买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于EKFextendedKalmanfilter，扩展卡尔曼滤波的多缸发动机瞬时转速实时观测方法，属于多缸发动机状态监测领域，本发明根据多缸发动机曲轴瞬时转速特性，引入了三个状态变量，提出了一种新的非线性状态空间模型。同时针对工程应用中传感器噪声、不确定性干扰等问题，将测量噪声和模型不确定性考虑到模型中，基于非线性模型的扩展卡尔曼滤波方法，利用测量转速与估计转速之间的差异进行实时反馈和滚动优化，从而实时准确地估计发动机的瞬时速度，实现发动机瞬时转速的在线实时观测。

主权项：1.一种基于EKF的多缸发动机瞬时转速实时观测方法，其特征在于，该方法包括以下步骤：步骤一、根据多缸发动机曲轴瞬时转速特性，建立瞬时转速非线性数学模型；所述瞬时转速非线性数学模型为： 为平均转速；a为转速波动量的幅值；I为发动机的缸数，t代表时间；步骤二、构建状态空间模型，并进行离散化；1选取发动机的瞬时转速波动量作为第一个状态变量，即x1＝asinωt；选取第二个状态变量为x2＝acosωt；选取平均转速作为第三个状态变量，即三个状态变量之间的关系如式2所示： 整理得到瞬时转速的非线性连续时间状态空间模型为： 式3中，y为系统的瞬时转速；2设采样步长为Δt，对式3的连续状态空间方程进行离散化，则状态变量x在tk-1时刻的导数可近似为： 将tk、tk-1用k、k-1代替，式4变换成：xk＝xk-1+△t·fxk-15此时， 则离散状态空间模型可表示为： 其中，C＝[101]。步骤三、基于卡尔曼滤波的瞬时转速最优估计；1考虑过程噪声wk和测量噪声vk后，则式7可写为： wk与vk为互不相关的零均值高斯白噪声，其协方差矩阵分别为Q和R。其中Q是3×3维对角阵，Q＝diag[q1q2q3]，R为一维标量；q1，q2，q3和R根据实际情况进行取值；根据卡尔曼滤波算法，设xk的估计值为分为先验估计值和后验估计值2对非线性模型8进行线性化：在采样时刻k，状态变量xk在k-1时刻的后验估计值为在wk-10＝0处，对xk＝gxk-1,wk-1处进行泰勒级数展开，省略二阶以上的项，得到状态方程的近似线性化表达： 其中，Ak-1和Mk-1为xk在处的雅可比矩阵，其中， Mk-1为定值： 3基于卡尔曼滤波的最优估计方法包括时间更新和测量更新两个更新过程：时间更新阶段利用非线性模型计算状态先验估计值，测量更新阶段利用瞬时转速测量值与先验估计值之间的误差进行反馈修正，计算后验估计值，使后验估计值逐渐趋近于真实值；具体步骤如下：A、时间更新阶段：①将状态变量xk在k-1时刻的后验估计值带入非线性模型7，计算先验估计值即： 当k＝1时，为预设值；②根据式10计算状态变量xk的雅可比矩阵Ak-1；③利用步骤②得到的雅可比矩阵Ak-1和上一时刻的Pk-1+，计算先验估计值协方差矩阵Pk-，即：Pk-＝Ak-1Pk-1+Ak-1T+Mk-1·Q·Mk-1T13当k＝1时，P0+、Q为预设值；B、测量更新阶段：④利用步骤③得到的先验估计值协方差矩阵Pk-计算卡尔曼滤波增益Kk：Kk＝Pk-CT[C·Pk-·CT+R]-114⑤根据反馈的瞬时转速yk修正估计系统，并将所得后验估计值用于下一时刻的时间更新： ⑥计算后验估计误差协方差矩阵Pk+，用于下一时刻的时间更新：Pk+＝I-Kk·CPk-I-Kk·CT+Kk·R·KkT16⑦计算瞬时转速估计值： C、设置采样时间、状态变量初值误差协方差的初值P0+，以及Q和R的初值；根据式12至式17进行循环，不断更新系统状态、卡尔曼滤波增益与协方差矩阵从而实现对瞬时转速的估计。

全文数据：

权利要求：

百度查询： 哈尔滨工程大学 基于EKF的多缸发动机瞬时转速实时观测方法