CN109918280A - 一种伺服***的健康管理方法和装置 - Google Patents
一种伺服***的健康管理方法和装置 Download PDFInfo
- Publication number
- CN109918280A CN109918280A CN201910099408.1A CN201910099408A CN109918280A CN 109918280 A CN109918280 A CN 109918280A CN 201910099408 A CN201910099408 A CN 201910099408A CN 109918280 A CN109918280 A CN 109918280A
- Authority
- CN
- China
- Prior art keywords
- servo
- performance indicator
- link
- parameter
- prediction
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种伺服***的健康管理方法和装置,包括:确定伺服***各环节的参数;根据确定的参数计算伺服***各环节的性能指标;根据所述计算的性能指标和伺服***的运行状态对伺服***中出现故障的环节进行预警。本发明将复杂的***分解为简单的控制环节,根据各个环节阶跃响应估计其参数,从而计算出***的性能指标,并根据性能指标判断发生故障的概率,实现了自动化的伺服***健康管理,包括对复杂变化的参数和指标的预测和对***运行状态的判别。本发明可在计算机上实现,无需增加其他硬件设备,且模型可以随数据的积累不断更新,通用性强,维护成本低。
Description
技术领域
本发明涉及参数辨识及预测领域。更具体地,涉及一种伺服***的健康管理方法和装置。
背景技术
伺服***的健康管理是工程应用中的重要问题,对伺服***的性能指标进行预测和对***的工作状态进行判别是健康管理的核心技术。
伺服***中常见的控制环节包括比例环节、积分环节、惯性环节、超前滞后环节等。其中多数控制环节的传递函数比较复杂,无法根据输入输出信号求得未知参数的精确解。目前常见的伺服***的辨识方法主要是最小二乘法,也有一些利用神经网络进行辨识的工作。在利用最小二乘法对传递函数进行辨识时,由于目标函数是非线性函数,需要先把目标函数近似为线性函数,这导致求得的传递函数处于“欠拟合”的状态,即伺服***的非线性性质没有得到充分拟合,得到的模型误差较大。基于神经网络的算法虽然较好地拟合了传递函数的非线性性质,但是没有考虑到传递函数的先验知识(如传递函数的形式、参数的大致范围等),而且神经网络模型难以解析,输入数据和输出数据之间的关系式不明确,不能反映伺服***的具体设计形式。因此这两种参数估计方法都存在一定的局限性。
对伺服***进行健康管理的目标是预测性能指标的变化情况并判断其工作状态(即发生故障的可能性)。当前状态下的瞬时值不能反映性能指标的发展趋势,需要根据一段时期内的历史数据对性能指标的变化趋势进行预测。目前常用的方法是根据经验,使用某种形式的函数对性能指标随时间的变化进行拟合。这种方法的预测效果依赖于选择的函数。由于影响性能指标的因素很复杂,人工选择的函数不能完全反映性能指标的变化模型,且不同环境下的适应性较差。因此曲线拟合的方法在预测伺服***的性能指标的变化时有较大的局限性。
在对伺服***进行健康管理时,常用方法是根据控制***的性能指标是否满足设计要求来判断***的运行状态。这种方法仅能在性能指标不满足设计要求时报警,不能在***性能指标满足设计要求时预测各环节出现问题的可能性,即不能做到对可能发生的故障进行预警。
因此,需要提供一种伺服***的健康管理方法和装置。
发明内容
本发明的目的在于提供一种伺服***的健康管理方法和装置,可以对伺服***进行故障预测,实现了自动化的伺服***健康管理。
为达到上述目的,本发明采用下述技术方案:
一种伺服***的健康管理方法,包括:
确定伺服***各环节的参数;
根据确定的参数计算伺服***各环节的性能指标;
根据所述计算的性能指标和伺服***的运行状态对伺服***中出现故障的环节进行预警。
进一步地,所述确定伺服***各环节的参数包括:
根据历史数据识别伺服***中各环节的阶跃响应时域表达式;
向所述伺服***中各环节分别输入单位阶跃信号,并得出输出信号;
根据最小二乘原则将得到的阶跃响应时域表达式进行优化得到伺服***各环节的参数模型。
进一步地,所述性能指标包括:带宽、相角裕量。
进一步地,所述根据所述计算的性能指标和伺服***的运行状态对伺服***中出现故障的环节进行预警包括:
判断得到的性能指标是否满足预先设置的要求,若不满足按故障处理;
计算满足要求的性能指标用于伺服***时发生故障的概率,当概率值达到预设值时进行预警。
进一步地,所述计算满足要求的性能指标用于伺服***时发生故障的概率包括:根据深度神经网络模型和现有性能指标预测未来的性能指标,计算预测得到的未来性能指标在伺服***中发生故障的概率。
本发明还公开了一种伺服***的健康管理装置,包括:
参数预测模块:用于确定伺服***各环节的参数;
性能指标预测模块:用于根据确定的参数计算伺服***各环节的性能指标;
工作预警模块:用于根据所述计算的性能指标和伺服***的运行状态对伺服***中出现故障的环节进行预警。
进一步地,所述参数预测模块还用于:根据历史数据识别伺服***中各环节的阶跃响应时域表达式;
向所述伺服***中各环节分别输入单位阶跃信号,并得出输出信号;
根据最小二乘原则将得到的阶跃响应时域表达式进行优化得到伺服***各环节的参数模型。
进一步地,所述性能指标包括:带宽、相角裕量。
进一步地,所述工作预警模块包括:
判别模块:用于判断得到的性能指标是否满足预先设置的要求,若不满足按故障处理;
计算模块:用于计算满足要求的性能指标用于伺服***时发生故障的概率,当概率值达到预设值时进行预警。
进一步地,所述性能指标预测模块还用于根据深度神经网络模型和现有性能指标预测未来的性能指标,并将得到的未来的性能指标发送至计算模块,以使所述计算模块计算预测得到的未来性能指标在伺服***中发生故障的概率。
本发明的有益效果如下:
本发明所述技术方案将复杂的***分解为简单的控制环节,根据各个环节阶跃响应估计其参数,从而计算出***的性能指标,并根据性能指标判断发生故障的概率,实现了自动化的伺服***健康管理,包括对复杂变化的参数和指标的预测和对***运行状态的判别。本发明可在计算机上实现,无需增加其他硬件设备,且模型可以随数据的积累不断更新,通用性强,维护成本低。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明;
图1为本发明实施例的一种伺服***的健康管理方法流程图;
图2为本发明实施例的参数估计流程图;
图3为本发明实施例的性能指标预测示意图;
图4为本发明实施例的一种伺服***的健康管理装置示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
如图1所示,本发明公开的一种伺服***的健康管理方法,包括:
确定伺服***各环节的参数;
根据确定的参数计算伺服***各环节的性能指标;
根据所述计算的性能指标和伺服***的运行状态对伺服***中出现故障的环节进行预警。
首先,估计控制环节的参数。如图1所示,首先把复杂的控制***分解为小的控制环节,根据先验知识得出要识别的控制环节的阶跃响应时域表达式(带有未知参数)。向控制环节输入一个单位阶跃信号,并获得输出信号。根据最小二乘原则,利用优化方法对控制环节的参数进行估计的数学模型如式(1)所示。
式中xi和yi(i=1,2,…,n)分别表示输入信号和输出信号,t表示时间,θ表示待估计的参数组成的向量,f表示包含θ的阶跃响应时域表达式。
在辨识未知参数θ时,不同的环节需要采取不同的算法。当参数辨识问题是一个连续可导的凸优化问题时,根据费马定理,最优解θ*满足式(2)
根据式(2)可以求得优化问题的全局最优解,从而得到未知参数的估计。当式(2)有解析解时利用解析式直接求得最优解θ*,当式(2)没有解析解时通过迭代方法求得θ*的近似解。当控制环节的参数辨识问题是一个非凸优化问题时,没有算法可以保证得到全局最优解,通过选择合适的初始值,利用迭代算法求得局部最优解作为θ*的近似值。
伺服***的正向回路包括一个比例环节和一个惯性环节,比例环节的辨识问题是一个凸优化问题,可以利用最小二乘法得到参数的估计。比例环节的阶跃响应为
g1(t)=K1x (3)
用xi和yi(i=1,2,…,n)表示采样到的输入信号和输出信号,利用最小二乘法对积分环节进行拟合的数学描述如问题1所示。
问题1(积分环节的最小二乘拟合)
K>0
这个优化问题的目标函数是关于K的二次函数,约束条件都是凸集,因此该问题是凸优化问题。根据费马定理,在无约束条件的情况下,该问题的最优解K1 *满足f1’(K1 *)=0。因此在无约束条件的情况下,问题1的最优解为
这个解是满足问题1的约束条件的,因此K1 *即为参数K1的估计值。
针对伺服***中的非线性环节,本实例使用一种基于梯度下降法的辨识方法。使用单位阶跃信号作为输入信号,用xi和yi(i=1,2,…,n)表示输入信号和输出信号,一阶惯性环节的阶跃响应如式6所示。
利用最小二乘原则对一阶惯性环节进行拟合的数学描述如问题2所示。
问题2(一阶惯性环节的最小二乘拟合)
K>0
T>0
惯性环节的参数估计问题的数学描述是一个非凸优化问题,全局最优解没有解析解,只能通过数值方法找到局部最优解,本实例中使用梯度下降法搜索参数的估计值。在梯度下降算法中需要设计的是迭代初始点、搜索步长和停止准则。根据先验知识,初始点(K0,T0)可以设定为原始设计方案中的参数值,在***随时间连续变化时,问题2的解应该在原始设计参数附近的空间,这样选择迭代初始点符合物理规律而且可以避免迭代算法陷入错误的局部最优解。在搜索迭代步长时使用回溯直线搜索方法。回溯直线搜索方法可以有效避免梯度方向在最优解附近的振荡,且算法的收敛速度较快。问题2的目标函数是连续可微的,其最优解处的梯度为0,因此停止准则选取为
其次,预测伺服***的性能指标。利用上面的估计方法可以得到控制环节的参数,根据参数可以计算控制环节的带宽、相角裕量等性能指标。将大量的性能指标数据作为深度神经网络的训练集,训练用于预测性能指标的深度学习模型。每当数据积累一定规模后自动运行深度学习算法训练新的预测模型。在预测时,模型的输入为一段时期内的性能指标按时间顺序组成的向量,输出为性能指标的预测值。
如图3所示,基于上面的方法可以得出伺服***中各个控制环节的参数,根据这些参数可以计算出带宽、相角裕量和增益裕量等性能指标。本实例使用长短期记忆网络(LongShort-Term Memory,LSTM)建立预测模型。LSTM对时间有记忆效应,可以对较长的时间序列进行预测而且非线性拟合能力很强。
用βi、γi和Li(1≤i≤n)分别表示带宽、相角裕量和增益裕量的历史数据。选择时间窗口长度m=100生成训练数据,如表2所示。由于伺服***的各项性能指标之间存在联系,本实例将所有的数据结合在一起训练一个LSTM网络而不是对每个性能指标分别训练神经网络。
表2 LSTM网络的训练数据
在设计LSTM网络时需要确定的参数有LSTM模块的激活函数(常见的有tanh、sigmoid、ReLu函数等,本方法选择tanh)、输入层的神经元数量(等于训练集的数据维度,本实例中为3*100)、隐层数(一般不超过3层,本文选择1层)、隐层的LSTM模块数量(需要根据实际效果调整,本实例中选择32)、输出层神经元的数量(需要预测的变量维度,本实例中为3)、误差的计算方式(本实例为均方误差)等。LSTM模型的输出为下一个时刻的性能指标的预测值。
最后,根据伺服***的运行状态获得带有人工标签(“正常”或“故障”)的性能指标数据,将这些数据用作二类分类器的训练集,训练用于判别伺服***工作状态的二类分类模型。在判断***的工作状态时,首先判断性能指标是否满足设计要求,若不满足则直接输出“故障”,若满足则把性能指标输入判别模型,得到发生故障的概率,当概率值达到设定的阈值时进行预警。
在根据性能指标判断***的运行状态时,本实例使用支持向量机模型。把带有标签(“故障”或“正常”)的历史性能指标数据作为训练集,训练高斯核的支持向量机模型。模型的输入为性能指标的预测值,输出为发生故障的概率。
如图4所示,本发明的一个实施例还提供了一种伺服***的健康管理装置,包括:
参数预测模块1:用于确定伺服***各环节的参数;具体的,用于:
根据历史数据识别伺服***中各环节的阶跃响应时域表达式;
向所述伺服***中各环节分别输入单位阶跃信号,并得出输出信号;
根据最小二乘原则将得到的阶跃响应时域表达式进行优化得到伺服***各环节的参数模型。
性能指标预测模块2:用于根据确定的参数计算伺服***各环节的性能指标;具体的,性能指标预测模块2根据深度神经网络模型和现有性能指标预测未来的性能指标,并将得到的未来的性能指标发送至工作预警模块3。
工作预警模块3:用于根据所述计算的性能指标和伺服***的运行状态对伺服***中出现故障的环节进行预警。具体的,工作预警模块3包括:
判别模块31:用于判断得到的性能指标是否满足预先设置的要求,若不满足按故障处理;
计算模块32:用于计算预测得到的未来性能指标用于伺服***时发生故障的概率,当概率值达到预设值时进行预警。
为了提高方法的精确度,本发明主要有如下三个创新点:
1、使用迭代算法估计非线性环节的参数。本发明提出的方法不需要对非线性环节进行线性化近似,避免了线性化近似带来的误差。通过选择合适的迭代初始点可以得到精确的参数值,适用于多种类型的控制环节。
2、使用深度学习算法建立预测模型。深度学习模型具有强大的非线性拟合能力,可以拟合温度、湿度等复杂因素的影响,而且可以拟合较长时间内性能指标的变化情况。深度神经网络无需根据经验选择拟合函数的形式,在物理原理不明确的情况下也可以拟合性能指标的变化情况。
3、使用模式识别算法判断***的运行情况。使用模式识别算法可以训练用于判别控制环节运行状态的模型,除了对故障进行定位外,还可以预测控制环节出现故障的概率,对于超过安全阈值的情况进行预警。
为了增强方法的通用性,本发明主要有如下两个创新点:
1、使用优化算法和机器学习算法对数据进行建模,不需要线性化和人工选择拟合曲线,适用于多种复杂的伺服控制***。
2、当伺服***的工作环境变化时,将旧模型替换为利用新环境下的数据重新训练的模型即可实现健康管理***的迁移,不需要改变程序的流程和代码。
为了降低健康管理的成本,本发明主要有如下两个创新点:
1、利用数字伺服***自带的计算机实现健康管理算法,无需额外添加硬件设备,极大地降低了开发成本。
2、当数据积累一定的规模后自动更新模型,既可以及时响应影响因素的变化,也降低了维护的成本。
在对伺服***进行健康管理时,首先将复杂的***分解为简单的控制环节,根据各个环节阶跃响应估计其参数,从而计算出***的性能指标。如果性能指标不满足设计的要求则输出“故障”,若性能指标满足设计的要求,则利用深度神经网络模型预测未来的性能指标,再把预测得到的性能指标输入判别模型得出发生故障的概率。本发明提出的方法实现了自动化的伺服***健康管理,包括对复杂变化的参数和指标的预测和对***运行状态的判别。本发明可在计算机上实现,无需增加其他硬件设备,且模型可以随数据的积累不断更新,通用性强,维护成本低。
本领域的技术人员应明白,本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种伺服***的健康管理方法,其特征在于,包括:
确定伺服***各环节的参数;
根据确定的参数计算伺服***各环节的性能指标;
根据所述计算的性能指标和伺服***的运行状态对伺服***中出现故障的环节进行预警。
2.根据权利要求1所述的方法,其特征在于,所述确定伺服***各环节的参数包括:
根据历史数据识别伺服***中各环节的阶跃响应时域表达式;
向所述伺服***中各环节分别输入单位阶跃信号,并得出输出信号;
根据最小二乘原则将得到的阶跃响应时域表达式进行优化得到伺服***各环节的参数模型。
3.根据权利要求1所述的方法,其特征在于,所述性能指标包括:带宽、相角裕量。
4.根据权利要求1所述的方法,其特征在于,所述根据所述计算的性能指标和伺服***的运行状态对伺服***中出现故障的环节进行预警包括:
判断得到的性能指标是否满足预先设置的要求,若不满足按故障处理;
计算满足要求的性能指标用于伺服***时发生故障的概率,当概率值达到预设值时进行预警。
5.根据权利要求4所述的方法,其特征在于,所述计算满足要求的性能指标用于伺服***时发生故障的概率包括:根据深度神经网络模型和现有性能指标预测未来的性能指标,计算预测得到的未来性能指标在伺服***中发生故障的概率。
6.一种伺服***的健康管理装置,其特征在于,包括:
参数预测模块:用于确定伺服***各环节的参数;
性能指标预测模块:用于根据确定的参数计算伺服***各环节的性能指标;
工作预警模块:用于根据所述计算的性能指标和伺服***的运行状态对伺服***中出现故障的环节进行预警。
7.根据权利要求6所述的装置,其特征在于,所述参数预测模块还用于:
根据历史数据识别伺服***中各环节的阶跃响应时域表达式;
向所述伺服***中各环节分别输入单位阶跃信号,并得出输出信号;
根据最小二乘原则将得到的阶跃响应时域表达式进行优化得到伺服***各环节的参数模型。
8.根据权利要求6所述的装置,其特征在于,所述性能指标包括:带宽、相角裕量。
9.根据权利要求6所述的装置,其特征在于,所述工作预警模块包括:
判别模块:用于判断得到的性能指标是否满足预先设置的要求,若不满足按故障处理;
计算模块:用于计算满足要求的性能指标用于伺服***时发生故障的概率,当概率值达到预设值时进行预警。
10.根据权利要求9所述的装置,其特征在于,所述性能指标预测模块还用于根据深度神经网络模型和现有性能指标预测未来的性能指标,并将得到的未来的性能指标发送至计算模块,以使所述计算模块计算预测得到的未来性能指标在伺服***中发生故障的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910099408.1A CN109918280B (zh) | 2019-01-31 | 2019-01-31 | 一种伺服***的健康管理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910099408.1A CN109918280B (zh) | 2019-01-31 | 2019-01-31 | 一种伺服***的健康管理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109918280A true CN109918280A (zh) | 2019-06-21 |
CN109918280B CN109918280B (zh) | 2022-07-12 |
Family
ID=66961232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910099408.1A Active CN109918280B (zh) | 2019-01-31 | 2019-01-31 | 一种伺服***的健康管理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918280B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726978A (zh) * | 2019-11-29 | 2020-01-24 | 北京无线电测量研究所 | 一种雷达健康状态维护方法、***、介质及设备 |
CN111309572A (zh) * | 2020-02-13 | 2020-06-19 | 上海复深蓝软件股份有限公司 | 测试分析方法、装置、计算机设备及存储介质 |
CN113433893A (zh) * | 2021-07-12 | 2021-09-24 | 东北大学 | 一种基于回溯贝叶斯的机器人伺服***性能指标标定方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129397A (zh) * | 2010-12-29 | 2011-07-20 | 深圳市永达电子股份有限公司 | 一种自适应磁盘阵列故障预测方法及*** |
CN102705303A (zh) * | 2012-05-16 | 2012-10-03 | 北京航空航天大学 | 一种基于残差与双级Elman神经网络的液压伺服***故障定位方法 |
CN104408298A (zh) * | 2014-11-17 | 2015-03-11 | 同济大学 | 一种基于多重分组迭代区间分支定界技术的ddpc伺服***故障预示方法 |
CN104808653A (zh) * | 2015-04-24 | 2015-07-29 | 南京理工大学 | 基于滑模的电机伺服***加性故障检测和容错控制方法 |
CN106873571A (zh) * | 2017-02-10 | 2017-06-20 | 泉州装备制造研究所 | 一种基于数据和模型融合的预警方法 |
CN107390512A (zh) * | 2017-07-27 | 2017-11-24 | 中国船舶重工集团公司第七二四研究所 | 一种冗余驱动伺服***的抗干扰无间断容错控制方法 |
CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
CN108227676A (zh) * | 2017-12-28 | 2018-06-29 | 浙江工业大学 | 阀控缸电液伺服***在线故障检测、估计及定位方法 |
-
2019
- 2019-01-31 CN CN201910099408.1A patent/CN109918280B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129397A (zh) * | 2010-12-29 | 2011-07-20 | 深圳市永达电子股份有限公司 | 一种自适应磁盘阵列故障预测方法及*** |
CN102705303A (zh) * | 2012-05-16 | 2012-10-03 | 北京航空航天大学 | 一种基于残差与双级Elman神经网络的液压伺服***故障定位方法 |
CN104408298A (zh) * | 2014-11-17 | 2015-03-11 | 同济大学 | 一种基于多重分组迭代区间分支定界技术的ddpc伺服***故障预示方法 |
CN104808653A (zh) * | 2015-04-24 | 2015-07-29 | 南京理工大学 | 基于滑模的电机伺服***加性故障检测和容错控制方法 |
CN106873571A (zh) * | 2017-02-10 | 2017-06-20 | 泉州装备制造研究所 | 一种基于数据和模型融合的预警方法 |
CN107390512A (zh) * | 2017-07-27 | 2017-11-24 | 中国船舶重工集团公司第七二四研究所 | 一种冗余驱动伺服***的抗干扰无间断容错控制方法 |
CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
CN108227676A (zh) * | 2017-12-28 | 2018-06-29 | 浙江工业大学 | 阀控缸电液伺服***在线故障检测、估计及定位方法 |
Non-Patent Citations (1)
Title |
---|
赵媛媛: "伺服测角***的发展方向", 《2011 年机械电子学学术会议论文集》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726978A (zh) * | 2019-11-29 | 2020-01-24 | 北京无线电测量研究所 | 一种雷达健康状态维护方法、***、介质及设备 |
CN111309572A (zh) * | 2020-02-13 | 2020-06-19 | 上海复深蓝软件股份有限公司 | 测试分析方法、装置、计算机设备及存储介质 |
CN113433893A (zh) * | 2021-07-12 | 2021-09-24 | 东北大学 | 一种基于回溯贝叶斯的机器人伺服***性能指标标定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109918280B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11574192B2 (en) | Controller training based on historical data | |
US20190243346A1 (en) | Controlling multi-stage manufacturing process based on internet of things (iot) sensors and cognitive rule induction | |
CN109918280A (zh) | 一种伺服***的健康管理方法和装置 | |
Angelov et al. | Identification of evolving fuzzy rule-based models | |
US20200150601A1 (en) | Solution for controlling a target system | |
US20210247744A1 (en) | Manufacturing process control using constrained reinforcement machine learning | |
WO2012067727A1 (en) | Controlling a discrete-type manufacturing process with a multivariate model | |
US11175976B2 (en) | System and method of generating data for monitoring of a cyber-physical system for early determination of anomalies | |
Liu et al. | A switching hidden semi-Markov model for degradation process and its application to time-varying tool wear monitoring | |
CN110462531A (zh) | 用于控制机器操作的模型预测控制***和方法 | |
CN104346926B (zh) | 行驶时间预测方法和装置、以及相关终端设备 | |
CN104598984B (zh) | 一种基于模糊神经网络的故障预测方法 | |
KR20210010735A (ko) | 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치 및 그 방법 | |
CN113111589A (zh) | 预测模型的训练方法、预测供热温度的方法、装置和设备 | |
Ji et al. | Application of MHE to large-scale nonlinear processes with delayed lab measurements | |
Das et al. | Multivariate control loop performance assessment with Hurst exponent and Mahalanobis distance | |
CN107844658A (zh) | 相关向量机与自回归滑动平均融合的舵机状态预测方法 | |
EP4206838A1 (en) | Forecasting and anomaly detection method for low density polyethylene autoclave reactor | |
Matias et al. | Using a neural network for estimating plant gradients in real-time optimization with modifier adaptation | |
EP4325377A1 (en) | Data processing device, data analyzing device, data processing system and method for processing data | |
Arranz et al. | On the selection of control configurations for uncertain systems using gramian-based interaction measures | |
Yu et al. | Offline prediction of process windows for robust injection molding | |
CN114880930A (zh) | 一种基于在线学习的实体设备数字孪生建模仿真预测方法 | |
CN113408591A (zh) | 基于智能仪表的过程趋势分析预测方法 | |
JP2019184575A (ja) | 測定動作パラメータ調整装置、機械学習装置及びシステム |
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 |