[发明专利]一种基于非线性融合滤波的液位仪噪声优化方法

说明书

本发明涉及一种基于非线性融合滤波的液位仪噪声优化方法。本发明构建一个由线性卡尔曼模型和非线性无迹卡尔曼模型叠加的混合非线性系统融合模型。通过卡尔曼滤波器对线性部分估计得到最优估计和无迹卡尔曼滤波器对非线性部分进行估计，将原非线性滤波问题转化为一个多模型优化滤波估计问题。利用残差的似然函数确定两个滤波器的权重，将融合后的状态估计值和估计误差协方差进行迭代，对声波传感器液位仪模型在测量液面过程中的噪声进行滤波优化，提高了液位仪测量液位的精度。

技术领域

本发明属于滤波优化领域，涉及一种基于非线性融合滤波的液位仪噪声优化方法。

背景技术

基于声波传感器液位仪的测量方法已被成功运用在过程工业的某些领域，低频声波因为具有较长的波长，容易产生衍射现象，可以有效地克服由于泡沫、残留和沉淀等引起的寄生反射问题。实际操作中，使用声波传感器获得的测量会受到噪声的影响，影响测量的精确性。因此，对噪声进行优化处理是很有必要的。

其中卡尔曼滤波算法成本较低，实时性强、计算量小，效率较高，预测结果稳定，卡尔曼滤波在满足白噪声、随机变量服从高斯分布的线性系统中广泛应用。现实生活中目标的状态方程和观测方程很少是线性的。而扩展卡尔曼滤波(EKF)与无迹卡尔曼滤波(UKF)就是两种典型的处理非线性噪声滤波问题的方法。无迹卡尔曼滤波器是一种用来解决强非线性高斯系统滤波问题，其核心思想是采用确定性采样的方法，通过无迹变换将非线性系统模型适用于线性系统假设下的卡尔曼滤波器，但无迹卡尔曼滤波器对强非线性部分估计也只能得到次优估计。

发明内容

本发明针对现有滤波在非线性系统噪声方面的优化，提出了一种基于非线性融合滤波的液位仪噪声优化方法。

本发明的核心思想是，构建一个由线性卡尔曼模型和非线性无迹卡尔曼模型叠加的混合非线性系统融合模型。通过卡尔曼滤波器对线性部分估计得到最优估计和无迹卡尔曼滤波器对非线性部分进行估计，将原非线性滤波问题转化为一个多模型优化滤波估计问题。利用残差的似然函数确定两个滤波器的权重，将融合后的状态估计值和估计误差协方差进行迭代，对声波传感器液位仪模型在测量液面过程中的噪声进行滤波优化，提高了液位仪测量液位的精度。

本发明包括以下各步骤：

步骤(1)将液位仪模型构建为线性模型和非线性模型

声波传感器液位仪模型的状态模型和观测模型分别为：

z_k＝x_k+v_k (2)

令则状态模型和观测模型可表示为：

x_k＝f_k-1(x_k-1)+w_k-1 (3)

z_k＝x_k+v_k (4)

其中，f_k-1(x_k-1)是由线性模型和非线性模型叠加的混合模型。A、B、C为系数。x_k为状态量，表示液位仪测量液面距警戒线的距离，z_k为状态观测值。定义滤波权重因子其中，为线性部分的权重，为非线性部分的权重。已知系统初始状态初始估计误差协方差P₀、过程噪声w_k-1的协方差Q和观测噪声v_k为R。则状态值x_k可表示为线性和非线性模型两部分如下：

其中