作者:席霄鹏,陈茂银,周东华 单位:东北大学 出版:《控制工程》2020年第05期 页数:5页  (PDF与DOC格式可能不同) PDF编号:PDFJZDF2020050010 DOC编号:DOCJZDF2020050019 下载格式:PDF + Word/doc 文字可复制、可编辑
《多传感器数据融合的无人机速率估算与定位》PDF+DOC2016年第10期 吕涛,张长利,王树文,王润涛,张伶鳦,刘超,栾吉玲,周雅楠 《基于多速率卡尔曼滤波方法的位移和加速度数据融合》PDF+DOC2012年第06期 赖韬,伊廷华,王健宇,林友新,李宏男 《空间鼠标算法解析》PDF+DOC2017年第01期 庞玉博 《基于序贯式卡尔曼滤波的车辆定位新方法》PDF+DOC2018年第06期 汤代佳,潘蛟 《多尺度多速率递归Kalman滤波》PDF+DOC2001年第04期 文成林 《机器人IMU与激光扫描测距传感器数据融合》PDF+DOC2000年第06期 金峰,蔡鹤皋 《多速率传感器数据融合及在设备监测中的应用》PDF+DOC2005年第12期 闫莉萍,刘宝生,周东华,吕锋 《基于多传感器技术的机场地面结冰检测系统》PDF+DOC2012年第09期 许一飞,叶林,许丹丹,葛俊锋,王立文 《基于制造物联的生产数据采集与应用技术研究》PDF+DOC2017年第17期 蓝波,吴昊,王一泽,王振超 《多传感器自适应容积卡尔曼滤波融合算法》PDF+DOC2014年第05期 敖志刚,唐长春,付成群,郭杰,叶春雷
  • 针对实际工业过程,多传感器测量系统能够有效保证退化状态的监测质量,并为剩余寿命(Remaining Useful Life,RUL)预测提供充分的信息。考虑到性能和费用约束,各个传感器的采样率可能有所不同。为此,建立多速率传感器测量信息下性能退化的状态空间模型,在此基础之上预测系统的剩余寿命。首先利用序贯卡尔曼滤波进行数据融合并估计隐含的退化状态,为减少冗余数据带来的非必需计算,引入了事件触发机制,保证了运算效率;然后利用期望极大化(Expectation Maximization,EM)算法对模型的未知参数进行在线更新,并由此给出剩余寿命的概率密度函数。数值仿真结果表明,该预测方法具有较高的精度。

    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。