CN110320800A - 控制***补偿方法、装置、介质及智能设备 - Google Patents
控制***补偿方法、装置、介质及智能设备 Download PDFInfo
- Publication number
- CN110320800A CN110320800A CN201910536354.0A CN201910536354A CN110320800A CN 110320800 A CN110320800 A CN 110320800A CN 201910536354 A CN201910536354 A CN 201910536354A CN 110320800 A CN110320800 A CN 110320800A
- Authority
- CN
- China
- Prior art keywords
- compensated
- parameter
- model
- compensation
- 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
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
-
- 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
- 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
本发明公开了一种控制***补偿方法、装置、介质及智能设备,所述方法包括:获取待补偿***的非线性参数及不确定干扰参数,并根据所述非线性参数及不确定干扰参数确定待补偿***的***模型;根据该***模型的运行结果确定是否对所述待补偿***进行动态补偿;若是,则根据所述运行结果与预设标准对该待补偿***进行动态补偿,并将补偿后的运行结果反馈至补偿控制器。本发明能够解决现有对控制***的补偿多为精确模型,而在实际工程应用中,控制***必定存在非线性因素和不确定干扰,从而很大程度地降低***的稳定性和控制精度的问题,提高了用户控制体验的满意度。
Description
技术领域
本发明涉及机械臂的控制技术领域,特别是涉及一种控制***补 偿方法、***、介质及智能设备。
背景技术
在实际工程应用中,特别是控制***,各种***部件存在着诸多 非线性因素和不确定干扰。在其运行过程中,由于非线性因素和不确 定干扰产生的不良影响,限制了***的稳定性能,导致***不确定, 降低了控制精度,制约了高精尖技术的发展
众所周知的,控制***是指由控制主体、控制客体和***体组 成的具有自身目标和功能的管理***。随着工业的飞速发展,高精尖 产业也迅速发展,高精尖技术产业对控制***的要求也不断提升。因 此,针对控制***,特别是高精尖领域中的控制***,为准确地动态 补偿***中的非线性因素和不确定干扰而进行的研究尤为重要。
现有技术针对控制***的补偿多为精确模型,而在实际工程应用 中,控制***必定存在非线性因素和不确定干扰。若未采取有效的方 法处理非线性因素和不确定干扰,将很大程度地降低***的稳定性和 控制精度。同时,采用神经网络控制算法会产生逼近误差,这将导致 ***不能够快速收敛,并增加计算量,给硬件带来负担。在大多数已 实现的控制方法中,随着***阶数的增加,控制效果难以保证,这难 以满足目前高精尖领域的要求。
发明内容
为了解决上述问题,本发明的目的是提供一种能够对不确定性进 行实时跟踪与补偿,保证控制***稳定性的控制***补偿方法、***、 介质及智能设备。
根据本发明提供的控制***补偿方法,包括:
获取待补偿***的非线性参数及不确定干扰参数,并根据所述非 线性参数及不确定干扰参数确定待补偿***的***模型;
根据该***模型的运行结果确定是否对所述待补偿***进行动 态补偿;
若是,则根据所述运行结果与预设标准对该待补偿***进行动态 补偿,并将补偿后的运行结果反馈至补偿控制器。
根据本发明提供的控制***补偿方法,首先获取待补偿***的非 线性参数及不确定干扰参数,并根据所述非线性参数及不确定干扰参 数确定待补偿***的***模型,根据该***模型的运行结果确定是否 对所述待补偿***进行动态补偿;若是,则根据所述运行结果与预设 标准对该待补偿***进行动态补偿,并将补偿后的运行结果反馈至补 偿控制器。本发明提供的控制***补偿方法,通过对非线性因素和不 确定干扰进行动态补偿,从而提高了***的稳定性和控制精度;同时 也能够解决现有神经网络控制算法所产生的逼近误差,而导致的*** 不能够快速收敛,并增加计算量,给硬件带来负担的问题,满足了实 际应用需求。
另外,根据本发明上述的控制***补偿方法,还可以具有如下附 加的技术特征:
进一步地,所述待补偿***的***模型为:
其中,xi为***的状态变量,u为***的输入,gi为非线性参数, di为不确定干扰参数。
进一步地,根据该***模型的运行结果确定是否对所述待补偿系 统进行动态补偿的步骤包括:
根据所述不确定干扰参数及神经网络模型构建时产生的逼近误 差,构造低阶扩张状态观测器;
通过所述扩张状态观测器对待补偿***的不确定干扰进行实时 追踪,并将所述追踪结果生成相应的追踪效果图;
计算所述追踪效果图与所述标准效果图的匹配度最高的最佳匹 配子图;
根据所述最佳匹配子图与标准效果图的相关度确定是否对所述 待补偿***进行动态补偿。
进一步地,根据所述不确定干扰参数及神经网络模型构建时产生 的逼近误差,构造低阶扩张状态观测器的步骤包括:
将所述不确定干扰参数导入低阶扩张状态观测器,以得到干扰估 计值,其中,所述低阶扩张状态观测器的模型为:
所述干扰估计值的公式为:
进一步地,根据所述运行结果与预设标准对该待补偿***进行动 态补偿的步骤包括:
根据所述非线性参数确定神经网络控制模型;
根据所述神经网络控制模型计算虚拟控制模型;
根据所述虚拟控制模型计算滑模控制模型;
确定所述运行结果与预设标准的线性度,并通过所述滑模控制模 型对该待补偿***进行动态补偿。
进一步地,根据所述非线性参数确定神经网络控制模型的公式 为:
进一步地,所述虚拟控制模型为:
所述滑模控制模型为:
本发明的另一实施例提出一种控制***补偿装置,解决现有对控 制***的补偿多为精确模型,而在实际工程应用中,控制***必定存 在非线性因素和不确定干扰,从而很大程度地降低***的稳定性和控 制精度的问题,提高了用户控制体验的满意度。
根据本发明实施例的控制***补偿装置,包括:
获取模块,用于获取待补偿***的非线性参数及不确定干扰参 数,并根据所述非线性参数及不确定干扰参数确定待补偿***的*** 模型;
判断模块,用于根据该***模型的运行结果确定是否对所述待补 偿***进行动态补偿;
补偿模块,用于根据所述运行结果与预设标准对该待补偿***进 行动态补偿,并将补偿后的运行结果反馈至补偿控制器。
本发明的另一个实施例还提出一种存储介质,其上存储有计算机 程序,该程序被处理器执行时实现上述方法的步骤。
本发明还提出一种智能设备,包括存储器、处理器以及存储在存 储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所 述程序时实现如上所述的控制***补偿方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从 下面的描述中变得明显,或通过本发明的实施例了解到。
附图说明
图1是本发明第一实施例提出的控制***补偿方法的流程图;
图2是图1中步骤S102的具体流程图;
图3是图1的具体实施例的追踪效果示意图;
图4是本发明第二实施例提出的控制***补偿装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结 合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、 完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是 全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有 做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护 的范围。
请参阅图1,本发明第一实施例提出的一种控制***补偿方法, 其中,包括步骤S101~S103:
步骤S101,获取待补偿***的非线性参数及不确定干扰参数, 并根据所述非线性参数及不确定干扰参数确定待补偿***的***模 型。
本实施例中,以数据智能设备为例进行说明,但需要了解的是, 本发明实施例并不限于此,本发明实施例的方法可以应用在任何智能 设备中,即任何可进行***补偿的电子设备中。具体的,现有技术中, 针对的***多为精确模型,而在实际工程应用中,控制***必定存在 非线性因素和不确定干扰。若未采取有效的方法处理非线性因素和不 确定干扰,将很大程度地降低***的稳定性和控制精度。同时,采用 神经网络控制算法会产生逼近误差,这将导致***不能够快速收敛, 并增加计算量,给硬件带来负担。
具体实施时,判断待补偿控制***的***类型,根据待补偿控制 ***的***类型确定待补偿***的非线性参数及不确定干扰参数,并 根据所述非线性参数及不确定干扰参数确定待补偿***的***模型, 通过对待补偿***进行***模型的建立从而方便根据该***模型的 补偿效果对实际的待补偿的控制***进行动态补偿,从而大大地提高 了对待补偿控制***的补偿效果及补偿精度。
进一步地,本实施例中所述待补偿***的***模型为:
其中,xi为***的状态变量,u为***的输入,gi为非线性参数, di为不确定干扰参数。
在本实施例中,通过将待补偿***本身的状态及干扰因素考虑在 内,从而将***的输入u、非线性参数gi及不确定干扰参数di与*** 的状态变量xi相关联,进而可以准确的通过***模型的运行状态及补 偿效果对待补偿的***进行动态的补偿,节省了资源,且提高了补偿 的效果及精度,避免了由于非线性因素和不确定干扰产生的不良影 响,限制了***的稳定性能,导致***不确定,降低了控制精度,制 约了高精尖技术的发展。
步骤S102,根据该***模型的运行结果确定是否对所述待补偿 ***进行动态补偿。
如上所述,通过针对该待补偿的控制***建立相应的***模型, 以便于根据该***模型的运行结果判断是否对该待补偿控制***进 行动态补偿,可以理解的,该***模型对待补偿控制***的运行环境、 运行参数及干扰因素是实时获取的,从而提高对待补偿控制***进行 补偿的可靠性准确性及及时性。
请参阅图2,根据该***模型的运行结果确定是否对所述待补偿 ***进行动态补偿的方法包括如下步骤:
步骤S1021,根据所述不确定干扰参数及神经网络模型构建时产 生的逼近误差,构造低阶扩张状态观测器。
如上所述,为提高根据该***模型的运行结果对所述待补偿*** 进行动态补偿的可靠性及可追踪性,因此需要根据所述不确定干扰参 数及神经网络模型构建时产生的逼近误差,构造低阶扩张状态观测 器,其中该低阶扩张状态观测器的模型为:
进一步地,为得到***对不确定干扰进行跟踪的干扰结果,因此 需将所述不确定干扰参数导入低阶扩张状态观测器,以得到干扰估计 值,其中,所述干扰估计值的公式为:
步骤S1022,通过所述扩张状态观测器对待补偿***的不确定干 扰进行实时追踪,并将所述追踪结果生成相应的追踪效果图。
如上所述,为准确得出不确定干扰对待补偿***的长期或阶段性 的干扰状态,因此需通过所述扩张状态观测器对待补偿***的不确定 干扰进行实时追踪,并将所述追踪结果生成相应的追踪效果图,从而 便于直观的得出不确定干扰对待补偿***的干扰结果及干扰规律。
步骤S1023,计算所述追踪效果图与所述标准效果图的匹配度最 高的最佳匹配子图。
如上所述,具体实施时,对所述追踪效果图进行卷积计算以得到 一匹配矩阵,该匹配矩阵的物理意义指的是追踪效果图相对于标准效 果图的匹配度关系的矩阵;然后计算该匹配矩阵的值最大时所对应的 坐标,并根据该坐标在所述追踪效果图中确定匹配度最高的匹配子 图。
步骤S1024,根据所述最佳匹配子图与标准效果图的相关度确定 是否对所述待补偿***进行动态补偿。
如上所述,通过根据所述最佳匹配子图与标准效果图的相关度是 否小于预设相关度90%,来确定是否对所述带补偿***进行补偿,在 本发明其他实施例中,所述最佳匹配子图与标准效果图的相关度还可 根据实际需求进行调整,在此不作限制。
步骤S103,根据所述运行结果与预设标准对该待补偿***进行 动态补偿,并将补偿后的运行结果反馈至补偿控制器。
如上所述,相应的补偿设备根据所述***模型的运行结果及预设 标准对该待补偿***进行动态补偿,并将补偿后的运行结果反馈至补 偿控制器,以便于所述补偿控制器根据补偿后的运行结果进行分析、 预警与补偿调整。
请参阅图3,根据所述运行结果与预设标准对该待补偿***进行 动态补偿的步骤包括:
根据所述非线性参数确定神经网络控制模型,其中,该神经网络 控制模型为:
根据所述神经网络控制模型计算虚拟控制模型,其中,计算步骤 包括:
根据所述虚拟控制模型计算滑模控制模型,其中滑模控制模型 为;
确定所述运行结果与预设标准的线性度,并通过所述滑模控制模 型对该待补偿***进行动态补偿。
可以理解的,通过所述运行结果与预设标准的线性度对该待补偿 ***进行动态补偿,避免了由于非线性因素和不确定干扰产生的不良 影响,限制了***的稳定性能,导致***不确定,降低了控制精度, 制约了高精尖技术的发展。具体实施时可将运行结果的效果图与预设 标准的效果图划分为若干区域,以进行线性度的判断。
根据本发明提供的控制***补偿方法,首先获取待补偿***的非 线性参数及不确定干扰参数,并根据所述非线性参数及不确定干扰参 数确定待补偿***的***模型,根据该***模型的运行结果确定是否 对所述待补偿***进行动态补偿;若是,则根据所述运行结果与预设 标准对该待补偿***进行动态补偿,并将补偿后的运行结果反馈至补 偿控制器。本发明提供的控制***补偿方法,通过对非线性因素和不 确定干扰进行动态补偿,从而提高了***的稳定性和控制精度;同时 也能够解决现有神经网络控制算法所产生的逼近误差,而导致的*** 不能够快速收敛,并增加计算量,给硬件带来负担的问题,满足了实 际应用需求。
请参阅图3,作为一个具体的实施例,机械臂在实际的工程应用 中具有极大的运用价值,同时所有的控制***都能够转化为二阶*** 进行分析。现采用单关节机械臂二阶***验证本发明所提出的***非线性因素 和不确定干扰动态补偿控制方法的效果。***模型如下:
其中,J是转动惯量,u是***输入,g1和g2是未知随机干扰项, f1和f2是外部干扰,x1是单关节机械臂的角度,x2是单关节机械臂的 角速度。
确定扩张状态观测器模型ESO-1,ESO-2,干扰估计值和神经网络控制器和虚拟控制器α1和u,滑模控制器S。
ESO-1:
ESO-2:
获取单关节机械臂角度x1及其期望值x1r的跟踪效果图(a)、单 关节机械臂角速度x2的跟踪效果图(b)及其期望值x2r及扩张状态观 测器对***不确定干扰的跟踪效果图(c),通过跟踪效果图对干扰 信号进行有效跟踪,进而对***进行动态补偿,有效地保证了***的 稳定性提升***性能和控制精度。
请参阅图4,基于同一发明构思,本发明第二实施例提供的控制 ***补偿装置,包括:
获取模块10,用于获取待补偿***的非线性参数及不确定干扰 参数,并根据所述非线性参数及不确定干扰参数确定待补偿***的系 统模型。
其中,所述待补偿***的***模型为:
其中,xi为***的状态变量,u为***的输入,gi为非线性参数, di为不确定干扰参数。
判断模块20,用于根据该***模型的运行结果确定是否对所述 待补偿***进行动态补偿。
本实施例中,所述判断模块20包括:
构造单元21,用于根据所述不确定干扰参数及神经网络模型构 建时产生的逼近误差,构造低阶扩张状态观测器。
进一步地,根据所述不确定干扰参数及神经网络模型构建时产生 的逼近误差,构造低阶扩张状态观测器的步骤为将所述不确定干扰参 数导入低阶扩张状态观测器,以得到干扰估计值。其中,所述低阶扩 张状态观测器的模型为:
所述干扰估计值的公式为:
生成单元22,用于通过所述扩张状态观测器对待补偿***的不 确定干扰进行实时追踪,并将所述追踪结果生成相应的追踪效果图。
计算单元23,用于计算所述追踪效果图与所述标准效果图的匹 配度最高的最佳匹配子图。
确定单元24,用于根据所述最佳匹配子图与标准效果图的相关 度确定是否对所述待补偿***进行动态补偿。
补偿模块30,用于根据所述运行结果与预设标准对该待补偿系 统进行动态补偿,并将补偿后的运行结果反馈至补偿控制器。
其中,根据所述非线性参数确定神经网络控制模型的公式为:
所述虚拟控制模型为:
所述滑模控制模型为:
根据本发明提供的控制***补偿装置,首先获取待补偿***的非 线性参数及不确定干扰参数,并根据所述非线性参数及不确定干扰参 数确定待补偿***的***模型,根据该***模型的运行结果确定是否 对所述待补偿***进行动态补偿;若是,则根据所述运行结果与预设 标准对该待补偿***进行动态补偿,并将补偿后的运行结果反馈至补 偿控制器。本发明提供的控制***补偿方法,通过对非线性因素和不 确定干扰进行动态补偿,从而提高了***的稳定性和控制精度;同时 也能够解决现有神经网络控制算法所产生的逼近误差,而导致的*** 不能够快速收敛,并增加计算量,给硬件带来负担的问题,满足了实 际应用需求。
本发明实施例提出的控制***补偿装置的技术特征和技术效果 与本发明实施例提出的方法相同,在此不予赘述。
此外,本发明的实施例还提出一种存储介质,其上存储有计算机 程序,该程序被处理器执行时实现上述方法的步骤。
此外,本发明的实施例还提出一种智能设备,包括存储器、处理 器以及存储在存储器上并可在处理器上运行的计算机程序,其中,所 述处理器执行所述程序时实现上述方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如, 可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体 实现在任何计算机可读介质中,以供指令执行***、装置或设备(如 基于计算机的***、包括处理器的***或其他可以从指令执行***、 装置或设备取指令并执行指令的***)使用,或结合这些指令执行系 统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是 任何可以包含、存储、通信、传播或传输程序以供指令执行***、装 置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具 有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁 装置),随机存取存储器(RAM),只读存储器(ROM),可擦除 可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携 式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是 可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对 纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合 适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机 存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组 合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器 中且由合适的指令执行***执行的软件或固件来实现。例如,如果用 硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术 中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能 的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集 成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示 例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实 施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的 是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特 点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员 可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例 进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等 同物限定。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式, 用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不 局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域 的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明 揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行 修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而 这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实 施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因 此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种控制***补偿方法,其特征在于,所述方法包括如下步骤:
获取待补偿***的非线性参数及不确定干扰参数,并根据所述非线性参数及不确定干扰参数确定待补偿***的***模型;
根据该***模型的运行结果确定是否对所述待补偿***进行动态补偿;
若是,则根据所述运行结果与预设标准对该待补偿***进行动态补偿,并将补偿后的运行结果反馈至补偿控制器。
2.根据权利要求1所述的控制***补偿方法,其特征在于,所述待补偿***的***模型为:
其中,xi为***的状态变量,u为***的输入,gi为非线性参数,di为不确定干扰参数。
3.根据权利要求1所述的控制***补偿方法,其特征在于,根据该***模型的运行结果确定是否对所述待补偿***进行动态补偿的步骤包括:
根据所述不确定干扰参数及神经网络模型构建时产生的逼近误差,构造低阶扩张状态观测器;
通过所述扩张状态观测器对待补偿***的不确定干扰进行实时追踪,并将所述追踪结果生成相应的追踪效果图;
计算所述追踪效果图与所述标准效果图的匹配度最高的最佳匹配子图;
根据所述最佳匹配子图与标准效果图的相关度确定是否对所述待补偿***进行动态补偿。
4.根据权利要求3所述的控制***补偿方法,其特征在于,根据所述不确定干扰参数及神经网络模型构建时产生的逼近误差,构造低阶扩张状态观测器的步骤包括:
将所述不确定干扰参数导入低阶扩张状态观测器,以得到干扰估计值,其中,所述低阶扩张状态观测器的模型为:
所述干扰估计值的公式为:
5.根据权利要求1所述的控制***补偿方法,其特征在于,根据所述运行结果与预设标准对该待补偿***进行动态补偿的步骤包括:
根据所述非线性参数确定神经网络控制模型;
根据所述神经网络控制模型计算虚拟控制模型;
根据所述虚拟控制模型计算滑模控制模型;
确定所述运行结果与预设标准的线性度,并通过所述滑模控制模型对该待补偿***进行动态补偿。
6.根据权利要求5所述的控制***补偿方法,其特征在于,根据所述非线性参数确定神经网络控制模型的公式为:
7.根据权利要求5所述的控制***补偿方法,其特征在于,所述虚拟控制模型为:
所述滑模控制模型为:
8.一种控制***补偿装置,其特征在于,所述***包括:
获取模块,用于获取待补偿***的非线性参数及不确定干扰参数,并根据所述非线性参数及不确定干扰参数确定待补偿***的***模型;
判断模块,用于根据该***模型的运行结果确定是否对所述待补偿***进行动态补偿;
补偿模块,用于根据所述运行结果与预设标准对该待补偿***进行动态补偿,并将补偿后的运行结果反馈至补偿控制器。
9.一种介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7任意一项所述的控制***补偿方法。
10.一种智能设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1至7任意一项所述的控制***补偿方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910536354.0A CN110320800B (zh) | 2019-06-20 | 2019-06-20 | 控制***补偿方法、装置、介质及智能设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910536354.0A CN110320800B (zh) | 2019-06-20 | 2019-06-20 | 控制***补偿方法、装置、介质及智能设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110320800A true CN110320800A (zh) | 2019-10-11 |
CN110320800B CN110320800B (zh) | 2023-06-20 |
Family
ID=68119921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910536354.0A Active CN110320800B (zh) | 2019-06-20 | 2019-06-20 | 控制***补偿方法、装置、介质及智能设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320800B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598972A (zh) * | 2022-12-13 | 2023-01-13 | 攀枝花水钢红发矿业有限公司(Cn) | 球团成型参数控制***、方法、电子设备以及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238572A (zh) * | 2014-07-23 | 2014-12-24 | 南京理工大学 | 基于扰动补偿的电机伺服***无抖动滑模位置控制方法 |
CN105116725A (zh) * | 2015-07-17 | 2015-12-02 | 浙江工业大学 | 基于扩张状态观测器的伺服***自适应滑模控制方法 |
CN105223808A (zh) * | 2015-06-24 | 2016-01-06 | 浙江工业大学 | 基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法 |
CN107662208A (zh) * | 2017-08-24 | 2018-02-06 | 浙江工业大学 | 一种基于神经网络的柔性关节机械臂有限时间自适应反步控制方法 |
CN108107719A (zh) * | 2017-11-10 | 2018-06-01 | 大连民族大学 | 非线性***的自适应滑模控制*** |
CN108673502A (zh) * | 2018-05-18 | 2018-10-19 | 昆明理工大学 | 一种基于未知模型动态观测器的机械臂运动控制方法 |
CN108803324A (zh) * | 2018-06-06 | 2018-11-13 | 黄山学院 | 多关节工业机械臂反步有限时间滑模控制方法 |
CN109343549A (zh) * | 2018-10-09 | 2019-02-15 | 北京航空航天大学 | 一种飞行器姿态控制方法、***、介质及设备 |
CN109465825A (zh) * | 2018-11-09 | 2019-03-15 | 广东工业大学 | 机械臂柔性关节的rbf神经网络自适应动态面控制方法 |
CN109709807A (zh) * | 2018-12-27 | 2019-05-03 | 中科院计算技术研究所南京移动通信与计算创新研究院 | 一种基于摩擦补偿的自适应神经网络控制方法及其装置 |
-
2019
- 2019-06-20 CN CN201910536354.0A patent/CN110320800B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238572A (zh) * | 2014-07-23 | 2014-12-24 | 南京理工大学 | 基于扰动补偿的电机伺服***无抖动滑模位置控制方法 |
CN105223808A (zh) * | 2015-06-24 | 2016-01-06 | 浙江工业大学 | 基于神经网络动态面滑模控制的机械臂***饱和补偿控制方法 |
CN105116725A (zh) * | 2015-07-17 | 2015-12-02 | 浙江工业大学 | 基于扩张状态观测器的伺服***自适应滑模控制方法 |
CN107662208A (zh) * | 2017-08-24 | 2018-02-06 | 浙江工业大学 | 一种基于神经网络的柔性关节机械臂有限时间自适应反步控制方法 |
CN108107719A (zh) * | 2017-11-10 | 2018-06-01 | 大连民族大学 | 非线性***的自适应滑模控制*** |
CN108673502A (zh) * | 2018-05-18 | 2018-10-19 | 昆明理工大学 | 一种基于未知模型动态观测器的机械臂运动控制方法 |
CN108803324A (zh) * | 2018-06-06 | 2018-11-13 | 黄山学院 | 多关节工业机械臂反步有限时间滑模控制方法 |
CN109343549A (zh) * | 2018-10-09 | 2019-02-15 | 北京航空航天大学 | 一种飞行器姿态控制方法、***、介质及设备 |
CN109465825A (zh) * | 2018-11-09 | 2019-03-15 | 广东工业大学 | 机械臂柔性关节的rbf神经网络自适应动态面控制方法 |
CN109709807A (zh) * | 2018-12-27 | 2019-05-03 | 中科院计算技术研究所南京移动通信与计算创新研究院 | 一种基于摩擦补偿的自适应神经网络控制方法及其装置 |
Non-Patent Citations (3)
Title |
---|
JIANHUI WANG ET AL.: ""Neural Adaptive Event-Triggered Control for Nonlinear Uncertain Stochastic Systems With Unknown Hysteresis"", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
MINGHUI ZHENG ET AL.: ""Extended state observer with phase compensation to estimate and suppress high-frequency disturbances"", 《2016 AMERICAN CONTROL CONFERENCE (ACC)》 * |
马建伟 等: ""BTT导弹基于扩张状态观测器的滑模控制律设计"", 《计算机测量与控制》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598972A (zh) * | 2022-12-13 | 2023-01-13 | 攀枝花水钢红发矿业有限公司(Cn) | 球团成型参数控制***、方法、电子设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110320800B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7222029B2 (ja) | ホリスティックグローバルなパフォーマンス及び電力管理 | |
US20200241921A1 (en) | Building neural networks for resource allocation for iterative workloads using reinforcement learning | |
CN109491790A (zh) | 基于容器的工业物联网边缘计算资源分配方法及*** | |
Hoffmann et al. | Seec: A framework for self-aware computing | |
CN114996858B (zh) | 飞行器仿真方法、装置、终端设备和存储介质 | |
US20200348979A1 (en) | Adaptive Controller for Online Adaptation of Resource Allocation Policies for Iterative Workloads Using Reinforcement Learning | |
CN103279353B (zh) | 一种应用优化策略确定方法、装置及*** | |
Facchinei et al. | VI-constrained hemivariational inequalities: distributed algorithms and power control in ad-hoc networks | |
Maggio et al. | A game-theoretic resource manager for rt applications | |
CN103970879B (zh) | 一种调整数据块存储位置的方法及*** | |
CN105608366A (zh) | 用户权限控制方法和装置 | |
EP2442248A1 (de) | Kopplungsmethodik für nicht-iterative Co-Simulation | |
CN110320800A (zh) | 控制***补偿方法、装置、介质及智能设备 | |
CN105022686A (zh) | 安卓平台上进程的cpu占用率确定方法和装置 | |
CN109614159A (zh) | 计划任务分发、导入方法及装置 | |
US11411886B1 (en) | Automatic cluster scaling based on varying workloads | |
Ramadevi et al. | Chaotic Sandpiper Optimization Based Virtual Machine Scheduling for Cyber-Physical Systems. | |
EP1959324A2 (en) | Resonant frequency identification | |
CN107528513A (zh) | 速度环控制参数的整定方法及电机控制单元 | |
CN107621946A (zh) | 一种软件开发方法、装置及*** | |
CN102063308B (zh) | 一种用于地震勘探资料处理流程控制的方法 | |
US10929177B2 (en) | Managing resources for multiple trial distributed processing tasks | |
CN112388623B (zh) | 舵机位置控制方法、装置、终端设备及介质 | |
Whiteside et al. | Pann: Power allocation via neural networks dynamic bounded-power allocation in high performance computing | |
CN117389108B (zh) | 用于光学邻近效应修正的方法、设备和介质 |
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 |