CN109491251A - 考虑数据扰动补偿的交流伺服***模型辨识方法及设备 - Google Patents
考虑数据扰动补偿的交流伺服***模型辨识方法及设备 Download PDFInfo
- Publication number
- CN109491251A CN109491251A CN201811550131.1A CN201811550131A CN109491251A CN 109491251 A CN109491251 A CN 109491251A CN 201811550131 A CN201811550131 A CN 201811550131A CN 109491251 A CN109491251 A CN 109491251A
- Authority
- CN
- China
- Prior art keywords
- data
- disturbance
- model
- servo
- compensation
- 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
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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种考虑数据扰动补偿的交流伺服***模型辨识方法及设备,属于交流伺服***运动控制技术领域。该方法包括以下步骤:构建交流伺服***的模型结构,并设计模型辨识准则函数,对***进行激励实验,获取相应的输入和输出反馈数据,进而利用过程数据的期望值计算数据扰动补偿量,并将其叠加到模型参数的自适应更新校正中,消除数据扰动的影响,提高模型辨识算法的精度。本发明提出的考虑数据扰动补偿的模型辨识方法同时考虑了数据噪声干扰和数据帧丢失的情况,并可实时修正受控***的丢帧率,适用性更广,其可将无偏估测的数据扰动信息迭代修正到***的模型参数的自适应更新中,减小模型辨识误差,进一步提高模型辨识算法的精度和可靠性。
Description
技术领域
本发明属于交流伺服***运动控制技术领域,更具体地,涉及一种考虑数据扰动补偿的交流伺服***模型辨识方法。
背景技术
在工业自动化领域,总线型交流伺服***通过使用先进的以太网现场总线构成闭环控制***,从而避免了点对点式的传统连接方式。相对于传统的脉冲式交流伺服***,总线型交流伺服***具有高速、数据包容量大、传输距离长、成本低、支持灵活的物理拓扑结构等优点。
但是,在获取相关信号时,运行环境的实际情况或者传感器自身的缺陷等将会产生噪声干扰,影响数据采集的精度,从而上位机获取的***真实信号实则为带有测量扰动或者测量噪声的信号。同时,在数据传输到上位机的过程中,由于链路的实际连接情况,数据碰撞和节点竞争失败等问题将导致传输的数据帧丢失。另一方面,考虑到链路堵塞或数据传递过程中损坏等,主从设备接收与发送的数据帧不一致将会产生无效的现场总线数据包,从而造成数据不完备。
对总线型交流伺服***进行控制决策的制定时,应针对噪声干扰和数据帧丢失的情况下,利用***的数据扰动信息进行被控对象模型结构的确定和模型参数的辨识。目前存在的针对数据扰动的补偿方法存在两方面的问题:
1)没有同时针对噪声干扰和数据帧丢失两种情况同时进行扰动信息的无偏估计,从而实用性有限,若分别任针对噪声干扰和数据帧丢失进行补偿策略的研究则增加了模型辨识算法的复杂度;
2)对数据帧丢失的补偿方法都需要提前预知***的丢帧概率或者丢帧周期的***时间轴,而考虑到外部环境的变化,如突变的通信链路状态、传感器故障等,不同时刻数据驱动***的丢帧率是时变的。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种考虑数据扰动补偿的交流伺服***模型辨识方法及设备,其目的在于,利用***实际获取的输入和输出数据进行数据扰动信息的无偏估计,从而将数据扰动信息叠加到***模型参数的自适应更新中,最终减小模型辨识误差,提高模型辨识算法的精度和可靠性。
为实现上述目的,按照本发明的一个方面,提供了一种考虑数据扰动补偿的交流伺服***模型辨识方法,具体步骤如下:
步骤1:确定交流伺服***的模型结构:
其中,q为时移因子,iq(t)和y(t)分别为输入电流信号和输出速度信号,和为待辨识的***模型参数,nb和na分别为输入信号和输出信号的阶次,t表示时间序列;
设定为待优化的***模型参数矩阵,则y(t)简化为:
其中,为信息矩阵,表征了***采集的数据集合;
步骤2:进行激励实验,获取相应的反馈数据:
在步骤1的模型结构中考虑输入端和输出端的随机数据帧丢失和测量噪声,交流伺服***实际接收到的输入数据iqm(t)和输出数据ym(t)表示为:
iqm(t)=iqr(t)iq(t)+iqd(t)
ym(t)=yr(t)y(t)+yd(t)
其中,iqd(t)和yd(t)分别为输入数据和输出数据的噪声干扰,iqr(t)和yr(t)为表征实际数据是否成功传输的随机二进制变量,其值为1表示实际数据成功传输,其值为0表示数据帧丢失,并且考虑到输入和输出数据总是存在于同一链路中,因此有iqr(t)=yr(t);
步骤3:设计模型辨识优化准则函数:
利用实际采集的过程数据,设计模型辨识优化准则函数如下:
其中,为辨识得到的交流伺服***最优模型参数,表示使J(θ)最小的θ的估测值,N表示数据容量,表示使用实际反馈信号构建的信息矩阵;
步骤4:无偏估计数据扰动补偿量:
定义扰动信息的实时补偿量为则由下式可计算出扰动信息的实时补偿量:
其中,为按照步骤3的模型辨识优化准则函数在(t-1)时刻辨识得到的模型参数矩阵;
步骤5:考虑数据扰动补偿的模型参数自适应更新:
根据步骤4求得的模型参数自适应更新由如下公式表示:
其中,grad表示计算下降梯度信息,为模型参数的变化量,r(t)为收敛因子,并且满足r(0)=r0≥0,当满足时迭代结束,a为预设阈值。
进一步地,步骤5中r(t)由下式计算得到:
其中,λ(t)和λ(t-1)为中间变量,ζ(t)表示遗忘因子,具体定义为:
其中,μ1和μ2为调节系数,用于平衡模型辨识算法的稳定和收敛性。
进一步地,步骤4中,定义E表示期望值,
Pr=E[iqr(t)]=E[yr(t)]为数据顺利传输概率的期望值,可得以下期望值关系:
其中,s表示任意时刻;
因此,可建立无数据扰动与有数据扰动的信息矩阵期望的关联:
其中,diag表示对角矩阵,Λ(t)为待估计的数据扰动补偿量,是维度为nθ的单位矩阵并且和为中间变量,分别表示:
因而有:
为Λ(t)的实时估测值。
按照本发明的另一方面,提供了一种考虑数据扰动补偿的交流伺服***模型辨识设备,包括处理器和交流伺服***模型辨识程序模块;所述交流伺服***模型辨识程序模块在被所述处理器调用时,执行如前所述的任意一种交流伺服***模型辨识方法。
总体而言,本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、与现有的方法相比,本发明提出的考虑数据扰动补偿的模型辨识算法同时考虑了数据噪声干扰和数据帧丢失的情况,并可实时修正受控***的丢帧率,因而适用性更广
2、本发明的方法不需要提前预知数据噪声的期望信息和丢帧率,可根据***的实时运行状态自适应调整模型辨识参数,并可将估测的数据扰动信息迭代修正到***的模型参数的自适应更新中,减小了模型辨识误差,进一步提高了模型辨识算法的精度和可靠性。
附图说明
图1是本发明实施例的交流伺服***控制结构图;
图2是本发明实施例的考虑数据扰动补偿的模型辨识方法框图;
图3是本发明实施例的考虑扰动补偿的模型辨识方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1展示了基于矢量控制原理的交流伺服***速度环控制结构。速度环是实现伺服***快速跟踪精准定位的基础,并为电流内环提供电流参考值。实际的电流闭环控制中,对于生成磁链的电机电流分量参考值设定为零,即为id=0。通过电流传感器可得到A、B两相的电流,并经过Clark和Park变换得到直轴电流和交轴电流,分别作为磁链闭环控制电流分量和转矩闭环控制电流分量的反馈值。通过编码器反馈可得到转子的位置和转速,并将转子位置信息用于Park及其逆变换,计算出来的电机转速用于电机速度闭环控制的反馈值。
对于交流伺服***,速度控制器一般采用的是PI控制器结构,保证***的动态响应性能和稳定性。因为电流内环的调整频率远比速度环要高,对于速度环的控制结构而言,电流内环也属于电机传统控制模型的一部分。
图2为本发明考虑数据扰动补偿的交流伺服***模型辨识方法的框图,其实施具体步骤如图3所示,可概括如下:
步骤1:确定交流伺服***的模型结构:
其中,q为时移因子,iq(t)和y(t)分别为输入电流信号和输出速度信号,和为待辨识的***模型参数,nb和na分别为输入信号和输出信号的阶次,在本实施例中,nb=na=3。
设定为待优化的***模型参数矩阵,则y(t)简化为:
其中,为信息矩阵,表征了***采集的数据集合;
步骤2:进行激励实验,获取相应的反馈数据:
设定模型辨识优化准则采集***的输入和输出数据信息,考虑输入端和输出端的随机数据帧丢失和测量噪声,交流伺服接收到的输入数据iqm(t)和输出数据ym(t)可表示为:
iqm(t)=iqr(t)iq(t)+iqd(t)
ym(t)=yr(t)y(t)+yd(t)
其中,iqd(t)和yd(t)为噪声干扰,iqr(t)和yr(t)为表征实际数据是否成功传输的随机二进制变量,其值为1表示实际数据成功传输,其值为0表示数据丢帧,考虑到对于总线型交流伺服***数据传递的通讯原理与协议机制,输入数据和输出数据通过同一链路进行传输,因此iqr(t)=yr(t)。
步骤3:设计模型辨识优化准则函数:
因此,模型辨识优化准则为:
其中,N=100表示数据容量的大小,表示使用实际反馈信号构建的信息矩阵,可表示为:
则最优的模型参数为:
表示使用优化算法辨识得到***模型参数
步骤4:无偏估计数据扰动补偿量:
根据信息矩阵的概念,可推导得到以下的期望值:
其中,E表示期望值,Pr=E[iqr(t)]=E[yr(t)]为数据顺利传输的期望值。
因此,可建立无数据扰动与有数据扰动的信息矩阵期望的关联:
其中,Λ(t)为待估计的数据扰动补偿量,是维度为nθ的单位矩阵并且和为中间变量,分别表示:
因而有:
可推导得到扰动信息的补偿量由下式表示:
步骤5:考虑数据扰动补偿的模型参数自适应更新
计算模型参数辨识优化准则的下降梯度信息:
其中,grad表示计算下降梯度信息。
叠加数据扰动补偿量后,模型参数自适应更新由下面的公式表示:
其中,为模型参数的变化量,r(t)为收敛因子,并且满足r(0)=1≥0,当满足时迭代结束,a=0.01为预设阈值。
进一步地,本发明所述收敛因子由下式计算得到:
其中,λ(t)和λ(t-1)为中间变量,ζ(t)表示遗忘因子,具体定义为:
其中,μ1=1和μ2=2为调节系数,可平衡模型辨识算法的稳定性和收敛性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种考虑数据扰动补偿的交流伺服***模型辨识方法,其特征在于,包括如下步骤:
步骤1:确定交流伺服***的模型结构:
其中,q为时移因子,iq(t)和y(t)分别为输入电流信号和输出速度信号,和为待辨识的***模型参数,nb和na分别为输入信号和输出信号的阶次,t表示时间序列;
设定为待优化的***模型参数矩阵,则y(t)简化为:
其中,为信息矩阵,表征了***采集的数据集合;
步骤2:进行激励实验,获取相应的反馈数据:
在步骤1的模型结构中考虑输入端和输出端的随机数据帧丢失和测量噪声,交流伺服***实际接收到的输入数据iqm(t)和输出数据ym(t)表示为:
iqm(t)=iqr(t)iq(t)+iqd(t)
ym(t)=yr(t)y(t)+yd(t)
其中,iqd(t)和yd(t)分别为输入数据和输出数据的噪声干扰,iqr(t)和yr(t)为表征实际数据是否成功传输的随机二进制变量,其值为1表示实际数据成功传输,其值为0表示数据帧丢失,并且考虑到输入和输出数据总是存在于同一链路中,因此有iqr(t)=yr(t);
步骤3:设计模型辨识优化准则函数:
利用实际采集的过程数据,设计模型辨识优化准则函数如下:
其中,为辨识得到的交流伺服***最优模型参数,表示使J(θ)最小的θ的估测值,N表示数据容量,表示使用实际反馈信号构建的信息矩阵;
步骤4:无偏估计数据扰动补偿量:
定义扰动信息的实时补偿量为则由下式可计算出扰动信息的实时补偿量:
其中,为按照步骤3的模型辨识优化准则函数在(t-1)时刻辨识得到的模型参数矩阵;
步骤5:考虑数据扰动补偿的模型参数自适应更新:
根据步骤4求得的模型参数自适应更新由如下公式表示:
其中,grad表示计算下降梯度信息,为模型参数的变化量,r(t)为收敛因子,并且满足r(0)=r0≥0,当满足时迭代结束,a为预设阈值。
2.如权利要求1所述的一种考虑数据扰动补偿的交流伺服***模型辨识方法,其特征在于,步骤5中r(t)由下式计算得到:
其中,λ(t)和λ(t-1)为中间变量,ζ(t)表示遗忘因子,具体定义为:
其中,μ1和μ2为调节系数,用于平衡模型辨识算法的稳定和收敛性。
3.如权利要求1或2所述的一种考虑数据扰动补偿的交流伺服***模型辨识方法,其特征在于,步骤4中,定义E表示期望值,
Pr=E[iqr(t)]=E[yr(t)]为数据顺利传输概率的期望值,可得以下期望值关系:
其中,s表示任意时刻;
因此,可建立无数据扰动与有数据扰动的信息矩阵期望的关联:
其中,diag表示对角矩阵,Λ(t)为待估计的数据扰动补偿量,是维度为nθ的单位矩阵并且和为中间变量,分别表示:
因而有:
为Λ(t)的实时估测值。
4.一种考虑数据扰动补偿的交流伺服***模型辨识设备,其特征在于,包括处理器和交流伺服***模型辨识程序模块;所述交流伺服***模型辨识程序模块在被所述处理器调用时,执行如权利要求1~3任意一项所述的交流伺服***模型辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811550131.1A CN109491251B (zh) | 2018-12-18 | 2018-12-18 | 考虑数据扰动补偿的交流伺服***模型辨识方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811550131.1A CN109491251B (zh) | 2018-12-18 | 2018-12-18 | 考虑数据扰动补偿的交流伺服***模型辨识方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109491251A true CN109491251A (zh) | 2019-03-19 |
CN109491251B CN109491251B (zh) | 2020-07-10 |
Family
ID=65710596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811550131.1A Expired - Fee Related CN109491251B (zh) | 2018-12-18 | 2018-12-18 | 考虑数据扰动补偿的交流伺服***模型辨识方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109491251B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109946979A (zh) * | 2019-04-25 | 2019-06-28 | 广东省智能机器人研究院 | 一种伺服***灵敏度函数的自适应调整方法 |
CN109946978A (zh) * | 2019-04-25 | 2019-06-28 | 广东省智能机器人研究院 | 一种考虑延时环节的伺服***分数阶模型辨识方法 |
CN111427266A (zh) * | 2020-03-20 | 2020-07-17 | 北华航天工业学院 | 一种针对带扰动的非线性***辨识方法 |
CN112255920A (zh) * | 2020-11-04 | 2021-01-22 | 浙江理工大学 | 一种基于数据驱动的自适应最优迭代学习控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5304905A (en) * | 1991-04-25 | 1994-04-19 | Mitsubishi Denki Kabushiki Kaisha | Motor servo-system controller having comparison of detected current with model current integrations |
CN101615023A (zh) * | 2008-06-27 | 2009-12-30 | 深圳市大族激光科技股份有限公司 | 一种测定机床伺服***的控制性能的方法、装置及*** |
CN102497156A (zh) * | 2011-12-27 | 2012-06-13 | 东南大学 | 永磁同步电机速度环的神经网络自校正控制方法 |
CN103338003A (zh) * | 2013-06-28 | 2013-10-02 | 西安交通大学 | 一种电机负载转矩及惯量同时在线辨识的方法 |
CN104953913A (zh) * | 2015-07-03 | 2015-09-30 | 兰州交通大学 | 基于自抗扰的网络化交流电机ls-svm广义逆解耦控制方法 |
CN105739310A (zh) * | 2016-02-16 | 2016-07-06 | 北京理工大学 | 一种基于多模型的伺服***自适应控制*** |
CN106325073A (zh) * | 2016-10-31 | 2017-01-11 | 华中科技大学 | 基于分数阶的伺服***位置ip控制器无模型自校正方法 |
CN108279571A (zh) * | 2018-02-02 | 2018-07-13 | 哈尔滨工业大学 | 一种有限转角机电伺服***的模型参数辨识方法 |
-
2018
- 2018-12-18 CN CN201811550131.1A patent/CN109491251B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5304905A (en) * | 1991-04-25 | 1994-04-19 | Mitsubishi Denki Kabushiki Kaisha | Motor servo-system controller having comparison of detected current with model current integrations |
CN101615023A (zh) * | 2008-06-27 | 2009-12-30 | 深圳市大族激光科技股份有限公司 | 一种测定机床伺服***的控制性能的方法、装置及*** |
CN102497156A (zh) * | 2011-12-27 | 2012-06-13 | 东南大学 | 永磁同步电机速度环的神经网络自校正控制方法 |
CN103338003A (zh) * | 2013-06-28 | 2013-10-02 | 西安交通大学 | 一种电机负载转矩及惯量同时在线辨识的方法 |
CN104953913A (zh) * | 2015-07-03 | 2015-09-30 | 兰州交通大学 | 基于自抗扰的网络化交流电机ls-svm广义逆解耦控制方法 |
CN105739310A (zh) * | 2016-02-16 | 2016-07-06 | 北京理工大学 | 一种基于多模型的伺服***自适应控制*** |
CN106325073A (zh) * | 2016-10-31 | 2017-01-11 | 华中科技大学 | 基于分数阶的伺服***位置ip控制器无模型自校正方法 |
CN108279571A (zh) * | 2018-02-02 | 2018-07-13 | 哈尔滨工业大学 | 一种有限转角机电伺服***的模型参数辨识方法 |
Non-Patent Citations (3)
Title |
---|
YUANLONG XIE等: "Data-driven adaptive fractional order PI control for PMSM servo system with measurement noise and data dropouts", 《ISA TRANSACTIONS》 * |
丁信忠: "基于工业以太网的总线型交流伺服***关键技术研究", 《中国博士学位论文全文数据库信息科技辑》 * |
张捷: "永磁同步电机伺服***的自抗扰控制技术研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109946979A (zh) * | 2019-04-25 | 2019-06-28 | 广东省智能机器人研究院 | 一种伺服***灵敏度函数的自适应调整方法 |
CN109946978A (zh) * | 2019-04-25 | 2019-06-28 | 广东省智能机器人研究院 | 一种考虑延时环节的伺服***分数阶模型辨识方法 |
CN109946978B (zh) * | 2019-04-25 | 2022-02-08 | 广东省智能机器人研究院 | 一种考虑延时环节的伺服***分数阶模型辨识方法 |
CN109946979B (zh) * | 2019-04-25 | 2022-03-22 | 广东省智能机器人研究院 | 一种伺服***灵敏度函数的自适应调整方法 |
CN111427266A (zh) * | 2020-03-20 | 2020-07-17 | 北华航天工业学院 | 一种针对带扰动的非线性***辨识方法 |
CN112255920A (zh) * | 2020-11-04 | 2021-01-22 | 浙江理工大学 | 一种基于数据驱动的自适应最优迭代学习控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109491251B (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109491251A (zh) | 考虑数据扰动补偿的交流伺服***模型辨识方法及设备 | |
CN107991867A (zh) | 一种基于自抗扰控制器的网络化多轴运动控制***的迭代学习轮廓误差控制方法 | |
CN108693834B (zh) | 调整装置以及调整方法 | |
CN109343350A (zh) | 一种基于模型预测控制的水下机器人路径跟踪控制方法 | |
WO2016195117A1 (en) | Method and system for controlling operation of machine | |
CN109946979B (zh) | 一种伺服***灵敏度函数的自适应调整方法 | |
CN111106772B (zh) | 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 | |
CN113031518B (zh) | 基于迭代学习的数控机床快速误差补偿控制***及方法 | |
Gao et al. | ELM-based adaptive faster fixed-time control of robotic manipulator systems | |
CN113078861A (zh) | 一种永磁同步电机滑模控制方法、***、介质及应用 | |
US20210072710A1 (en) | Machine learning device, servo control device, servo control system, and machine learning method | |
CN110376969A (zh) | 调整装置以及调整方法 | |
CN109885077A (zh) | 一种四旋翼飞行器姿态控制方法及控制器 | |
CN110989495A (zh) | 基于自适应迭代学习的误差补偿方法及数控控制*** | |
CN104009696A (zh) | 一种基于滑模控制的交互式模型参考自适应速度与定子电阻的辨识方法 | |
KR102382047B1 (ko) | Pso를 이용한 모터 제어기의 자동 학습 튜닝 시스템 | |
CN110932629B (zh) | 基于单神经元网络的惯量估计方法及其自适应调整策略 | |
CN112564557B (zh) | 一种永磁同步电机的控制方法、装置、设备及存储介质 | |
CN107511830B (zh) | 一种五自由度混联机器人控制器参数自适应调整实现方法 | |
CN108563123A (zh) | 直线电机x-y的自适应迭代学习鲁棒控制***及设计方法 | |
CN114063438B (zh) | 一种数据驱动的多智能体***pid控制协议自学习方法 | |
CN115313931A (zh) | 基于aekf的永磁同步电动机无传感器矢量控制方法 | |
CN112003503B (zh) | 一种基于蚁群龙贝格观测器的永磁同步直线电机控制方法 | |
CN115224981A (zh) | 一种伺服驱动控制方法、控制***及电机 | |
CN114977928A (zh) | 一种永磁同步伺服***速度环和位置环参数自整定方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200710 Termination date: 20201218 |
|
CF01 | Termination of patent right due to non-payment of annual fee |