CN116192095A - 一种动态系统加性干扰与状态估计的实时滤波方法 - Google Patents
一种动态系统加性干扰与状态估计的实时滤波方法 Download PDFInfo
- Publication number
- CN116192095A CN116192095A CN202310486963.6A CN202310486963A CN116192095A CN 116192095 A CN116192095 A CN 116192095A CN 202310486963 A CN202310486963 A CN 202310486963A CN 116192095 A CN116192095 A CN 116192095A
- Authority
- CN
- China
- Prior art keywords
- time
- follows
- state
- estimation
- real
- 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.)
- Granted
Links
- 239000000654 additive Substances 0.000 title claims abstract description 40
- 230000000996 additive effect Effects 0.000 title claims abstract description 40
- 238000001914 filtration Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000013461 design Methods 0.000 claims description 18
- 230000007704 transition Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0025—Particular filtering methods
- H03H21/0029—Particular filtering methods based on statistics
- H03H21/003—KALMAN filters
Landscapes
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种动态系统加性干扰与状态估计的实时滤波方法,具体步骤如下:步骤S1:建立包含有不确定因子的随机系统,不确定因子包括隐变量和加性干扰;步骤S2:设计关于隐变量和加性干扰的Kalman滤波器;步骤S3:基于步骤S2中的Kalman滤波器和随机系统设计出求解随机系统状态状态变量估计值的自适应滤波器,并根据自适应滤波器对随机系统进行实时滤波。采用上述一种动态系统加性干扰与状态估计的实时滤波方法,利用对状态模型和观测模型中当前加性干扰在线的实时辨识结果,实现对状态转移函数和测量转移函数等工况变化的实时在线滤波调整,提高滤波的可靠性。
Description
技术领域
本发明涉及滤波技术领域,尤其是涉及一种动态系统加性干扰与状态估计的实时滤波方法。
背景技术
滤波器设计问题和状态估计问题具有重要的意义和实际工程价值,在实际应用中,最具有代表性的是线性白噪声系统下的卡尔曼滤波问题,它是基于均方误差最小准则下的递归最优状态估计方法。在针对弱非线性系统时,人们通过将非线性系统线性化,转化成符合线性系统下卡尔曼滤波滤波器设计的标准形式,再进行相应的滤波器设计。但是当模型中误差变动,会引起模型不确定性增加,视不确定因子为加性干扰,加性干扰不仅包括外界因素的干扰还包括非线性系统通过Taylor展开引入的截断误差,动态系统在受不确定因子干扰的环境下,会造成滤波器性能的下降甚至引起发散现象。因此,考虑如何避免因模型不确定性造成的滤波器性能下降,进而避免滤波器性能失效现象的发生,建立相应的多不确定性下的新型滤波器,就面临着巨大挑战。
发明内容
本发明的目的是提供一种动态系统加性干扰与状态估计的实时滤波方法,提高滤波的可靠性。
为实现上述目的,本发明提供了一种动态系统加性干扰与状态估计的实时滤波方法,具体步骤如下:
步骤S1:建立包含有不确定因子的随机系统,不确定因子包括隐变量和加性干扰;
步骤S2:设计关于隐变量和加性干扰的Kalman滤波器;
步骤S3:基于步骤S2中的Kalman滤波器和随机系统设计出求解随机系统状态状态变量估计值的自适应滤波器,并根据自适应滤波器对随机系统进行实时滤波。
优选的,在步骤S1中,
随机系统的状态模型和观测模型如下:
其中,为离散时间序列,/>为系统状态转移矩阵,/>为观测矩阵,和/>均为系数矩阵,/>为状态向量,/>为观测向量,和/>为系统中的不确定因子,其中/>为不确定因子中的隐变量;/>表示n维实数集,/>表示m维实数集。
统计特性如下:
优选的,步骤S23a具体为:
时间更新:
测量更新:
其中,为/>时刻到/>时刻的/>的测量预测值,/>为/> 时刻到/>时刻的/>的测量预测误差,/>为已知的/>时刻最优估计值,已知的/>时刻估计误差值,/>为/>时刻对/>时刻的预测值,/>为/>时刻对/>时刻的预测误差值;/>为/>时刻对/>时刻的隐变量/>估计值,/>为/>时刻对/>时刻的隐变量/>估计误差值;
相应的估计误差为:
优选的,在步骤S2中,关于加性干扰的Kalman滤波器设计步骤如下:
步骤S21b:建立加性干扰的动态模型,如下:
相应的估计误差:
优选的,步骤S3具体如下:
步骤S32:测量更新,根据状态预测值和观测模型可得测量预测值和测量预测误差如下:
相应的状态估计误差如下:
因此,本发明采用上述一种动态系统加性干扰与状态估计的实时滤波方法,具有有益效果为:利用对状态模型和观测模型中当前加性干扰在线的实时辨识结果,实现对状态转移函数和测量转移函数等工况变化的实时在线滤波调整,提高滤波的可靠性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种动态系统加性干扰与状态估计的实时滤波方法流程图;
图2为仿真实验中x1的估计值;
图3为仿真实验中x2的估计值;
图4为仿真实验中x1的估计误差;
图5为仿真实验中x2的估计误差;
图6为仿真实验中a1的估计值;
图7为仿真实验中a2的估计值;
图8为仿真实验中a1的估计误差;
图9为仿真实验中a2的估计误差;
图10为仿真实验中r1的估计值;
图11为仿真实验中r2的估计值;
图12为仿真实验中r1的估计误差;
图13为仿真实验中r2的估计误差。
具体实施方式
实施例
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图,对本发明的实施方式作详细说明。
参考图1,一种动态系统加性干扰与状态估计的实时滤波方法,具体步骤如下:
步骤S1:建立包含有不确定因子的随机系统,不确定因子包括隐变量和加性干扰。
随机系统的状态模型和观测模型如下:
其中,为离散时间序列,/>为系统状态转移矩阵,/>为观测矩阵,/>和均为系数矩阵,/>为状态向量,/>为观测向量,/>和/>为系统中的不确定因子,其中/>为不确定因子中的隐变量;/>表示n维实数集,/>表示m维实数集。
步骤S2:设计关于隐变量和加性干扰的Kalman滤波器。
统计特性如下:
优选的,步骤S23a具体为:
时间更新:
测量更新:
其中,为/>时刻到/>时刻的/>的测量预测值,/>为/>时刻到/>时刻的/>的测量预测误差,/>为已知的/>时刻最优估计值,已知的/>时刻估计误差值,/>为/>时刻对/>时刻的预测值,/>为/>时刻对/>时刻的预测误差值;/>为/>时刻对/>时刻的隐变量/>估计值,/>为/>时刻对/>时刻的隐变量/>估计误差值;
相应的估计误差为:
关于加性干扰的Kalman滤波器设计步骤如下:
步骤S21b:建立加性干扰的动态模型,如下:
相应的估计误差:
步骤S3:基于步骤S2中的Kalman滤波器和随机系统设计出求解随机系统状态状态变量估计值的自适应滤波器,并根据自适应滤波器对随机系统进行实时滤波。
步骤S32:测量更新,根据状态预测值和观测模型可得测量预测值和测量预测误差如下:
相应的状态估计误差如下:
为了验证本方法的性能,进行仿真实验如下:
本仿真实验采用随机系统:
表1为估计误差对比分析。
表1
由表1可以看出,对比STF,本文的方法具有更好的滤波性能。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (6)
1.一种动态系统加性干扰与状态估计的实时滤波方法,其特征在于,具体步骤如下:
步骤S1:建立包含有不确定因子的随机系统,不确定因子包括隐变量和加性干扰;
步骤S2:设计关于隐变量和加性干扰的Kalman滤波器;
步骤S3:基于步骤S2中的Kalman滤波器和随机系统设计出求解随机系统状态状态变量估计值的自适应滤波器,并根据自适应滤波器对随机系统进行实时滤波。
4.根据权利要求3所述的一种动态系统加性干扰与状态估计的实时滤波方法,其特征在于:步骤S23a具体为:
时间更新:
测量更新:
其中,为/>时刻到/>时刻的/>的测量预测值,/>为时刻到/>时刻的/>的测量预测误差,/>为已知的/>时刻最优估计值,已知的/>时刻估计误差值,/>为/>时刻对/>时刻的预测值,/>为/>时刻对/>时刻的预测误差值;/>为/>时刻对/>时刻的隐变量/>估计值,/>为/>时刻对/>时刻的隐变量/>估计误差值;
相应的估计误差为:
5.根据权利要求4所述的一种动态系统加性干扰与状态估计的实时滤波方法,其特征在于:在步骤S2中,关于加性干扰的Kalman滤波器设计步骤如下:
步骤S21b:建立加性干扰的动态模型,如下:
相应的估计误差:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310486963.6A CN116192095B (zh) | 2023-05-04 | 2023-05-04 | 一种动态系统加性干扰与状态估计的实时滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310486963.6A CN116192095B (zh) | 2023-05-04 | 2023-05-04 | 一种动态系统加性干扰与状态估计的实时滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116192095A true CN116192095A (zh) | 2023-05-30 |
CN116192095B CN116192095B (zh) | 2023-07-07 |
Family
ID=86436917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310486963.6A Active CN116192095B (zh) | 2023-05-04 | 2023-05-04 | 一种动态系统加性干扰与状态估计的实时滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116192095B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120001582A1 (en) * | 2010-07-02 | 2012-01-05 | Woodward Hrt, Inc. | Controller for actuation system employing kalman estimator incorporating effect of system structural stiffness |
US20140114650A1 (en) * | 2012-10-22 | 2014-04-24 | Mitsubishi Electric Research Labs, Inc. | Method for Transforming Non-Stationary Signals Using a Dynamic Model |
CN112731372A (zh) * | 2020-12-21 | 2021-04-30 | 杭州电子科技大学 | 基于加性潜变量扩维卡尔曼滤波的状态估计方法 |
CN112764345A (zh) * | 2020-12-21 | 2021-05-07 | 杭州电子科技大学 | 基于目标状态跟踪的强非线性系统卡尔曼滤波器设计方法 |
CN113630106A (zh) * | 2021-08-02 | 2021-11-09 | 杭州电子科技大学 | 基于强跟踪滤波的高阶扩展卡尔曼滤波器设计方法 |
CN115079573A (zh) * | 2021-08-05 | 2022-09-20 | 广东石油化工学院 | 一种非线性系统的高阶扩展强跟踪滤波器 |
-
2023
- 2023-05-04 CN CN202310486963.6A patent/CN116192095B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120001582A1 (en) * | 2010-07-02 | 2012-01-05 | Woodward Hrt, Inc. | Controller for actuation system employing kalman estimator incorporating effect of system structural stiffness |
US20140114650A1 (en) * | 2012-10-22 | 2014-04-24 | Mitsubishi Electric Research Labs, Inc. | Method for Transforming Non-Stationary Signals Using a Dynamic Model |
CN112731372A (zh) * | 2020-12-21 | 2021-04-30 | 杭州电子科技大学 | 基于加性潜变量扩维卡尔曼滤波的状态估计方法 |
CN112764345A (zh) * | 2020-12-21 | 2021-05-07 | 杭州电子科技大学 | 基于目标状态跟踪的强非线性系统卡尔曼滤波器设计方法 |
CN113630106A (zh) * | 2021-08-02 | 2021-11-09 | 杭州电子科技大学 | 基于强跟踪滤波的高阶扩展卡尔曼滤波器设计方法 |
CN115079573A (zh) * | 2021-08-05 | 2022-09-20 | 广东石油化工学院 | 一种非线性系统的高阶扩展强跟踪滤波器 |
Non-Patent Citations (3)
Title |
---|
KAI WANG等: "A fault reconstruction strategy for fault diagnosis of state-related multiplicative faults", 《2021 CAA SYMPOSIUM ON FAULT DETECTION, SUPERVISION, AND SAFETY FOR TECHNICAL PROCESSES》, pages 1 - 6 * |
宁子健等: "非线性系统的改进多模型扩展Kalman滤波器", 《控制工程》, vol. 27, no. 2, pages 342 - 346 * |
林志鹏: "基于加性和乘性混合非线性系统的卡尔曼滤波器设计方法", 《中国优秀硕士论文电子期刊网》, pages 6 - 57 * |
Also Published As
Publication number | Publication date |
---|---|
CN116192095B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Young | The refined instrumental variable method | |
Golan et al. | A maximum entropy approach to estimation and inference in dynamic models or counting fish in the sea using maximum entropy | |
CN109740687B (zh) | 一种基于dlae的发酵过程故障监测方法 | |
Dini et al. | A widely linear complex unscented Kalman filter | |
CN112884237A (zh) | 配电网预测辅助状态估计方法及系统 | |
CN110705762A (zh) | 基于矩阵填充的泛在电力物联网感知数据缺失修复方法 | |
WO2020052213A1 (zh) | 一种迭代容积点无迹卡尔曼滤波方法 | |
CN114781435B (zh) | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 | |
Sun et al. | Robust adaptive neural control of uncertain pure-feedback nonlinear systems | |
CN116192095B (zh) | 一种动态系统加性干扰与状态估计的实时滤波方法 | |
CN103684349B (zh) | 一种基于递推协方差阵估计的卡尔曼滤波方法 | |
Gupta et al. | Parameter estimation of wiener nonlinear model using least mean square (lms) algorithm | |
CN115079573A (zh) | 一种非线性系统的高阶扩展强跟踪滤波器 | |
CN108663937B (zh) | 一种非最小相位线性系统调节控制方法 | |
CN104202019B (zh) | 带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法 | |
Zhang et al. | Control for nonlinear system with non-Gaussian noise | |
Wang | Unknown input observer based fault class isolation and estimation | |
Vermaat et al. | EWMA control chart limits for first‐and second‐order autoregressive processes | |
Georgiadis et al. | Reliability and Probability of First Occurred Failure for Discrete‐Time Semi‐Markov Systems | |
Sharma et al. | Oscillation detection in control loops using PRONY analysis | |
DE102020110276A1 (de) | Digitales phasenregelschleifen-tracking | |
Wang et al. | New sigma point filtering algorithms for nonlinear stochastic systems with correlated noises | |
CN113098444A (zh) | 一种交互式多带宽因子最大相关熵无迹滤波方法 | |
CN111814104A (zh) | 一种基于p范数优化的稳健滤波方法 | |
Yu et al. | Quantized kernel least mean mixed-norm algorithm |
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 |