改进粒子群算法优化扩展卡尔曼滤波器电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题, 提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点, 采用可调整的算法模型对粒子群算法进行改进, 将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理, 将优化后的卡尔曼滤波器应用于感应电机转速估计。仿真实验表明, 与试探法、标准粒子群算法及遗传算法比较, 改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度, 从而提高无速度传感器矢量控制系统的控制性能。     

基于混合卡尔曼粒子滤波算法的期权定价方法

针对金融领域的期权定价问题,为提高粒子滤波算法对期权价格的估计精度,提出使用混合卡尔曼粒子滤波算法(MKPF)进行期权价格预测,该算法使用Unscented 卡尔曼滤波器和扩展卡尔曼滤波器作为混合建议分布产生重要采样密度.在某一时刻,每一个粒子首先经过Unscented卡尔曼滤波器更新得到一个状态估计值,然后以该估计值作为扩展卡尔曼滤波器的先验估计再次更新粒子,得到该时刻最终的估计值.实验中针对经典的Black-Scholes期权定价公式,使用包括MKPF算法在内的4种算法对期权价格进行预测,结果表明MKPF算法预测的期权价格与真实期权价格的误差最小,证明了MKPF算法在期权定价问题中的有效性.     

EKF在无速度传感器感应电机中的应用

在交流感应电机的状态方程的基础上,将交流感应电机的转速看成状态变量,利用较容易检测到的定子电流及定子电压信号,运用扩展卡尔曼滤波器估计出感应电机的速度.     

强跟踪延迟滤波算法及其在感应电机无速度传感器控制中的应用

在强跟踪滤波(Strong track filter, STF)算法和延迟扩展Kalman滤波(Schmidt extended Kalman filter, SEKF)算法的基础上, 提出了强跟踪延迟滤波(Strong track Schmidt filter, STSF)算法, 结合感应电机降阶模型建立了电机状态估计算法, 将其应用于感应电机无速度传感器控制系统中, 并与扩展Kalman滤波(Extended Kalman filter, EKF)、SEKF和STF三种算法的状态估计性能作比较. 仿真和实验结果表明, STSF算法在估计精度、跟踪速度、抑止噪声等方面均优于EKF算法, 并且计算复杂度显著降低, 能有效在线估计电机转速和磁链.     

基于平方根求积卡尔曼滤波器的弹道目标跟踪

针对再入阶段的弹道目标跟踪问题,提出运用平方根求积卡尔曼滤波器(SRQKF)估计目标的状态.所提出的算法是求积卡尔曼滤波(QKF)算法的平方根实现.该算法传播了目标状态的均值和协方差的平方根,确保了协方差矩阵的对称性和半正定性,改进了数值精度和稳定性,但其计算复杂性稍有增加.仿真实验表明,所提出算法的估计精度优于QKF算法和扩展卡尔曼滤波(EKF)算法,是一种很有效的非线性滤波方法.     

基于多温度信息融合的PCR仪

本系统采用双卡尔曼滤波器算法对多通道的试剂热辐射、环境温度和热源温度数据进行信息融合从而估计出多通道试剂表面温度的真实值,有效克服热成像仪的缺点.算法结合了迭代扩展卡尔曼滤波器(IEKF)非线性估计收敛快与线性卡尔曼滤波器(KF)实时性高的优点,实现了多通道实时滤波与温控.实验表明,滤波估计后的红外热成像仪可使误差由2℃降低到0.3℃;聚合酶链式反应(PCR)测试结果较为满意,恒温时间设置更加合理.     

四元数卡尔曼滤波组合导航算法性能分析

为分析四元数卡尔曼滤波组合导航算法在飞行器姿态估计中的性能,在建立四元数卡尔曼滤波观测方程、状态方程和方差计算模型的基础上,分别设计了陀螺/加速度计/磁强计组合导航仿真算例和陀螺/加速度计初始对准实验,比较了四元数卡尔曼滤波组合导航算法相较于传统扩展卡尔曼滤波组合导航算法在计算量、收敛性、收敛速度、收敛精度方面的性能.分析结果表明该滤波器无须扩展卡尔曼滤波器的线性化过程,计算量小,算法实现简单;收敛性和收敛速度均优于扩展卡尔曼滤波器.收敛精度较扩展卡尔曼滤波器高出约两个数量级,但收敛过程中存在一个比扩展卡尔曼滤波器精度低的时间区间.     

基于扩展卡尔曼滤波器的AUV导航定位数据融合

导航定位是AUV(自主式水下潜器)自动化受限的关键技术.GPS等单独的定位方式又存在缺陷.故采用低成本罗经-DVL-GPS组合导航定位.因为导航定位观测的非线性关系,设计了基于扩展卡尔曼滤波器的导航定位数据融合算法.针对扩展卡尔曼滤波器存在的滤波发散现象,引入机动目标模型抑制滤波发散,研究并仿真了AUV的两种运动方式,实现了覆盖四个象限运动的导航定位仿真,结果表明算法能有效进行数据融合,提高状态估计精确度.     

基于非线性STUKF滤波器和ESN算法的耦合预测模型

针对瓦斯浓度时间序列的混沌性,提出一种回声状态网络算法(ESN)和无迹卡尔曼滤波器(UKF)、强跟踪滤波器(STF)耦合的混沌时间序列预测模型.对于一维瓦斯浓度混沌时间序列,采用平均轨道周期的C-C算法在时间域确定重构空间的最佳时间延迟和嵌入维数,在相空间通过非线性回归预测模型拟合瓦斯涌出动力演化轨迹,提出带有渐消因子的非线性STUKF滤波器对ESN联合参数进行最优状态估计.试验结果表明:基于STUKF的ESN瓦斯涌出模型预测方法有效,在STUKF滤波器作用下增强了ESN算法的学习效率、提高了模型的跟踪能力,能达到精度高、鲁棒性好等优点.     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

Extended complex Kalman filter for sensorless control of an induction motor

This paper deals with the design of an extended complex Kalman filter (ECKF) for estimating the state of an induction motor (IM) model, and for sensorless control of systems employing this type of motor as an actuator. A complex-valued model is adopted that simultaneously allows a simpler observability analysis of the system and a more effective state estimation. The observability analysis of this model is first performed by assuming that a third order ECKF has to be designed, by neglecting the mechanical equation of the IM model, which is a valid hypothesis when the motor is operated at constant rotor speed. It is shown that this analysis is more effective and easier than the one performed on the corresponding real-valued model, as it allows the observability conditions to be directly obtained in terms of stator current and rotor flux complex-valued vectors. Necessary observability conditions are also obtained along with the well-known sufficient ones. It is also shown that the complex-valued implementation allows a reduction of 35% in the computation time w.r.t. the standard real-valued one, which is obtained thanks to the lower dimensions of the matrices of the ECKF w.r.t. the ones of the real-valued implementation and the fact that no matrix inversion is required. The effectiveness of the proposed ECKF is shown by means of simulation in Matlab/Simulink environment and through experiments on a real low-power drive.     

异步电动机无速度传感器矢量控制系统中的EKF速度辨识法

针对异步电机控制过程中对速度辨识的抗干扰性能的要求,提出一种改进的扩展卡尔曼滤波器速度辨识方法,实现了对异步电机瞬时转速的辨识。该方法首先根据异步电动机无速度传感器矢量控制的基本原理,构建了基于SVPWM的扩展卡尔曼滤波器速度辨识系统,然后利用MATLAB／SIMULINK对系统进行了仿真分析。仿真结果表明该系统的速度跟随性较好,具有良好的滤波效果和稳态辨识特性。     

无传感器PMSM中基于IGSO优化EKF的速度估计方法

为了提高无传感器永磁同步电机(PMSM)控制系统中速度控制性能,提出一种基于改进群搜索优化(IGSO)算法的扩展卡尔曼滤波(EKF)速度估计方案。首先,分析了PMSM磁场定向控制(FOC)系统模型;然后,将电机的d-q轴电压、电流和转子速度作为状态变量,构建EKF中的状态方程来估计转速和负载。同时,为了提高EKF的估计性能,以估计值与实际值的平方误差积分(ISE)作为适应度函数,通过IGSO算法来优化EKF中的噪声协方差矩阵Q和R,以此获得最优参数。仿真结果表明,提出的控制系统能够精确估计出电机转速并进行有效控制。     

基于DSP的电动汽车锂电池荷电状态估算的研究与实现

锂电池荷电状态(SOC)的准确估算是电动汽车能源管理的关键技术。为了提高锂电池SOC的估算精度,将无迹卡尔曼滤波(UKF)应用于锂电池SOC估算,以减小拓展卡尔曼滤波(EKF)简单线性化带来的误差。搭建电池检测系统的硬件平台,以TMS320F28335型数字信号处理器(DSP)为主控芯片(MCU),实现电压、电流、温度的检测及UKF算法,并设计了相关的电池测试实验。实验结果表明,UKF可以实时估算锂电池SOC,估算误差在4%以内,高于传统的拓展卡尔曼滤波(EKF)。     

Improved IMM Filter for Tracking a Highly Maneuvering Target with Mixed System Noises

We propose a method of improving tracking filter performance of a highly maneuvering target with mixed system noises in this paper. A case study of an off-road high speed moving target is considered. The system noises consist of white Gaussian noises generated from target motion models and additional colored noises arising from the effect of rough and uneven terrain profile. we design the colored noise first order discrete Markov dynamic system representing terrain conditions. Tracking is done by using an IMM filter with discrete white noise acceleration and horizontal coordinated turn models. The designed colored noise dynamic model is augmented with each of the motion models. We use Kalman filter for linear DWNA model while extended and unscented Kalman filters are used for nonlinear HCT model. A test scenario is setup and simulations are carried out. For filter performance comparison purposes, two more cases are considered i.e., systems with white noncorrelated system noises and the system correlated noise cases. Results show that the proposed method outperforms the traditional error treatment methods in terms of robustness, small mean square error, and acceptable computation load and data processing time.     

基于DSP的转子磁场定向感应电机控制系统实现

本文介绍了一种采用磁链和开环速度估算器的转子磁场定向的控制系统,系统设计的的关键问题是磁链的观测和速度的准确估算。在系统动态过程中,电机的一些定、转子参数会随着电机温升和磁路饱和的影响而发生变化,是时变参数,本文按照模型参考自适应系统构造出参考模型和可调模型来实现了扩展卡尔曼滤波对磁链和电机转速的估算,并成功应用此算法设计了一套DSP实验控制系统,实现了速度自适应识别。同时本文介绍了DSP实验系统的硬件和软件实现方法并对实验结果进行了分析。模型试验应用于1.0kW的感应电机取得了较好的的控制效果。     

基于多项式拟合的扩展卡尔曼滤波算法

弹道修正弹内的弹载计算机必须实时对卫星定位接收机获取的弹丸状态数据进行滤波降噪,用于预测弹丸落点,传统滤波方法滤波时间长,滤波实时性差,提出一种基于多项式拟合的方法。通过适当降低卫星定位接收机数据更新频率,并用多项式拟合插值出的数据代替数据更新时间间隔内的弹丸状态数据。仿真实验表明,该算法在不降低滤波效果的前提下,较普通扩展卡尔曼滤波时间降低7/8,提高了滤波实时性,对于弹道修正弹关键技术的研究提供了重要参考。同时该方法可推广应用到其他滤波算法当中,具有很强的可移植性。     

基于抗差扩展卡尔曼滤波器的永磁同步电机转速估计策略

通过分析粗差对扩展卡尔曼滤波器(extended Kalman filte,EKF)状态估计的影响,对无速度传感器矢量控制的永磁同步电机的转速,提出了一种基于抗差扩展卡尔曼滤波器(robust extended Kalman filter,REKF)的估计方法.建立了永磁同步电机的REKF模型,探讨了永磁同步电机在粗差干扰下引入REKF能否获得优于EKF的估计性能这一问题,比较了REKF与EKF在遇到外部粗差干扰或内部估算粗差干扰时转速和磁链的变化.仿真和实验结果表明REKF较EKF而言具有更好的抗粗差性能,使系统遇到干扰时能更快收敛.