented Kalman filter,UKF)滤波精度低等缺陷,本文根据极大后验原理(Max-imum posterior principle,MPP),针对一类非线性系统设计了一种改进型的无先导卡尔曼故障估计滤波器来估计被控系统所发生的加性传感器故障。首先根据极大后验估计原理,推导出一种最优常值故障估计器。在此基础之上,推导出次优的加性常值故障估计滤波器,并对故障估计滤波器进行了无偏性证明。最后,将得到的理论结果应用于非线性倒立摆系统,仿真验证了所提方法的有效性。     

发射系下SINS/GPS/CNS组合导航系统联邦粒子滤波算法

传统的扩展卡尔曼滤波(Extended Kalman filter, EKF)算法应用于未来高超、空天飞行器的组合导航系统时,因其模型线性化展开会导致模型不准确,从而引起导航精度下降;采用蒙特卡洛方法来实现递推贝叶斯估计问题的粒子滤波(Particle filter,PF)算法能有效避免引入线性化误差,具有一定的优势。据此,针对高超、空天飞行器在发射过程中通常需要直接获得发射惯性系下的高精度导航参数的需求,提高发射惯性系下弹载组合导航系统滤波算法的精确性就尤为重要,PF滤波算法无需对非线性系统进行线性化展开即可直接实现对非线性系统的状态误差估计。为此,本文将PF滤波算法引入空天飞行器SINS/GPS/CNS多信息融合组合导航系统,设计了发射系下基于联邦滤波器的PF滤波算法,实现了对组合导航系统状态参数的直接建模估计。算法仿真结果表明,相较于发射系下SINS/GPS/CNS组合导航系统联邦EKF滤波算法,PF滤波算法有效提高了组合导航系统滤波精度。     

基于扩展卡尔曼滤波的变刚度结构动载荷识别（英文）

引入扩展卡尔曼滤波（Extended Kalman filter,EKF）方法,结合最小二乘估计来识别作用在时变结构上的未知载荷,并实现对时变系统结构参数的识别。首先提出未知参数类型为刚度系数时的动载荷识别方法。然后通过一个五自由度缓变刚度结构仿真算例来验证方法的有效性和准确性。仿真结果表明,即使考虑输入数据中的噪声,该方法也能同时准确识别出未知载荷和结构参数。     

扩展卡尔曼滤波对时变参数追踪性能的影响研究

扩展卡尔曼滤波（Extended Kalman filter,EKF）理论由线性卡尔曼滤波理论发展而来。在结构的物理参数未知的情况下,扩展卡尔曼滤波理论将结构的物理参数与其状态向量组成增广状态向量,对增广状态向量进行识别,从而得到修正的结构参数。本文引入扩展卡尔曼滤波理论,对结构参数进行识别。为了验证该方法的有效性,引入1个时变参数三自由度系统作为仿真算例,分别探讨扩展卡尔曼滤波中的各项滤波参数（模型噪声的协方差矩阵Q,测量噪声的协方差矩阵R）对结构的时变参数追踪性能的影响。结果表明,合适的滤波参数能使得算法更迅速,准确地识别出结构中的时变参数变化趋势。还通过一个悬臂梁仿真算例,证明了即使在部分测点没有测量的情况下,EKF算法也能识别出结构参数。     

自适应阵列天线中应用Kalman补偿算法的探讨

为了补偿在自适应阵列天线中应用Kalman算法时,由于模型误差和计算误差所引起的自适应阵列天线性能的损失,本文引入Kalman补偿算法,即自适应Kalman渐消记忆滤波算法及自适应Kalman参量识别滤波算法,获得了有益的结果。最后在上述两种算法的基础上,导出了一种新的算法,该算法具有上述两种算法的优点。     

分布式控制系统下APU部件和传感器的混合故障诊断与隔离（英文）

研究了分布式控制系统下辅助动力装置（Auxiliary power unit,APU）的气路部件和传感器的故障诊断与隔离（Fault diagnosis and isolation,FDI）,并在分布式控制系统中将非线性动态模型和分布式状态估计器结合起来进行了研究。分布式扩展卡尔曼滤波器（Distributed extended Kalman filter,DEKF）起到状态估计器的作用,用于估计气路部件的流动能力。DEKF拥有一个主滤波器和5组与APU的5个传感器一一对应的子滤波器,每个子滤波器产生局部状态的流动能力估计。主滤波器收集并融合局部状态信息,然后将状态估计反馈给子滤波器。在APU分布式控制结构的DEKF算法中引入了丢包模型。设计了具有残差加权平方和（Weight sum of squared residuals,WSSR）性能指标的FDI策略,并通过一次移除一个子滤波器来识别APU传感器故障。当前子滤波器的性能指标WSSR不同于剩余的子滤波器组合时,说明发生了传感器故障,并且解析余度的估计值会取代故障传感器的测量值。值得注意的是,该方法不仅适用于传感器故障,而且可以解决A...     

基于无迹卡尔曼滤波的柔性自由翻滚目标姿态估计

在进行在轨维修以及清除等任务时,需要确定航天器的姿态四元数和角速度。失效卫星常处于自由翻滚状态,通常带有柔性帆板,其运动规律相较于刚性帆板更为复杂。一方面,空间失效卫星的姿态确定常使用激光雷达、双目相机作为测量装备,其测量精度常受到光照、磁场等的影响,会对识别精度产生较大干扰。另一方面,柔性航天器的质量特性容易发生变化,导致很难对其动力学模型进行精确描述。针对柔性自由翻滚目标的状态难以获取的问题,本文提出基于无迹卡尔曼滤波的姿态估计方法,并采用神经网络补偿柔性航天器模型误差。仿真结果显示：无损卡尔曼滤波器(Unscented Kalman filter,UKF)算法对柔性航天器的姿态四元数预测误差值在10^-3范围内,角速度误差值最高0.08 rad/s,采用神经网络补偿动力学模型后对四元数的预测误差稳定在9×10^-4范围内,角速度误差稳定在1.5×10^-3范围内。结果表明,使用神经网络补偿柔性航天器动力学模型的不确定项之后,UKF对柔性自由翻滚目标的姿态估计精度满足工程要求。     

航姿系统内阻尼的模糊自适应滤波算法

平台式惯性航姿系统的内阻尼算法通过阻尼网络将自身的速度信息加到系统中,达到提高姿态精度的目的.本文将该思想引入到捷联式惯性航姿系统中,在系统加速度较小时,利用加速度计的输出估计系统姿态角,通过卡尔曼滤波的形式补偿姿态误差.由于内阻尼算法只有在系统加速度较小的情况下才能使用,本文设计了模糊自适应控制器,根据三轴加速度计的输出进行自适应判断内阻尼算法是否可用,调整内阻尼卡尔曼滤波器的量测误差方差阵,从而避免了滤波器的发散.仿真和实验表明,内阻尼的模糊自适应算法可明显抑制舒勒周期振荡和傅科周期振荡,避免了系统姿态漂移,有效提高了捷联惯性航姿系统的精度.     

基于MSD和ICCP改进的地磁联合匹配算法

如何抑制复杂环境中的航空器惯导误差发散,是实现航空器长航时高精度自主导航的关键。地磁导航是一种全天时、全天候的无源导航方式,其中,匹配算法是地磁匹配导航系统的核心技术。针对等值线匹配均方差（Mean square difference, MSD）算法无法校正航向误差、最近等值线迭代（Iterated closet contour point, ICCP）算法在初始误差较大的情况下易发散、实时性较差的问题,提出了一种改进的地磁联合匹配算法,采用粗精结合的策略,约束精匹配过程搜索范围并缩小初始误差,并在精匹配阶段采用动态窗口技术,提高算法搜索效率和实时性。仿真实验表明,该算法取得了良好的匹配效果,具有精度高、实时性好等优点,能够抑制惯导误差发散,适合航空器长航时工作。     

简化的混合估计算法及其在GPS／SINS深组合中的应用

为解决GPS/SINS深组合导航系统滤波的非线性和噪声的不确定性的问题,针对深组合模型特点,设计了一种简化的基于U滤波的多模型混合估计滤波器。根据系统模型中状态方程是线性方程、观测方程是非线性方程的特点,提出了一种简化的U滤波算法(Ultra tight coupling unscented Kalman filter,UTCUKF),然后针对噪声变化建立了非线性模型,多模型混合估计滤波器的输出为各滤波器的概率加权融合,因此模型概率是根据噪声变化而调整的,从而也使系统输出对噪声变化具有一定自适应能力。最后进行了仿真,并与基于普通U滤波的多模型混合估计算法进行了比较。结果表明,本文算法的解算时间短,模型切换速度更快,而估计的精确度与同条件下的基于普通U滤波的多模型混合估计算法相当,更符合深组合系统高动态的要求。