《基于EMA_UKF的移动机器人传感器故障诊断》PDF+DOC
作者：赵贝贝,徐雪松,张凤云
单位：中国技术经济学会
出版：《科学技术与工程》2017年第05期
页数：7页 （PDF与DOC格式可能不同）
PDF编号：PDFKXJS2017050400
DOC编号：DOCKXJS2017050409
下载格式：PDF + Word/doc 文字可复制、可编辑
《基于交互多模型无味卡尔曼滤波的移动机器人故障诊断》PDF+DOC2016年第02期 万伟,张凤云,杨斌
《HHT在移动机器人传感器故障诊断中的应用》PDF+DOC2017年第14期 汤继磊,高建华
《一种电动汽车传感器故障诊断与容错控制策略》PDF+DOC2017年第01期 谢恩,汪兆栋,汪玄旺
《未知环境中移动机器人故障诊断与容错控制技术综述》PDF+DOC2005年第04期 段琢华,蔡自兴,于金霞
《基于模糊奇偶方程的非线性系统传感器故障诊断》PDF+DOC2003年第01期 宋华,张洪钺
《轧制力传感器故障诊断方法研究》PDF+DOC2012年第06期 刘波峰,张建强,陈湘林,杨传柱,詹国镇,廖志锋
《基于UKF的室内移动机器人定位技术研究》PDF+DOC2011年第05期 陈朋,陈伟海,于守谦
《基于自适应滤波器的无人水下机器人传感器故障诊断研究》PDF+DOC2010年第09期 陈亮
《基于健康蜕化的航空发动机传感器故障诊断(英文)》PDF+DOC2009年第01期 薛薇,郭迎清
《水下机器人传感器故障诊断》PDF+DOC2007年第04期 王建国,万磊,徐玉如
针对移动机器人多传感器单个或组合故障的情况，提出一种基于EMA_UKF(expected mode augmentation-unscented Kalman filter)方法，用于解决传统固定结构交互多模型算法(FSMM)因模型数量多而造成实时性较差，以及扩展卡尔曼滤波(EKF)计算复杂且精度不高的问题。EMA_UKF方法将期望模型扩张算法(EMA)与无味卡尔曼滤波方法(UKF)相结合，首先利用模型集合自适应来确定期望模型；然后用期望模型扩张初始模型集，通过UKF滤波得到接近真实模型状态的估计结果，判断传感器故障类型。最后，通过与传统的FSMM方法的实验对比，表明该方法能够有效地判断出移动机器人单个或组合传感器故障类型，并且明显地提高了诊断精度。
提示：百度云已更名为百度网盘（百度盘），天翼云盘、微盘下载地址……暂未提供。