Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 9

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  Kalman filters
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available remote Tracking swarms of unmanned aerial systems
EN
The proliferation of cheap Unmanned Aerial Systems (UAS) poses some significant challenges for the Ground Based Air Defence (GBAD) environment. Individual UAS are inherently difficult to detect, track, classify and identify, but the challenges are exacerbated if UAS are deployed in swarms. It can be appreciated that small physical size, combined with the extensive use of non-metallic materials, will render an individual UAS difficult to detect from a radar’s perspective. If such targets are deployed in a group, then the radar response is likely to consist of intermittent, uncorrelated observations on random subsets of the swarm as a whole, with no guarantee that observations made on individual constituent UAS will be consistent from scan to scan. This paper describes a tracking filter model that is able to simultaneously track the swarm centroid and the spatial dispersion of constituent UAS, without requiring any pre-processing of radar returns into clusters. Although this paper is primarily concerned with UAS, the authors are aware that other types of platform may usefully be employed in swarms, for example satellites, and that some large and complex unitary systems may present swarm-like characteristics to sensors. The principles discussed here may also be applicable in these other cases.
PL
W artykule zamieszczono równania określające oczekiwane liczby linii przechodzących przez k punktów, zdefiniowanych jako wąskie prostokątne obszary o zadanych wymiarach, które można znaleźć w szerszym kwadratowym obszarze zawierające punkty rozmieszczone z rozkładem normalnym. Zamieszczono wyniki symulacyjne, stanowiące podstawę do oceny prawdopodobieństwa tego, że liniowe serie pomiarów w środowisku zakłóconym mają charakter losowy.
EN
In this paper, algorithms of the state estimation of dynamical systems, using different types of particle filters, have been presented. Three Particle Filter methods have been used: Bootstrap Filter, Auxiliary Particle Filter and Likelihood Particle Filter. These methods have been applied to two nonlinear objects, with quadratic measurement functions. The results have been additionally compared with the outcome from Kalman filters. Based on the obtained results (5 different quality indices) the estimation methods have been evaluated.
PL
W niniejszej pracy zostały przedstawione algorytmy estymacji stanu układów dynamicznych za pomocą różnych rodzajów filtrów cząsteczkowych. Zaprezentowano trzy metody filtrów cząsteczkowych: algorytm Bootstrap, pomocniczy filtr cząsteczkowy i wiarygodny filtr cząsteczkowy. Metody te zastosowano dla dwóch obiektów nieliniowych o kwadratowych funkcjach pomiarowych. Z filtrami cząsteczkowymi zostały dodatkowo zestawione metody filtru Kalmana. Na podstawie uzyskanych wyników (5 różnych wskaźników jakości) metody estymacji zostały ocenione.
EN
This paper describes a study and the experimental verification of sensorless control of permanent magnet synchronous motors using Kalman filters. There are proposed two structures, extended and unscented Kalman filters, which use only the measurement of the motor current for on-line estimation of speed, rotor position and load torque reconstruction. The Kalman filter is an optimal state estimator and is usually applied to a dynamic system that involves a random noise environment. These structures are described in detail, starting with the selection of the variables state vector, the filters structure, and ending with in-depth laboratory tests. It has become possible, without using position and torque sensors, to apply these control structures as a cost-effective solution. Experimental results confirm the validity of the proposed estimation techniques.
EN
A multislice, 2.5 dimensional model was used to calculate the state variables waveforms of an asynchronous machine. In this model a magnetic field is calculated in orthogonal to the machine axis, two-dimensional intersections with use of the finite element method. The wavelet transform was used to visualize the waveform harmonic components. The performed analysis showed that the wavelet transform can be successfully used in the analysis of the asynchronous machine waveforms, as an alternative to the short time Fourier transform. The calculations were performed in the Academy Computational Center in Cracow, Poland.
PL
Do obliczenia przebiegów zmiennych stanu maszyny asynchronicznej zastosowano model "multislice 2.5D". Model ten oblicza pole magnetyczne w przekrojach prostopadłych do osi maszyny wykorzystując metodę elementów skończonych. Dla celów analizy quasistacjonarnych przebiegów w maszynie przedstawiono alternatywną do metody krótkoczasowego przekształcenia Fouriera (STFT) metodę falek (wavelet). Obliczenia wykonane zostały w Akademickim Centrum Obliczeniowym w Krakowie. W celu określenia ilości pękniętych prętów oraz odcinków pierścieni klatki wirnika silnika asynchronicznego zastosowano filtr UKF. Dawał on dokładne informacje, podając numery uszkodzonych prętów oraz odcinków pierścieni. Dla uzyskania tak dokładnych informacji filtr ten wymagał pomiarów prądów stojana oraz prądów dodatkowych, jednozwojowych cewek umieszczonych na zębach stojana, a obciążonych dużymi rezystancjami (~1 k?). Potrzebny też był pomiar prędkości obrotowej wirnika i związany z tym kąt obrotu wału maszyny. Opracowana metoda nadaje się do ochrony dużych, kosztownych napędów asynchronicznych.
EN
The neural extended Kalman filter (NEKF) is an adaptive state estimation technique that can be used in target tracking and directly in a feedback loop. It improves state estimates by learning the difference between the a priori model and the actual system dynamics. The neural network training occurs while the system is in operation. Often, however, due to stability concerns, such an adaptive component in the feedback loop is not considered desirable by the designer of a control system. Instead, the tuning of parameters is considered to be more acceptable. The ability of the NEKF to learn dynamics in an open-loop implementation, such as with target tracking and intercept prediction, can be used to identify mismodeled dynamics external to the closed-loop system. The improved system model can then be used at given intervals to adapt the state estimator and the state feedback gains in the control law, providing better performance based on the actual system dynamics. This new approach to neural extended Kalman filter control operations is introduced in this paper using applications to the nonlinear version of the standard cart-pendulum system.
EN
Many authors have used a Kalman Filter (KF) or a bank of several KF's as the main component of a fault detection algorithm (see, e.g., [5, 9]). Usually, the residual (or error) from the KF is evaluated against a predetermined threshold and crossing of the threshold level triggers a fault flag. The exact nature of the residual evaluation varies from analysis of the raw signal, to application of relatively complex statistical tests [2, 9, 11]. However, it is not clear from the literature which of the many methods available offer the best results. The paper examines the application of several statistical tests to residuals of a KF implemented as part of a fault detection scheme on an aircraft fuel system simulator test-rig. The experimental results will be evaluated and discussed and recommendations will be made on which methods offer the greatest utility for rapid detection of a leak fault applied to a tank containing fluid on the test-rig. The statistical methods evaluated are: mean deviation, mean absolute deviation, mean square error, root mean square error, sum of square error, weighted sum of square error, paired-t test, r-square and chi-square mean.
PL
W pracy rozważa się problem śledzenia trajektorii poruszających się obiektów przy użyciu rozproszonego systemu śledzenia. W systemie takim trajektoria poruszającego się obiektu jest wyznaczana przez grupę lokalnych estymatorów. Każdy z tych estymatorów korzysta z filtru Kalmana i danych z pojedynczego źródła w celu określenia trajektorii obiektu. Następnie wyznaczone trajektorie przesyłane są do systemu centralnego, gdzie następuje ich fuzja, czyli proces określania na podstawie trajektorii lokalnych jednej, potencjalnie najdokładniejszej trajektorii centralnej.
EN
This paper considers the problem of tracking moving objects using a distributed multi-sensor system. In such a system a trajectory of a moving object is estimated by a group of local estimators. Each local estimator utilizes a Kalman filter and data from a single source to determine a local trajectory of the object. Computed trajectories are sent to a central processor, which performs data fusion, i.e. combines trajectories from multiple local estimators so as to obtain an optimal trajectory, representing possibly best estimates of the kinematics states of the objects.
8
Content available remote Badania porównawcze filtrów dla potrzeb nawigacji
PL
Artykuł prezentuje wyniki badań algorytmów nieliniowej filtracji Kalmana, stosowanych aktualnie w zintegrowanych systemach pozycjonujących. W wielu aplikacjach nawigacyjnych model systemu nie jest liniowy i zawiera zależności nieliniowe w równaniach stanu i/lub w pomiarowym. Najczęściej nieliniowości są spowodowane koniecznością przekształcania układów współrzędnych. W takich przypadkach należy dokonać Iinearyzacji modelu sytemu. Jednym z możliwych rozwiązań jest rozszerzony filtr Kałmana EKF (Extended Kalman Filter). Alternatywą dla rozszerzonego filtru Kalmana jest bezśladowy filtr Kalmana UKF (Unscented Kalman Filter), który nie linearyzuje modeli procesów i pomiarów, ale operuje na parametrach statystycznych poddanych nieliniowym przekształceniom. Podstawą działania UKF jest przekształcenie bezśladowe. Celem artykułu jest porównanie jakości estymacji położenia i prędkości obiektu w systemach nawigacyjnych przy użyciu dyskretnego, rozszerzonego i bezśladowego filtru Kalmana jako algorytmów przetwarzania danych nawigacyjnych. Badania zrealizowano dla dwóch nieliniowych modeli. Porównanie jakości procesu filtracji zostało przeprowadzone na drodze symulacji komputerowej, zrealizowanej w środowisku MATLAB. Przedstawiono opis modeli i analizę otrzymanych wyników.
EN
The paper presents a comparison of the estimation quality for two nonlinear measurement models of the following Kalman filters: covariance filter (KF), extended filter (EKF) and unscented filter (UKF). Kalman filters in many applications are used for estimation and also for integration of data from Global Navigation Satellite System and from Inertial Navigation System. The classical Kalman filter (KF) is used for linear dynamic systems moreover extended Kalman filter (EKF) for nonlinear systems or unscented Kalman filter is an optimal linear estimator when for the process noise and the measurement noise can be modeled by white Gaussian noise . The KF only utilizes the first two moments of the state (mean and covariance) in its update rule. In situations when the problems are non linear or the noise that distorts the signals is nonGaussian, the Kalman filters provide a solution that may be far from optimal. Nonfinear problems can be solved with the extended Kalman filter. This filter is based upon the principle of Iinearizing the state transition matrix and the observation matrix with Taylor series expansions. Unscented an filter with comparison to EKF does not linearize the model but operates on the statistical parameters of the measurement and state vectors that are subsequently non linearly transformed. ~e unscented Kalman filter is based on the unscented transform (UT).
EN
One of the main objectives of our research is to build several ARMA linear models and nonlinear neuro models for DAT systems such as developed in [2], [3]. Based on these models we have been interested in building some feedback control strategies for these systems [2], [4], [5]. Due to the high complexity of the HVAC systems the requirements for reliability, availability, and security grow significantly and consequently investigations in this field become necessary. The objective of our paper is to develop some strategies for the fault detection and diagnosis (FDD) of the HVAC systems based on frequency and spectral analysis of the system response. The main interest is focused on dealing with the unanticipated valve actuator failures in the most general formulation based on the frequency analysis of the system response. In our study, we consider that the increasing of the backlash opening in the valve actuators could create serious problems by degrading drastically the HVAC system performance. Based on the spectrum analysis we are capable to gather the most significant patterns that characterize well each fault mode detected, and finally a systematic procedure and technique for proper fault accommodation under the unanticipated failures will be developed. As tools we use MATLAB with SIMULINK toolboxes from control systems, system identification and signal processing. Compared to the other FDD strategies developed in HVAC literature, the one presented in this paper is more simple and much easier to apply with the possibility of extension to other possible applications from different fields.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.