多重自適應卡爾曼濾波PMLSM無傳感控制

孟祥賓，朱 軍，李紫豪，劉炳辰

?

多重自適應卡爾曼濾波PMLSM無傳感控制

孟祥賓，朱 軍，李紫豪，劉炳辰

（河南理工大學電氣工程及其自動化學院，河南 焦作 454000）

為了解決PMLSM無傳感在運行控制中噪聲的不確定性和濾波發散問題，本文提出一種改進的Sage-Husa自適應濾波器。針對Sage-Husa自適應濾波器存在抗干擾能力差和精度不高等問題，加入自校正狀態濾波器。從理論上分析該算法的收斂性，證明該算法在一定條件下有界收斂。為驗證該算法的有效性，將改進的EKF與傳統EKF進行對比，結果表明本文提出的PMLSM多重自適應算法位置估計更加精確，克服了對噪聲協方差矩陣的依賴性，增強了對突變狀態的快速跟蹤能力，速度估計誤差百分比降低在0.1218%以下。

PMLSM；卡爾曼濾波；自適應；自校正

0 引言

隨著空間技術和電子技術的發展及高速電子計算機的出現，要求處理復雜的多變量系統，時變系統及非平穩隨機過程，要求實時、快速計算最優濾波器[1]。在這種應用背景下，出現了諸多無傳感算法[2-4]，R.E.Kalman突破了經典Wiener濾波方法的局限性，提出了時域上的Kalman濾波方法[5-6]。Kalamn最初提出的濾波理論只適用于線性系統，Sunahara等人提出并研究了擴展卡爾曼濾波[7-10]，將Kalman濾波理論進一步應用到非線性領域。為了加強歷史數據的影響，又出現了多新息理論卡爾曼濾波[11-14]，卡爾曼濾波方法的缺點和局限性是它要求已知系統的精確數學模型和噪聲統計。在大部分實際問題中，數學模型或噪聲統計是完全或部分未知的，或近似已知的（即含有模型誤差或噪聲統計誤差，也稱為含有未建模動態）。在這種情形下不能直接應用經典的Kalman濾波方法，否則應用錯誤的數學模型或錯誤的噪聲統計將引起Kalman濾波器性能變壞，甚至導致濾波發散。為了克服經典Kalman濾波的上述缺點和局限性，產生了Kalman濾波理論的一個分支—自適應卡爾曼濾波[15-20]。本文提出一種改進的Sage- Husa自適應濾波器，解決含有未知模型參數和噪聲統計系統或含有未建模動態系統的濾波問題。通常用噪聲統計估計器或模型參數估計器伴隨Kalman濾波器實現自適應Kalman濾波，但噪聲統計或模型參數估計器與狀態估計值器是互耦的，容易出現濾波發散現象, 廣東工業大學高向東等人提出一種有效抑制濾波發散的方法[21]。針對自適應卡爾曼濾波存在的上述問題，本文在自適應基礎上提出了一種自校正卡爾曼濾波理論和方法[22-24]，黑龍江大學白錦花等人應用該算法，有效得克服了濾波發散并提高濾波精度。

1 PMLSM的等效模型

狀態方程為：

可將（3）寫成矩陣形式如下：

式（4）可簡化為：

其中

上式為PMLSM最終等效模型，將該模型應用在卡爾曼濾波器中進行預測、修正，不斷的迭代來實現最終目的。

2 多重自適應卡爾曼濾波在PMLSM中應用

采用基本卡爾曼濾波和擴展卡爾曼濾波方法估計PMLSM運行參數時，一般假定噪聲為零均值白噪聲，且噪聲方差已知。在噪聲確定情況下，基本卡爾曼濾波和擴展卡爾曼濾波方法的估計效果很好，但實際上白噪聲不存在。

系統對應的非線性方程表示如下：

PMLSM系統是一個非線性系統，將該系統展開成Taylor級數并略去二階及以上項得到近似線性化模型，根據線性理論將其離散化的模型可表示為：

其中，

在上述離散化的模型上建立仿真模型，將改進的Sage-Husa時變噪聲統計器和自校正狀態估計器結合實現多重自適應濾波。

卡爾曼濾波利用測量數據不斷地在線估計噪聲的均值以及方差，使用更新后的狀態不斷替換當前的狀態估計值，實現對估計狀態量和噪聲統計量的交替更新。本文利用改進的Sage-Husa自適應卡爾曼濾波器，把擴展卡爾曼濾波中由于線性化引起的模型誤差歸入到帶未知時變均值和方差的虛擬噪聲中去。根據文獻[1]有改進的Sage-Husa時變噪聲統計遞推估值器：

根據改進的Sage-Husa算法，假設噪聲均值q和r和方差陣Q和R未知的，且q和r不為0。將式Sage-Husa時變噪聲統計器引入得到線性化、離散化后的卡爾曼濾波的公式：

（1）由k-1時刻的狀態和誤差協方差矩陣對k時刻不確定性的狀態和誤差協方差矩陣進行時間更新。

（2）卡爾曼濾波增益：

如果當前狀態估計誤差大，則會使P變大，從而使增益K也相應變大，致使系統大幅度地更新狀態，從公式（14）可以看出，增益矩陣公式可以離線計算。

（3）根據文獻[1]和文獻[20]，自校正卡爾曼濾波器有漸進最優的特點，在狀態估計中引入自校正卡爾曼濾波器。利用觀測數據對系統狀態進行更新并且更新誤差協方差矩陣。

由上分析，不斷地對qk，rk，Qk和Qk進行實時估計來達到對狀態變量估計值x的不斷修正從而實現高精度的濾波。

3 改進后卡多重自適應爾曼濾波器的收斂性分析

考慮改進算法動態系統

將式（17）分解分解如下：

由（18）迭代有關系式，

4 仿真分析

下圖為EKF在PMLSM中的仿真結果，同步速度參數分別選擇0.468 m/s和1.22 m/s，通過速度和誤差曲線來判斷EKF在直線電機中的收斂性和精度。

圖1 PMLSM在0.48 m/s時的實驗結果

圖2 PMLSM在1.22 m/s時的實驗結果

由圖1和圖2可知，由于PMLSM本身結構和EKF存在的問題，使得預測跟蹤能力隨著仿真時間的增長，而出現發散現象。以0.48 m/s的同步速度運行時，在仿真達到2 s時，預測誤差為0.01 m/s；以同步速度1.23 m/s的同步速度運行時，在仿真達到2 s時，預測誤差值已經達到0.025 m/s。由此可見，PMLSM在高速時發現現象尤為明顯。為了克服濾波發散以及精度問題，提出了多重自適應卡爾曼濾波器。

本文分別采用EKF與多重自適應卡爾曼濾波算法進行對比分析。分析了速度估測、位置估測以及誤差精度。圖3和圖4分別表示多重自適應卡爾曼濾波的速度和位置估測，圖5和圖6為改進后算法的速度誤差分析和對比。速度檢測中，圖3中多重自適應算法曲線圍繞實際曲線上下波動，在0.9 s突加負載，由500 N·m突變到700 N·m，改進算法速度曲線依然緊貼著實際曲線。因此，該算法體現出波動小，抗擾能力強的優點；位置檢測中，局部放大圖上顯示，改進的算法更接近實際位置。

圖3 多重自適應算法與EKF算法速度跟蹤對比

圖4 多重自適應算法與EKF算法位置跟蹤對比

圖5 多重自適應算法與實際速度誤差分析

圖6 多重自適應算法與EKF算法速度誤差曲線

圖5和圖6顯示，改進后的算法波動非常小，在突加負載后，能夠快速恢復至穩定運行，且改進后的算法整體誤差要小于EKF，電機啟動時，最大誤差為0.46%，突加負載后，波動最大誤差為0.37%，穩定運行時最大誤差為0.12%。故改進后的算法更接近真實值，精度高，魯棒性強。

5 結論

本文基于EKF算法，并使用多重自適應卡爾曼濾波理論進行改進，分別進行了收斂性理論上的分析及改進后的實驗驗證。結果表明多重自適應卡爾曼濾波比原來的擴展卡爾曼濾波辨識精度更高，穩定性更強，加負載后快速收斂，速度波動誤差降低到0.37%，穩定后最大誤差可以有效的控制在0.12%以下。因此，本文的多重自適應卡爾曼濾波更能準確地描述PMLSM的運動，達到抗干擾能力強，誤差小的目的。

[1] 鄧自立. 自校正濾波原理及其應用[M]. 哈爾濱: 哈爾濱工業大學出版社, 2003.

[2] 陳曉燕, 姚高偉, 張鯤, 等. 基于遺傳算法的無線傳感器節點定位在農業的應用[J]. 軟件, 2015, 36(4): 1-5.

[3] 聶敬云, 李春青, 李威威, 等. 關于遺傳算法優化的最小二乘支持向量機在MBR 仿真預測中的研究[J]. 軟件, 2015, 36(5): 40-44.

[4] 沙娓娓, 劉增力. 基于改進蟻群算法的無線傳感器網絡的路由優化[J]. 軟件, 2018, 39(01): 01-04.

[5] 潘迪夫, 劉輝, 李燕飛. 基于時間序列分析和卡爾曼濾波算法的風電場風速預測優化模型[J]. 電網技術, 2008(07): 82-86.

[6] 潘迪夫, 劉輝, 李燕飛. 風電場風速短期多步預測改進算法[J]. 中國電機工程學報, 2008(26): 87-91.

[7] 陳振, 劉向東, 靳永強, 戴亞平. 采用擴展卡爾曼濾波磁鏈觀測器的永磁同步電機直接轉矩控制[J]. 中國電機工程學報[J]. 2008(33): 75-81.

[8] 薛長虎, 聶桂根, 汪晶. 擴展卡爾曼濾波與粒子濾波性能對比[J]. 測繪通報[J]. 2016(04): 10-14.

[9] 莊旭, 戈寶軍, 陶大軍. 基于分塊Hankel矩陣的抽水蓄能電機擴展卡爾曼濾波模型子空間循環辨識[J]. 中國電機工程學報, 2017, 37(24): 7328-7337+7447.

[10] G. Yu. Kulikov, M. V. Kulikova. Accurate cubature and extended Kalman filtering methods for estimating continuous- time nonlinear stochastic systems with discrete measurements[J]. Applied Numerical Mathematics, 2017, 111.

[11] 劉毛毛, 呂國宏, 常江. 基于多新息理論的卡爾曼濾波改進算法[J]. 中北大學學報(自然科學版), 2015, 36(02): 234-239.

[12] 高向東, 許二娟, 李秀忠. 多新息理論優化卡爾曼濾波焊縫在線識別[J]. 焊接學報, 2017, 38(03): 1-4+129.

[13] 李雅梅, 康璐璐. 多新息抗差——自適應卡爾曼濾波定位算法研究[J]. 傳感器與微系統, 2017, 36(09): 38-40+44.

[14] 謝朔, 陳德山, 初秀民, 柳晨光. 改進多新息卡爾曼濾波法辨識船舶響應模型[J]. 哈爾濱工程大學學報, 2018, 39(02): 282-289.

[15] 李雅梅, 康璐璐. 多新息抗差——自適應卡爾曼濾波定位算法研究[J]. 傳感器與微系統, 2017, 36(09): 38-40+44.

[16] 楊春, 郭健, 張磊, 陳慶偉. 采用卡方檢驗的模糊自適應無跡卡爾曼濾波組合導航算法[J]. 控制與決策, 2018, 33(01): 81-87.

[17] Fan Z, Sun Q, Du L, et al. Application of adaptive Kalman filter in vehicle laser Doppler velocimetry[J]. Optical Fiber Technology, 2018, 41: 163-167.

[18] ZHAO Lin, LI Jiushun, CHENG Jianhua. Innovation-based adaptive Kalman filter with sliding window for integrated navigation[J]. Systems Engineering and Electronics, 2017, 39(11): 2541-2545.

[19] Zhang Y, Yin Z, Li G, et al. A novel speed estimation method of induction motors using real-time adaptive extended kalman filter[J]. Journal of Electrical Engineering & Technology, 2018, 13(1): 287-297.

[20] 陳政, 劉康. 閃爍噪聲下的自適應無跡卡爾曼算法[J]. 軟件, 2018, 39(01): 70-74

[21] 高向東, 張馳, 周曉虎. 微間隙焊縫磁光成像NN-KF跟蹤算法[J]. 焊接學報, 2017, 38(01): 9-12+129.

[22] 白錦花. 帶未知隨機系統偏差的最優與自校正信息融合濾波器[A]. 中國自動化學會控制理論專業委員會(TechnicalCommittee on Control Theory, Chinese Association of Automation).第二十六屆中國控制會議論文集[C]. 中國自動化學會控制理論專業委員會(Technical Committee on Control Theory, Chinese Association of Automation): 2007: 5.

[23] 陶貴麗, 鄧自立. 含未知參數的自校正融合Kalman濾波器及其收斂性[J]. 自動化學報, 2012, 38(01): 109-119.

[24] 李俊, 王雪平, 張福斌. 基于自校正卡爾曼濾波器的信息融合算法[J].

Multiple Adaptive Calman Filters for PMLSM Sensorless Control

MENG Xiang-bin, ZHU Jun, LI Zi-hao, LIU Bing-chen

(School of electrical engineering and automation, Henan Polytechnic University, Jiaozuo, Henan 454000, China)

In order to solve the problem of noise uncertainty and filtering divergence in the operation control of PMLSM model, an improved Sage-Husa adaptive filter is proposed. In order to solve the problem of poor anti-interference ability and low precision in Sage-Husa adaptive filter, a self-tuning state filter is added. The convergence of the algorithm is analyzed theoretically, and it is proved that the improved algorithm has a bounded convergence under certain conditions. To verify the effectiveness of the algorithm, the improved algorithm is compared with the traditional EKF, the results show that the location of multiple adaptive algorithm proposed PMLSM estimation is more accurate, and the noise covariance matrix dependence, enhance the fast tracking ability of the mutation status, the percentage error decreased below 0.1218% speed estimation.

PMLSM; Calman filter; Adaptive; Self-tuning

TP273+.2

A

10.3969/j.issn.1003-6970.2018.08.005

河南省高校基本科研業務費專項資金資助項目(NSFRF140115)；河南省教育廳科學技術重點研究項目(12A470004)；河南省控制工程重點學科開放實驗室開放基金(KG2011-12)

朱軍(1984-)，男，副教授，碩士生導師，研究領域為特種電機驅動；李紫豪(1991-)，男，碩士研究生，研究領域為特種電機驅動。劉炳辰(1993-)，男，碩士研究生，研究領域為特種電機驅動。

孟祥賓(1991-)，男，碩士研究生，研究領域為特種電機驅動。

本文著錄格式：孟祥賓，朱軍，李紫豪，等. 多重自適應卡爾曼濾波PMLSM無傳感控制[J]. 軟件，2018，39（8）：18-23