排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
针对分布式驱动农业车辆在路面参数辨识过程中,因路面环境变化出现的状态模型误差和时变噪声,导致辨识结果发散的问题,提出了基于自适应强跟踪无迹卡尔曼滤波(Adaptive strong tracking unscented Kalman filter, ASTUKF)的辨识方法。与传统内燃机农业车辆相比,分布式驱动可以直接获取驱动轮的状态信息,结合含有峰值附着系数和极限滑转率的μ-s曲线模型,建立了无迹卡尔曼滤波(Unscented Kalman filter, UKF)辨识算法的状态方程和量测方程。同时,将强跟踪滤波(Strong tracking filter, STF)和自适应滤波(Adaptive filter, AF)引入辨识算法,用以提高对多变环境的识别精度和鲁棒性,并采用奇异值分解(Singular value decomposition, SVD)解决了迭代过程中出现的非正定矩阵的问题。仿真试验结果表明,在突变噪声环境工况下,ASTUKF辨识结果可以快速收敛至目标值附近,且不受突变噪声的影响,各驱动轮峰值附着系数估计结果的平均绝对误差(Mean absolute error... 相似文献
2.
针对温室小型农机对地面平整度敏感,微小的地面起伏便会造成机具俯仰的情况,基于课题组已开发的温室电动拖拉机,将基于时间序列分析的角度预测方法引入前馈PID控制(Angle prediction and feedforward PID,APF-PID),解决了温室旋耕作业中因机具俯仰而出现的响应性差、耕深不稳定和功率突变的问题。建立了温室电动拖拉机旋耕作业的功率模型,并建立了俯仰角-耕深的转换矩阵,得到了旋耕系统实际耕深的转换值;采用时间序列分析预测机身俯仰角,并作为旋耕系统的扰动输入;结合耕深的转换值和预测得到的扰动,采用APF-PID控制器调节旋耕系统的提升机构,将旋耕机维持在目标耕深;在温室内未旋耕和已旋耕的两种地块进行实车试验。结果表明：俯仰角时序预测模型的相关系数可达0.983 2;APF-PID控制的控制性能优于PID控制,在目标耕深6 cm的测试路面中,APF-PID在两种试验地块上的平均耕深分别为6.47 cm和6.44 cm,均方根误差为0.80 cm和0.72 cm,绝对平均误差为0.67 cm和0.58 cm,耕深稳定性系数为89.95%和91.30%,消耗的总能量较... 相似文献
1