【技术实现步骤摘要】
基于双时间尺度无迹卡尔曼滤波的系统故障参数估计方法
本专利技术涉及故障参数估计领域，尤其是基于双时间尺度无迹卡尔曼滤波的系统故障参数估计方法。
技术介绍
在世界各国普遍出现人口老龄化问题以及残疾人口不断增加的背景下，专为出行不便的老年人及残疾人士提供出行便利的电动代步车产品，近年来在全球范围内受到了广泛关注。电动代步车的普及也带来了一些安全问题，作为一种专为老年人以及残疾人士设计的代步工具，一旦在道路行驶过程中发生故障，将可能造成严重的后果，因此开发一种实时的电动代步车故障诊断系统迫在眉睫。目前，针对非线性系统故障参数估计的方法有扩展卡尔曼滤波法、粒子滤波法以及无迹卡尔曼滤波法等方法。但在一些实时性要求较高的场景下，这些传统的方法未必能满足要求，造成了故障诊断实时性差、故障源定位不及时的问题。
技术实现思路
为了克服上述现有技术的缺陷，本专利技术提供基于双时间尺度无迹卡尔曼滤波的系统故障参数估计方法，解决了故障诊断实时性差、故障源定位不及时的问题，减少了故障诊断时的计算量，提高了运算效率。为实现上述目的，本专利技术采用以下技术方案，包括：基于双时间尺度无迹卡尔曼滤波的...
【技术保护点】
1.基于双时间尺度无迹卡尔曼滤波的系统故障参数估计方法，其特征在于，包括以下步骤：S1，对电动代步车系统的连续的系统状态空间方程进行离散化处理，得到时间离散的系统状态空间方程；S2，将L2‑L1个待估计参数添加到电动代步车系统的L1个原系统状态变量中，得到增广后的系统状态空间方程；其中，所述待估计参数为故障集合中的参数；增广前的系统状态空间方程的维度为L1，增广前的系统状态变量为L1个；增广后的系统状态空间方程的维度为L2，增广后的系统状态变量为L2个；S3，采用具有双时间尺度的无迹卡尔曼滤波算法对L2‑L1个待估计参数与L1个原系统状态变量进行联合估计，得到参数估计值。
【技术特征摘要】
1.基于双时间尺度无迹卡尔曼滤波的系统故障参数估计方法，其特征在于，包括以下步骤：S1，对电动代步车系统的连续的系统状态空间方程进行离散化处理，得到时间离散的系统状态空间方程；S2，将L2-L1个待估计参数添加到电动代步车系统的L1个原系统状态变量中，得到增广后的系统状态空间方程；其中，所述待估计参数为故障集合中的参数；增广前的系统状态空间方程的维度为L1，增广前的系统状态变量为L1个；增广后的系统状态空间方程的维度为L2，增广后的系统状态变量为L2个；S3，采用具有双时间尺度的无迹卡尔曼滤波算法对L2-L1个待估计参数与L1个原系统状态变量进行联合估计，得到参数估计值。2.根据权利要求1所述的基于双时间尺度无迹卡尔曼滤波的系统故障参数估计方法，其特征在于，步骤S3中，所述双时间尺度包括宏观尺度和微观尺度；在宏观尺度下，仅对增广前的L1个系统状态变量采用无迹卡尔曼滤波进行估计；在微观尺度下，对增广后的L2个系统状态变量采用无迹卡尔曼滤波进行估计。3.根据权利要求2所述的基于双时间尺度无迹卡尔曼滤波的系统故障参数估计方法，其特征在于，步骤S1中，所述电动代步车系统的连续的系统状态空间方程包括状态方程和观测方程，如公式(1)所示：其中，t表示实际的连续时间，x(t)表示t时刻下的系统状态变量，即增广前的原系统状态变量；u(t)表示t时刻下的系统输入；W表示过程噪声；表示t时刻下的系统状态变量的一阶导数；y(t)为t时刻下的系统输出，即观测变量；V表示观测噪声；f(·)和g(·)分别表示状态函数和观测函数，即分别对应为状态方程和观测方程；x(·)表示原系统状态变量；y(·)表示观测变量；采用前向差分法或后向差分法对所述连续的系统状态空间方程进行离散化，得到时间离散的系统状态空间方程，所述时间离散的系统状态空间方程，如公式(2)所示：其中，k表示第k个采样点所对应的时刻，即表示第k个采样时刻；k+1表示第k+1个采样点所对应的采样时刻，即表示第k+1个采样时刻；x(k)表示第k个采样时刻的系统状态变量；u(k)表示第k个采样时刻的系统输入；x(k+1)表示第k+1个采样时刻的系统状态变量；y(k)为第k个采样采样时刻的系统输出。4.根据权利要求3所述的基于双时间尺度无迹卡尔曼滤波的系统故障参数估计方法，其特征在于，步骤S2中，所...
【专利技术属性】
技术研发人员：郁明，孙路路，王海，姜苍华，赵林峰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。