CN111523076B - 基于Fal函数计算角加速度的方法、装置及系统 - Google Patents
基于Fal函数计算角加速度的方法、装置及系统 Download PDFInfo
- Publication number
- CN111523076B CN111523076B CN202010215296.4A CN202010215296A CN111523076B CN 111523076 B CN111523076 B CN 111523076B CN 202010215296 A CN202010215296 A CN 202010215296A CN 111523076 B CN111523076 B CN 111523076B
- Authority
- CN
- China
- Prior art keywords
- angular acceleration
- fal
- function
- fal function
- processed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Abstract
本发明公开了一种基于Fal函数计算角加速度的方法、装置及系统,涉及信息处理技术领域,主要目的在于在基于滤波模型有效跟踪输入速度信号的基础上,提取有效角加速度。主要方案包括:将待处理速度信号输入Fal函数滤波模型,所述待处理速度信号带有噪声干扰,其包含唯一的标识信息;由所述Fal函数滤波模型根据所述待处理速度信号的标识信息,确定Fal函数所使用的参数;根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度。主要目的在于在基于滤波模型有效跟踪输入速度信号的基础上,提取有效角加速度。
Description
技术领域
本发明涉及信息处理技术领域,特别是涉及一种基于Fal函数计算角加速度的方法、装置及系统。
背景技术
当前,无人系统的动力源机构多为驱动电机,在采用电驱动的无人系统控制领域中,电机控制是无人系统动力输出的关键技术。在采用转矩控制的电机驱动技术中,电机角加速度信号作为控制必备输入量,其精准程度是保证无人系统动力特性的关键。
角加速度的获取是实现精准电机控制的重要环节。想要得到一个转动系统的角加速度,可通过角加速度传感器可直接获得,但是由于角加速度传感器价格昂贵,并且对传感器的安装条件和工作环境条件有着很高的要求和限制,如果将角加速度传感器安装到一个多自由度系统中,所获取的角加速度信号中也会包含了耦合信息,会直接导致信号的失真,因此,直接通过测量获取角加速度变得很难。
发明内容
有鉴于此,本发明提供的一种基于Fal函数计算角加速度的方法、装置及系统,主要目的在于在基于滤波模型有效跟踪输入速度信号的基础上,提取有效角加速度。
第一方面,本发明实施例提供一种基于Fal函数计算角加速度的方法,包括:
将待处理速度信号输入Fal函数滤波模型,所述待处理速度信号带有噪声干扰,其包含唯一的标识信息;
由所述Fal函数滤波模型根据所述待处理速度信号的标识信息,确定Fal函数所使用的参数;
根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度。
可选的,由所述Fal函数滤波模型根据所述待处理速度信号的标识信息,确定Fal函数所使用的参数,包括:
由所述Fal函数滤波模型调用配置文件,所述配置文件中记录有所述标识信息与Fal函数所使用的参数之间的一一对应关系;
根据所述配置文件确定Fal函数所使用的参数。
可选的,所述Fal函数的表达式为:
其中,a和δ是常数,为Fal函数所使用的参数,e是Fal函数的自变量。
可选的,根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度,包括:
根据所述确定的参数对所述Fal函数进行微分运算,得到的计算结果为角加速度。
可选的,在根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度之后,所述方法还包括:
对所述角加速度进行相位延迟补偿。
可选的,所述对所述角加速度进行相位延迟补偿包括:
根据历史角加速度及所述角加速度的频率,确定对所述角加速度进行拟合的阶数;
根据所述阶数及预测函数,对所述角加速度进行超前预测,以补偿所述角加速度的相位延迟。
第二方面,本发明实施例还提供一种基于Fal函数计算角加速度的装置,包括:
输入单元,用于将待处理速度信号输入Fal函数滤波模型,所述待处理速度信号带有噪声干扰,其包含唯一的标识信息;
确定单元,用于由所述Fal函数滤波模型根据所述输入单元输入的所述待处理速度信号的标识信息,确定Fal函数所使用的参数;
计算单元,用于根据所述确定单元确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度。
可选的,所述确定单元,包括:
调用模块,用于由所述Fal函数滤波模型调用配置文件,所述配置文件中记录有所述标识信息与Fal函数所使用的参数之间的一一对应关系;
确定模块,用于根据所述调用模块调用的所述配置文件确定Fal函数所使用的参数。
可选的,所述Fal函数的表达式为:
其中,a和δ是常数,为Fal函数所使用的参数,e是Fal函数的自变量。
可选的,所述计算单元,还用于根据所述确定的参数对所述Fal函数进行微分运算,得到的计算结果为角加速度。
可选的,所述装置还包括:
补偿单元,用于在根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度之后,对所述角加速度进行相位延迟补偿。
可选的,所述补偿单元包括:
确定模块,用于根据历史角加速度及所述角加速度的频率,确定对所述角加速度进行拟合的阶数;
预测模块,用于根据所述阶数及预测函数,对所述角加速度进行超前预测,以补偿所述角加速度的相位延迟。
第三方面,本发明实施例还提供一种基于Fal函数计算角加速度的系统,所述系统包括如第二方面中任一项所述的基于Fal函数计算角加速度的装置。
借由上述技术方案,本发明提供的基于Fal函数计算角加速度的方法、装置及系统,将待处理速度信号输入Fal函数滤波模型,所述待处理速度信号带有噪声干扰,其包含唯一的标识信息;由所述Fal函数滤波模型根据所述待处理速度信号的标识信息,确定Fal函数所使用的参数;根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度。与现有技术相比,本发明实施例在通过Fal函数滤波模型对待处理速度信号进行滤波的基础上,从而提取有效角加速度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例中提供的一种基于Fal函数计算角加速度的方法的流程图;
图2示出了本发明实施例提供的一种Fal函数滤波模型的示意图;
图3示出了本发明实施例提供的一种角加速度计算结果的示意图;
图4至图6分别示出了图3所示的局部放大图;
图7示出了本发明实施例提供的一种加入牛顿预测估计后的角加速度信号获取示意图;
图8示出了本发明实施例中提供的一种基于Fal函数计算角加速度的装置的组成框图;
图9示出了本发明实施例中提供的一种基于Fal函数计算角加速度的装置的组成框图;
图10示出了本发明实施例中提供的一种基于Fal函数计算角加速度的系统架构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种基于Fal函数计算角加速度的方法,如图1所示,包括:
101、将待处理速度信号输入Fal函数滤波模型,所述待处理速度信号带有噪声干扰,其包含唯一的标识信息。
在负反馈控制系统中通常将误差乘以增益后作为反馈控制量,但由于控制系统的饱和特性,使得增益系数需要随误差的大小来调整,当误差过大时减小增益系数,反之则增大增益系数,以确保控制器运行于饱和区间的同时能够充分发挥其控制性能并优化传递函数的根轨迹特性。这是控制工程领域的经典控制经验。
Fal函数是一种在非线性反馈控制结构中所应用的非线性函数,常用作自抗扰控制器(Auto Disturbance Rejection Control,ADRC)的非线性部分,其表达式给出如下:
其中,a和δ是常数,为Fal函数所使用的参数,分别影响函数的非线性度和线性区间长度,在具体应用过程中。a的取值范围是0~1之间,e是Fal函数的自变量。通过其表达式不难发现,Fal函数可实现有效数学拟合。
Fal函数滤波模型通过训练得到,为了便于理解,请您参阅图2,图2示出了本发明实施例提供的一种Fal函数滤波模型的示意图,图2中向Fal函数滤波模型输入是一个带有噪声干扰的待处理速度信号x,k是比例调节系数,y是x经过Fal函数滤波模型后的输出结果,y的表达式可以写为y=kFal(e,a,δ)/s。
为了便于Fal函数滤波模型的正常运转,在向Fal函数滤波模型输入待处理速度信号时,要求每个待处理速度信号携带有唯一的标识信息,该标识信息可以为车辆标识信息、发动机的型号信号、或者小组标识信息等等,该标识信息的设定依据其不同的应用场景进行确定,本发明实施例对其应用场景及标识信息的具体设定不进行限定。
在具体实施过程中,本发明实施例以标识信息为车辆信息为例进行的说明,但是应当明确的是,该种说明方式并非意在限定标识信息的具体类型。
102、由所述Fal函数滤波模型根据所述待处理速度信号的标识信息,确定Fal函数所使用的参数。
Fal函数滤波模型中Fal函数的线性化程度决定了滤波模型的滤波效果,对于Fal函数滤波模型来说,其线性化程度由参数δ和a来决定。当|x-y|≤δ时,Fal函数滤波模型的工作区间是线性区域,可以有效的隔绝因小误差而引起的高频震荡,且δ越大,Fal函数滤波模型工作的线性区间越宽,可以实现更好的滤波效果,但同时也会增加Fal函数滤波模型的跟踪延迟使跟踪效果变差。这时如果a越小,且在e=|x-y|相同时,则函数绝对值越大,跟踪效果越好,但滤波效果会变差。当|x-y|>δ时,Fal函数滤波模型的工作区间呈现非线性特性,此时的Fal函数具有幂函数的数学特性,a变大则函数绝对值变小。参数k影响Fal函数滤波模型的响应速度,k值越大,Fal函数滤波模型跟踪越快,但减弱其滤波特性。由此可见,Fal函数滤波模型的跟踪特性和滤波特性是由k、a、δ三个参数共同决定的,在参数调整时要通盘考虑。
在本发明实施例中,在对Fal函数滤波模型进行训练过程中,依次对标识信息对应的每个车辆进行训练,训练得到每个车辆所使用的k、a、δ最优,即最优状态下的参数使得Fal函数滤波模型的滤波效果最优,并将每个车辆对应的标识信息与最优的参数k、a、δ之间的对应关系写入配置文件中,在使用Fal函数滤波模型时,可直接调用配置文件即可根据标识信息确定Fal函数所使用的参数,能够进一步节省滤波时间。
103、根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度。
对于Fal函数滤波模型而言,如果其输出信号能够很好的还原系统输入信号,那么在Fal函数滤波模型的积分环节之前的过程量就可以理解为对输入信号的微分结果。对应于本发明实施例的需求来说,如果获取的待处理速度信号经Fal函数滤波模型输出后能够很好的跟随原有输入信号,那么在Fal函数滤波模型的积分运算之前即可以提取出所需的角加速度。该技术方案也是区别于现有技术的核心,现有技术中在通过滤波器计算角加速度时一般流程是先计算待处理速度的微分再进行积分运算,本发明实施例中在计算角加速度时仅仅进行了微分运算,并不涉及积分运算,因此大大提高了计算角加速度的准确性,大大降低了失真率。
本发明提供的基于Fal函数计算角加速度的方法,将待处理速度信号输入Fal函数滤波模型,所述待处理速度信号带有噪声干扰,其包含唯一的标识信息;由所述Fal函数滤波模型根据所述待处理速度信号的标识信息,确定Fal函数所使用的参数;根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度。与现有技术相比,本发明实施例在通过Fal函数滤波模型对待处理速度信号进行滤波的基础上,从而提取有效角加速度。
为了便于理解,本发明实施例提供一个实施例说明Fal函数滤波模型的跟踪特性和滤波特性是由k、a、δ三个参数共同决定。上文可知影响Fal函数特性的主要有三个参数:k、δ和a,其各自变化对系统产生的影响也在上述实施例由理论分析给出。本发明实施例在具体训练过程中的思想基于控制变量方法,即固定两种变量的取值并改变最后一个变量的取值,以验证前文中参数变化影响分析,并寻求当前最佳的角加速度计算效果。由于参数较多,现以调试参数δ为例,固定取调试好的参数k=15,a=0.55,令δ分别取0.005和0.01,观察试验结果,如图3至图6所示。图3示出了本发明实施例提供的一种角加速度计算结果的示意图,图4至图6分别为图3的局部放大图,由图3至图6可以看出,δ取值影响了系统的收敛速度,δ越大,收敛速度越快,但同时在角加速度瞬态变化中会增大系统超调,验证了上述实施例的分析。总体来看,基于Fal函数角加速度计算方法滤波特性很好,在稳态过程中计算结果能较好的跟踪实际角加速度值,整体波动范围不大,但是瞬态变化过程中同样有时间延迟现象。
上述应用场景仅提供了一次训练Fal函数滤波模型的说明,在实际工程应用中同样需要多次训练,来调整Fal函数的参数取值,以获取理想的角加速度估计结果。并将最理想最优的角加速度所对应的参数k、a、δ的取值及标识信息写入配置文件中,便于后续直接调用,即由所述Fal函数滤波模型调用配置文件,所述配置文件中记录有所述标识信息与Fal函数所使用的参数之间的一一对应关系;根据所述配置文件确定Fal函数所使用的参数。
由Fal函数滤波模型的系统结构可以发现,待处理速度信号在通过Fal函数滤波模型时必然会产生相位延迟,即提取的角加速度信号是经过延迟后的信号。在工程上,对角加速度信号的微分或者积分均会造成信号的时间延迟。提取的角加速度信号是作为后续车体惯量电模拟的控制输入,如果延迟过大将会导致控制精度太差或系统响应速度过慢,进而导致加载电机响应不准确,无法真实还原车辆行驶过程中的惯量。因此需要考虑对估计的角加速度相位延迟补偿。
对于对计算得到的角加速度进行相位补偿,可以先采用迭代线性平滑牛顿法(Recursive Linear Smoothed Newton,RLSN)对角加速度进行拟合,RLSN(预测函数)是一种基于时间变量对信号进行N步超前预测的方法,其原理是通过对多项式进行拟合。
假设被估计的角加速度信号随时间的变化规律满足下列方程:
a(t)=λ1+λ2t+λ3t2+λ4t3+…+λntn-1 (1)
那么可以适用于牛顿预测估计器中,表达式如下:
其中,a(t)是角加速度,λn是多项式系数,n是所需预测的步长数,m是利用方程1所拟合的角加速度的阶数。
如图7所示,图7示出了本发明实施例提供的一种加入牛顿预测估计后的角加速度信号获取示意图,待处理速度信号由传感器采集后经Fal函数滤波模型提取出角加速度信息,之后经过牛顿预测估计器进行n步超前预测,以补偿Fal函数滤波模型带来的延迟。
由于不需要提前确定拟合多项式前的系数,因此,牛顿预测估计器具有一定的自适应性,在设计牛顿预测估计器时,主要考虑牛顿预测估计器前期估计所需的历史信息和角加速度信号拟合的阶数问题,需要在两者之间作平衡取舍。加速度信号如果是高频变化信号,需要用高阶多项式来拟合,但是高阶拟合过程中需要确定多λn的值,这个过程增加了预测误差值。本发明实施例设计的加载系统中,加速度变化符合车辆行驶的一般规律,没有高频变化过程,因此考虑采用二阶一步牛顿预测即可满足需求。
进一步的,作为对上述实施例所示方法的实现,本发明另一实施例还提供了一种基于Fal函数计算角加速度的装置。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。
本发明实施例还提供一种基于Fal函数计算角加速度的装置,如图8所示,包括:
输入单元21,用于将待处理速度信号输入Fal函数滤波模型,所述待处理速度信号带有噪声干扰,其包含唯一的标识信息;
确定单元,22用于由所述Fal函数滤波模型根据所述输入单元21输入的所述待处理速度信号的标识信息,确定Fal函数所使用的参数;
计算单元23,用于根据所述确定单元33确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度。
进一步的,如图9所示,所述确定单元22,包括:
调用模块221,用于由所述Fal函数滤波模型调用配置文件,所述配置文件中记录有所述标识信息与Fal函数所使用的参数之间的一一对应关系;
确定模块222,用于根据所述调用模块调用的所述配置文件确定Fal函数所使用的参数。
进一步的,所述Fal函数的表达式为:
其中,a和δ是常数,为Fal函数所使用的参数,e是Fal函数的自变量。
进一步的,所述计算单元23,还用于根据所述确定的参数对所述Fal函数进行微分运算,得到的计算结果为角加速度。
进一步的,如图9所示,所述装置还包括:
补偿单元24,用于在根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度之后,对所述角加速度进行相位延迟补偿。
进一步的,如图9所示,所述补偿单元24包括:
确定模块241,用于根据历史角加速度及所述角加速度的频率,确定对所述角加速度进行拟合的阶数;
预测模块242,用于根据所述阶数及预测函数,对所述角加速度进行超前预测,以补偿所述角加速度的相位延迟。
本发明实施例还提供一种基于Fal函数计算角加速度的系统,所述系统包括如图7或图8中任一项所述的基于Fal函数计算角加速度的装置。
本发明实施例还提供一种基于Fal函数计算角加速度的系统,如图10所示,所述系统包括
至少一个处理器31;
以及与所述处理器31连接的至少一个存储器32、总线33;其中,
所述处理器31、存储器32通过所述总线33完成相互间的通信;
所述处理器31用于调用所述存储器中的程序指令,以上述实施例中任一项所述的基于Fal函数计算角加速度的。
本发明提供的基于Fal函数计算角加速度的装置及系统,将待处理速度信号输入Fal函数滤波模型,所述待处理速度信号带有噪声干扰,其包含唯一的标识信息;由所述Fal函数滤波模型根据所述待处理速度信号的标识信息,确定Fal函数所使用的参数;根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度。与现有技术相比,本发明实施例在通过Fal函数滤波模型对待处理速度信号进行滤波的基础上,从而提取有效角加速度。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的测试数据的校验方法及装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (9)
1.一种基于Fal函数计算角加速度的方法,其特征在于,包括:
将待处理速度信号输入Fal函数滤波模型,所述待处理速度信号带有噪声干扰,其包含唯一的标识信息;
由所述Fal函数滤波模型调用配置文件,所述配置文件中记录有所述标识信息与Fal函数所使用的参数之间的一一对应关系,根据所述配置文件确定Fal函数所使用的参数;
根据所述确定的参数对所述Fal函数进行微分运算,得到的计算结果为角加速度。
3.根据权利要求1所述的方法,其特征在于,在根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度之后,所述方法还包括:
对所述角加速度进行相位延迟补偿。
4.根据权利要求3所述的方法,其特征在于,所述对所述角加速度进行相位延迟补偿包括:
根据历史角加速度及所述角加速度的频率,确定对所述角加速度进行拟合的阶数;
根据所述阶数及预测函数,对所述角加速度进行超前预测,以补偿所述角加速度的相位延迟。
5.一种基于Fal函数计算角加速度的装置,其特征在于,包括:
输入单元,用于将待处理速度信号输入Fal函数滤波模型,所述待处理速度信号带有噪声干扰,其包含唯一的标识信息;
确定单元,用于由所述Fal函数滤波模型调用配置文件,所述配置文件中记录有所述标识信息与Fal函数所使用的参数之间的一一对应关系,根据所述配置文件确定Fal函数所使用的参数;
计算单元,用于根据所述确定的参数对所述Fal函数进行微分运算,得到的计算结果为角加速度。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
补偿单元,用于在根据所述确定的参数输出Fal函数的计算结果,所述计算结果作为角加速度之后,对所述角加速度进行相位延迟补偿。
8.根据权利要求7所述的装置,其特征在于,所述补偿单元包括:
确定模块,用于根据历史角加速度及所述角加速度的频率,确定对所述角加速度进行拟合的阶数;
预测模块,用于根据所述阶数及预测函数,对所述角加速度进行超前预测,以补偿所述角加速度的相位延迟。
9.一种基于Fal函数计算角加速度的系统,其特征在于,所述系统包括如权利要求5至权利要求8中任一项所述的基于Fal函数计算角加速度的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215296.4A CN111523076B (zh) | 2020-03-24 | 2020-03-24 | 基于Fal函数计算角加速度的方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215296.4A CN111523076B (zh) | 2020-03-24 | 2020-03-24 | 基于Fal函数计算角加速度的方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523076A CN111523076A (zh) | 2020-08-11 |
CN111523076B true CN111523076B (zh) | 2021-04-02 |
Family
ID=71901209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010215296.4A Active CN111523076B (zh) | 2020-03-24 | 2020-03-24 | 基于Fal函数计算角加速度的方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523076B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949150A (zh) * | 2021-02-01 | 2021-06-11 | 中国人民解放军军事科学院评估论证研究中心 | 基于变结构自适应多模型箱粒子滤波弹道目标跟踪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010234919A (ja) * | 2009-03-30 | 2010-10-21 | Honda Motor Co Ltd | 車両横滑り運動状態量推定装置 |
CN107818225A (zh) * | 2017-11-16 | 2018-03-20 | 北京理工大学 | 液环角加速度计的设计方法及其动‑压过程的建模方法 |
CN109946979A (zh) * | 2019-04-25 | 2019-06-28 | 广东省智能机器人研究院 | 一种伺服系统灵敏度函数的自适应调整方法 |
CN110398976A (zh) * | 2018-04-24 | 2019-11-01 | 北京京东尚科信息技术有限公司 | 飞行器控制方法、装置及计算机可读存储介质 |
CN110440795A (zh) * | 2019-07-30 | 2019-11-12 | 北京航空航天大学 | 一种基于卡尔曼滤波的角加速度估计方法 |
CN110879527A (zh) * | 2019-10-15 | 2020-03-13 | 安徽工程大学 | 一种基于改进型自抗扰的位置角控制器 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5026334B2 (ja) * | 2008-05-15 | 2012-09-12 | 三菱電機株式会社 | 角速度及び角加速度算出装置、トルク推定装置、燃焼状態推定装置 |
US9643740B2 (en) * | 2013-02-15 | 2017-05-09 | The Boeing Company | Gyroless three-axis sun acquisition using sun sensor and unscented kalman filter |
CN104267743B (zh) * | 2014-07-22 | 2017-01-11 | 浙江工业大学 | 一种采用自抗扰控制技术的船载摄像稳定平台控制方法 |
CN109357675A (zh) * | 2018-08-24 | 2019-02-19 | 南京理工大学 | 基于卡尔曼滤波的记忆跟踪算法 |
CN109388063A (zh) * | 2018-08-27 | 2019-02-26 | 广西科技大学 | 自适应卡尔曼滤波复合控制方法 |
CN110077458B (zh) * | 2019-03-20 | 2021-03-26 | 同济大学 | 一种基于自抗扰控制的智能车转角控制方法 |
CN110531777B (zh) * | 2019-08-13 | 2020-11-10 | 北京理工大学 | 基于自抗扰控制技术的四旋翼飞行器姿态控制方法和系统 |
CN110542406B (zh) * | 2019-09-03 | 2022-05-27 | 兰州交通大学 | 基于emd-mpf改进的陀螺仪信号去噪方法 |
-
2020
- 2020-03-24 CN CN202010215296.4A patent/CN111523076B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010234919A (ja) * | 2009-03-30 | 2010-10-21 | Honda Motor Co Ltd | 車両横滑り運動状態量推定装置 |
CN107818225A (zh) * | 2017-11-16 | 2018-03-20 | 北京理工大学 | 液环角加速度计的设计方法及其动‑压过程的建模方法 |
CN110398976A (zh) * | 2018-04-24 | 2019-11-01 | 北京京东尚科信息技术有限公司 | 飞行器控制方法、装置及计算机可读存储介质 |
CN109946979A (zh) * | 2019-04-25 | 2019-06-28 | 广东省智能机器人研究院 | 一种伺服系统灵敏度函数的自适应调整方法 |
CN110440795A (zh) * | 2019-07-30 | 2019-11-12 | 北京航空航天大学 | 一种基于卡尔曼滤波的角加速度估计方法 |
CN110879527A (zh) * | 2019-10-15 | 2020-03-13 | 安徽工程大学 | 一种基于改进型自抗扰的位置角控制器 |
Non-Patent Citations (3)
Title |
---|
Fal函数滤波器的分析及应用;王宇航 等;《电机与控制学报》;20101130;第14卷(第11期);第88-91页 * |
一种新型的速度和加速度估计器;李殿起 等;《系统仿真学报》;20080831;第 20 卷(第 15 期);第4132-4135页 * |
基于卡尔曼滤波及牛顿预测的角加速度估计方法试验研究;何玉庆 等;《机械工程学报》;20060228;第42卷(第2期);第226页-232页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111523076A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2009145318A1 (ja) | A/d変換装置、およびサーボ制御装置 | |
Becedas et al. | Algebraic parameters identification of DC motors: methodology and analysis | |
CN111523076B (zh) | 基于Fal函数计算角加速度的方法、装置及系统 | |
CN113241973A (zh) | S型滤波器迭代学习控制直线电机轨迹跟踪控制方法 | |
Zhu et al. | Velocity estimation of motion systems based on low-resolution encoders | |
Peng et al. | Parameters identification of nonlinear Lorenz chaotic system for high-precision model reference synchronization | |
US5483439A (en) | Digital servo control system | |
Wang et al. | A novel adaptive-gain higher-order sliding mode controller and its parameters tuning | |
Wang et al. | Generalized homogenization of linear observers: Theory and experiment | |
Takemura et al. | Proposal of novel rolling friction compensation with data-based friction model for ball screw driven stage | |
EP3575893A1 (en) | Control parameter computation method and control parameter computation device | |
Ahmadian et al. | A new approach to adaptive control of multi-input multi-output systems using multiple models | |
Vörös | Identification of nonlinear block-oriented systems with backlash and saturation | |
Aghajary et al. | A novel adaptive control design method for stochastic nonlinear systems using neural network | |
CN111856941B (zh) | 一种基于主动抗扰的自适应终端动态滑模控制方法 | |
JP5532784B2 (ja) | サーボ制御装置 | |
CN112198795B (zh) | 机电伺服控制方法、系统、终端设备及存储介质 | |
CN112255931B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
JP2007233732A (ja) | サーボ制御装置 | |
Wu et al. | Cascaded proportional–integral–derivative controller parameters tuning for contour following improvement | |
Zheng et al. | Discrete-time frequency-shaped sliding mode control for audio-vibration rejection in hard disk drives | |
CN114665780A (zh) | 永磁同步电机的控制方法、装置、设备及存储介质 | |
JP2928294B2 (ja) | 間引き学習制御装置 | |
Ke et al. | Tangential velocity tracking-based task coordinate frame approach for contouring control of biaxial motion systems | |
Yang et al. | Accelerated iterative learning control for linear discrete systems with parametric perturbation and measurement noise |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |