CN107077106A - 自抗扰控制的优化参数化 - Google Patents

自抗扰控制的优化参数化 Download PDF

Info

Publication number
CN107077106A
CN107077106A CN201580040793.2A CN201580040793A CN107077106A CN 107077106 A CN107077106 A CN 107077106A CN 201580040793 A CN201580040793 A CN 201580040793A CN 107077106 A CN107077106 A CN 107077106A
Authority
CN
China
Prior art keywords
setting parameter
mrow
parameter
gain
control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201580040793.2A
Other languages
English (en)
Other versions
CN107077106B (zh
Inventor
田刚
艾哈迈德·沙伊尔
吉里什·亚约维迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Danfoss Power Electronics AS
Original Assignee
Laiensi Antrim Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Laiensi Antrim Technology Co Ltd filed Critical Laiensi Antrim Technology Co Ltd
Publication of CN107077106A publication Critical patent/CN107077106A/zh
Application granted granted Critical
Publication of CN107077106B publication Critical patent/CN107077106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/416—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control of velocity, acceleration or deceleration
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41025—Detect oscillation, unstability of servo and change gain to stabilize again

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Feedback Control In General (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

一种用于对控制***进行整定的***使用简化的整定过程来生成鲁棒稳定整定参数，该鲁棒稳定整定参数减小或消除存在长的***空载时间或相位滞后时的不期望的***振动。使用一种控制方法来建立受控***的对象参数和参数化自抗扰控制器的整定参数之间的关系，该整定参数确定为对控制***而言最优或基本上最优。所述对象参数包括***增益、时间常数和空载时间。对应的整定参数包括控制器带宽和***增益估计。将***增益估计用作整定参数能够减轻大空载时间或相位滞后对***响应的影响。一旦这些固定关系被建立，其就能够用来基于***的***增益和主要约束为具体的运动或过程控制应用确定适合的整定参数。

Description

自抗扰控制的优化参数化
技术领域
概括而言，本公开内容涉及运动控制，并且具体而言，涉及在给定***的***增益和主要约束的情况下自动确定控制***的整定参数。
背景技术
许多自动化应用采用运动控制***来控制机器位置和速度。这样的运动控制***通常包括一个或更多个电动机或在控制器的引导下运行的其他运动装置，该控制器依据用户定义的控制算法向电动机发送位置或速度控制指令。一些运动控制***在闭环配置下运行，由此，控制器指示电动机移动到目标位置或转变到目标速度(期望状态)，并且接收指示电动机的实际状态的反馈信息。控制器监测该反馈信息来确定电动机是否已经达到目标位置或速度，并调整控制信号来修正实际状态和期望状态之间的误差。类似的控制技术也用于过程控制应用。在这样的应用中，控制器所生成的控制信号依据控制算法来调节一个或更多个过程变量，并且过程变量的测量值被提供给控制器作为反馈，这允许控制器基于过程变量相对于期望的设置点的实际值来根据需要调整控制信号。
运动控制和过程控制***的设计者力图实现性能和***稳定性之间的最佳平衡。例如，激进地整定的控制器可以导致以高精度和快速响应时间来跟踪期望位置的***，但在存在***噪声和不确定因素的情况下会呈现出不稳定。替代地，更保守地整定控制器会改善***稳定性，但以牺牲性能为代价。理想地，应当选择控制器增益系数以优化性能和***稳定性之间的平衡。为控制器选择适当的增益系数的过程被称作整定。
对控制器增益系数的整定决定了控制器的带宽，该带宽是受控***对控制信号的变化的响应性的测量。受控***对来自控制器的信号的响应部分地是控制器的带宽和受控***的物理特性(例如，惯性、阻尼、摩擦、耦合刚度、相位滞后等)的函数。一般而言，更高的控制器带宽会导致对控制信号更快的输出响应、更好的干扰抑制和更小的跟踪误差。然而，将带宽设置得太高能够通过致使***呈现出对噪声更敏感以及降低闭环鲁棒性(***在合理的***不确定性和干扰的范围内保持稳定的能力)而带来***不稳定性，特别是在存在内在不确定的电动机负载动态的情况下。例如，对于小阻尼运动***，过高的控制器带宽能够对***过激励而导致不期望的振荡，这转而会因为控制器试图稳定所导致的振荡而引起控制器饱和。通过减小控制器带宽能够使***更稳定，但以牺牲性能为代价。由于至少这些原因，必须谨慎地为给定运动控制***选择整定参数以实现鲁棒性能和鲁棒稳定性。
在实现最佳控制器整定时增加了这些困难，一些机械***或过程被设计成使得在由控制器发出控制指令和相应的***响应之间存在相当大的延迟，该延迟被称作空载时间。具有高空载时间或相位滞后的***响应于干扰或设置点改变而经常经历不期望振荡，从而导致性能降低并使得对这样的***的整定更加困难。
发明内容
本公开内容的一个或更多个实施例涉及用于在给定已知的或估计的***空载时间的情况下自动确定控制***的适合的整定参数的***和方法。该***配置为生成充分优化的整定参数，所述整定参数使与大空载时间或相位滞后相关联的振荡和其他性能问题减少或减轻，同时通过减少需要设置的整定参数的数量来简化整定过程。为了这些和其他目的，使用鲁棒稳定性分析来对整定参数和对象参数之间的关系进行建模，其能够通过计算或***识别来获得。使用这种模型，通过向模型提供针对运动控制***的识别出的***参数(例如，***增益、空载时间和时间常数)，能够自动确定针对给定运动或过程控制***的适合的控制器带宽和***增益估计，从而相对于试错法更快地提供充分优化的整定参数。
附图说明
图1是简化的闭环动作控制架构的框图。
图2是描绘针对示例性的无传感器电动机控制应用的随时间变化的电动机转速的示图。
图3是描绘针对过程控制应用的随时间变化的***输出和控制信号的一对示图。
图4是能够基于***的增益和一个或更多个主要约束来确定用于具有高空载时间的***的鲁棒稳定整定参数的示例性整定参数估计***的框图。
图5是图示与整定参数确定部件相关联的示例性输入和输出的框图。
图6是代表鲁棒控制框架中的闭环***的Δ-M互连的表示图。
图7是图示使用整定参数估计***推导鲁棒稳定整定参数的框图。
图8是针对运动控制应用，将常规参数化ADRC控制器和使用整定参数估计***整定的优化的参数化ADRC控制器的性能进行比较的一对示图。
图9是针对过程控制应用，将常规参数化ADRC控制与优化的参数化ADRC控制器进行比较的一对示图。
图10是利用由整定参数估计***生成的鲁棒稳定整定参数的示例性运动控制整定应用的框图。
图11是用于在仅给出受控***的***增益和主要***约束的值的情况下确定鲁棒稳定整定参数的示例性方法的流程图。
图12是用于根据空载时间来确定鲁棒稳定整定参数的示例性方法的流程图。
图13是表示用于实施本文所述的一个或更多个实施例的示例性网络化或分布式计算环境的框图。
图14是表示用于实施本文所述的一个或更多个实施例的示例性计算***或操作环境的框图。
具体实施方式
本文所述的***和方法涉及用于使用简化的整定过程来减小或消除受控机械***中的不期望的振荡的技术。根据一个或更多个实施例，使用一种控制方法来建立受控***的对象参数和参数化自抗扰控制器的、确定为对受控***而言最优或基本上最优的整定参数之间的关系。对象参数能够包括***的***增益、时间常数和空载时间，使得在建立这些关系时将所识别的***空载时间考虑在内。对应的整定参数能够包括控制器带宽和***增益估计。如本文所述将***增益估计用作整定参数能够减轻空载时间或相位滞后对使用参数化自抗扰控制原理进行控制的***的影响。
一旦这些固定关系被建立，则能够用来在给定该***的***参数的情况下确定针对具体的运动控制应用的整定参数。本文所述的技术能够减轻对使用试错法手动地整定控制器的需求，同时通过确定使空载时间或相位滞后所引起的不期望的振荡减轻的整定参数来增强性能。
图1描绘了简化的闭环运动控制架构。虽然图1图示了示例性运动控制***，但是应当领会，本文所述的技术也适用于过程控制***。对控制器102进行编程以控制对机械负载106进行驱动的电动机104。控制器102、电动机104和负载106包括了示例性运动控制***的主要部件。在示例性应用中，负载106能够代表机器人或定位***的轴。在这样的应用中，控制器102发送控制信号108指示电动机104将负载106以期望的速度移动到期望的位置。控制信号108能够被直接提供给电动机104或控制输送到电动机104的功率(并且因而控制该电动机的转速或位置和方向)的电动机驱动器(未示出)。反馈信号110实时地指示电动机104和/或负载106的当前状态(例如，位置、速度等)。在伺服驱动***中，反馈信号110能够例如由跟踪电动机的绝对或相对位置的编码器或旋转变压器(未示出)来生成。在其他类型的***中，反馈信号110可以源自负载(例如，通过对负载的位置或速度的测量)。在缺少位置/速度传感器的无传感器***中，反馈信号能够由速度/位置估计器来提供。在移动操作期间，控制器监测反馈信号110以确保负载106已经精确地达到目标位置。控制器102将由反馈信号110指示的负载的实际位置与目标位置进行比较，并根据需要来调整控制信号108以减小或消除实际位置和目标位置之间的误差。
在另一个示例性应用中，负载106可以代表由电动机104驱动的旋转式负载(例如，泵、旋转式烘干机、洗衣机、离心机等)，其中控制器102控制负载的转动速度。在该示例中，控制器102(经由控制信号108)向电动机104提供指令以从第一速度转变到第二速度，并基于反馈信号110对控制信号108做出必要的调整。
应当领会，本文所述的控制整定技术并不限于在上述示例性类型的运动控制***中使用，而是可应用于基本上任何类型的运动控制应用，包括但不限于传送机控制、材料处理(例如，拾取和放置***等)、堆垛机***、纸幅张力控制和其他类型的运动***。本文所述的整定技术也可应用于过程控制***中，其中控制器102调节一个或更多个过程变量(例如，温度、压力、流量、罐内液位等)。适用的过程控制应用包括但不限于批量控制应用(例如，塑料、玻璃、纸张等)、功率控制、污水处理、油精炼等。
由控制器102响应于期望的位置或速度和(由反馈信号110报告的)目标位置或速度之间的误差而生成的控制信号输出取决于控制器带宽，控制器带宽决定用于控制回路的增益系数。一般而言，更高的带宽导致更好的***性能(例如，更快的控制器跟踪和对作用在闭环***上的外部干扰的更小的敏感度)。然而，根据受控机械***的机械特性，将控制器带宽设置得太高能够通过例如导致不期望的***振荡而使得***不稳定。这样的振荡能够招致不稳定性，造成***延迟，并且由于使***达到稳定状态所需的额外工作而消耗过多的功率。具有相当高的空载时间(在从控制器102发出控制命令与受控***或过程观测到响应之间的时间延迟)的***特别易受不必要的***振荡的影响。具有高空载时间的***的示例包括在其中无传感器的速度估计器引入空载时间的电动机无传感器速度控制应用或在其中某些过程变量在接收控制信号和过程变量响应之间具有固有的高度的空载时间的过程控制应用。具有大的相位滞后的***也易于发生***不稳定。
为了解决这些和其他问题，本公开内容的一个或更多个实施例对参数化的增强的抗扰控制(ADRC)原理进行扩展以处理具有高空载时间或相位滞后的***。为此，反映参数化ADRC控制器中的实际值***增益b的***增益估计b0被用作整定参数，以使用参数化ADRC来减轻空载时间或相位滞后对受控***的影响。通常，b0仅被用作***参数。然而，本文所述的整定技术是基于以下的观察：使用b0作为整定参数能够减少部分地由于相对较大的空载时间或相位滞后而导致的不期望的***振荡。为了促进针对具有高度时间延迟或相位滞后的给定***快速而简单地识别适合的***增益估计b0以及控制器带宽ω0，使用鲁棒稳定性分析来确定最优整定参数(b0和ω0)和***参数之间的关系。该关系被储存为模型(例如，表达式或查找表)，使得能够在仅给出给定控制应用的***增益和***参数(包括***空载时间)的情况下生成提供既精确又稳定的性能的适合的整定参数。
现在描述用于示例性的一阶***的参数化ADRC控制的公式。虽然下面结合示例性的一阶***来描述参数化ADRC控制，但是应当领会，本公开内容的实施例适用于任何阶数的***。
一阶***能够描述为以下传递函数：
y＝x (2)
其中a和b是***参数；而x、y和u分别是***状态、输出和输入。该一阶***能够替代地描述为如下的传递函数：
其中s是拉普拉斯变换算子，是***增益，而是时间常数。
参数化ADRC控制被设计用于通过扩展状态观测器(ESO)来控制该一阶***：
以及控制律：
其中是ESO状态向量，矩阵矩阵矩阵矩阵C＝[10]，P＝ωc，b0是b的识别值，而ω0和ωc分别是观测器和控制器带宽。依据ADRC，ω0和ωc分别是ESO和控制律的整定参数。在一些实施例中，ω0配置为等于ωc。然而，ω0不等于ωc的情况也在本公开内容的一个或更多个实施例的范围之内。
作为替代，控制律也能够表示为：
为了将***的空载时间或相位滞后考虑在内，一阶***加空载时间(FOPDT)能够被描述为以下传递函数:
其中Td是***的空载时间，其表示控制命令的发出与相应的***响应之间的延迟。
当使用常规的参数化ARDC来控制***时，具有相对较大的Td(长延迟时间)的***可能在针对τ的某些范围的情况下经历不期望的振荡行为和降低的性能。图2是描绘针对示例性无传感器电动机控制应用，随时间变化的电动机转速的示图202。在该示例中，常规参数化ADRC控制器与无传感器估计器一起用来控制永磁无传感器电动机(PMSM)。无传感器估计器在***上引起较大的相位滞后(即，等于Td的高值)。在两秒标记204处，对电动机轴施加阶跃干扰，引起电动机转速的瞬时下降，该瞬时下降被控制器迅速地纠正—例如，通过调整针对电动机的力矩控制信号—以保持2000RPM的目标转速。在五秒标记206处，从电动机去除该阶跃干扰。干扰的突然去除使得电动机转速由于增加的力矩控制命令而出现尖峰，该增加的力矩控制命令由控制器发出以补偿两秒标记处的干扰的加入。虽然控制器针对小速度误差、快速响应时间和小振荡来进行整定，然而，由于控制器试图从阶跃干扰的突然去除中恢复，所以观察到电动机转速中的振荡。这些振荡部分地由于***相对较长的空载时间。
一些过程控制应用由于过度的空载时间或相位滞后也易受不期望的振荡的影响。图3是描绘针对过程控制应用的随时间变化的***输出和控制信号的一对示图。***输出(由输出图302中的虚线表示)可以对应于例如由控制信号(由控制图304中的虚线表示)控制的过程变量。图302和304绘制出在对具有都等于5秒的时间常数τ和空载时间Td的一阶对象进行过程控制建模期间所捕获的数据。在该示例中，如输出图302所示，通过控制器在0秒标记处设置0.5pu(每单位)的设置点。在100秒标记306处，设置点增加到0.6pu，使得控制器发出的控制信号如控制图304中所示地增加。如输出图302所示，***输出在常规参数化ADRC控制下转换为新的设置点值期间经历振荡308。
在180秒标记处，阶跃干扰310被施加到***上并且在205秒标记处被去除。随着设置点的改变，由于常规参数化ADRC控制器试图将过程变量返回到设置点，所以在***输出上引起振荡312。
基于观测到调整ADRC控制律中所使用的***增益估计b0(参见以上方程式(5)和(6))能够影响这些振荡并改善性能，本公开内容的实施例解决了由于相对较长的空载时间或相位滞后而引起的振荡的问题。这些原理通过识别并对***参数(***增益k、时间常数τ和空载时间Td)和导致鲁棒稳定性能的适合的整定参数之间的关系进行建模来实施，其中整定参数包括观测器带宽ω0和***增益估计b0。该关系能够通过在观测器带宽ω0和控制器带宽ωc之间的比率保持恒定的情况下通过应用鲁棒控制技术来进行确定。能够应用曲线拟合方法来获得ω0和b0关于自变量k、τ和Td的整定参数值的模型(例如，表达式或查找表)。然后，可以在操作期间储存和利用该模型，以通过输入针对***的***参数值来获得针对给定的控制***的适合的整定参数。
图4是能够基于***的增益和一个或更多个***参数来确定针对具有长空载时间的***的鲁棒稳定整定参数的示例性整定参数估计***的框图。整定参数估计***402能够包括整定参数确定部件404、接口部件406、一个或更多个处理器408、以及存储器410。存储器410能够存储预计算的整定参数模型412，该整定参数模型412限定整定参数(ω0和b0)和***参数(k、τ、Td)之间的函数关系。在各个实施例中，整定参数确定部件404、接口部件406、一个或更多个处理器408、以及存储器410中的一个或更多个能够彼此电耦合和/或通信耦合，以执行控制器带宽估计器402的功能中的一个或更多个功能。在一些实施例中，部件404和406能够包括存储在存储器410上并由处理器408执行的软件指令。整定参数估计***402还可以与未描绘在图4中的其他硬件和/或软件部件交互。例如，处理器408可以与一个或更多个外部用户接口设备交互，比如键盘、鼠标、显示监视器、触摸屏或其他这样的接口设备。
接口部件406能够配置为接收用户输入并以任意适合的格式(例如，可视化的、音频的、触觉的等等)向用户提供输出。用户输入能够例如是针对待受控的***或过程手动提供的***增益k、时间常数τ和空载时间Td的值。这些***参数能够由整定参数估计***402用来确定适合的整定参数(带宽ω0和估计的***增益b0)。整定参数确定部件404能够接收***参数—***增益k、时间常数τ和空载时间Td—的值以及参考整定参数模型412，以在给定所提供的***参数的情况下确定适合的带宽和***增益估计。***参数k、τ和Td能够经由接口部件404手动提供或者被自动确定并被提供给整定参数估计***402。
一个或更多个处理器408能够执行本文参照所公开的***和/或方法而描述的功能中的一个或更多个功能。存储器410能够是计算机可读存储介质，其存储用于执行本文参照所公开的***和/或方法而描述的功能的计算机可执行指令和/或信息。
图5是图示与整定参数确定部件404相关联的示例性输入和输出的框图。根据一个或更多个实施例，能够推导出整定参数模型412，其对用于控制器的鲁棒稳定整定参数的值和用于待使用该控制器来控制的***的主要***参数之间的关系进行建模。由整定参数模型412定义的该关系能够通过使用任意合适的稳定性分析方法来推导，包括但不限于鲁棒稳定性分析和优化。由于所定义的关系可应用于***增益k、时间常数τ和空载时间Td各自的值的一定范围，因此整定参数模型412能够用来确定针对具有不同程度的空载时间的大量控制***(例如，动作控制***、过程控制***等)的适合的控制器整定参数。给定了由整定参数模型412所体现的固定关系，整定参数确定部件404仅需要***参数502的估计值来确定针对给定的运动控制或过程控制应用的适合的整定参数506。然后，这些整定参数506能够用来在给定***的长空载时间或相位滞后的情况下针对鲁棒稳定性能对控制器进行整定。
由于对ADRC控制律中所使用的***增益估计b0的调整能够影响具有大空载时间或相位滞后的***中的不期望的振荡，所以整定参数确定部件404能够配置为根据***增益k(其中)、时间常数τ和空载时间Td生成作为整定参数的***增益估计b0和控制器带宽ω0(参见方程式(7)所表示的FOPDT***)。为此，由整定参数模型412表示的关系能够通过应用鲁棒控制框架来建立。
如上所见，能够使用传递函数(7)来描述包括空载时间的一阶***。使用鲁棒控制框架并维持ω0和ωc之间的恒定比，闭环就能够由图6中所示的Δ-M互连600来表示，其中M表示作为控制器带宽ω0和估计***增益b0(设计参数)的函数的闭环***，而Δ是由于对参数τ和Td的估计中的固有变化而引起的不确定性。
鉴于以上，能够推导出对于一定范围的k、τ和Td值的可实现的控制器带宽ω0和***增益估计b0的函数近似。该函数近似形成整定参数模型412的基础。例如，对于给定范围的***参数值k、τ和Td，能够开发迭代搜索算法来寻找满足鲁棒稳定性约束的控制器带宽ω0和***增益估计b0值。在一个或更多个实施例中，稳定性判据能够由被称为MU分析的结构化奇异值(SSV)给出，使得在以下条件下确保鲁棒稳定性：
μ1((M)＜1 (8)
在示例性***中，迭代搜索算法能够在针对k、τ和Td的一定范围的***参数值上确定控制器带宽ω0和***增益估计b0的鲁棒稳定值，以满足最优化准则。能够对在其上执行迭代搜索算法的(k、τ、Td)的范围进行选择，以大体上符合针对正在检查的运动***或过程的类型的合理的不确定性的范围。一旦迭代搜索算法已经针对一定范围的***参数产生一组可实现的控制器带宽ω0和***增益估计b0，就能够对所得的一组值应用曲线拟合技术(例如，最小二乘或其他这样的技术)来获得***参数(k、τ、Td)和鲁棒稳定整定参数(b0，ω0)之间的近似函数关系。
使用这些技术，针对鲁棒稳定整定参数(b0，ω0)的广义函数推导为仅三个***参数—***增益k、时间常数τ和空载时间Td—的函数，如以下函数式所示：
[b0,ω0]＝f(k,τ,Td) (9)
一旦获得可实现的鲁棒稳定整定参数和***的主要参数之间的函数关系(以关系式(9)为例)，该关系就形成带宽模型412的基础。即，所推导的关系能够被存储为带宽模型412并且后续由整定参数确定部件404来存取，以在仅给定***增益和主要约束的情况下，确定针对给定运动或过程控制应用的适合的鲁棒稳定整定参数。图7图示根据一个或更多个实施例的鲁棒稳定整定参数的示例性推导。接着之前的示例，整定参数模型412对以上推导的函数关系(9)进行编码，其将鲁棒稳定整定参数(b0，ω0)定义为***增益k、时间常数τ和空载时间Td的函数。整定参数模型412能够被存储为便于整定参数确定部件404存取的任意适合的格式(例如，对k、τ和Td的值以及整定参数b0，ω0的值交叉引用的查找表；能够反馈***参数值以促进整定参数计算的公式等)。
***设计者能够向整定参数估计***402反馈针对给定***的增益702、时间常数704和空载时间706的估计或测量值。给定了这些***参数值，整定参数确定部件404能够参照整定参数模型412来确定与估计值702、704和706相对应的适合的控制器带宽708和***增益估计710。控制器带宽708和***增益估计710代表由整定参数模型412为给定了***参数702、704和706的***提供鲁棒稳定性而定义的适合的整定参数。这些整定参数708和710能够被***设计者用来针对鲁棒性能和稳定性对控制器进行整定。例如，能够使用ω0和b0的值来利用分别由方程式(4)和(5)所表示的ESO和控制律来整定控制器。
在一些情况下，整定参数估计***402可以向显示器(例如，通过接口部件406)输出ω0和b0的确定值，使得能够查看整定参数值并将其输入到单独的运动控制或整定应用中。在一些实施例中，整定参数估计***402可以将规定的整定参数值直接提供给运动或过程控制器以便进行整定。
通过利用上述技术，整定参数估计***的实施例能够排除手动试错法整定，并且提高具有相对较长的空载时间或相位滞后的***的闭环性能。此外，由于整定参数估计***通过将鲁棒稳定整定参数描述为***参数的函数而使鲁棒性函数式简化，因此***设计者不需要将控制器整定为保守的低带宽以便确保鲁棒稳定性。由函数关系(9)所给出的整定参数和***参数之间的函数关系在合理不确定性的范围内是相对静态的。因此，能够在嵌入式控制应用的范围内容易地实施带宽模型412，以促进鲁棒和简化的控制器设计。
图8是对常规参数化ADRC控制器和使用上述技术整定的优化参数化ADRC控制器的性能进行比较的一对示图。图8中的图表示类似于图2的图的情况，其中，首先在两秒标记处对无传感器电动机控制应用中的电动机轴施加阶跃干扰，然后在5秒标记处去除。图802中的虚线代表常规参数化ADRC情况下的电动机转速(类似于图2中的绘图)，而实线代表当已使用由整定参数估计***402基于由整定参数模型412所定义的关系而规定的控制器带宽ω0和***增益估计b0作为整定参数对控制器进行整定时的发动机转速。如图802所示，相对于常规参数化ADRC方案，优化参数化ADRC方案使与在5秒标记处的干扰去除相关联的大部分振荡消除。优化参数化ADRC方案还在干扰过渡期间产生更平滑的控制信号，如图804所示。
图9是针对以上结合图3所描述的过程控制应用，对常规参数化ADRC控制与ADRC的优化参数化进行比较的一对示图。如这些图所示，当使用由整定参数估计***402生成的控制器带宽ω0和***增益估计b0来整定控制器时，(图902上所绘的)受控的过程变量和(图904上所绘)控制信号响应于设置点改变和阶跃干扰的振荡较少。
图10图示了利用由本主题的整定参数估计***生成的鲁棒稳定整定参数的示例性运动控制整定应用。在该示例中，整定应用1004用于整定控制器1002的控制器增益，其中控制器1002控制电动机驱动的运动***或过程控制***(未示出)的操作。整定参数估计***402能够根据上述技术确定针对控制器1002的适合的控制器带宽(ω0)708和***增益估计(b0)710。例如，能够向整定参数估计***402提供对受控机械***的***增益(k)702、时间常数(τ)704和空载时间(Td)706的估计。在一个或更多个实施例中，这些估计的***参数能够由***设计者来独立确定并手动反馈给整定参数估计***402。在其他实施例中，能够使用任意适合的***参数测量***来自动或半自动地估计***参数k、τ和Td中的一个或更多个，并随后将其提供给整定参数估计***402。
然后，整定参数估计***402能够针对以***增益702、时间常数704和空载时间706为特征的***，通过参照整定参数模型412来确定适合的控制器带宽708和***增益估计710，整定参数模型412已经被先验推导出(例如，使用上述技术)并且其限定了鲁棒稳定整定参数(ω0和b0)和***参数k、τ和Td之间的函数关系。
一旦已经确定适合的控制器带宽708和***增益估计710，整定参数估计***402就能够将这些值提供给整定应用1004。替代地，整定参数估计***402能够在用户接口上呈现估计的控制器带宽708和***增益估计710，从而允许用户将这些值手动地输入到整定应用1104中。然后，整定应用1104能够基于提供的控制器带宽708和***增益估计710的值来设置一个或更多个控制器增益1106。对于ADRC控制器，只需要对控制器带宽ω0和***增益估计b0进行优化以促进对控制器1002进行整定以便进行鲁棒稳定控制，从而简化对控制回路的整定的过程。
在一些应用中，本文所述的整定参数估计***能够用来在常规操作之前，在运动或过程控制***的初始部署期间确定鲁棒稳定整定参数。具体而言，整定参数估计***能够在运行时间之前结合对控制器进行配置和整定来使用。一旦设置，带宽和***增益估计通常在***启动后保持固定，除非决定后来对***进行再整定。然而，在一些实施例中，整定参数估计***能够配置为在运行时间期间周期性地或连续地自动再计算适合的整定参数。使用这样的配置，能够在常规操作期间基本上实时地动态调整基于控制器带宽和***增益估计值的控制器参数，以补偿运动***的机械性能的逐渐改变(例如，由于机械磨损而造成的电动机负载的改变)，这可能导致***的整体空载时间或其他性能特性上的改变。
在多种实施例中，整定参数估计***可以体现为独立***，或者可以是控制设备(例如，工业控制器、微控制器、电动机驱动器、***芯片等)的集成部件。整定参数估计***还可以体现为控制器程序开发平台的部件；例如，开发平台的功能插件部件、可用的功能模块库中所包含的供程序开发者选择的指令块等。
图11-12图示依据某些公开方面的多种方法。尽管处于简单地进行说明的目的而将这些方法示出并描述为一系列行为，但应当理解并领会的是，所公开的方面并不受行为的顺序限制，因为一些行为可以以与本文所示和所述顺序不同的顺序和/或与其他行为同时发生。例如，本领域技术人员将理解并领会，方法能够可替换地表示为一系列的相关状态或事件，比如在状态图中。此外，实施依据某些公开方面的方法可以不需要实施所有图示的行为。另外，要进一步领会的是，下文和整篇文章所公开的方法能够被存储在工业制品上以便于向计算机输送和转移这些方法。
图11图示用于在给定受控***(例如，运动控制或过程控制***)的***参数值的情况下确定鲁棒稳定整定参数的示例性方法1100。初始地，在1102，针对合理不确定性的范围，对鲁棒稳定整定参数和约束整定参数的一个或更多个主要***参数之间的关系进行建模。在1104，接收针对给定运动控制***或过程控制***的***参数(例如，***增益、***空载时间、时间常数等)。所述***参数可以经由手动输入来接收，或者可以从基于所观测到的***响应而生成对***参数的估计的估计***来接收。在1106，使用在步骤1102创建的所建模的关系来确定针对以从步骤1104接收的***参数为特征的控制***的鲁棒稳定整定参数。特别地，通过仅提供估计的或测量的***参数来获得所述整定参数。所述整定参数至少包括***增益估计b0。虽然通常仅将b0视为***参数，但方法1100将b0用作整定参数以至少部分地减轻由于长***空载时间或相位滞后而造成的性能问题(例如，过度的***振荡)。
图12图示用于根据***空载时间来确定鲁棒稳定整定参数的示例性方法1200。初始地，在1202，将鲁棒稳定整定参数之间的关系建模为***参数的函数，***参数包括***增益k、时间常数τ和空载时间Td。整定参数包括控制器带宽ω0和***增益估计b0。在1204，将在步骤1202生成的模型与整定参数估计***相关联地存储(例如，作为表达式或查找表)。
在1206，将闭环***的***增益k、时间常数τ和空载时间Td的值提供给整定参数估计***。在一个或更多个实施例中，设计者能够通过任意适合的方式独立地获得这些***参数。替代地，能够基于所测量的运动控制或过程控制***对一个或更多个测试控制信号的响应来自动或半自动地确定***参数。在1208，基于在步骤1206所提供的k、τ和Td的值，使用在步骤1202所推导的建模的关系来确定针对运动控制或过程控制***的***增益估计b0和控制器带宽ω0。
本领域普通技术人员能够领会，本文所述的多种实施例能够与任意计算机或其他客户端或服务器设备结合来实施，其能够部署为计算机网络的一部分或部署在分布式计算环境中，并且能够与可以查找介质的任何类型的数据存储相连接。就此而言，本文所述的视频编辑***的多种实施例能够在具有任意数量的存储器或储存元件(例如，图4的存储器410)和跨任意数量的储存元件发生的任意数量的应用和过程的任意计算机***或环境中实施。这包括但不限于具有部署在网络环境或分布式计算环境中的服务器计算机和客户端计算机并具有远程或本地存储的环境。例如，参照图4，整定参数估计部件404和接口部件406能够储存在与单一设备相关联的单一存储器410上，或者能够分布在与各自的多个设备相关联的多个存储器之间。类似地，整定参数估计部件404和接口部件406能够由单一处理器408来执行或者由与多个设备相关联的多个分布式处理器来执行。
分布式计算通过计算设备和***之间的通信交换来提供计算机资源和服务的共享。这些资源和服务包括信息的交换、高速缓存存储和用于对象的磁盘存储。这些资源和服务还能够包括跨多个处理元件的处理能力的共享以平衡负载、扩展资源、处理专门化等。分布式计算利用网络连通性，允许客户利用其集体力量使整个企业受益。就此而言，各种社诶可以具有会参与本公开内容的多种实施例的应用、对象或资源。
图13提供示例性的网络或分布计算环境的示意图。分布式计算环境包括计算对象1310、1312等，以及计算对象或设备1320、1322、1324、1326、1328等，其可以包括如应用1330、1332、1334、1336、1338所表示的程序、方法、数据存储、可编程逻辑等。应当能够领会，计算对象1310、1312等，以及计算对象或设备1320、1322、1324、1326、1328等可以包括不同的设备，比如个人数码助手(PDA)、音频/视频设备、移动电话、MP3播放器、个人计算机、笔记本计算机、平板计算机等，其中本文所述的控制器带宽估计器的实施例可以存在于这样的装置上或与其交互。
每个计算对象1310、1312等以及计算对象或设备1320、1322、1324、1326、1328等能够通过通信网络1340直接或间接地与一个或更多个其他计算对象1310、1312等以及计算对象或设备1320、1322、1324、1326、1328等通信。即便在图13中图示为单个元件，但是通信网络1340可以包括将服务提供给图13的***的其他计算对象和计算设备，和/或可以表示未示出的多个互联网络。每个计算对象1310、1312等或者计算对象或设备1320、1322、1324、1326、1328等还能够包含应用，比如应用1330、1332、1334、1336、1338(例如，整定参数估计***402或其部件)，所述应用可以利用API或适于与本公开内容的多种实施例通信或对其进行实施的其他对象、软件、固件和/或硬件。
存在支持分布式计算环境的各种***、部件和网络配置。例如，计算***能够由有线或无线***通过本地网络或广布式网络连接在一起。当前，许多网络耦接于互联网，互联网为广布式计算提供基础设施并包含许多不同的网络，但任意适合的网络基础设施能够用于伴随如本文的多种实施例所述的***而进行的示例性通信。
因此，能够利用许多网络拓扑结构和网络基础设施，比如客户端/服务器、点对点或混合架构。“客户端”是使用另一个类或组的服务的一个类或组的成员。客户端能够是计算机进程，例如大致一组指令或任务，其需要由另一个程序或过程所提供的服务。客户端进程可以利用所请求的服务而无需“知道”关于其他程序或服务本身的全部工作细节。
在客户端/服务器架构、特别是网络化***中，客户端能够是访问另一个计算机(例如，服务器)所提供的共享网络资源的计算机。在图13的图示中，作为非限制性的示例，计算对象或设备1320、1322、1324、1326、1328等能够被认为是客户端，而计算对象1310、1312等能够被认为是服务器，其中计算对象1310、1312等提供数据服务，比如接收来自客户端计算对象或设备1320、1322、1324、1326、1328等的数据、储存数据、处理数据、将数据传输给客户端计算对象或设备1320、1322、1324、1326、1328等，但是任意计算机能够根据情况而被视为客户端、服务器或其二者。这些计算设备中的任一个都可以处理数据或请求可能涉及用于本文所述的针对一个或更多个实施例的***的技术的事务服务或任务。
服务器通常是可在远程或本地网络上存取的远程计算机***，比如互联网或无线网络基础设施。客户端进程可以在第一计算机***中激活，而客户端进程可以在第二计算机***中激活，二者在通信介质上彼此通信，因而提供分布式功能并允许多个客户端利用该服务器的信息汇集能力。依据本文所述的技术而利用的任何软件对象可以设为独立式，或跨多个计算设备或对象的分布式。
在例如通信网络1340为互联网的网络环境中，计算对象1310、1312等能够是网络服务器、文件服务器、介质服务器等，客户端计算对象或设备1320、1322、1324、1326、1328等通过若干已知协议中的任一种(比如超文本传输协议(HTTP))与计算对象1310、1312等进行通信。作为也许是分布式计算环境的特征，计算对象1310、1312等还可以充当客户端计算对象或设备1320、1322、1324、1326、1328等。
如所提及的，有利地，本文所述的技术能够应用于任何适合的设备。因此应当理解，考虑将手持式、便携式和其他各种各样的计算设备及计算对象与多种实施例结合使用。相应地，以下在图14中所述的下部计算机仅是计算装置的一个示例。此外，适合的服务器能够包括下部计算机的一个或更多个方面，比如介质服务器或其他介质管理服务器部件。
虽然不要求，但实施例能够部分地通过操作***来实施以供针对设备或对象的服务开发者使用，和/或包括在运行来执行本文所述的多种实施例的一个或更多个功能性方面的应用软件中。可以在计算机可执行指令的一般语境下描述软件，比如程序模块，该软件由一个或更多个计算机(比如客户端工作站、服务器或其他装置)来执行。本领域技术人员将领会，计算机***具有能够用于数据通信的各种配置和协议，因而没有特定的配置或协议会被认为是限制性的。
图14因此图示适合的计算***环境1400的示例，其中能够实施本文所述实施例的一个或更多个方面，但如以上所明确的，计算***环境1400仅是适合的计算环境的一个示例而不意图就使用或功能的范围提出任何限制。计算***环境1400也不被理解为对在示例性的计算***环境1400中图示的部件中的任何一个或组合具有依赖性或要求。
参照图14，其绘示了用于以计算机1410的形式实施一个或更多个实施例的示例性计算设备。计算机1410的部件可以包括但不限于处理元件1420、***存储器1430和***总线1422，***总线1422将包括该***存储器的多种***部件耦接到处理元件1420。处理元件1420可以例如执行与整定参数估计***402的处理器408相关联的功能，而***存储器1430可以执行与存储器410相关联的功能。
计算机1410通常包括各种计算机可读介质并且能够是能够由计算机1410存取的任意可用介质。***存储器1430可以包括易失性和/或非易失性存储器形式的计算机存储介质，比如只读存储器(ROM)和/或随机存取存储器(RAM)。通过示例而非限制，***存储器1430还可以包括操作***、应用程序、其他程序模块和程序数据。
用户能够通过输入设备1440将命令或信息输入计算机1410,其非限制性的示例能够包括键盘、按键、定点装置、鼠标、触针、触摸板、触摸屏、追踪球、运动检测器、照相机、麦克风、操纵杆、游戏手柄、扫描仪或允许用户与计算机1410交互的任何其他装置。监测器或其他类型的显示装置也通过接口(比如输出接口1450)连接于***总线1422。除了监测器，计算机还能够包括其他***输出装置，比如扬声器和打印机，其可以通过输出接口1450连接。在一个或更多个实施例中，输入设备1440能够将用户输入提供给接口部件406，而输出接口1450能够从接口部件406接收与整定参数估计***402的运行相关的信息。
计算机1410可以通过使用与一个或更多个其他远程计算机(比如远程计算机1470)的逻辑链接来在网络化或分布式环境中运行。远程计算机1470可以是个人计算机、服务器、路由器、网络PC、对等设备或其他公共网络节点，或其他远程介质消耗或传输设备，并且可以包括以上关于计算机1410所描述的元件中任一个或全部。图14中绘示的逻辑连接包括网络1472、这样的局域网(LAN)或广域网(WAN)，但还可以包括其他网络/总线，例如蜂巢网络。
如以上所提及的，尽管结合多种计算设备和网络架构来描述示例性实施例，但可以对期望以灵活方式公开或消耗介质的任意网络***和任意计算装置或***应用以下概念。
同样，存在多种方式来实施相同或类似的功能，例如适当的API工具箱、驱动器代码、操作***、控制、独立的或可下载的软件对象等，其使得应用和服务能够利用本文所述的技术。因此，本文的实施例是从API(或其他软件对象)以及实施本文所述的一个或更多个方面的软件或硬件对象的立场考虑的。因此，本文所述的多个实施例能够具有完全以硬件形式、部分以硬件形式且部分以软件形式、以及以软件形式的方案。
本文使用词语“示例性”来表示用作示例、实例或说明。为避免疑义，本文所述的方面不受这种示例的限制。此外，文中描述为“示例性”的任何方面或设计不必解释为相对其他方面或设计优选的或有利的，其也不意味着排除本领域技术人员已知的等同示例性结构和技术。另外，就术语“包含”、“具有”、“含有”和其他类似词语在详细的说明书或权利要求书中使用的方面而言，为避免疑义，这种术语意图被包含在类似于术语“包括”的方法中作为开放式的过渡词而不排除任何附加的或其他的元素。
计算设备通常包括各种介质，其能够包括计算机可读存储介质(例如，存储器410)和/或通信介质，其中这两个术语在本文中彼此不同地使用如下。计算机可读存储介质能够是能够由计算机存取的任意可行存储介质，其典型地为非瞬时特性，并且能够包括易失性和非易失性介质、可移除和不可移除介质。通过示例而非限制的方式，计算机可读存储介质能够与用于储存信息(比如计算机可读指令、程序模块、结构化数据或非结构化数据)的任意方法或技术结合使用。计算机可读存储介质能够包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字通用光盘(DVD)或其他光盘储存，磁带盒、磁带、磁盘存储器或其他磁储存设备、或能够用来储存期望信息的其他有形和/或非瞬时介质。计算机可读存储介质能够例如通过接入请求、查询或其他数据检索协议由一个或更多个本地或远程计算设备来存取，以进行有关介质所储存的信息的各种操作。
另一方面，通信介质通常在比如模块化数据信号(例如，载波或其他传送机构)的数据信号中呈现计算机可读指令、数据结构、程序模块或其他结构化或非结构化数据，并包括任意信息递送或传输介质。术语“已调制的数据信号”或信号参照具有其特征组中的一个或更多个或以对一个或更多个信号中的信息进行编码的方式而改变的信号。通过示例而非限制的方式，通信介质包括有线介质(比如有线网络或直接线连)和无线介质(比如声音、RF、红外线和其他无线介质)。
如所提及的，本文所述的多种技术可以与硬件或软件或者在适当条件下与二者的组合结合实施。如本文所用，术语“部件”、“***”等等同样意在表示有关计算机的实体，要么是硬件，要么是硬件和软件的组合，要么是软件或执行中的软件。例如，部件可以是但不限于是处理器上运行的进程、处理器、对象、可执行文件、执行的线程、程序和/或计算机。通过图示的方式，在计算机上运行的应用和该计算机能够是一个部件。一个或更多个部件可以存在于执行的过程和/或线程中，而一个部件可以在一个计算机上本地化和/或分布在两个或更多个计算机之间分布。此外，“装置”能够呈现为以下形式：具体设计的硬件；通过执行其上的软件而进行了专门化的一般化硬件，其使得该硬件能够执行具体功能(例如，编码和/或解码)；储存在计算机可读介质上的软件；或其组合。
已关于若干部件之间的交互描述了前述***。应当能够领会，这样的***和部件能够包括这些部件或规定的子部件、规定的部件或子部件中的一些和/或另外的部件以及根据前述的各种排列组合。子部件还能够实施为这样的部件，其可通信地耦接于除了包括在母部件之内的部件以外的其他部件。此外，应当注意，一个或更多个部件可以组合到提供集合功能的单一部件中或被分为若干分离的子部件，并且可以提供任意一个或更多个中间层(比如管理层)以通信地耦接到这样的子部件，以便提供整合的功能。本文所述的任意部件还可以与本文中未具体描述但本领域技术人员众所周知的一个或更多个其他部件进行交互。
为了提供或为本文所述的许多推论提供帮助，本文所述的部件能够检查数据的整体或其被授权接入的子集，并且能够提供用于从通过事件和/或数据捕获的一组观测中推导或推断***、环境等的状态。能够采用推理来识别具体的语境或行为，或者能够生成例如关于状态的可能性分布。该推断能够是概率性的——即，基于对数据和事件的考虑而对状态进行的可能性分布计算。推断还能够参照用于从一组事件和/或数据构成更高水平的事件所采用的技术。
这样的推断能够导致从一组观测事件和/或存储的事件数据构建出新的事件或行为，而不管该时间是否以时间接近的方式相关联，也不管时间和数据是来自一个还是若干个事件源。多种分类(明确和/或含蓄地练就的)方案和/或***(例如，支持向量机、神经网络、专家***、贝叶斯智信网络、模糊逻辑、数据融合引擎等)能够与执行自动和/或推断行为结合并且结合所要求保护的主题来实施。
分类器能够将输入属性向量x＝(x1,x2,x3,x4,xn)映射到输入属于一个类别的置信度，表示为f(x)＝confidence(class)。这样的分类能够采用概率性的和/或基于统计的分析(例如，在分析中考虑实用性和费用的因素)来预测或推断用户期望自动执行的行为。支持向量机(SVM)是能够采用的分类器的一个示例。SVM通过在可能输入的空间中查找超曲面来运行，其中该超曲面试图将触发条件从非触发事件中分离出来。初始地，这使得分类对接近但不等于训练数据的测试数据进行校正。其他直接或非直接的模型分类方式包括例如朴素贝叶斯、贝叶斯网络、决策树、神经网络、模糊逻辑模型，并且能够采用提供不同模式的独立性的概率性分类模型。本文所使用的分类还包括用来开发优先级模型的统计回归。
鉴于上述示例性***，参照各个附图中的流程图(例如，图11和图12)将更好地理解可以依据所述主题来实施的方法。尽管为了简化说明的目的而将这些方法示出并描述为一系列框，但应当理解并领会的是，所要求的主题并不受框的顺序的限制，因为一些框可以以与本文所绘和所述的顺序不同的顺序和/或与其他框同时地发生。在通过流程图图示非连续性或分支式的流程的情况下，可以领会的是，可以实施实现相同或类似结果的框的多个其他分支、流程和顺序。此外，并不需要所有图示的框来实施下文所述的方法。
除了本文所述的多种实施例外，要理解的是，可以使用其他类似的实施例，或者可以对所述实施例做出修改和添加以在不背离于此的情况下执行相应实施例的相同或等同功能。更进一步地，多种处理芯片或多种设备能够共享本文所述的一个或更多个功能的执行，并且类似地，储存能够跨多个装置来实现。相应地，本发明并不限于任何单一实施例，而是能够被解释为依据后附的权利要求书的广度、精神和范围。

Claims (15)

1.一种用于确定用于控制***的整定参数的方法，包括：
由所述***接收用于所述控制***的一个或更多个***参数值；和
由所述***基于***增益k的值和所述一个或更多个***参数值来确定用于所述控制***的一个或更多个整定参数，其中，所述一个或更多个整定参数至少包括***增益估计b0。
2.如权利要求1所述的方法，其中，接收所述一个或更多个***参数值包括接收所述控制***的***增益k、时间常数τ和空载时间Td的值。
3.如权利要求2所述的方法，其中，生成所述一个或更多个整定参数包括参照整定参数模型，所述整定参数模型定义鲁棒稳定整定参数和***参数之间的关系，所述***参数包括所述***增益k、所述时间常数τ和所述空载时间Td。
4.如权利要求3所述的方法，其中，所述一个或更多个整定参数还包括控制器带宽ω0。
5.如权利要求4所述的方法，还包括：使用由所述***确定的所述***增益估计b0和所述控制器带宽ω0来对控制器进行整定，所述控制器具有：由下式表示的扩展状态观测器(ESO)：
<mrow> <mover> <mi>z</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>=</mo> <mi>A</mi> <mi>z</mi> <mo>+</mo> <mi>B</mi> <mi>u</mi> <mo>+</mo> <mi>L</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>-</mo> <mi>C</mi> <mi>z</mi> <mo>)</mo> </mrow> </mrow>
以及由以下等式中的至少一个表示的控制律：
<mrow> <mi>u</mi> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>b</mi> <mn>0</mn> </msub> </mfrac> <mrow> <mo>(</mo> <mi>P</mi> <mo>(</mo> <mrow> <mi>r</mi> <mo>-</mo> <msub> <mi>z</mi> <mn>1</mn> </msub> </mrow> <mo>)</mo> <mo>-</mo> <msub> <mi>z</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow>
或
<mrow> <mi>u</mi> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>b</mi> <mn>0</mn> </msub> </mfrac> <mrow> <mo>(</mo> <mi>P</mi> <mo>(</mo> <mrow> <mi>r</mi> <mo>-</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>-</mo> <msub> <mi>z</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow>
其中，是ESO状态向量，矩阵矩阵矩阵矩阵C＝[1 0]，并且P＝ωc。
6.如权利要求4所述的方法，还包括：推导所述整定参数模型，其中，所述推导包括：
针对一定范围的所述***参数的值，使用迭代搜索算法来确定满足鲁棒稳定性约束的所述控制器带宽ω0和所述***增益估计b0的一组值；和
对所述一组值应用曲线拟合方法来获得所述整定参数模型。
7.一种用于确定用于控制***的鲁棒稳定整定参数的***，包括：
存储器；
处理器，其配置为执行存储在所述存储器上的计算机可执行组件，所述计算机可执行组件包括：
接口部件，其配置为接收用于所述控制***的一个或更多个***参数值；和
整定参数确定部件，其配置为将用于所述控制***的一个或更多个整定参数确定为所述一个或更多个***参数值的函数，其中，所述一个或更多个整定参数至少包括***增益估计b0。
8.如权利要求7所述的***，其中，所述一个或更多个***参数值至少包括所述控制***的***增益k、时间常数τ和空载时间Td的值。
9.如权利要求8所述的***，其中，所述整定参数确定部件配置为基于存储在所述存储器中的整定参数模型来确定所述一个或更多个整定参数，所述整定参数模型将鲁棒稳定整定参数建模为***参数的函数，所述***参数包括所述***增益k、所述时间常数τ和所述空载时间Td。
10.如权利要求9所述的***，其中，所述一个或更多个整定参数还至少包括控制器带宽ω0。
11.如权利要求10所述的***，其中，所述整定参数模型包括表达式或查找表数据结构中的至少一个，所述表达式或查找表数据结构将所述控制器带宽ω0和所述***增益估计b0的值定义为所述***增益k、所述时间常数τ和所述空载时间Td的函数。
12.如权利要求10所述的***，其中，所述整定参数模型定义针对一定范围的k、τ和Td的值，基于迭代搜索算法确定的所述控制器带宽ω0和所述***增益估计b0的一组值之间的关系，以满足鲁棒稳定性约束。
13.如权利要求10所述的***，其中，所述控制***符合由下式所表示的传递函数：
<mrow> <mi>G</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mi>k</mi> <mrow> <mi>&amp;tau;</mi> <mi>s</mi> <mo>+</mo> <mn>1</mn> </mrow> </mfrac> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msub> <mi>T</mi> <mi>d</mi> </msub> <mi>s</mi> </mrow> </msup> </mrow>
其中，s是拉普拉斯变换算子。
14.如权利要求10所述的***，其中，所述计算机可执行组件还包括整定部件，所述整定部件配置为使用所述***增益估计b0和所述控制器带宽ω0作为整定参数来设置用于控制器的至少一个控制器增益系数。
15.一种非暂时性计算机可读介质，其具有存储在其上的计算机可执行指令，所述计算机可执行指令响应于执行而使得计算机***执行操作，所述操作包括：
接收用于控制***的一个或更多个***参数值；和
基于所述一个或更多个***参数值来生成用于所述控制***的一个或更多个整定参数，其中，所述一个或更多个整定参数至少包括***增益估计b0。
CN201580040793.2A 2014-07-29 2015-07-23 自抗扰控制的优化参数化 Active CN107077106B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/445,345 2014-07-29
US14/445,345 US10061275B2 (en) 2014-07-29 2014-07-29 Optimized parameterization of active disturbance rejection control
PCT/US2015/041670 WO2016018704A1 (en) 2014-07-29 2015-07-23 Optimized parameterization of active disturbance rejection control

Publications (2)

Publication Number Publication Date
CN107077106A true CN107077106A (zh) 2017-08-18
CN107077106B CN107077106B (zh) 2020-11-03

Family

ID=55179942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580040793.2A Active CN107077106B (zh) 2014-07-29 2015-07-23 自抗扰控制的优化参数化

Country Status (4)

Country Link
US (1) US10061275B2 (zh)
EP (1) EP3175306B1 (zh)
CN (1) CN107077106B (zh)
WO (1) WO2016018704A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107797451A (zh) * 2017-10-21 2018-03-13 辽宁石油化工大学 未知干扰下不确定性***时滞依赖鲁棒约束预测控制方法
CN109213192A (zh) * 2018-08-16 2019-01-15 上海航天控制技术研究所 一种基于自抗扰控制的干扰抑制方法
CN109799699A (zh) * 2019-02-19 2019-05-24 百度在线网络技术（北京）有限公司 一种控制参数处理方法及其装置、设备、存储介质
CN114489010A (zh) * 2022-01-25 2022-05-13 佛山智能装备技术研究院 一种adrc扩张观测器状态观测误差实时预测方法及***

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10900885B2 (en) * 2014-12-19 2021-01-26 Captl Llc Flow cytometry using hydrodynamically planar flow
US10211763B2 (en) 2016-02-29 2019-02-19 Linestream Technologies Method for automatically identifying speed operation range in a mechanical system driven by PMSM or induction motors under friction and load condition
CN109564405B (zh) * 2016-06-10 2022-08-23 Abb瑞士股份有限公司 通过速度pi控制器参数和反馈滤波器时间常数的同时调谐来限制转矩噪声
US10184917B2 (en) 2016-09-08 2019-01-22 Linestream Technologies Method for automatically identifying resonance
US10126717B2 (en) 2016-09-27 2018-11-13 Linestream Technologies Multiple independent variable curve fitting method
US10222764B2 (en) 2016-10-17 2019-03-05 Linestream Technologies Application-specification-oriented control design
US10386808B2 (en) 2017-02-24 2019-08-20 Danfoss Power Electronics A/S System parameter identificatino method based on rate-limited relay with hysteresis and sinusoidal injection
US10698460B2 (en) 2017-03-13 2020-06-30 Samsung Electronics Co., Ltd. Advanced thermal control for SSD
US10809780B2 (en) 2017-03-13 2020-10-20 Samsung Electronics Co., Ltd. Active disturbance rejection based thermal control
JP6930150B2 (ja) * 2017-03-14 2021-09-01 オムロン株式会社 制御装置、制御プログラムおよび制御システム
AT519771A1 (de) * 2017-03-20 2018-10-15 B & R Ind Automation Gmbh Verfahren zur Bestimmung von Regelungsparametern für ein Hydrauliksystem
US10481568B2 (en) 2017-06-19 2019-11-19 Danfoss Power Electronics A/S One-click motor configuration
CN109308007B (zh) * 2017-07-28 2022-05-17 上海三菱电梯有限公司 自抗扰控制装置及基于自抗扰控制装置的控制方法
CN107748497B (zh) * 2017-09-28 2019-10-15 中国科学院长春光学精密机械与物理研究所 运动控制***的模型辨识和参数设计方法及***
CN108181806B (zh) * 2017-12-01 2020-11-24 西北工业大学 基于采样输出的空间机器人位置与姿态自抗扰控制方法
CN108227485B (zh) * 2017-12-01 2020-11-24 西北工业大学 一种带有执行器饱和的空间机器人自抗扰控制方法
CN108491564B (zh) * 2018-01-30 2022-08-02 广东工业大学 基于预测模型和扰动快速消除的机械控制一体化设计方法
CN108762083B (zh) * 2018-06-13 2021-04-02 长春萨米特光电科技有限公司 一种基于加速度观测器的自动控制***
CN110620537A (zh) * 2019-09-27 2019-12-27 南京工业大学 一种基于adrc与高频方波注入的pmsm无传感器控制策略
CN113726240A (zh) * 2020-05-21 2021-11-30 北京机械设备研究所 一种基于二阶自抗扰控制的永磁同步电机控制方法及***
CN113138612A (zh) * 2020-07-28 2021-07-20 西安天和防务技术股份有限公司 天文导航的自抗扰控制方法、装置及电子设备
CN113145926B (zh) * 2021-04-28 2022-05-17 北京科技大学 一种采用adrc变加速补偿的热轧飞剪控制方法
US11307540B1 (en) * 2021-08-26 2022-04-19 King Abdulaziz University Method of linear active disturbance rejection control with a fractional order integral action
CN113848896B (zh) * 2021-09-17 2024-05-28 华东师范大学 一种基于事件触发扩张状态观测器的分布式车辆队列控制方法
CN114371618B (zh) * 2021-12-15 2023-11-03 北京机电工程研究所 基于神经网络的扩张状态观测器补偿方法及自抗扰控制器
CN114428457B (zh) * 2021-12-15 2023-09-05 东南大学 一种用于含时延***的鲁棒自抗扰控制方法
CN114428454A (zh) * 2021-12-21 2022-05-03 清华大学 偏差反馈补偿自抗扰控制***设计方法和装置
CN114326400B (zh) * 2021-12-27 2022-11-29 北京品德技术有限公司 一种一阶线性自抗扰控制***及其参数整定方法
CN114859847B (zh) * 2022-03-11 2023-05-09 四川大学 一种适用于互联非线性***的可靠优化控制***及方法
CN114714359B (zh) * 2022-04-21 2023-08-01 杭州电子科技大学 一种机械臂***的饱和参数化控制方法
CN114879502B (zh) * 2022-05-23 2023-06-30 中国科学院光电技术研究所 一种位置环自抗扰控制器参数自整定方法
CN116107267B (zh) * 2023-03-07 2023-07-18 苏州经贸职业技术学院 一种数控机床控制参数优化方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5568377A (en) * 1992-10-29 1996-10-22 Johnson Service Company Fast automatic tuning of a feedback controller
US6510353B1 (en) * 1999-11-04 2003-01-21 Fisher-Rosemount Systems, Inc. Determining tuning parameters for a process controller from a robustness map
CN1725131A (zh) * 2004-07-21 2006-01-25 韩京清 三参数最速自抗扰控制器装置及自抗扰控制方法
CN101317141A (zh) * 2005-09-29 2008-12-03 霍尼韦尔国际公司 用于工厂控制***的随需自动调谐器
US20090005886A1 (en) * 2002-04-18 2009-01-01 Cleveland State University Extended Active Disturbance Rejection Controller
CN101995822A (zh) * 2010-09-26 2011-03-30 上海电力学院 一种大时滞***的灰色自抗扰控制方法
CN102354104A (zh) * 2005-09-19 2012-02-15 克利夫兰州立大学 控制器、观测器及其应用
CN102360176A (zh) * 2011-07-21 2012-02-22 山东省电力学校 基于简化二阶自抗扰控制器的电厂主汽温度控制方法
US20120170639A1 (en) * 2011-01-04 2012-07-05 Johnson Controls Technology Company Delay compensation for feedback controllers
US20130110262A1 (en) * 2011-10-28 2013-05-02 Agilent Technologies, Inc. Automatic tuning of atomic force microscope
CN103294073A (zh) * 2013-05-13 2013-09-11 广东电网公司电力科学研究院 一阶纯滞后对象自抗扰控制***及其控制方法
CN104932252A (zh) * 2015-06-26 2015-09-23 中国科学院光电技术研究所 一种改进的自抗扰与pid的串级控制方法

Family Cites Families (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3543010A (en) 1966-12-07 1970-11-24 Ibm Coefficient tuning methods for process control systems
US3786242A (en) 1971-09-23 1974-01-15 H Brooks Process control simulator
US3826887A (en) 1971-12-29 1974-07-30 Phillips Petroleum Co Simplified procedure for tuning pid controllers
US4481567A (en) 1982-03-01 1984-11-06 The Babcock & Wilcox Company Adaptive process control using function blocks
US4540923A (en) 1984-05-14 1985-09-10 General Motors Corporation Adaptive servomotor controller
US4768143A (en) 1986-10-09 1988-08-30 The Babcock & Wilcox Company Apparatus and method using adaptive gain scheduling algorithm
JPH03290706A (ja) 1990-04-09 1991-12-20 Mitsubishi Electric Corp 数値制御装置
US5229699A (en) 1991-10-15 1993-07-20 Industrial Technology Research Institute Method and an apparatus for PID controller tuning
US5306994A (en) * 1992-04-09 1994-04-26 Digital Equipment Corporation Automatic phase margin compensation control circuit and method for disk drives
US5315521A (en) * 1992-07-29 1994-05-24 Praxair Technology, Inc. Chemical process optimization method
JPH06262492A (ja) 1993-03-17 1994-09-20 Fanuc Ltd 外乱負荷推定による工具の寿命管理方法
KR100374052B1 (ko) 1995-05-17 2003-05-16 가부시키가이샤 야스가와덴끼 제어상수동정장치
US5684375A (en) 1995-06-20 1997-11-04 Allen-Bradley Company, Inc. Method and apparatus for tuning a motion control system
US5742503A (en) 1996-03-25 1998-04-21 National Science Council Use of saturation relay feedback in PID controller tuning
US6122555A (en) 1997-05-05 2000-09-19 Honeywell International Inc. System and methods for globally optimizing a process facility
US5920478A (en) * 1997-06-27 1999-07-06 Oakleaf Engineering, Inc. Multi-input multi-output generic non-interacting controller
US6128541A (en) 1997-10-15 2000-10-03 Fisher Controls International, Inc. Optimal auto-tuner for use in a process control network
US6631299B1 (en) 1998-12-22 2003-10-07 Texas Instruments Incorporated System and method for self-tuning feedback control of a system
SG82592A1 (en) 1998-12-30 2001-08-21 Univ Singapore A novel predictive and self-tuning pi control apparatus for expanded process control applications
FI111106B (fi) 1999-02-19 2003-05-30 Neles Controls Oy Menetelmä prosessinsäätösilmukan virittämiseksi teollisuusprosessissa
US6445962B1 (en) 1999-03-15 2002-09-03 Fisher Rosemount Systems, Inc. Auto-tuning in a distributed process control environment
US6961628B2 (en) * 1999-04-16 2005-11-01 Siemens Energy & Automation, Inc. Method and apparatus for tuning compensation parameters
US6198246B1 (en) 1999-08-19 2001-03-06 Siemens Energy & Automation, Inc. Method and apparatus for tuning control system parameters
US6564194B1 (en) * 1999-09-10 2003-05-13 John R. Koza Method and apparatus for automatic synthesis controllers
US6658305B1 (en) 2000-03-10 2003-12-02 Tokyo Electron Limited Method for automatic synthesis of multi-variable controllers
US6495791B2 (en) 2000-05-16 2002-12-17 General Scanning, Inc. Method and subsystem for generating a trajectory to be followed by a motor-driven stage when processing microstructures at a laser-processing site
JP3516232B2 (ja) 2000-06-19 2004-04-05 京清 韓 最適かつ自動的に外乱を排除するフィードバック制御を実現するための方法及び装置
US7024253B2 (en) 2000-08-21 2006-04-04 Honeywell International Inc. Auto-tuning controller using loop-shaping
JP3731060B2 (ja) 2000-11-14 2006-01-05 株式会社日立製作所 イナーシャ演算方法及び電動機のドライブ装置
US6980869B1 (en) 2000-11-20 2005-12-27 National Instruments Corporation System and method for user controllable PID autotuning and associated graphical user interface
US7158840B2 (en) * 2001-06-29 2007-01-02 Cymer, Inc. Tuning control parameters of vibration reduction and motion control systems for fabrication equipment and robotic systems
ATE413633T1 (de) 2001-12-18 2008-11-15 Mts System Corp Verfahren zur bestimmung von steuerparametern für ein steuersystem
US8041436B2 (en) 2002-04-18 2011-10-18 Cleveland State University Scaling and parameterizing a controller
US6920800B2 (en) 2003-08-15 2005-07-26 Rockwell Automation Technologies, Inc. Method for determining inertia of an electric motor and load
US7149591B2 (en) 2003-10-01 2006-12-12 Cleveland State University Multi-resolution controller
JP4697139B2 (ja) 2004-07-27 2011-06-08 株式会社安川電機 サーボ制御装置
US7346402B1 (en) 2004-10-22 2008-03-18 Expertcontrol, Llc Technique for an integrated and automated model generation and controller tuning process
JP4594165B2 (ja) 2005-05-24 2010-12-08 株式会社日立産機システム 電動機制御装置の機械系パラメータ推定方法及びシステム
JP2007086904A (ja) 2005-09-20 2007-04-05 Brother Ind Ltd 加速度軌跡生成装置
US7451004B2 (en) 2005-09-30 2008-11-11 Fisher-Rosemount Systems, Inc. On-line adaptive model predictive control in a process control system
US8036760B2 (en) * 2005-10-04 2011-10-11 Fisher-Rosemount Systems, Inc. Method and apparatus for intelligent control and monitoring in a process control system
US20070088448A1 (en) 2005-10-19 2007-04-19 Honeywell International Inc. Predictive correlation model system
JP3796261B1 (ja) 2005-12-02 2006-07-12 山洋電気株式会社 モータの負荷イナーシャ推定方法
EP2019978B1 (en) * 2006-05-19 2011-12-21 Siemens Industry, Inc. Automating tuning of a closed loop controller
GB0610632D0 (en) 2006-05-30 2006-07-05 Surface Control Ltd Monitoring apparatus
US7865254B2 (en) 2007-01-11 2011-01-04 The Mathworks, Inc. Modeling of control systems with open-loop representations and factorization of components
WO2008101864A1 (en) * 2007-02-21 2008-08-28 Powervation Limited Adaptive control system
US7622881B2 (en) 2007-02-28 2009-11-24 Rockwell Automation Technologies, Inc. Method and apparatus for estimating system inertia where number of motor rotations are restricted
US7653445B2 (en) 2007-04-13 2010-01-26 Controlsoft, Inc. Apparatus and method for model-based control
US8838257B1 (en) * 2007-10-04 2014-09-16 Marvell International Ltd. Controller and design support apparatus
JP4335286B2 (ja) 2008-02-08 2009-09-30 ファナック株式会社 部品保護機能を備えたロボット制御装置及びロボット制御方法
US8255066B2 (en) 2009-05-18 2012-08-28 Imb Controls Inc. Method and apparatus for tuning a PID controller
US8232758B2 (en) 2009-08-28 2012-07-31 Fanuc Ltd Controller of electric motor having function of estimating inertia and friction simultaneously
KR101121474B1 (ko) 2010-12-01 2012-03-13 대성전기공업 주식회사 Ｄｃ 서보모터 시스템의 관성모멘트와 마찰계수를 구하는 방법
US9041337B2 (en) 2012-05-18 2015-05-26 Linestream Technologies Motion profile generator
US8710777B2 (en) 2012-04-20 2014-04-29 Linestream Technologies Method for automatically estimating inertia in a mechanical system

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5568377A (en) * 1992-10-29 1996-10-22 Johnson Service Company Fast automatic tuning of a feedback controller
US6510353B1 (en) * 1999-11-04 2003-01-21 Fisher-Rosemount Systems, Inc. Determining tuning parameters for a process controller from a robustness map
US20090005886A1 (en) * 2002-04-18 2009-01-01 Cleveland State University Extended Active Disturbance Rejection Controller
CN1725131A (zh) * 2004-07-21 2006-01-25 韩京清 三参数最速自抗扰控制器装置及自抗扰控制方法
CN102354104A (zh) * 2005-09-19 2012-02-15 克利夫兰州立大学 控制器、观测器及其应用
CN101317141A (zh) * 2005-09-29 2008-12-03 霍尼韦尔国际公司 用于工厂控制***的随需自动调谐器
CN101995822A (zh) * 2010-09-26 2011-03-30 上海电力学院 一种大时滞***的灰色自抗扰控制方法
US20120170639A1 (en) * 2011-01-04 2012-07-05 Johnson Controls Technology Company Delay compensation for feedback controllers
CN102360176A (zh) * 2011-07-21 2012-02-22 山东省电力学校 基于简化二阶自抗扰控制器的电厂主汽温度控制方法
US20130110262A1 (en) * 2011-10-28 2013-05-02 Agilent Technologies, Inc. Automatic tuning of atomic force microscope
CN103294073A (zh) * 2013-05-13 2013-09-11 广东电网公司电力科学研究院 一阶纯滞后对象自抗扰控制***及其控制方法
CN104932252A (zh) * 2015-06-26 2015-09-23 中国科学院光电技术研究所 一种改进的自抗扰与pid的串级控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
夏元清 等: "不确定时滞***ADRC控制", 《中南工业大学学报（自然科学版）》 *
王丽君 等: "时滞***的自抗扰控制综述", 《控制理论与应用》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107797451A (zh) * 2017-10-21 2018-03-13 辽宁石油化工大学 未知干扰下不确定性***时滞依赖鲁棒约束预测控制方法
CN107797451B (zh) * 2017-10-21 2021-01-05 辽宁石油化工大学 未知干扰下不确定性***时滞依赖鲁棒约束预测控制方法
CN109213192A (zh) * 2018-08-16 2019-01-15 上海航天控制技术研究所 一种基于自抗扰控制的干扰抑制方法
CN109799699A (zh) * 2019-02-19 2019-05-24 百度在线网络技术（北京）有限公司 一种控制参数处理方法及其装置、设备、存储介质
CN109799699B (zh) * 2019-02-19 2022-06-07 阿波罗智能技术(北京)有限公司 自动驾驶***控制参数处理方法、装置、设备、存储介质
US11822297B2 (en) 2019-02-19 2023-11-21 Apollo Intelligent Driving Technology (Beijing) Co., Ltd. Method, device and apparatus for processing control parameter, and storage medium
CN114489010A (zh) * 2022-01-25 2022-05-13 佛山智能装备技术研究院 一种adrc扩张观测器状态观测误差实时预测方法及***

Also Published As

Publication number Publication date
WO2016018704A1 (en) 2016-02-04
EP3175306A1 (en) 2017-06-07
US10061275B2 (en) 2018-08-28
EP3175306A4 (en) 2018-03-14
CN107077106B (zh) 2020-11-03
EP3175306B1 (en) 2021-03-10
US20160033944A1 (en) 2016-02-04

Similar Documents

Publication Publication Date Title
CN107077106A (zh) 自抗扰控制的优化参数化
Ben Ali et al. Edge-SLAM: Edge-assisted visual simultaneous localization and mapping
US10762424B2 (en) Methods and systems for reinforcement learning
JP6513015B2 (ja) 機械の動作を制御する方法、および機械の動作を反復的に制御する制御システム
Xiang et al. Robust fuzzy 3D path following for autonomous underwater vehicle subject to uncertainties
US9690261B2 (en) Method for automatically setting responsiveness parameters for motion control systems
US11544743B2 (en) Digital content control based on shared machine learning properties
WO2020077573A1 (en) Secret sharing with no trusted initializer
US10726335B2 (en) Generating compressed representation neural networks having high degree of accuracy
US11907837B1 (en) Selecting actions from large discrete action sets using reinforcement learning
CN108027651A (zh) 自动估计机械***中的惯性、库伦摩擦和粘性摩擦的方法
WO2019197613A1 (en) Graph neural networks representing physical systems
Lee et al. Opportunistic federated learning: An exploration of egocentric collaboration for pervasive computing applications
US20210089834A1 (en) Imagination-based agent neural networks
US11380086B2 (en) Point cloud based 3D semantic segmentation
CN110383187A (zh) 基于具有滞后的速率限制中继及正弦注入的***参数识别方法
US20230144995A1 (en) Learning options for action selection with meta-gradients in multi-task reinforcement learning
US20180107173A1 (en) Application-specification-oriented control design
US20210349478A1 (en) Methods, systems, apparatuses, and devices for facilitating managing of paths for unmanned vehicles
Zhou et al. Learned monocular depth priors in visual-inertial initialization
US20220172103A1 (en) Variable structure reinforcement learning
US20200250573A1 (en) Implementing a computer system task involving nonstationary streaming time-series data based on a bias-variance-based adaptive learning rate
CN116215646A (zh) 车辆转向不均匀补偿
Du et al. Semi‐global output feedback tracking control for fully actuated ships
Klimenko Improved Model of Greedy Tasks Assignment in Distributed Robotic Systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190416

Address after: Dane

Applicant after: DANFOSS POWER ELECTRONICS AS

Address before: ohio

Applicant before: Laiensi Antrim Technology Co. Ltd.

GR01 Patent grant
GR01 Patent grant