共查询到20条相似文献,搜索用时 640 毫秒
1.
2.
针对传统无迹卡尔曼滤波算法在估计电池荷电状态中存在收敛速度较慢、容易发散等问题,提出了一种改进的自适应无迹卡尔曼滤波算法,该算法在传统无迹卡尔曼滤波算法基础上引入了衰减因子和自适应调节因子,提高估计精度和收敛速度。以二阶RC模型为基础,运用最小二乘法对模型参数进行辨识,采用基于UT变换的自适应无迹卡尔曼滤波器算法实现对锂电池SOC的估计。搭建锂电池充放电试验平台,测试试验结果表明,该算法对锂电池SOC估计精度小于1%,在估计精度及收敛速度上均优于传统无迹卡尔曼滤波算法。 相似文献
3.
精确估计锂电池荷电状态(SOC)对纯电动汽车的安全稳定行驶有着深远影响,对锂电池SOC状态的估计主要有参数辨识算法和SOC估计算法两个热点问题。针对辨识过程中出现的“数据饱和”现象以及锂电池SOC状态估计时的滤波发散问题,文章提出了自适应遗忘因子递推最小二乘法(ARWLS)-自适应无迹卡尔曼滤波(AUKF)联合算法。首先建立了二阶R-C锂电池数学模型,并针对传统最小二乘法在参数辨识过程中出现的“数据饱和”现象,引入了自适应遗忘因子动态修正新旧数据权重,提升在线参数辨识的准确度以及效率。其次,针对无迹卡尔曼滤波存在的滤波失效问题,提出了自适应无迹卡尔曼滤波算法来自适应调整系统噪声和观测噪声,从而提高SOC估计时的适应性和鲁棒性。最后在混合动力脉冲能力特性(HPPC)工况下对扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)和AUKF三种SOC估计算法进行仿真比较,仿真结果表明,AUKF算法估计的SOC曲线跟随SOC真实值曲线变化的性能最好,估计精度也优于其他两种算法,具有更小的估计误差,收敛性也最好。 相似文献
4.
5.
为了获得实时、准确的路面附着系数,进一步提高观测路面附着系数算法的精度和收敛速度,结合非线性车辆动力学模型和轮胎力修正模型,搭建分布式驱动电动汽车联合仿真平台,提出一种基于自适应衰减无迹卡尔曼滤波的路面附着系数观测算法。该算法设计与各轮对应的路面附着系数观测器,应用协方差匹配判据对观测器发散趋势进行判别,设计自适应加权系数修正预测协方差,以增强新近观测数据的利用率;同时采用次优Sage-Husa噪声估计器对未知的系统过程噪声进行估计,抑制观测器的记忆存储长度,调整过程噪声和测量噪声的均值与协方差,提高观测器的跟踪能力。利用分布式驱动电动汽车分别进行高、低附着路面和对开路面直线制动试验,并将自适应衰减无迹卡尔曼滤波路面附着系数观测器的观测结果与无迹卡尔曼滤波观测值、参考路面附着系数进行比较和分析。结果表明:高附着路面条件下,所设计的算法估计误差可控制在0.64%以内;低附着路面条件下,所设计的算法估计误差可控制在1.03%以内;对开路面条件下估计误差可控制在1.26%以内;自适应衰减无迹卡尔曼滤波算法相比无迹卡尔曼滤波算法响应速率更快,具有更高的估计精度和较强的自适应能力,估计结果整体上维持稳定,能够适应各种不同路面的估计。 相似文献
6.
7.
为了保证汽车的主动安全控制,需要准确地估计车辆行驶状态信息。针对目前汽车状态估计中由于技术条件限制和成本过高造成的部分参数无法测量或不易测量的问题,本文中利用低成本传感器,基于信息融合技术进行汽车行驶状态估计。建立了包括横摆、横向和纵向的3自由度非线性汽车动力学模型,同时为降低噪声对系统影响,建立了自适应无迹卡尔曼滤波(AUKF)的信息融合算法,给出车辆状态最小方差意义下的融合结果。利用纵向加速度、侧向加速度和转向盘转角等低成本传感器信号融合得到所需的难以测量的质心侧偏角、横摆角速度和纵向车速。通过Matlab/Simulink-CarSim联合仿真和实车试验对所研究的估计算法进行了试验验证。试验结果表明:该算法能够准确地估计汽车质心侧偏角、横摆角速度和纵向车速,且相比于无迹卡尔曼滤波(UKF),本算法提高了估计精度和实时性。 相似文献
8.
9.
针对外接激光雷达等传感器普适性差,而传统道路坡度估计方法仅根据车载CAN总线数据在车辆起步、换挡、制动和停车4种特殊工况中的估计误差较大的问题,提出了一种基于无迹卡尔曼滤波(UKF)和门控循环单元(GRU)的道路坡度估计方法。根据车速等数据识别工况,在非特殊工况下,建立车辆动力学模型并采用UKF来估计坡度;在特殊工况下,将规律性不稳定的时序坡度转换为距序坡度,并利用GRU进行短距坡度预测。仿真和实车试验结果表明:在非特殊工况下,该方法通过UKF可准确估计道路坡度;在特殊工况下,该方法通过GRU可有效跟踪距序坡度变化趋势,显著提高了道路坡度估计精度。 相似文献
10.
11.
12.
针对电池SOC初值误差较大时,无迹卡尔曼滤波收敛较慢的问题,本文提出了改进的无迹卡尔曼滤波算法。介绍了3种常用的电池等效电路模型,通过对电池的EIS分析,确立了磷酸铁锂电池的Thevenin模型并辨识了模型参数。分析出无迹卡尔曼滤波在初值误差较大时收敛较慢的问题,在此基础上提出了改进的无迹卡尔曼滤波算法。通过实验可以看出,改进算法不仅克服了无迹卡尔曼滤波收敛速度慢的问题,而且提高了估计精度;使用改进算法对老化过程中的电池进行SOC估计,最大估计误差在4%以内,可以满足电动汽车的使用要求。 相似文献
13.
14.
15.
为了解决交通路段不连续监控区域车辆目标的自动识别跟踪问题,提出了一种不连续空间车辆识别跟踪算法.该算法分为识别阶段和跟踪阶段,识别阶段利用高斯概率密度估计的方法建立前一场景中某个车辆目标的概率函数,再通过概率函数计算出出现在下一场景中的所有车辆的匹配概率,用概率阈值确定是否有车辆与前一场景的车辆目标匹配,匹配的车辆在下一场景中将被标记识别.而在跟踪阶段中车辆的跟踪基于无迹卡尔曼滤波(UKF),通过状态预测同时跟踪不同的车辆目标.该算法可以解决在不同路段的监控视频中自动识别并跟踪肇事潜逃车辆等实际问题.通过试验测试表明,该算法在车辆目标的识别上具有一定的精准性,且能够实现对车辆目标的实时跟踪. 相似文献
16.
针对分布式驱动电动汽车行驶状态估计的问题,论文对汽车行驶状态估计算法的研究现状进行了综述,列举了在车辆行驶状态估计中常用的估计算法,分别介绍了扩展卡尔曼滤波算法、容积卡尔曼滤波算法和联邦卡尔曼滤波算法在车辆行驶状态估计中的优缺点,结合各算法在实际应用中需要考虑的因素,对比分析不同的估计算法对车辆行驶状态参数估计效果的影响,指出基于联邦卡尔曼(FKF)滤波算法的多信息融合估计车辆行驶状态的方法是提高估计精度的有效手段。 相似文献
17.
针对汽车状态估计中过程噪声和量测噪声统计特性不确定的状况,通过UKF算法与遗传算法相结合,提出一种新的自适应滤波算法,以降低噪声对估计结果的干扰。为达到较高的精度,建立了7自由度非线性车辆动力学模型,结合"魔术公式"轮胎模型对汽车行驶过程中的纵、侧向速度、轮胎力和质心侧偏角分别进行了估计。在利用UKF对汽车状态参数进行估计的同时,引入遗传算法,根据适应度函数对过程噪声和量测噪声进行寻优,实现了噪声的自适应作用,估计精度大幅提高。仿真和道路模拟试验的结果表明,UKF结合遗传算法的方法,能提高估计精度且具有很好的抗干扰性。 相似文献
18.
为有效解决复杂行驶工况下车辆耦合侧倾运动状态无法精确获取,进而对车辆系统操纵稳定性与乘坐舒适性兼顾优化无法提供准确输入的难题,本文中设计了基于车辆垂向与横向耦合动力学的双非线性状态观测器算法,以实现复杂行驶工况下车辆耦合侧倾运动状态的实时准确估计。首先,建立了路面激励模型与整车系统垂向与横向耦合动力学模型;接着,利用无迹卡尔曼滤波方法(UKF)与非线性模糊观测(T-S)理论,设计了非线性状态观测算法,以在不同路面激励工况下对车辆系统簧载质量与侧倾状态进行联合估计;最后,运用CarSim■动力学软件,对比分析了在标准A级与C级路面上进行J-turn试验工况下,采用联合状态观测器(UKF&T-S)实时估计车辆侧倾角与侧倾率的观测精度。结果表明,本文所设计的UKF&T-S观测器可有效估计车辆侧倾状态,且与CarSim■仿真数据相比识别状态标准偏差不超过10%。 相似文献
19.
针对动力电池SOC估计过程中,电压观测数据容易出现野值干扰的问题,提出了改进UKF算法,将观测噪声模型修正为归一化受污染正态分布模型,利用贝叶斯定理计算野值出现的后验概率,以此作为加权系数自适应地调整滤波增益和状态协方差。该方法能有效克服野值干扰问题。但在SOC初值设定存在误差情况下,该方法会将电压观测数据中的正常值误视为野值,而仅以很小的滤波增益控制量进行调整,导致算法收敛慢甚至引起发散。因此,在算法初始阶段又引入了基于强跟踪原理的次优渐消因子对目标进行快速跟踪,弥补上述单纯抗野值方法的不足。试验验证结果表明,改进UKF算法鲁棒性强,具有很好的跟踪速度和精度,为动力电池SOC估计过程中抗野值干扰提供了一种新的方法。 相似文献
20.
为了准确获取分布式驱动电动汽车状态参数信息,满足车辆稳定性控制系统的需求,提出一种基于蚁狮算法的无迹卡尔曼滤波状态参数估计器。针对无迹卡尔曼滤波(UKF)过程中噪声协方差矩阵的不确定性,采用蚁狮优化算法(ALO)对其进行寻优,并引入奇异值分解(SVD)的方法来维持噪声协方差矩阵的正定性,此外,基于指数加权最小二乘法对车辆侧偏刚度进行辨识并将其作为状态参数估计器输入。基于MATLAB/Simulink和CarSim联合仿真平台,建立分布式驱动电动汽车参数估计模型,分别进行双移线工况和正弦迟滞工况仿真,并基于A&D5435快速原型开发平台进行双移线工况实车试验。仿真与试验结果表明:相比于SVDUKF算法估计结果,双移线仿真工况下,基于ALO-SVDUKF算法估计得到的质心侧偏角和横摆角速度的均方根误差分别降低了55.7%、30.7%,正弦迟滞仿真工况下,均方根误差分别降低了58.1%、85.1%,且在车辆处于极限失稳状态时仍能维持较好的估计效果;双移线试验工况下,横摆角速度的估计值与实际测量值之间的均方根误差仅为0.938 4(°)·s-1;提出的基于ALO-SVDUKF算法的分布式驱动电动汽车状态参数估计器能够有效提高质心侧偏角和横摆角速度的估计精度,可为车辆稳定性控制提供精确的状态信息。 相似文献