为了抑制轴向磁场磁通切换永磁(axial field flux-switching permanent magnet,AFFSPM)电动机齿槽转矩引起的转矩脉动,提出一种基于自适应扩展卡尔曼滤波器的齿槽转矩抑制方法.该方法根据齿槽转矩分析结果,以及AFFSPM电动机数学模型和...为了抑制轴向磁场磁通切换永磁(axial field flux-switching permanent magnet,AFFSPM)电动机齿槽转矩引起的转矩脉动,提出一种基于自适应扩展卡尔曼滤波器的齿槽转矩抑制方法.该方法根据齿槽转矩分析结果,以及AFFSPM电动机数学模型和损耗模型,将齿槽转矩引起的系统转矩脉动作为扩展状态变量,与电流环的反馈电流一起构造系统扩张状态空间方程.在状态估计过程中引入了遗忘因子,提高观测精度和速度.与基于谐波电流注入法抑制齿槽转矩的控制方法进行了控制性能和突变工况对比.结果表明:所提出控制方法在低速时转矩脉动降低了43.5%,电损耗降低了14.8%,能更有效抑制齿槽转矩脉动和提高系统效率.展开更多
为降低实际应用中由强未知干扰和仪器故障对观测造成的影响,减轻随机和未建模干扰对系统的侵蚀,从而提升系统在非高斯噪声环境下的状态估计精度,提高滤波器的鲁棒性能,提出了一种基于高斯-重尾切换分布的鲁棒卡尔曼滤波器(Gaussian-heav...为降低实际应用中由强未知干扰和仪器故障对观测造成的影响,减轻随机和未建模干扰对系统的侵蚀,从而提升系统在非高斯噪声环境下的状态估计精度,提高滤波器的鲁棒性能,提出了一种基于高斯-重尾切换分布的鲁棒卡尔曼滤波器(Gaussian-heavy-tailed switching distribution based robust Kalman filter,GHTSRKF)。首先,通过自适应学习高斯分布和一种重尾分布之间的切换概率将噪声建模为GHTS(Gaussian-heavy-tailed switching)分布,所设计的GHTS分布可以通过在线调整高斯分布和新的重尾分布之间的切换概率来对非平稳重尾噪声进行建模,具有虚拟协方差的高斯分布用于处理协方差矩阵不准确的高斯噪声。其次,引入两个分别服从Categorical分布与伯努利分布的辅助参数将GHTS分布表示为一个分层高斯形式,进一步利用变分贝叶斯方法推导了GHTSRKF。最后,利用一个仿真场景对几种不同的RKFs(robust Kalman filters)进行了对比验证。结果表明,所提出的GHTSRKF算法的估计精度对初始状态的选取不敏感,精度优于其他RKFs,它的RMSEs最接近噪声信息准确的KFTNC(KF with true noise covariances)的RMSEs(root mean square errors),且当系统与量测噪声是未知时变高斯噪声时,相比于现有的滤波器,GHTSRKF具有更好的估计性能,从而验证了GHTSRKF的有效性。展开更多
文摘为了抑制轴向磁场磁通切换永磁(axial field flux-switching permanent magnet,AFFSPM)电动机齿槽转矩引起的转矩脉动,提出一种基于自适应扩展卡尔曼滤波器的齿槽转矩抑制方法.该方法根据齿槽转矩分析结果,以及AFFSPM电动机数学模型和损耗模型,将齿槽转矩引起的系统转矩脉动作为扩展状态变量,与电流环的反馈电流一起构造系统扩张状态空间方程.在状态估计过程中引入了遗忘因子,提高观测精度和速度.与基于谐波电流注入法抑制齿槽转矩的控制方法进行了控制性能和突变工况对比.结果表明:所提出控制方法在低速时转矩脉动降低了43.5%,电损耗降低了14.8%,能更有效抑制齿槽转矩脉动和提高系统效率.
文摘为降低实际应用中由强未知干扰和仪器故障对观测造成的影响,减轻随机和未建模干扰对系统的侵蚀,从而提升系统在非高斯噪声环境下的状态估计精度,提高滤波器的鲁棒性能,提出了一种基于高斯-重尾切换分布的鲁棒卡尔曼滤波器(Gaussian-heavy-tailed switching distribution based robust Kalman filter,GHTSRKF)。首先,通过自适应学习高斯分布和一种重尾分布之间的切换概率将噪声建模为GHTS(Gaussian-heavy-tailed switching)分布,所设计的GHTS分布可以通过在线调整高斯分布和新的重尾分布之间的切换概率来对非平稳重尾噪声进行建模,具有虚拟协方差的高斯分布用于处理协方差矩阵不准确的高斯噪声。其次,引入两个分别服从Categorical分布与伯努利分布的辅助参数将GHTS分布表示为一个分层高斯形式,进一步利用变分贝叶斯方法推导了GHTSRKF。最后,利用一个仿真场景对几种不同的RKFs(robust Kalman filters)进行了对比验证。结果表明,所提出的GHTSRKF算法的估计精度对初始状态的选取不敏感,精度优于其他RKFs,它的RMSEs最接近噪声信息准确的KFTNC(KF with true noise covariances)的RMSEs(root mean square errors),且当系统与量测噪声是未知时变高斯噪声时,相比于现有的滤波器,GHTSRKF具有更好的估计性能,从而验证了GHTSRKF的有效性。
