基于GA-BP神经网络温度补偿的红外温度传感器设计

为减少环境温度对红外测温的影响,并提高测量精度,提出了一种基于热电堆与热敏电阻的红外探头、Cortex-M3 ARM处理器及高精度低噪声测量电路的红外温度传感器。利用梯度下降法建立红外探头的输出电压、环境温度和目标温度的BP神经网络模型,用遗传算法对其初始权值和阈值进行优化,并将基于该模型的算法嵌入ARM处理器,求出目标温度。该红外温度传感器实现了对物体温度-10～+50℃范围的测量,平均绝对误差为0.033℃,均方根误差为0.035℃。     

基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测

针对当前锂电池荷电状态(State of charge, SOC)与健康状态(State of health, SOH)预测精度较低的问题,提出了一种基于模糊卡尔曼滤波器的预测方法。采用非线性二阶电阻电容模型表示锂电池,并通过最小二乘误差优化算法对模型参数进行估计,从而更准确地确定蓄电池容量作为SOH值的基础。扩展卡尔曼滤波器(Extended Kalman filter, EKF)可在初始SOC值未知的情况下对其进行准确预测,而模糊逻辑有助于消除测量和过程噪声。仿真结果表明,在城市测功机驱动计划期间(Urban dynamometer drving schedule, UDDS)测试中最大的SOC估算误差是0.66%;通过离线更新卡尔曼滤波器,可对电池容量进行估计,结果表明,最大估计误差为1.55%,从而有效提高了SOC值的预测精度。     

基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测（英文）

针对当前锂电池荷电状态(State of charge, SOC)与健康状态(State of health, SOH)预测精度较低的问题,提出了一种基于模糊卡尔曼滤波器的预测方法。采用非线性二阶电阻电容模型表示锂电池,并通过最小二乘误差优化算法对模型参数进行估计,从而更准确地确定蓄电池容量作为SOH值的基础。扩展卡尔曼滤波器(Extended Kalman filter, EKF)可在初始SOC值未知的情况下对其进行准确预测,而模糊逻辑有助于消除测量和过程噪声。仿真结果表明,在城市测功机驱动计划期间(Urban dynamometer drving schedule, UDDS)测试中最大的SOC估算误差是0.66%;通过离线更新卡尔曼滤波器,可对电池容量进行估计,结果表明,最大估计误差为1.55%,从而有效提高了SOC值的预测精度。     

基于改进UKF的非线性结构荷载和参数同步识别

传统无迹卡尔曼滤波（unscented Kalman filter，简称UKF）方法在非线性结构参数识别过程中，通常要求结构的输入已知，当非线性结构的输入难以测量或测量误差较大时，该方法的应用将受到限制。为了对未知激励作用下的非线性结构参数进行识别，提出一种基于改进UKF的非线性结构荷载和参数同步识别方法。该方法在系统状态更新过程中，利用结构响应和参数的当前预测值，对输入荷载进行初步估计，并结合系统状态的估计值对输入荷载进行识别。为降低测量噪声对非线性系统识别结果的影响，采用在UKF方法中嵌入卡尔曼滤波器（Kalman filter，简称KF），对测量噪声协方差矩阵进行同步优化，确保非线性结构荷载和参数识别的精确性。分别对地震激励下的单自由度和5自由度Bouc-Wen滞回模型进行数值模拟，验证了该方法的可行性和准确性。结果表明，改进的UKF方法能够有效地实现非线性结构未知荷载和模型参数的同步识别。     

矿用非接触式红外测温仪

为了满足煤矿井下测温需求,设计了一种基于红外技术的非接触式矿用温度测量仪.由于环境温度和距离对红外测温影响较大,系统采用DS18B20测温模块测量环境温度,超声波测距模块测量距离,通过数据分析得出环境温度和距离对红外测温的影响,并对测量结果进行修正.系统采用两级保护,温度超过第一级预设值发出报警信号,超过第二级预设值自动断电,以保证安全.同时,系统采用激光定位系统,方便测量和安装.     

大型地面目标红外辐射亮度外场模拟系统

为实现大型地面目标红外辐射亮度的外场模拟,研制了一套红外辐射外场模拟系统。采用一种电加热布作为红外辐射材料,将其粘贴于长方形充气靶表面,通过温度控制系统控制电加热布表面温度来实现红外辐射亮度的外场模拟。为提高模拟精度,采用长波热像仪作为温度控制系统中的一个环节,建立了热像仪测温结果与温控系统设定值及环境温度之间的关系公式,为给定辐射亮度条件下红外辐射材料表面温度的设置提供参考。另外,也考虑了靶场环境对红外辐射材料辐射亮度的影响。大量外场试验证明,提出的方法能够在一定精度范围内实现目标红外辐射亮度的外场模拟,其模拟精度换算为辐射温度约为2℃。     

基于自适应Kalman滤波的SAW测温数据纠错方法

在无源无线SAW测温系统实际应用中,阅读器接收到的信号往往受到其所处环境电磁波的干扰。这些干扰将会使阅读器得到错误的测量数据。温度变化趋势和测量噪声时变的特点也给系统建模以及噪声估计带来了困难。针对实际应用中存在的问题,在Kalman滤波的基础之上,提出了一种新的自适应算法。该算法采用多项式预测的方法建立温度测量的时变系统模型,根据当前及历史测量值,自行调整预测模型参数,避免因模型不准确造成Kalman滤波效果严重下降的问题;通过对测量数据小波变换的方法,实时估计测量数据噪声方差,克服未知观测噪声的条件下精度下降的问题;当测量数据受到干扰时,测量值与纠错值之间的差值不满足高斯分布,通过对差值统计特性的分析,对测量数据进行错误数据判别与剔除,有效地抑制干扰对温度测量的影响。将这种自适应Kalman滤波算法应用到无源无线SAW测温系统中,无源无线SAW温度传感器测温实验的结果验证了该算法能有效地纠正粗大误差,提高测量系统的精度。     

基于NACKF的分布式驱动电动汽车轮胎侧向力与质心侧偏角估计

针对传统容积卡尔曼滤波算法在进行车辆关键状态估计时要求噪声统计特性已知的问题,提出一种噪声自适应容积卡尔曼滤波（Noise adaptive cubature Kalman filter, NACKF）算法来进行车辆关键状态的估计。基于次优无偏极大后验估计器对量测噪声协方差进行实时更新并将其嵌入到标准容积卡尔曼算法中实现自适应容积卡尔曼滤波。针对车辆不同子系统间耦合特性对滤波精度的影响,构建双重自适应容积卡尔曼滤波器分别进行侧向力与质心侧偏角的估计,两者在估计过程中互为输入构成闭环反馈,利用分布式模块化结构弱化系统耦合特性对估计精度的影响,实现轮胎侧向力与质心侧偏角的实时准确估计。利用Simulink-Carsim联合仿真平台进行仿真验证和实车试验验证。结果表明,基于双重自适应容积卡尔曼滤波的估计算法相对标准容积卡尔曼滤波估计精度更高,较好地改善了传统容积卡尔曼滤波器在噪声先验统计特性未知条件下非线性滤波精度下降的问题。     

一种基于TN901非接触式红外测温系统的设计

非接触式红外测温系统广泛应用于医疗、自动检测等实际领域。该文设计的非接触式红外测温系统遴选单片机AT89S51芯片为测温系统的主控,利用非接触式TN901红外温度传感器进行温度的实时采集,并将采集到的温度信息传递给单片机AT89S51的I/O(P2)口,然后由单片机AT89S51程序计算公式i Temp=i Temp/16-273.15将数据转换为温度值,再由9012型三极管构成的放大电路驱动四位一体数码管,实现温度的实时显示。基于TN901非接触式红外测温系统测量精度±0.1℃、分辨率0.1℃,工作电源为+5 V,工作环境温度≤60℃、湿度≤90%。该非接触式红外测温系统具有响应时间短,稳定性能好,温度分辨率高和使用方便、寿命长的特点。     

被测对象温度呈现空间分布时的红外测温偏差研究

本文研究了红外测温仪测温视场内,对象温度有空间分布时对红外测温结果的影响.利用点热源检测了红外测温仪视场的特征,提出了红外测温仪视场采温平均权重函数的概念,然后通过实验证明了红外测温仪视场区点热源温度的加权可叠加性.根据测得的本实验条件下的权重函数,分析了在几种温度分布情况下,测量结果与真实结果的偏差程度.理论及实验证明,可以用对红外测温仪测量值进行修正的办法来减小因视场内温度有空间分布引起的测量偏差.     

一种基于Kalman滤波算法的组合式温度传感器的研究

该文研究了一种基于Kalman滤波算法的组合式温度传感器。根据铂电阻和半导体热敏电阻在温度测量中的不同特性,设计了一种组合式温度传感器,并利用Kalman滤波算法进行综合数据处理。提出了基于Kalman滤波算法的组合式温度传感器模型,给出了静态测量和动态测量两种情况下的kalman滤波算法步骤,分析了Kalman滤波算法的参数设置。实验结果表明,该组合式温度传感器可有效提高测量结果的准确性和灵敏度。     

State of charge estimation of vanadium redox battery based on improved extended Kalman filter

The accurate state of charge (SOC) estimation can protect the battery from overcharging and over-discharging, and it is useful to make an effective dispatching strategy. The extended Kalman filter (EKF) method is used to estimate SOC widely. But it does not consider the SOC constraints. Moreover, the convergence is influenced by the uncertain initial SOC, which may lead to false alarm, unwanted operation of protection, error dispatching and poor robustness of the system. This paper presents an improved extended Kalman filter (IEKF) method to estimate SOC for vanadium redox battery (VRB) by introducing a gain factor. It can be adjusted automatically according to the output error and SOC boundary. To implement IEKF estimator, a VRB state space model is established and its parameters are identified by recursive least square (RLS) method. Then a VRB of 5kW/30kWh experimental platform is built. Finally, the IEKF method is validated and compared with EKF against unknown initial value through the experiments. The results have shown that IEKF method is superior to EKF in terms of accuracy, convergence speed and robustness. And the estimated SOC remains bounded by using IEKF method. It is more suitable for SOC estimation than EKF algorithm in the industrial applications.     

基于变分贝叶斯的DR/UTP组合导航滤波方法

针对水下无人航行器(UUV)的航位推算导航方法(DR)和水下应答器(UTP)组合导航系统中传统滤波器因观测噪声统计模型不准确或未知而出现的滤波器发散问题,提出了一种基于变分贝叶斯的平方根容积卡尔曼滤波算法,该算法利用变分贝叶斯方法对DR/UTP组合导航系统的状态和时变观测噪声进行估计,并引入自适应调节因子来提高对观测噪声的逼近精度,然后利用平方根容积卡尔曼滤波对系统状态进行更新。仿真结果表明,该滤波算法能够较好地跟踪UUV的DR/UTP组合导航系统外部观测噪声方差的不断变化,可有效提高对DR/UTP组合导航系统各参数的估计精度。     

改进卡尔曼滤波的融合型锂离子电池SOC估计方法

荷电状态(SOC)估计对于锂离子电池充放电优化控制、任务规划、可靠性提升等均具有重要价值,针对广泛应用的卡尔曼滤波(KF)一类方法存在的参数设置无具体标准、模型性能随工况环境改变而适应性降低等问题,提出一种噪声方差可变卡尔曼滤波方法(VVKF)的SOC估计算法,该算法每次迭代时估计并设定最适应当前系统状态的的噪声方差,克服了KF噪声方差初值依靠人为经验设定而造成精度下降的问题,同时采用最小二乘支持向量机作为KF的量测方程,通过建立样本库的方式克服电池型号以及工况改变对SOC估计精度的影响。采用马里兰大学CACLE中心锂离子电池数据集的实验证明了VVKF较KF性能的提升以及SOC估计的有效性。     

Fast Kalman-like optimal FIR filter for time-variant systems with improved robustness

In this paper, a fast Kalman-like iterative OFIR algorithm is proposed for discrete-time filtering of linear time-varying dynamic systems. The batch OFIR filter is re-derived in an alternative way to show that this filter is unique for such systems. A computationally efficient fast iterative form is found for the OFIR filter using recursions. It is shown that each recursion has the Kalman filter (KF) predictor/corrector format with initial conditions specified via measurements on a horizon of N nearest past points. In this regard, the KF is considered as a special case of the iterative OFIR filtering algorithm when N goes to infinity. Applications are given for the 3-state target tracking and three-degree-of-freedom (DOF) hover system. It has been shown experimentally that the proposed iterative OFIR algorithm operates much faster than the batch OFIR filter and has the computational complexity acceptable for real-time applications. It has also been demonstrated by simulations that an increase in the number of the states results in better robustness of the OFIR filter against temporary model uncertainties and in higher immunity against errors in the noise statistics.     

Performance analysis of improved iterated cubature Kalman filter and its application to GNSS/INS

In order to improve the accuracy and robustness of GNSS/INS navigation system, an improved iterated cubature Kalman filter (IICKF) is proposed by considering the state-dependent noise and system uncertainty. First, a simplified framework of iterated Gaussian filter is derived by using damped Newton–Raphson algorithm and online noise estimator. Then the effect of state-dependent noise coming from iterated update is analyzed theoretically, and an augmented form of CKF algorithm is applied to improve the estimation accuracy. The performance of IICKF is verified by field test and numerical simulation, and results reveal that, compared with non-iterated filter, iterated filter is less sensitive to the system uncertainty, and IICKF improves the accuracy of yaw, roll and pitch by 48.9%, 73.1% and 83.3%, respectively, compared with traditional iterated KF.     

基于有偏卡尔曼的多传感器数据融合研究

推导出偏参数为矩阵形式的有偏卡尔曼滤波(BKF)的完整迭代过程,该算法在均方误差条件下优于卡尔曼滤波(KF),可以进一步提高估计的精度.将BKF与多传感器融合算法中的扩维融合和序贯式融合相结合,推导出多传感器扩维有偏卡尔曼滤波和多传感器序贯有偏卡尔曼滤波算法,并从理论上证明了多传感器序贯BKF融合在均方误差条件下优于扩...     

基于Sage窗的自适应Kalman滤波用于钟差预报研究

钟差预报是时间保持工作中的一项关键技术。Kalman算法作为一种最优预报算法,具有实时性的特点,在时间保持工作中得到了广泛的应用。但是由于经典Kalman算法需要准确确定模型随机误差和测量误差,否则状态估计会引入一定的误差,在原子时算法中表现为原子钟噪声和钟差测量噪声。原子钟的噪声参数值通常是通过Allan方差估计,若估计不够准确,Kalman预报将会出现误差。通过研究基于Sage窗的自适应Kalman预报算法,实时修正状态模型误差。利用自适应因子调整状态预测协方差阵有效降低了模型误差,提高了预报精度,最后通过两台氢原子钟和两台铯原子钟的实测数据验证了算法的有效性。     

S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合的汽车状态估计算法

精确的汽车状态信息的获取是汽车动态控制系统正常工作的前提。建立了二自由度汽车动力学模型,提出了将S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合进行汽车关键状态估计的方法。模糊卡尔曼滤波利用所设计的模糊控制器通过实时监测信息实际方差与理论方差的比值,实现对时变量测噪声的协方差矩阵的实时在线估计,提高了算法在时变量测噪声情况下的鲁棒性;S-修正的自适应卡尔曼滤波算法基于滤波不发散理论推导得出实时修正因子S,进而对估计误差协方差矩阵直接加权。两种方法的结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度,最后通过基于ADAMS的虚拟试验验证了该方法的有效性。