CN113179073B - 一种提高位置精度的电机控制方法 - Google Patents
一种提高位置精度的电机控制方法 Download PDFInfo
- Publication number
- CN113179073B CN113179073B CN202110665727.1A CN202110665727A CN113179073B CN 113179073 B CN113179073 B CN 113179073B CN 202110665727 A CN202110665727 A CN 202110665727A CN 113179073 B CN113179073 B CN 113179073B
- Authority
- CN
- China
- Prior art keywords
- motor
- learning
- data
- neural network
- network model
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0031—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control implementing a off line learning phase to determine and store useful data for on-line control
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0077—Characterised by the use of a particular software algorithm
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Control Of Electric Motors In General (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及电机控制技术领域,具体涉及一种提高位置精度的电机控制方法。提高位置精度的电机控制器包括:一个信号采集单元,一个中央处理器,一个电机控制单元及数据存储单元;所述信号采集单元中的电路与中央处理器连接,中央处理器与数据存储单元相互连接,数据存储单元与电机控制单元相互连接,中央处理器与电机控制单元连接。该电机控制器保证末端执行机构可以按照要求精准的到达指定的位置,控制精度更高,更加智能化,一个控制器能够适用到多个应用场景,满足研发和产品的要求,降低了研发的成本。
Description
技术领域
本发明涉及电机控制技术领域,具体涉及一种提高位置精度的电机控制方法。
背景技术
随着电力电子技术的发展,以及人工智能技术的发展,电机成为了各个运动机构必须参与的执行机构。而电机控制特别是电机的位置控制成为现代运动控制的重要组成部分,直接影响运动机构的性能好坏。电机控制广泛应用于注塑机领域、纺织机械、包装机械、数控机床领域,航空航天领域等。电机控制方法是各种运动物体的主要动力来源,他的性能,特性,可靠性,决定了整个运动***的性能好坏,很多领域需要对电机位置进行精准控制。
传统的控制电机位置的方法,都是在电机上加入编码器或者旋变等仪器,通过各种仪器的反馈去进行控制位置。然而这种控制方式的控制精度不高,导致末端执行机构去做动作时,不能更加精准的移动到要求的位置,以至于控制失败或者控制精度不符合要求。而且目前的电机位置控制方法不够智能,不能符合日益发展的时代,不能自主学习,适应能力不高,一个电机不能适应不同的应用环境。同时需要对一个精准的位置控制加入很多个反馈,或者更高精度的位置传感器,增加了研发的成本。
因此针对这一现状,迫切需要设计和生产一种提高位置精度的电机控制方法,以解决现有技术中末端执行机构去做动作时,不能精准的移动到要求的位置,一个电机不能适应不同的应用环境,且研发成本较高的问题。
发明内容
本发明的目的在于提供一种提高位置精度的电机控制方法,该方法保证末端执行机构可以按照要求精准的到达指定的位置,控制精度更高。
本发明的目的通过以下技术方案予以实现:
一种提高位置精度的电机控制方法,适用于以上所述的提高位置精度的电机控制器中,提高位置精度的电机控制方法包括以下步骤:
S1、信号采集单元对电机的相关数据进行采集,并分类;
S2、对数据进行标幺,标幺后的数据通过公式(1)进行表示,
其中,xmin为采集的相同种类数据的最小值,xmax为为采集的相同种类数据的最大值,x为采集的相同种类数据的任意值,y是x对应的标幺值,α为采集的不同种类的数据的系数,eβ为采集的不同种类的数据的补偿值;
S3、对采集的不同种类的数据进行分组;
S4、建立一个神经网络模型;
S5、训练神经网络模型,自适应学习,将训练好的神经网络模型保存到数据存储单元中;
S6、将电机不同运行状态的信息输入步骤S5中训练好的神经网络模型中,预测出与其相对应的电机运行时间;
S7、判断应用场景,根据不同的场景,调取不同的自适应学习的数据;
S8、将运行时间发送给电机控制单元,转化为电机控制信号,控制电机运动;
S9、电机控制单元对当前位置及实时位置进行采集;
S10、判断位置是否满足要求,如果满足要求,则执行步骤S11,如果不满足要求,则执行步骤S12;
步骤S11、电机控制单元继续以该电机控制信号控制电机运动;
步骤S12、对电机位置进一步补偿,之后返回执行步骤S9,其补偿公式为公式(3),
其中,S为电机控制之后的位置,PWM为根据中央处理器发送的时间转化的开关频率,θ为补偿系数。
作为优选,在步骤S3中,对采集的不同种类的数据进行分组后,每组数据对应电机的转速、电机的实时位置、电机的当前位置、电机的运行时间中的其中之一,通过公式(1)将每一组数据都映射到[0.1,0.85]的范围内,用做神经网络模型和自适应学习的样本。
作为优选,在步骤S4中,神经网络模型的输入为电机的转速、电机的当前位置、电机的实时位置,神经网络模型的输出为电机的运行时间。
作为优选,在步骤S5中,训练神经网络模型及自适应学习步骤如下:
将神经网络模型的目标设置一个误差m,学习次数为n,初始值在[a,b]的期间范围内,根据学习的方式,***自己去调节学习的次数,以及初始值的周期,学习的表示公式如下:
ε(k)=n*ε(k)*δ (2)
其中,n为学习的次数,ε学习的效率,δ为学习的速率倍数;
如果学习之后的误差在m之内,则按照倍数增加速率倍数或减少学习次数;如果学习之后的误差在m之外,则按照倍数减少速率倍数或者增加学习次数,同时对m之内的学习建立神经网络模型。
本发明的有益效果是:
由于本方案公开的提高位置精度的电机控制器采用了中央处理器和电机控制器单元双模式,对电机的运动进行控制,保证了电机的稳定性,控制精度更高,保证末端执行机构可以按照要求精准的到达指定的位置,保证了电机的运动性能。电机控制单元弥补了电机控制中,因时间延至而发生的细小位置损失,提高了电机位置精度。同时采用了智能神经网络与深度自主学习的方法,提高了控制器的智能化,增加了控制器的适用能力,增加了电机的位置精度。信号采集单元集成了各种信号采集电路,能够适用不同的电机类型和不同的反馈,增加了控制器的应用场景,降低了研发成本。同时能够提高的电机的稳定性,安全性,可靠性。
附图说明
图1是本实施例提供的提高位置精度的电机控制器的结构示意图;
图2是本实施例提供的提高位置精度的电机控制方法的一种优选方式流程图。
图中:
1、信号采集单元;2、中央处理器;3、电机控制单元;4、数据存储单元。
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,以下结合附图和具体实施例,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。
装置实施例
如图1所示,本实施例提供的一种提高位置精度的电机控制器,其包括一个信号采集单元1,一个中央处理器2,一个电机控制单元3及数据存储单元4。
信号采集单元1中的电路与中央处理器2连接,中央处理器2与数据存储单元4相互连接,数据存储单元4与电机控制单元3相互连接,中央处理器2与电机控制单元3连接。
所述信号采集单元1用于采集电机的控制信号并传递给中央处理器2。所述中央处理器2用于分析信号采集单元1发送的数据,通过智能神经网络和自主学习规划出控制方法及算法,计算出精确的控制位置,把相应的控制信号发送给电机控制单元3,同时把数据存储在数据存储单元4中。数据存储单元4主要用于存储中央处理器2和电机控制单元3的数据,及通过智能神经网络和自主学习而形成的控制方法及算法。电机控制单元3用于接收中央处理器2的位置控制信号,并根据位置控制信号将电机驱动到相应位置。
具体的,信号采集单元1可以对位置,速度,电流等电机的信号进行采集,但不限于这些信息。且信号采集单元1可以对不同的电机进行信号采集,集成了多种采集信号的处理电路,提高了电机控制器的硬件上的适用能力。
作为优选方案,中央处理器2由高性能的CPU或者MCU组成,方便各种数据的计算,以及模型的建立。其作用是分析信号采集单元1发送的数据,对数据做进一步的处理,应用智能神经网络和自主学习,规划出合适的算法及控制方法,计算出精确的控制位置,把相应的控制信号发送给电机控制单元3,同时把数据存储在数据存储单元4中。中央处理器2的加入,提高了电机的位置控制精度,增加了电机的稳定性,安全性,可靠性,保证其可以按照要求精准的到达指定的位置,控制精度更高,更加智能化,一个控制器能够适用到多个应用场景。
作为优选方案,数据存储单元4主要由RAM,flash等存储介质组成,主要用于存储中央处理器2和电机控制单元3的数据,及各种通过智能神经网络和自主学习而形成的控制方法及算法。数据存储单元4是提高电机位置控制精度的数据存储器,能够很好的提供有效的数据,使各种数据有效的保存及应用,缩短的控制的时间,提高了控制的效率。
作为优选方案,电机控制单元3分为电机控制部分和电机驱动部分,电机控制部分需要接受中央处理器2精确的位置控制信号,转化为驱动信号发送给电机驱动部分,对电机进行驱动,使其转动到具体某个位置。作为进一步的优选方案,信号采集单元1还与电机控制单元3连接,同时电机控制单元3调取信号采集单元1中的数据,对电机的位置进行进一步调整,保证了电机位置的精准控制,提高了电机的稳定性能。电机控制单元3把相关的控制数据及进一步调整的数据发送给数据存储单元4,进行保存。
方法实施例
如图2所示,本方案提供的一种提高位置精度的电机控制方法适用于以上所述的提高位置精度的电机控制器中,提高位置精度的电机控制方法包括以下步骤:
S1、信号采集单元对电机的相关数据进行采集,并分类。
S2、为了方便调用,对数据进行标幺,标幺后的数据公式,用一个通用公式进行表示,其公式如下:
其中,xmin为采集的相同种类数据的最小值,xmax为为采集的相同种类数据的最大值,x为采集的相同种类数据的任意值,y是x对应的标幺值;α为采集的不同种类的数据的系数,eβ为采集的不同种类的数据的补偿值。
S3、对采集的不同种类的数据进行分组。作为优选,每组数据对应电机的转速,电机的实时位置,电机的当前位置,电机的运行时间。通过公式(1)将每一组数据都映射到[0.1,0.85]的范围内,用做神经网络模型和自适应学习的样本。
S4、建立一个神经网络模型(n可以根据控制电机的不同及变量的不同机型选择),神经网络模型的输入为电机的转速、电机的当前位置、电机的实时位置,神经网络模型的输出为电机的运行时间,即网络输入层的神经元个数为3个,输出层神经元个数为1个。
S5、训练神经网络模型,自适应学习,并储存数据。
将神经网络模型的目标设置一个误差m,(m可以根据***进行调节),学习次数为n,初始值可以是在[a,b]的期间范围内,根据学习的方式,***自己去调节学习的次数,以及初始值的周期,学习的速率学习的结果,进行智能调节。其自适应学习的表示公式如下:
ε(k)=n*ε(k)*δ (2)
其中,n为学习的次数,ε学习的效率,δ为学习的速率倍数,可以递增,也可以递减。
当学习之后的误差在m之内,则可以按照倍数增加速率倍数,同时也可以减少学习次数,使其学习的效率增加,学习时间变短,当学习之后的误差在m之外,则可以按照倍数减少速率倍数,同时也可以增加学习次数,使其学习的效率减少,学习时间变长。同时对m之内的学习建立神经网络模型,将训练好的神经网络模型保存到数据存储单元中。
S6、判断电机运行时间。
将电机不同运行状态的位置、转速等输入步骤S5中训练好的神经网络模型中,预测出与其相对应的电机运行时间。
S7、判断应用场景,根据不同的场景,调取不同的自适应学习的数据。
S8、将运行时间发送给电机控制单元,转化为电机控制信号,控制电机运动。为了提高电机的位置精度,同时还要执行步骤S9。
S9、电机控制单元对当前位置及实时位置进行采集。
S10、判断位置是否满足要求,如果满足要求,则执行步骤S11,如果不满足要求,则执行步骤S12。
步骤S11、电机控制单元继续以该电机控制信号控制电机运动。
步骤S12、对电机位置进一步补偿,之后返回执行步骤S9,其补偿公式为公式(3)。
其中,S为电机控制之后的位置,PWM为根据中央处理器发送的时间转化的开关频率,θ为补偿系数。
当然,以上只是本发明的典型实例,除此之外,本发明还可以有其它多种具体实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求保护的范围之内。
Claims (4)
1.一种提高位置精度的电机控制方法,其特征在于,包括以下步骤:
S1、信号采集单元对电机的相关数据进行采集,并分类;
S2、对数据进行标幺,标幺后的数据通过公式(1)进行表示,
其中,xmin为采集的相同种类数据的最小值,xmax为为采集的相同种类数据的最大值,x为采集的相同种类数据的任意值,y是x对应的标幺值,α为采集的不同种类的数据的系数,eβ为采集的不同种类的数据的补偿值;
S3、对采集的不同种类的数据进行分组;
S4、建立一个神经网络模型;
S5、训练神经网络模型,自适应学习,将训练好的神经网络模型保存到数据存储单元中;
S6、将电机不同运行状态的信息输入步骤S5中训练好的神经网络模型中,预测出与其相对应的电机运行时间;
S7、判断应用场景,根据不同的场景,调取不同的自适应学习的数据;
S8、将运行时间发送给电机控制单元,转化为电机控制信号,控制电机运动;
S9、电机控制单元对当前位置及实时位置进行采集;
S10、判断位置是否满足要求,如果满足要求,则执行步骤S11,如果不满足要求,则执行步骤S12;
步骤S11、电机控制单元继续以该电机控制信号控制电机运动;
步骤S12、对电机位置进一步补偿,之后返回执行步骤S9,其补偿公式为公式(3),
其中,S为电机控制之后的位置,PWM为根据中央处理器发送的时间转化的开关频率,θ为补偿系数。
2.如权利要求1所述的提高位置精度的电机控制方法,其特征在于,
在步骤S3中,对采集的不同种类的数据进行分组后,每组数据对应电机的转速、电机的实时位置、电机的当前位置、电机的运行时间中的其中之一,通过公式(1)将每一组数据都映射到[0.1,0.85]的范围内,用做神经网络模型和自适应学习的样本。
3.如权利要求2所述的提高位置精度的电机控制方法,其特征在于,在步骤S4中,神经网络模型的输入为电机的转速、电机的当前位置、电机的实时位置,神经网络模型的输出为电机的运行时间。
4.如权利要求1所述的提高位置精度的电机控制方法,其特征在于,在步骤S5中,训练神经网络模型及自适应学习步骤如下:
将神经网络模型的目标设置一个误差m,学习次数为n,初始值在[a,b]的期间范围内,根据学习的方式,***自己去调节学习的次数,以及初始值的周期,学习的表示公式如下:
ε(k)=n*ε(k)*δ (2)
其中,n为学习的次数,ε学习的效率,δ为学习的速率倍数;
如果学习之后的误差在m之内,则按照倍数增加速率倍数或减少学习次数;如果学习之后的误差在m之外,则按照倍数减少速率倍数或者增加学习次数,同时对m之内的学习建立神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110665727.1A CN113179073B (zh) | 2021-06-16 | 2021-06-16 | 一种提高位置精度的电机控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110665727.1A CN113179073B (zh) | 2021-06-16 | 2021-06-16 | 一种提高位置精度的电机控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113179073A CN113179073A (zh) | 2021-07-27 |
CN113179073B true CN113179073B (zh) | 2022-10-11 |
Family
ID=76927823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110665727.1A Active CN113179073B (zh) | 2021-06-16 | 2021-06-16 | 一种提高位置精度的电机控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113179073B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001339999A (ja) * | 2000-05-30 | 2001-12-07 | Toshiba Corp | モータ制御装置 |
CN1523465A (zh) * | 2003-02-20 | 2004-08-25 | ������������ʽ���� | 伺服控制装置 |
JP2008022636A (ja) * | 2006-07-13 | 2008-01-31 | Fuji Electric Holdings Co Ltd | パルス幅変調方法 |
CN103917864A (zh) * | 2011-11-11 | 2014-07-09 | 罗伯特·博世有限公司 | 用于校正传感器元件的测量值的方法 |
CN108282124A (zh) * | 2017-12-20 | 2018-07-13 | 上海辛格林纳新时达电机有限公司 | 电机矢量控制的转子位置角度补偿方法 |
CN108333936A (zh) * | 2018-01-30 | 2018-07-27 | 山西机电职业技术学院 | 一种基于神经网络提高异步电机定位精度的方法 |
CN108646571A (zh) * | 2018-07-12 | 2018-10-12 | 北京航空航天大学 | 一种陀螺框架伺服***高精度位置辨识方法 |
CN111684706A (zh) * | 2018-11-12 | 2020-09-18 | 深圳配天智能技术研究院有限公司 | 伺服***阻力特性获取方法、控制方法和***及存储装置 |
CN112821850A (zh) * | 2020-12-31 | 2021-05-18 | 北京新能源汽车技术创新中心有限公司 | 一种同步调制相位补偿方法、介质及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6465990B2 (en) * | 2001-03-15 | 2002-10-15 | Bensys Corporation | Power factor correction circuit |
CN106998153A (zh) * | 2016-12-22 | 2017-08-01 | 长安大学 | 交直流混合微电网的tnpc双向变流器的死区预补偿方法 |
CN109787530A (zh) * | 2019-01-04 | 2019-05-21 | 深圳市微秒控制技术有限公司 | 一种直线电机物理精度补偿控制***及方法 |
-
2021
- 2021-06-16 CN CN202110665727.1A patent/CN113179073B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001339999A (ja) * | 2000-05-30 | 2001-12-07 | Toshiba Corp | モータ制御装置 |
CN1523465A (zh) * | 2003-02-20 | 2004-08-25 | ������������ʽ���� | 伺服控制装置 |
JP2008022636A (ja) * | 2006-07-13 | 2008-01-31 | Fuji Electric Holdings Co Ltd | パルス幅変調方法 |
CN103917864A (zh) * | 2011-11-11 | 2014-07-09 | 罗伯特·博世有限公司 | 用于校正传感器元件的测量值的方法 |
CN108282124A (zh) * | 2017-12-20 | 2018-07-13 | 上海辛格林纳新时达电机有限公司 | 电机矢量控制的转子位置角度补偿方法 |
CN108333936A (zh) * | 2018-01-30 | 2018-07-27 | 山西机电职业技术学院 | 一种基于神经网络提高异步电机定位精度的方法 |
CN108646571A (zh) * | 2018-07-12 | 2018-10-12 | 北京航空航天大学 | 一种陀螺框架伺服***高精度位置辨识方法 |
CN111684706A (zh) * | 2018-11-12 | 2020-09-18 | 深圳配天智能技术研究院有限公司 | 伺服***阻力特性获取方法、控制方法和***及存储装置 |
CN112821850A (zh) * | 2020-12-31 | 2021-05-18 | 北京新能源汽车技术创新中心有限公司 | 一种同步调制相位补偿方法、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113179073A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105773623B (zh) | 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法 | |
CN110450156B (zh) | 多自由度机械臂***自适应模糊控制器的优化设计方法 | |
CN110450155B (zh) | 一种多自由度机械臂***的控制器的优化设计方法 | |
Chen | TSK-type self-organizing recurrent-neural-fuzzy control of linear microstepping motor drives | |
CN110488759B (zh) | 一种基于Actor-Critic算法的数控机床进给控制补偿方法 | |
CN112276944A (zh) | 一种基于意图识别的人机协作***控制方法 | |
CN111515962B (zh) | 含有谐波减速器柔性关节的传递误差补偿控制方法 | |
CN116505833B (zh) | 电机数据的处理方法、***及终端伺服器 | |
CN108972546A (zh) | 一种基于强化学习的机器人恒力曲面跟踪方法 | |
CN113179073B (zh) | 一种提高位置精度的电机控制方法 | |
CN102437816A (zh) | 基于神经网络的自适应电机运动控制装置 | |
Wang et al. | Speed Control of Motor Based on Improved Glowworm Swarm Optimization. | |
CN116614030A (zh) | 基于gpc和fcs-mpc的永磁伺服电机复合模型预测控制方法 | |
CN113219821B (zh) | 一种比例积分滑模面的数控机床用模糊滑模位置控制方法 | |
Kaminski et al. | Neural speed controller based on two state variables applied for a drive with elastic connection | |
CN113028117A (zh) | 基于比例阀轴控器快速响应及其智能控制方法 | |
CN106444371A (zh) | 一种基于迁移神经网络的交流伺服控制*** | |
CN110722556A (zh) | 一种基于强化学习的可移动机械臂控制***及方法 | |
CN115026844B (zh) | 一种机器人末端受力调节的方法及机器人 | |
CN111752144B (zh) | 循环涟漪纹波预测方法与智能控制*** | |
Zhiqi | Application of Improved PID Control Algorithm in Intelligent Vehicle | |
CN105945959B (zh) | 一种重载五核快速关节机器人控制*** | |
CN1267797C (zh) | 用于高速运动机件点对点快速精确***的数控装置 | |
CN116165900A (zh) | 卷积神经网络深度学习的自适应单关节伺服pid控制方法 | |
CN115494831B (zh) | 一种人机自主智能协同的跟踪方法 |
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 |