基于高斯过程回归的UKF锂离子电池SOC估计CSCD

高精度的电池荷电状态估计是电动汽车电池管理系统的关键技术之一,其估计精度直接影响能量管理效率和汽车的续航里程。传统的滤波方法基于模型来估计电池SOC,但难以建立锂离子电池精确的数学模型。针对此问题,提出一种基于高斯过程回归的无迹卡尔曼滤波(UKF)锂离子电池SOC估计方法,使用高斯过程回归在有限的训练数据下建立等效电路模型的测量方程,在UKF和高斯过程回归之间建立关联。该模型能够充分联合利用现有实验数据和被预测实时状态数据,实现SOC估计。结果表明,与传统UKF相比,基于高斯过程回归的UKF算法具有较高精确性。     

基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计CSCD

锂离子电池荷电状态(SOC)是电池管理系统(BMS)重要的参数之一,准确估计可以提高电池的使用寿命。然而在SOC估计过程中,会受到如测量设备的精度、噪声等外界因素的干扰,降低SOC的估计精度。为了提高SOC的估计精度,针对扩展卡尔曼滤波(EKF)算法易受噪声干扰,提出了以新息自适应扩展卡尔曼滤波来提高SOC的估计精度和稳定性。通过实验工况采集的数据,并与传统的EKF进行对比,估计误差可以控制在3%以内,验证了该模型的有效性。     

基于NARX动态神经网络的锂离子电池剩余寿命间接预测

锂离子电池的直接健康因子难以实现在线测量,针对此问题,提出一种基于动态神经网络时间序列的锂离子电池剩余寿命（Remaining useful life, RUL）间接预测方法。首先根据锂离子电池的放电数据,提出放电截止时间,恒流放电时间以及放电峰值温度时间三种间接健康因子并进行灰色关联分析（Grey relation analysis, GRA）。然后,基于非线性自回归（Nonlinear autoregressive models with exogenous inputs, NARX）动态神经网络建立锂离子电池RUL预测模型。最后将粒子群优化前馈神经网络（Back propagation neural network based on particle swarm optimization, BPNN-PSO）,最小二乘支持向量机（Least square support vector machine, LS-SVM）,极限学习机（extreme learning machine, ELM）,闭环（Closed-loop）NARX和开环（Open-loop）NARX进行对比分析,验证了所提方法的优越性。      

救援机器人柔性关节的设计与稳定性分析

为了提高救援机器人在非结构环境中的顺应能力,引入传动机构等效质量的概念,考虑电机内部阻尼对弹性驱动器动力学模型的影响,建立了基于力源驱动的串联弹性驱动器动力学模型。采用PID单位负反馈的控制方式,通过Laplace变换得到系统的开环传递函数与闭环传递函数,运用Nyquist判据与Bode图分析了系统的稳定性。通过仿真实验,得到了系统的阶跃信号跟踪响应。仿真结果与频域特性分析结果对比,验证了救援机器人柔性关节结构设计的合理性与稳定性。     

基于大涡模拟的空气绕流微细管流动特性研究

在1000≤Re≤7000范围内,采用大涡模拟对空气绕流1mm微细管进行了数值研究,通过升阻力特性和时均雷诺应力分布等湍流统计特性着重研究微细管表面受力特性以及极近尾流区流动特性。结果表明,在获取空气绕流微细管湍流统计特性时,统计70个涡脱周期的时间足以获得可靠的时均统计结果;随着临界雷诺数的增大,时均阻力系数和微细管表面压差阻力变化趋势相同先减小后增大,表面摩擦阻力减小,流动分离提前;此外极近尾流区湍流脉动强度在雷诺数增大到5000后,继续增加雷诺数对极近尾流区湍流发展无明显促进作用。     

基于ELM和MCSCKF的锂离子电池SOC估计

为了减少噪声对锂离子电池荷电状态估计的影响,本文提出一种新颖的基于极限学习机和最大相关熵平方根容积卡尔曼滤波的SOC估计方法。首先,利用泛化性好、运行速度快的极限学习机作为卡尔曼滤波的测量方程;其次,基于灰狼优化算法,极限学习机的超参数被优化以提高电池荷电状态的估计精度;最后,基于最大相关熵平方根容积卡尔曼滤波,极限学习机的测量噪声被进一步减弱。所提方法可以简化极限学习机繁琐的调参过程,且为闭环的SOC估计方法。所提方法在多工况和宽温度范围内被测试以验证其泛化性能。测试结果显示,所提方法明显地提高了锂离子电池的荷电状态估计精度。同时,对比其他算法,所提方法的平均运行时间仅仅为长短时序列和循环门控单元网络的三分之一。当行驶工况复杂、温度变化区间较大时,所提方法的均方根误差小于1%,最大误差小于3%。当存在初始误差与环境噪声时,所提方法显示出了优越的鲁棒性。      

SEA模型的参数全局灵敏度分析

为了定量探究串联弹性驱动器(SEA)系统阻抗和力输出带宽的参数全局灵敏度,本文利用基于方差分解的Sobol方法,计算不同取值下的弹簧刚度、阻尼和质量对SEA的输出力的带宽以及系统阻抗的全局灵敏度,并通过分析灵敏度计算结果的收敛性,验证了灵敏度分析结果的可靠性.研究结果表明:在不同工作频率下,弹簧刚度、阻尼和质量对于SEA的输出力带宽以及系统阻抗大小影响各不相同,且三者对所求目标函数具有交互影响的作用;系统阻尼和质量对于输出力带宽以及系统阻抗大小的影响均远大于弹簧刚度的影响,这表现在系统阻尼和质量对上述所求目标函数的总阶灵敏度在任何频率下均约为弹簧刚度的总阶灵敏度的3～4倍;对于参数的采样,当采样个数小于5000时,Sobol指数波动较大,当采样个数为5000时,既能节约计算开支又能获得可靠的Sobol参数.