CN110488759A - 一种基于Actor-Critic算法的数控机床进给控制补偿方法 - Google Patents
一种基于Actor-Critic算法的数控机床进给控制补偿方法 Download PDFInfo
- Publication number
- CN110488759A CN110488759A CN201910734010.0A CN201910734010A CN110488759A CN 110488759 A CN110488759 A CN 110488759A CN 201910734010 A CN201910734010 A CN 201910734010A CN 110488759 A CN110488759 A CN 110488759A
- Authority
- CN
- China
- Prior art keywords
- compensation
- actor
- algorithm
- time
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000009471 action Effects 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000001360 synchronised effect Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims 1
- 230000002787 reinforcement Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000005364 simax Substances 0.000 description 1
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
- 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
- G05B19/41—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 interpolation, e.g. the computation of intermediate points between programmed end points to define the path to be followed and the rate of travel along that path
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34083—Interpolation general
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于Actor‑Critic算法的数控机床进给控制补偿方法,首先,根据伺服***特点,即运行上升过程中存在延时与超调的问题,在伺服***中设计补偿环节;然后,根据控制需要设计评价指标,利用评价指标设计Actor‑Critic算法奖励函数,并根据控制补偿环节确定Actor‑Critic算法动作参数,确定算法迭代终止条件;最后,运行Actor‑Critic算法,确定最优补偿参数;本发明在PID环节之后施加补偿,通过Actor‑Critic学习算法得到最优化补偿参数,提高响应速度,同时减小超调量,提高进给速度与精度。
Description
技术领域
本发明属于机电一体化与智能控制技术领域,具体涉及一种基于Actor-Critic算法的数控机床进给控制补偿方法。
背景技术
随着现代控制与智能控制理论以及机电一体化技术的不断深入发展,数控机床产业迅猛发展,以伺服***为基础的现代数控机床得到了越来越广泛的应用,现在已广泛应用于航空、航天、电子产品、汽车等各个行业的生产加工中,成为工业生产实现自动化与智能化的基础。
伺服***作为数控机床的核心部件,由于PID控制器存在滞后性、以及***本身的鲁棒性差等瓶颈问题,现阶段伺服***在可靠性、控制精度、功能完备性、稳定性等面仍有待提高,这将会降低数控机床在实际应用中的调节速度与控制精度,最终导致产品生产精度的降低和工业生产线生产效率的下降,并影响机床的使用寿命。通过对现有控制环节施加补偿将会明显改善上述问题。但在施加补偿的过程中需要对补偿参数进行合理高效地整定,以实现自适应、自学习的参数补偿。
Actor-Critic强化学习算法是深度强化学习领域新一代算法,目的在于解决最优决策问题,是Q-learning和Policy Gradient算法的结合。在算法中Actor是一个策略网络,需要奖惩信息来进行调节不同状态下采取各种动作的概率;Critic是一个以价值为基础的网络,根据状态特征输出每一个状态的奖惩信息。二者相结合,Actor网络选择动作,Critic网络与Actor网络进行数据传递判断选择的动作是否合适。在这一过程中,Actor不断迭代,得到每一个状态下选择每一动作的合理概率,Critic也不断迭代,不断完善每个状态下选择每一个动作的奖惩值。现阶段Actor-Critic算法在工业控制、仿真模拟和游戏博弈等领域得到了广泛的应用。虽然Actor-Critic强化学习算法体现出了强大的寻优能力,但在伺服***补偿与参数整定领域尚未开展应用。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供了一种基于Actor-Critic算法的数控机床进给控制补偿方法,在PID环节之后施加补偿,通过Actor-Critic学习算法得到最优化补偿参数,提高响应速度,同时减小超调量,提高进给速度与精度。
为实现上述目的,本发明采取的技术方案是:
一种基于Actor-Critic算法的数控机床进给控制补偿方法,首先,根据伺服***特点,即运行上升过程中存在延时与超调的问题,在伺服***中设计补偿环节;然后,根据控制需要设计评价指标,利用评价指标设计Actor-Critic算法奖励函数,并根据控制补偿环节确定Actor-Critic算法动作参数,确定算法迭代终止条件;最后,运行Actor-Critic算法,确定最优补偿参数。
一种基于Actor-Critic算法的数控机床进给控制补偿方法,包括以下步骤:
步骤1)通过Simulink仿真模型对数控机床进给***进行建模,模型包括PID控制器、逆变器、永磁同步电机和检测环节,其中被控对象为进给轴位置,检测环节包括增量式编码器、电流传感器与电机输出扭矩传感器,检测环节检测的物理量包括位置、速度、电流和扭矩;
步骤2)运行初始进给伺服***Simulink模型,获取进给轴调节过程位置、速度、扭矩、电流信号时域波形,通过时域波形计算调整时间、超调量、上升时间、峰值时间、电流与扭矩有效值之比的时间响应性能指标;
步骤3)从步骤2)的时间响应性能指标中选择参数指标作为评价指标,针对不同的补偿优化目标所选择的参数指标不同,当补偿目标为提高响应速度时,应选择调解时间、上升时间、峰值时间作为评价指标;当补偿目标是抑制超调时,应选择超调量作为评价指标;当补偿目标为提高电机效率时,则选择电流与扭矩有效值之比即效率指标作为评价指标;
将所选择的参数指标作为评价指标向量,组成状态向量St,
St={s1,s2,…si,…,sn}
其中,Si为状态向量中各个评价指标,i=1,2,…,n;
对状态向量中各元素进行归一化处理,处理过程如下:
其中,simin为第i个参数指标最小值,simax为样本最大超调,所有参数指标最大值及最小值均通过伺服***多次运行采样得到;
将归一化后的向量St a作为Actor网络的输入向量;
步骤4)选择补偿放大增益K作为算法输出动作,作为Actor网络的输出;状态向量St与Actor输出动作放大增益K作为Critic网络的输入;同时根据所选择指标设计Actor-Critic算法奖励函数R(st,a)
R(st,a)=Rref-St a
Rref=[-0.65;0.7;-0.2]
步骤5)根据输入状态向量及动作分别设计Actor-Critic算法中Actor与Critic参数化网络参数φ(s),选择RBF神经网络作为参数化手段,随机选择神经网络中心;根据所设计参数配置网络,配置算法学习率α=0.0001,作为参数反馈更新的折扣;参数更新方式如下
其中为价值梯度,用来更新Critic网络参数梯度;为策略梯度,用来更新Actor网络参数;
步骤6)设置补偿函数形式为一元线性函数,函数形式为:
y=K(τx+1)
其中,τ为补偿截止时间常数,为补偿信号截止时间的负倒数,K为补偿增益,补偿截止时间应根据补偿评价指标在补偿环节中设置,补偿截止时间应小于调节时间t;设计算法终止条件,设置算法最大迭代次数T作为终止条件;
步骤7)运行Actor-Critic算法进行迭代,如果价值函数R在最后100回合的变化ΔR10≤2,则认为算法收敛;如果算法不收敛,则将迭代步数加大50%,重复步骤4)-7),运行补偿后的伺服***验证补偿结果。
所述的步骤2)中的伺服***为以永磁同步电机为执行器的伺服***,工作模式为位置控制模式,包括PID控制、Park变化、Clark变换、SVPWM、逆变器、永磁同步电机模块。
所述步骤5)中的Actor-Critic算法,是通过在构建并运行Actor和Critic两个网络,并将网络与模型环境相结合,在每个回合更新网络参数而实现的。
本发明的有益效果为
1.本发明对数控***进给***进行补偿,提高进给调节速度,和稳定性,提高进给响应过程效率,同时起到抑制超调的作用,显著提高数控***进给***动态性能。
2.本发明通过强化学习的手段对伺服***进行补偿,有利于寻找到最优化补偿参数,充分发挥进给效率,延长使用寿命。
附图说明
图1是本发明方法的流程图。
图2是数控机床进给***补偿Simulink模型。
图3是基于Actor-Critic算法的数控机床进给***补偿结构示意图。
图4是本发明实施例的位置补偿之前进给位置响应时域波形图。
图5是本发明实施例的位置补偿之后进给位置响应时域波形图。
图6是本发明实施例的位置补偿前后进给位置响应时域波形对比图。
图7是本发明实施例的进给位置补偿价值函数波形图。
具体实施方式
以下结合附图和实施例对本发明进一步的详细说明。
实施例,参照图1,一种基于Actor-Critic算法的数控机床进给控制补偿方法,包括以下步骤:
步骤1)通过Simulink仿真模型对数控机床进给伺服***进行建模,如图2所示,模型包括PID控制器、逆变器、永磁同步电机和检测环节,其中被控对象为进给轴位置,检测环节包括增量式编码器、电流传感器与电机输出扭矩传感器,检测环节检测的物理量包括位置、速度、电流、扭矩;
参照图3,本实施例采用以永磁同步电机为执行器的数控机床进给伺服***,由PID控制器、逆变器、永磁同步电机、监测***几个部分组成,其中,永磁同步电机极数为8,预设位置参考为1000,初始补偿增益为0;
步骤2)运行初始状态下的永磁同步电机模型,获取电机位置、速度、扭矩信号时间幅值序列{Pt},{Vt},{Tt},{t=1,2,…,N},N为采样点数,本实施例中N=100K;
步骤3)本实施例目的在于减小超调,提高调节速度,并提高电机效率的多目标优化,所以选择超调量σ%、调节时间tsp、电机效率η作为评价指标;通过时域响应信号得到取电机上升时间tr、峰值时间tp、超调量σ%三个时间响应性能指标;
对评价指标向量进行简化,最终得到状态向量St
St={σ%,tsp,ηs}
其中,
tsp=t′98%
其中,c(tp)为伺服***位置时域响应最大偏离值,c(∞)为伺服***位置时域响应终值,t'98%为伺服***位置时域响应稳定至终值的98%所用的时间,Trms为伺服***扭矩时域响应有效值,Irms为伺服***电流时域响应有效值;
对状态向量中各元素进行归一化处理,处理过程如下:
其中,σmin%为样本最小超调量,取值为0,σmax%为样本最大超调,tsmin为样本最小调节时间,tsmax为最大调节时间,ηsmin为样本最小效率指标,ηsmax为样本最大效率指标,所有样本指标均通过伺服***多次运行采样得到;
将状态向量作为Actor网络的Sta,补偿增益K作为Actor网络产生的动作At,将St与At组合,作为Critic网络的输入Stc
Stc={σ%,tsp,ηs,At}
本实施例中,补偿前的±2%调节时间为tsp=4.154s,超调量σ%为0,效率指标为0.2320;将状态向量作为Actor网络的输入Sta;
步骤4)选择补偿放大增益K作为算法输出动作,作为Actor网络的输出;状态向量St与Actor输出动作放大增益K作为Critic网络的输入;同时根据所选择指标设计Actor-Critic算法奖励函数R(st,a)
R(st,a)=Rref-St a
设置Rref=[-0.65;0.7;-0.2]
步骤5)根据输入状态向量及动作分别设计Actor-Critic算法中Actor与Critic参数化网络参数φ(s),选择RBF神经网络作为参数化手段,随机选择神经网络中心;根据所设计参数配置网络,配置算法学习率α=0.0001,作为参数反馈更新的折扣;参数更新方式如下
其中为价值梯度,用来更新Critic网络参数梯度;为策略梯度,用来更新Actor网络参数;
步骤6)设置补偿函数形式为一元线性函数,函数形式为
y=K(τx+1)
其中,τ为补偿截止时间常数,为补偿信号截止时间的负倒数,K为补偿增益,即Actor网络产生的动作;根据补偿评价指标在补偿环节中设置补偿截止时间,补偿截止时间td应小于调节时间ts;本实施例中设置截止时间为2s,确定最大迭代回合数T=10000;
步骤7)迭代Actor-Critic算法进行迭代,如果价值函数R在最后100回合的变化ΔR10≤2,认为算法收敛;如果算法不收敛,则将迭代步数加大50%,重复步骤4)-7),运行补偿后的伺服***验证补偿结果。
参照图4,补偿前的±2%调节时间为tsp=4.154s,超调为0,效率指标为0.2320。参照图5,补偿后的±2%调节时间为tsp=4.4355s,超调为0,效率指标为0.2459。参照图6,补偿之后在没有引入超调的前提下,±2%的上升时间缩短6.77%,效率指标提高5.99%。参照图7,本发明实施例在大约3050回合价值函数收敛至最大值,最大价值函数值约为-23.9,最优补偿增益为K=53.0687。
Claims (4)
1.一种基于Actor-Critic算法的数控机床进给控制补偿方法,其特征在于:首先,根据伺服***特点,即运行上升过程中存在延时与超调的问题,在伺服***中设计补偿环节;然后,根据控制需要设计评价指标,利用评价指标设计Actor-Critic算法奖励函数,并根据控制补偿环节确定Actor-Critic算法动作参数,确定算法迭代终止条件;最后,运行Actor-Critic算法,确定最优补偿参数。
2.根据权利要求1所述的一种基于Actor-Critic算法的数控机床进给控制补偿方法,其特征在于,包括以下步骤:
步骤1)通过Simulink仿真模型对数控机床进给***进行建模,模型包括PID控制器、逆变器、永磁同步电机和检测环节,其中被控对象为进给轴位置,检测环节包括增量式编码器、电流传感器与电机输出扭矩传感器,检测环节检测的物理量包括位置、速度、电流和扭矩;
步骤2)运行初始进给伺服***Simulink模型,获取进给轴调节过程位置、速度、扭矩、电流信号时域波形,通过时域波形计算调整时间、超调量、上升时间、峰值时间、电流与扭矩有效值之比的时间响应性能指标;
步骤3)从步骤2)的时间响应性能指标中选择参数指标作为评价指标,针对不同的补偿优化目标所选择的参数指标不同,当补偿目标为提高响应速度时,应选择调解时间、上升时间、峰值时间作为评价指标;当补偿目标是抑制超调时,应选择超调量作为评价指标;当补偿目标为提高电机效率时,则选择电流与扭矩有效值之比即效率指标作为评价指标;
将所选择的参数指标作为评价指标向量,组成状态向量St,
St={s1,s2,…si,…,sn}
其中,si为状态向量中各个评价指标,i=1,2,…,n;
对状态向量中各元素进行归一化处理,处理过程如下:
其中,si min为第i个参数指标最小值,si max为样本最大超调,所有参数指标最大值及最小值均通过伺服***多次运行采样得到;
将归一化后的向量St a作为Actor网络的输入向量;
步骤4)选择补偿放大增益K作为算法输出动作,作为Actor网络的输出;状态向量St与Actor输出动作放大增益K作为Critic网络的输入;同时根据所选择指标设计Actor-Critic算法奖励函数R(st,a)
R(st,a)=Rref-St a
Rref=[-0.65;0.7;-0.2]
步骤5)根据输入状态向量及动作分别设计Actor-Critic算法中Actor与Critic参数化网络参数φ(s),选择RBF神经网络作为参数化手段,随机选择神经网络中心;根据所设计参数配置网络,配置算法学习率α=0.0001,作为参数反馈更新的折扣;参数更新方式如下
其中为价值梯度,用来更新Critic网络参数梯度;为策略梯度,用来更新Actor网络参数;
步骤6)设置补偿函数形式为一元线性函数,函数形式为:
y=K(τx+1)
其中,τ为补偿截止时间常数,为补偿信号截止时间的负倒数,K为补偿增益,补偿截止时间应根据补偿评价指标在补偿环节中设置,补偿截止时间应小于调节时间t;设计算法终止条件,设置算法最大迭代次数T作为终止条件;
步骤7)运行Actor-Critic算法进行迭代,如果价值函数R在最后100回合的变化ΔR10≤2,则认为算法收敛;如果算法不收敛,则将迭代步数加大50%,重复步骤4)-7),运行补偿后的伺服***验证补偿结果。
3.根据权利要求2所述的一种基于Actor-Critic算法的数控机床进给控制补偿方法,其特征在于:所述的步骤2)中的伺服***为以永磁同步电机为执行器的伺服***,工作模式为位置控制模式,包括PID控制、Park变化、Clark变换、SVPWM、逆变器、永磁同步电机模块。
4.根据权利要求2所述的一种基于Actor-Critic算法的数控机床进给控制补偿方法,其特征在于:所述步骤5)中的Actor-Critic算法,是通过在构建并运行Actor和Critic两个网络,并将网络与模型环境相结合,在每个回合更新网络参数而实现的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910734010.0A CN110488759B (zh) | 2019-08-09 | 2019-08-09 | 一种基于Actor-Critic算法的数控机床进给控制补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910734010.0A CN110488759B (zh) | 2019-08-09 | 2019-08-09 | 一种基于Actor-Critic算法的数控机床进给控制补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110488759A true CN110488759A (zh) | 2019-11-22 |
CN110488759B CN110488759B (zh) | 2020-08-04 |
Family
ID=68550496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910734010.0A Active CN110488759B (zh) | 2019-08-09 | 2019-08-09 | 一种基于Actor-Critic算法的数控机床进给控制补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110488759B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111633469A (zh) * | 2020-06-11 | 2020-09-08 | 深圳市彼络科技有限公司 | 一种基于强化学习的自动刀具补偿方法 |
CN111857054A (zh) * | 2020-07-15 | 2020-10-30 | 清华大学 | 一种基于神经网络的数控***运动轨迹控制方法 |
CN112000009A (zh) * | 2020-07-27 | 2020-11-27 | 南京理工大学 | 一种基于状态与扰动估计的物料转送器强化学习控制方法 |
WO2021159786A1 (zh) * | 2020-02-13 | 2021-08-19 | 广州大学 | 一种基于迭代学习的压电电机节能控制方法 |
CN113762512A (zh) * | 2021-11-10 | 2021-12-07 | 北京航空航天大学杭州创新研究院 | 分布式模型训练方法、***及相关装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022192352A1 (en) * | 2021-03-09 | 2022-09-15 | Magna International Inc. | Multi-critic based enhanced vector control optimization with multi-q learning for motor control |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667012A (zh) * | 2008-09-03 | 2010-03-10 | 长春工程学院 | 基于强化学习自适应比例积分微分配电静止同步补偿器控制方法 |
CN103853046A (zh) * | 2014-02-14 | 2014-06-11 | 广东工业大学 | 一种压电陶瓷驱动器的自适应学习控制方法 |
CN104122798A (zh) * | 2014-07-24 | 2014-10-29 | 上海交通大学 | 压电陶瓷驱动器的高速纳米精度运动控制方法及*** |
US20180260692A1 (en) * | 2017-03-09 | 2018-09-13 | Alphaics Corporation | System and method for training artificial intelligence systems using a sima based processor |
-
2019
- 2019-08-09 CN CN201910734010.0A patent/CN110488759B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667012A (zh) * | 2008-09-03 | 2010-03-10 | 长春工程学院 | 基于强化学习自适应比例积分微分配电静止同步补偿器控制方法 |
CN103853046A (zh) * | 2014-02-14 | 2014-06-11 | 广东工业大学 | 一种压电陶瓷驱动器的自适应学习控制方法 |
CN104122798A (zh) * | 2014-07-24 | 2014-10-29 | 上海交通大学 | 压电陶瓷驱动器的高速纳米精度运动控制方法及*** |
US20180260692A1 (en) * | 2017-03-09 | 2018-09-13 | Alphaics Corporation | System and method for training artificial intelligence systems using a sima based processor |
Non-Patent Citations (2)
Title |
---|
段友祥等: "基于异步优势执行器评价器学习的自适应PID控制设计", 《信息与控制》 * |
陈学松等: "基于执行器一评价器学习的自适应PID控制", 《控制理论与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021159786A1 (zh) * | 2020-02-13 | 2021-08-19 | 广州大学 | 一种基于迭代学习的压电电机节能控制方法 |
US12068700B2 (en) | 2020-02-13 | 2024-08-20 | Guangzhou University | Piezoelectric motor energy-saving control method based on an iterative learning |
CN111633469A (zh) * | 2020-06-11 | 2020-09-08 | 深圳市彼络科技有限公司 | 一种基于强化学习的自动刀具补偿方法 |
CN111857054A (zh) * | 2020-07-15 | 2020-10-30 | 清华大学 | 一种基于神经网络的数控***运动轨迹控制方法 |
CN111857054B (zh) * | 2020-07-15 | 2021-10-08 | 清华大学 | 一种基于神经网络的数控***运动轨迹控制方法 |
CN112000009A (zh) * | 2020-07-27 | 2020-11-27 | 南京理工大学 | 一种基于状态与扰动估计的物料转送器强化学习控制方法 |
CN112000009B (zh) * | 2020-07-27 | 2022-11-04 | 南京理工大学 | 一种基于状态与扰动估计的物料转送器强化学习控制方法 |
CN113762512A (zh) * | 2021-11-10 | 2021-12-07 | 北京航空航天大学杭州创新研究院 | 分布式模型训练方法、***及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110488759B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110488759B (zh) | 一种基于Actor-Critic算法的数控机床进给控制补偿方法 | |
CN102354107B (zh) | 一种交流位置伺服***模型参数在线辨识和控制方法 | |
CN112701975B (zh) | 一种双惯量伺服***的自适应齿隙振荡抑制方法 | |
CN109491248B (zh) | 基于rbf-arx模型和拉盖尔函数的磁悬浮球位置预测控制方法 | |
CN111007716A (zh) | 基于预测函数的交流伺服电机变论域模糊pi控制方法 | |
CN110531614A (zh) | 新颖的无刷直流电机模糊神经网络pi控制器 | |
CN115890668A (zh) | 一种机器人关节模组分散式优化学习控制方法及*** | |
CN111459031A (zh) | 一种面向学习的扰动观测器设计方法 | |
CN114722693A (zh) | 一种水轮机调节***二型模糊控制参数的优化方法 | |
CN110492744A (zh) | 应用于dc-dc变换器的恒功率负载控制方法及电路 | |
CN112072893B (zh) | 一种合成变量反馈的电力电子变换器控制方法 | |
CN110488600B (zh) | Lqr优化型无刷直流电机调速神经网络pid控制器 | |
CN117519353A (zh) | 一种机柜温度控制方法、装置及空调 | |
CN109184925A (zh) | 基于自适应积分终端滑模技术的电子节气门控制方法 | |
CN110308655B (zh) | 一种基于a3c算法的伺服***补偿方法 | |
CN112532131A (zh) | 基于模拟退火粒子群算法的滑模自抗扰控制方法及*** | |
CN115987086A (zh) | 基于神经网络的单开关直流-直流变换器在线控制方法 | |
CN113765449B (zh) | 基于双Sigmod神经网络电感模型的SRM磁链控制***与方法 | |
CN114520610A (zh) | 伺服驱动器的电机参数自学习模糊控制方法 | |
CN114696700A (zh) | 在线整定永磁同步电动机自抗扰控制器参数的神经网络 | |
CN114911162A (zh) | 具有时变时滞异步切换多阶段间歇过程的迭代学习鲁棒预测控制方法 | |
Mengling et al. | The MRAC based clamping force control of the electro-mechanical braking device | |
CN112947606A (zh) | Bp神经网络pid预测控制的锅炉液位控制***及方法 | |
Yu et al. | Speed Control Based on an Improved PID Controller with BP Neural Network for Two Wheel Differential AGV System | |
Zhou et al. | Research on vector control of permanent magnet synchronous motor of high precision turntable based on fuzzy neural network |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220523 Address after: 528437 101, No.43 Keji West Road, Torch Development Zone, Zhongshan City, Guangdong Province Patentee after: ZHONGSHAN MLTOR CNC TECHNOLOGY Co.,Ltd. Address before: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28 Patentee before: XI'AN JIAOTONG University |