检索结果-南通市图书馆

基于双扩展卡尔曼滤波的汽车状态及路面附着系数估计算法研究

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于双扩展卡尔曼滤波的汽车状态及路面附着系数估计算法研究

作者：胡丹吉林大学

学位级别：硕士

实时、准确地获取车辆行驶的关键状态与路面附着信息是实现现代主动安全控制系统的前提和必要条件。然而在实际环境中,目前仍无法用传感器精确且低成本地测得以上信息,给研究和商品化带来了困难。因此,本文提出了利用非线性滤波估计状... 详细信息

实时、准确地获取车辆行驶的关键状态与路面附着信息是实现现代主动安全控制系统的前提和必要条件。然而在实际环境中,目前仍无法用传感器精确且低成本地测得以上信息,给研究和商品化带来了困难。因此,本文提出了利用非线性滤波估计状态的方法来解决上述问题。此方法能够利用简单易测的传感器测量值估算难以测量的未知的车辆状态值,在有效利用已有车载传感器信息的同时,更加有利于各种信息之间在控制系统中的无缝连接。本文首先基于四自由度车辆模型,应用扩展卡尔曼滤波理论,通过传感器测量值估计车辆的纵/侧向车速、横摆角速度及车身侧倾角等状态,接着利用传感器测量值与状态估计值结合HSRI轮胎模型,通过扩展卡尔曼滤波实现了对路面峰值附着系数的估算。考虑到实际行驶环境中,路面附着情况不断变化对状态估计结果将产生影响,本文将路面附着系数的估算过程与估计车辆状态过程联系起来形成闭环反馈,从而实现附着系数与车辆状态的精确估算。为验证估算精度,文章将路面变化前后的附着系数和车辆状态估算值与成型商用软件CarSim仿真值比较,结果表明:估算值能够很好地与仿真值保持一致,此方法为实现汽车主动安全控制系统提供了重要基础。

关键词：汽车状态估计路面附着系数估计双扩展卡尔曼滤波

基于双扩展卡尔曼滤波的柴油机SCR催化器状态及参数估计

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于双扩展卡尔曼滤波的柴油机SCR催化器状态及参数估计

作者：周星西南交通大学

学位级别：硕士

随着我国汽车产业的蓬勃发展,目前,我国机动车制造企业在数量以及保有量上都已成为世界第一,尤其是机动车的生产、销售数量上已经连续6年保持世界第一。汽车行业的迅猛发展为我国经济发展作出了非常巨大的贡献。但是,汽车保有量的快速增... 详细信息

随着我国汽车产业的蓬勃发展,目前,我国机动车制造企业在数量以及保有量上都已成为世界第一,尤其是机动车的生产、销售数量上已经连续6年保持世界第一。汽车行业的迅猛发展为我国经济发展作出了非常巨大的贡献。但是,汽车保有量的快速增长,除了带来经济的快速增长外,也带来了很多环境问题,尤其是机动车的尾气污染,颗粒物和氮氧化合物的排放。在国Ⅴ/国Ⅵ阶段,选择性催化还原反应(SCR)作为柴油机排放后处理降低NOx的关键技术,得到了深入的研究和广泛的应用。论文着重围绕SCR催化器系统建模、基于SCR催化器模型的双重扩展卡尔曼滤波(DEKF)的状态估计器和参数估计器的设计、NH3储存量,以及基于实验数据的状态估计器跟踪效果实验验证五个方面进行了研究。论文首先根据SCR催化器的化学机理完成了催化器实时Simulink仿真模型的建立,主要包括了催化器内部温度模型的搭建,NH3的选择性催化还原反应、NH3的氧化反应以及NH3的吸附和解吸附反应模型的搭建。其次,通过研究温度和空速对NH3储存量的影响,提出了NH3储存量在温度和空速共同作用下的储氨量模型。基于SCR催化器的数学模型和储氨量模型,设计了双重扩展卡尔曼滤波的估计方法。该估计算法是将两个互耦的状态和参数的扩展卡尔曼滤波器结合起来并行工作,将状态估计器嵌入到参数估计器中,状态估计和参数估计同时更新预测,使得状态估计值更加的接近真实值。分别通过DEKF状态估计器对催化器下游的NOx浓度、NH3浓度、NH3覆盖度以及NH3储存量进行估计;通过DEKF参数估计器对SCR催化器非线性状态模型中四个参数：NH3选择性催化还原反应速率因子、NH3氧化反应速率因子、NH3吸附反应速率因子以及NH3解吸附反应速率因子进行估计。估计过程采用发动机瞬态ETC工况的发动机转速、SCR催化器入口NOx浓度、SCR催化器入口温度以及尿素喷射量作为SCR催化器模型的输入,基于SCR催化器模型输出的NOx浓度、NH3浓度和NH3覆盖度验证状态估计器估计结果的精度。固定参数估计器估计的四个参数后验证发动机瞬态ETC工况下状态估计器估计的状态和SCR催化器模型下游的NOx浓度、NH3浓度和NH3覆盖度的匹配效果。最后省去SCR催化器模型的输出,固定参数估计器估计的四个参数,利用发动机ETC、ESC工况下催化器上游、下游的NOx浓度和NH3浓度作为扩展卡尔曼滤波(EKF)状态估计器的输入,通过状态估计器估计的NOx浓度和NH3浓度与实验测得的结果进行比较,试验结果显示：状态估计器能够实时跟踪实验测得的催化器下游的NOx浓度、NH3浓度,估计的结果非常好,为将来取代昂贵的NOx或NH3传感器、优化添蓝的喷射控制策略、控制NH3泄露提供了可能性,同时也能够对OBD中传感器故障模块研究工作提供一些参考。

关键词：柴油机SCR后处理模型氨气脱附与解脱附选择性催化还原催化器SCR 双扩展卡尔曼滤波状态估计参数估计

基于双扩展卡尔曼滤波的锂电池SOC-SOH联合估计

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于双扩展卡尔曼滤波的锂电池SOC-SOH联合估计

2022中国汽车工程学会年会暨展览会

作者：王毅尉庆国孙鹏张晓峰刘英杰中北大学能源动力工程学院

为提高锂电池电荷状态(SOC)及健康状态(SOH)的估计精度,本文提出基于双扩展卡尔曼滤波(DEKF)的估计方法,解决了扩展卡尔曼滤波(EKF)噪声累积的问题。建立了Thevenin等效电路模型,并在此基础上提出一种加强电池SOC、SOH与开路电压(OCV)... 详细信息

为提高锂电池电荷状态(SOC)及健康状态(SOH)的估计精度,本文提出基于双扩展卡尔曼滤波(DEKF)的估计方法,解决了扩展卡尔曼滤波(EKF)噪声累积的问题。建立了Thevenin等效电路模型,并在此基础上提出一种加强电池SOC、SOH与开路电压(OCV)联系的方法,其有效的提高了SOC预测精度,简化了SOH的计算过程,最后在UDDS工况下对联合估计算法进行MATLAB仿真验证。结果表明所提出方法较EKF有更高的估计精度和更好鲁棒性。

关键词：锂电池 SOC估计 SOH估计双扩展卡尔曼滤波

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

基于双扩展卡尔曼滤波的电池荷电状态估计

测控技术 2018年第11期37卷 103-107,111页

作者：华显付子义郭向伟河南理工大学电气工程与自动化学院河南焦作454003 河南锂想动力科技有限公司河南新乡453000

以磷酸铁锂动力电池为研究对象,以精确估算电动汽车动力锂电池组在实际运行工况中的SOC为目的,基于Thevenin等效电路模型和扩展卡尔曼滤波算法,结合脉冲功率特性实验(HPPC Test)对模型参数进行辨识,采用双扩展卡尔曼滤波对SOC和模型参... 详细信息

以磷酸铁锂动力电池为研究对象,以精确估算电动汽车动力锂电池组在实际运行工况中的SOC为目的,基于Thevenin等效电路模型和扩展卡尔曼滤波算法,结合脉冲功率特性实验(HPPC Test)对模型参数进行辨识,采用双扩展卡尔曼滤波对SOC和模型参数进行在线估算,并分析算法在不同温度下的适应性和不同SOC初始值条件下的收敛特性。仿真结果表明,在不同的工况下,相比于单扩展卡尔曼滤波该算法具有更高的精度、更好的环境适应度和对初始误差的收敛性。

关键词：动力电池戴维宁模型荷电状态双扩展卡尔曼滤波

基于双卡尔曼滤波算法的动力电池内部温度估计

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

机械工程学报 2020年第14期56卷 146-151页

作者：熊瑞李幸港北京理工大学机械与车辆学院北京100081

准确的内部温度估计对提高动力电池使用安全和可靠性极为重要,然而,受限于传感器和测试手段等因素,内部温度难以实时获取。通过融合Bernardi电池生热模型与热路传热模型,应用状态方程分析法实施了电池内外温度的表达,建立了温度的离散... 详细信息

准确的内部温度估计对提高动力电池使用安全和可靠性极为重要,然而,受限于传感器和测试手段等因素,内部温度难以实时获取。通过融合Bernardi电池生热模型与热路传热模型,应用状态方程分析法实施了电池内外温度的表达,建立了温度的离散时间系统;利用双扩展卡尔曼滤波,建立电池内部温度和环境参数的实时估计模型,实现了电池内部温度在线估计。基于内置温度传感器的动力电池测试验证表明,该方法能在线估算锂离子动力电池的内部温度,估计误差小于1℃,为动力电池的实时安全监控提供了有力保障。

关键词：电动汽车动力电池内部温度估计双扩展卡尔曼滤波

基于小波长短时神经网络的锂离子电池健康状态预测研究

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于小波长短时神经网络的锂离子电池健康状态预测研究

作者：姚全正哈尔滨理工大学

学位级别：硕士

电动汽车作为一种解决碳排放的清洁技术已被广泛应用在现代交通工具中,而锂离子电池因其具有轻重量、长寿命、高能量密度和低自放电等优越特性,已变成电动汽车的主要能源存储设备。因此估算锂电池的健康状态(State of health,SOH)对电... 详细信息

电动汽车作为一种解决碳排放的清洁技术已被广泛应用在现代交通工具中,而锂离子电池因其具有轻重量、长寿命、高能量密度和低自放电等优越特性,已变成电动汽车的主要能源存储设备。因此估算锂电池的健康状态(State of health,SOH)对电动汽车的长期使用具有重要意义。为了有效和准确地估计电池健康状态,针对锂电池健康状态预测的研究已经成为当下热点。针对SOH的预测算法,输入数据的特征提取对于电池健康状态预测的准确性至关重要。因此,本文首先设计了两种特征提取方法。然后,基于小波神经网络(Wavelet neural network,WNN)和长短时神经网络(Long Short-Term Memory,LSTM),设计了一种新的网络结构并用于SOH预测。最后,融合扩展卡尔曼滤波,结合所设计的神经网络,实现了电池健康状态的实时估计。本文主要研究内容和创新如下:(1)设计了两种特征提取方法。第一种为基于恒流充电曲线的特征提取方法,该方法把电池恒流的充电时间作为输入特征,相比于其他手动特征提取方法,该方法具有简单易实现的优点;第二种方法以卷积神经网络(Convolutional Neural Network,CNN)为基础,利用卷积神经网络能够提取数据矩阵空间特征的能力,仅需要输入电池原始充电数据,就能自动地提取出所需要的数据特征。(2)基于小波神经网络和长短时神经网络,提出了小波神经网络-小波长短时神经网络(Wavelet neural network-Wavelet Long Short-Term Memory neural network,WNN-WLSTM)的电池健康状态预测算法。利用恒流充电曲线提取出的数据特征作为输入,通过实验仿真可知,所设计方法具有优秀的学习和预测能力。(3)设计了基于卷积神经网络-小波神经网络-小波长短时神经网络(Convolutional neural network-Wavelet neural network-Wavelet Long Short-Term Memory neural network,CNN-WNN-WLSTM)的电池健康状态预测算法。该方法融合卷积神经网络和小波神经网络-小波长短时神经网络,利用电池原始充电数据作为输入,通过实验仿真,验证了所设计方法优秀的预测性能。(4)设计了双扩展卡尔曼滤波-小波神经网络-小波长短时神经网络(Dual Extended Kalman Filter,Wavelet Neural Network,Wavelet Long Short-Term Memory,DEKF-WNN-WLSTM)的电池健康状态实时估计算法。该模型在小波神经网络-小波长短时神经网络的基础上,融合扩展卡尔曼滤波(Extended Kalman Filter,EKF),用片段数据作为输入,实时估计电池的SOH,通过实验对比,验证了该算法实时预测SOH的有效性,提高了预测精度。

关键词：电池健康状态特征提取小波长短时神经网络双扩展卡尔曼滤波实时估计

基于BP神经网络修正优化的锂电池SOC与SOH协同估计策略研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于BP神经网络修正优化的锂电池SOC与SOH协同估计策略研究

作者：王超西南科技大学

学位级别：硕士

为了应对环境恶化和能源危机问题,大力发展清洁可持续的新能源已成为世界各国的战略目标。锂电池是目前新能源行业提供动力和储能的最佳实现方案,也是新能源汽车目前主要的动力来源。荷电状态(State of Charge,SOC)与健康状态(State of ... 详细信息

为了应对环境恶化和能源危机问题,大力发展清洁可持续的新能源已成为世界各国的战略目标。锂电池是目前新能源行业提供动力和储能的最佳实现方案,也是新能源汽车目前主要的动力来源。荷电状态(State of Charge,SOC)与健康状态(State of Health,SOH)是衡量电池管理系统是否安全有效的重要指标。因此,本课题针对动力锂离子电池的SOC与SOH提出了一种LMRLS-BP-DEKF协同预估模型,并展开了以下研究。(1)针对递推最小二乘算法和遗忘因子递推最小二乘算法存在抗干扰能力差、数据过多时容易过饱和的问题,本研究通过设计限定记忆递推最小二乘(Limited Memory Recursive Least Square,LMRLS)算法,在输入新数据时去除旧数据,只使用限定长度的最新数据进行参数估计,以有效提高在线参数辨识的精度。(2)考虑到SOC与SOH之间存在耦合作用,本研究以安时积分为桥梁构建了双卡尔曼滤波(Dual Extended Kalman Filter,DEKF)协同预估体系。其中第一个EKF实现SOC的估算,并将估算结果作为第二个EKF的输入实现SOH的递进估算,通过两者的相互校正反馈最终实现SOC与SOH的协同预估。(3)针对DEKF算法在处理非线性系统时忽略了泰勒展开的高阶项而存在模型误差的问题,本研究引入了反向传播(Back Propagation,BP)神经网络。借助神经网络强大的自学习能力和非线性处理能力实现对DEKF模型误差的补偿与修正,以进一步提高SOC与SOH估计结果的精确性。(4)为了验证LMRLS-BP-DEKF协同估计算法模型的有效性与适应性,本研究设计了SOC与SOH协同预估实验验证方案。通过复杂工况分别在不同温度下和不同状态估计初始值条件下对本研究所提的算法模型进行仿真实验验证,并与传统算法的估计结果进行对比和分析。实验结果表明,本研究提出的LMRLS-BP-DEKF协同预估算法模型可以有效提高动力锂离子电池SOC与SOH协同估计的精确性和鲁棒性,并对不同温度下和不同状态估计初始值条件下的复杂工况具有一定的适应性和校正能力,这不仅奠定了电池状态监测的理论基础,也为锂电池的安全应用和电动汽车的安全行驶提供了保障。

关键词：动力锂离子电池荷电状态健康状态限定记忆递推最小二乘法双扩展卡尔曼滤波 BP神经网络

基于多尺度DEKF的串联锂电池组SOC估计研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多尺度DEKF的串联锂电池组SOC估计研究

作者：卢路安徽理工大学

学位级别：硕士

伴随全球经济快速增长,能源危机以及大气污染等问题日益尖锐。研究显示,汽车尾气排放是主要大气污染源。新能源电动汽车代替传统燃油汽车将是解决该问题的一大有效途径,锂电池作为新能源电动汽车主要能量来源,有必要对其荷电状态(State ... 详细信息

伴随全球经济快速增长,能源危机以及大气污染等问题日益尖锐。研究显示,汽车尾气排放是主要大气污染源。新能源电动汽车代替传统燃油汽车将是解决该问题的一大有效途径,锂电池作为新能源电动汽车主要能量来源,有必要对其荷电状态(State of charge,SOC)进行研究,SOC的准确监测可以直接反映电动汽车续航里程,另外高精度的SOC预测还可以提高能源的利用率且保证电池的安全。本文以单体锂电池和由四个单体电池串联组成的电池组作为研究对象,首先搭建实验测试平台并有针对性地设计一系列测试方案进行测试,探讨锂电池的基本特性以及串联成组后存在的不一致特性。接着对现有的单体电池模型进行分析,选择计算度和精确度平衡的DP模型对单体电池进行建模,采用自适应遗传算法(Adaptive genetic algorithms,AGA)对DP模型进行参数辨识,对DP模型建立状态空间方程并利用传统的扩展卡尔曼滤波算法对单体电池进行SOC估计。然而对于复杂的动态工况,电池模型参数并不是一成不变,这也就导致了传统基于离线参数辨识的SOC估计不够准确以及适用性较差问题。因此,针对上述问题以及后续用于估计电池组SOC时存在的计算负担太大的问题,提出随时间改变模型参数在线更新的多时间尺度双扩展卡尔曼滤波(Double extended Kalman filtering,DEKF)算法,采用一个宏观时间尺度的扩展卡尔曼滤波器对电池参数在线辨识,采用一个微观时间尺度的扩展卡尔曼滤波器对SOC进行估计。在FUDS、HWFET、UDDS工况下验证了算法的多工况适用性,在BJDST工况下验证并选择了用于在线参数辨识的最佳宏观时间尺度,并对算法的收敛性进行了验证。最后,基于前面对单个电池的SOC估计分析以及串联成组后存在的单体电池间不一致性问题,引入串联电池组的SOC定义,针对通过定义计算SOC存在计算负担太大的问题,提出基于改进的Rint模型来选择代表性电池的方法,将电池组的SOC估计问题转换为代表性电池的SOC估计问题,利用第三章介绍的多尺度DEKF算法对代表性电池进行SOC估计从而得到电池组SOC。在NEDC工况下对SOC一致以及SOC不一致两种情况的电池组SOC进行估计并与传统的基于定义的方法、基于SOC最大最小的方法、单电池等效法以及基于端电压选择代表性电池的电池组SOC估计方法作比较,验证了该方法的有效性以及准确性。图[44]表[15]参[65]

关键词：电动汽车多时间尺度双扩展卡尔曼滤波在线参数辨识荷电状态估计电池组

考虑老化的电动汽车退役锂电池SOC在线估计

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

汽车实用技术 2023年第19期48卷 12-16页

作者：刘忠强倪勇四川工程职业技术学院交通工程系四川德阳618000

为提高电动汽车退役锂电池在梯次利用中的安全性,需要准确及时获取退役电池在使用过程中的荷电状态(SOC)参数值。由于退役电池不断老化会引起容量较快衰减,严重影响SOC参数的估计精度,所以文章提出了一种考虑退役锂电池容量衰减的SOC在... 详细信息

为提高电动汽车退役锂电池在梯次利用中的安全性,需要准确及时获取退役电池在使用过程中的荷电状态(SOC)参数值。由于退役电池不断老化会引起容量较快衰减,严重影响SOC参数的估计精度,所以文章提出了一种考虑退役锂电池容量衰减的SOC在线估计方法。经过混合脉冲功率(HPPC)和动态应力测试(DST)循环工况的试验测试,证明了所提方法能够在不同使用工况下准确和实时估计退役锂电池的SOC,并且最大估计误差均小于2%。

关键词：退役锂电池 SOC估计最大可用容量双扩展卡尔曼滤波