文献类型：学位论文

中文题名：汽车测试仿真中的自适应卡尔曼滤波的研究

作者：刘云[1];

机构：[1]华东理工大学;

导师：林家骏;华东理工大学|李胜生;华东理工大学

授予学位：硕士

语种：中文

中文关键词：汽车测试仿真;自适应控制;神经网络;模式识别;卡尔曼滤波;MATLAB模型

摘要：为了满足人们对汽车发动机油耗排放等性能要求高的迫切需求，汽车厂家在硬件测试环(HIL)的基础上提出了Engine-in-Loop的汽车测试方法，该方法在实验室中利用高转速低转动惯量的测功机和实物的发动机相互连接来模拟虚拟的汽车模型，在发动机的性能测试大纲中有很多种转速曲线要求，传统的实验中往往采用PID算法来控制系统而PID算法对非线性系统存在一定的局限性。卡尔曼滤波是一种估计问题，特别是对动态行为的状态估计，它能实现实时运行状态的估计和预测功能，状态估计方程是卡尔曼滤波的重要组成部分。卡尔曼滤波是一种基于最小方差的递推式滤波算法，系统模型和噪声知识决定了滤波的性能和估计的准确性，不仅可以运用在一维系统中也可运用在多维系统中，很模糊的经验知识会导致滤波性能的下降甚至发散。但是在实践工程当中又很难精确得到一个系统的具体数学模型，在加上工程运用过程中的各种电磁干扰等，这就更加的导致卡尔曼滤波发散。神经网络算法具有实现任何复杂非线性映射的功能，该模型是个黑匣子，本文先用RBF神经网络算法进行训练，之后在用MATALAB得出系统的状态模型。利用RBF得到的系统状态方程结合卡尔曼算法提出基于自适应卡尔曼滤波算的系统仿真。<br>　　本论文首先从传统的PID控制系统分析得出其优缺点，从而引出卡尔曼滤波。文中对卡尔曼滤波进行MATLAB仿真，从仿真结果中分析了卡尔曼滤波相对于传统PID算法的优越之处，同时也分析卡尔曼滤波的缺点。基于卡尔曼滤波的缺点本文又提出利用神经网络的模式识别功能弥补卡尔曼不足。论文中给出了MATLAB的仿真分析结果，结果表明神经网络的黑箱建模的能力能够弥补在不知道系统的数学模型的系统的条件下运用卡尔曼滤波的不足。<br>　　本文同时给出了汽车模型开发的结构，提出了EIL概念，分析了基于V模型开发汽车模型的优点。分析了汽车模型当中几个关键的子模型，给出了模型的理论公式。在汽车模型的基础上首先在MATLAB环境中运用PID算法来调节系统，得出波形图。然后在MATLAB环境中运用卡尔曼结合神经网络来调节系统得出波形图。从两个结果比较中得出后者算法能够运用于实践当中，能够提高系统性能，减少开发调试时间。文章最后给出了汽车测试设备的MATLAB模型仿真结果和测试设备的硬件仿真结果。<br>