CN105159081A - 舵机电液加载系统智能控制方法 - Google Patents
舵机电液加载系统智能控制方法 Download PDFInfo
- Publication number
- CN105159081A CN105159081A CN201510555972.1A CN201510555972A CN105159081A CN 105159081 A CN105159081 A CN 105159081A CN 201510555972 A CN201510555972 A CN 201510555972A CN 105159081 A CN105159081 A CN 105159081A
- Authority
- CN
- China
- Prior art keywords
- steering wheel
- hidden layer
- output
- rbf neural
- loading system
- 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.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
一种舵机电液加载系统智能控制方法。其包括控制器采用蚁群聚类算法得到包括聚类个数和聚类中心在内的聚类信息;RBF神经网络以聚类个数和聚类中心作为其隐含层神经元个数和隐含层神经元中心,将从力传感器和位移传感器输出的误差信息e和系统输出信号y作为一个对输入,采用最近邻聚类算法对舵机电液加载系统进行在线辨识,得到神经网络的输出;单神经元PID利用RBF神经网络提供的Jacobian信息,通过梯度下降法对其控制参数kp、ki、kd进行在线自整定,最终输出加载力指令信号控制舵机运动。本发明解决了在线实时控制的问题,由此提高了系统的加载精度和响应速度。
Description
技术领域
本发明属于控制系统仿真技术领域,具体是涉及一种舵机电液加载系统智能控制方法。
背景技术
飞行控制系统的地面仿真模拟试验作为一种科学的实验方法,在飞行装置的研究设计、改进改型等方面都得到日益广泛的应用。在实验室条件下,通常使用电液加载系统模拟舵机在飞行过程中所受到的各种力载荷的变化情况,主要用于研究力载荷对控制系统工作性能的影响,完成静态、动态技术指标的检查和测试,从而将经典的自破坏性全实物试验转化为实验室条件下的预测性研究,具有良好的可控性、无破坏性、操作简单方便的优点。图1为一种目前常用的舵机电液加载系统结构示意图。如图1所示,其包括控制器1、电液伺服阀2、阀控液压缸3、弹簧装置4、力传感器6、位移传感器7;其中:控制器1与电液伺服阀2、力传感器6和位移传感器7相连接;电液伺服阀2依次通过阀控液压缸3和弹簧装置4与舵机5相连接;舵机5同时与力传感器6、位移传感器7相连接。其工作原理是:力传感器6和位移传感器7实时采集舵机5的误差信息e和系统输出信号y,然后传送给控制器1,控制器1据此计算出加载指令信号,并通过调节电液伺服阀2腔体压力的方式驱动阀控液压缸3运动,产生加载力,经由弹簧装置4加载到舵机5上,舵机5根据指令信号进行相应运动。但是,由于这种舵机电液加载系统是一个典型的被动式力伺服控制系统,其中舵机5的主动运动会使该系统产生多余力。多余力具有强度大、时时存在、随舵机5运动状态连续变化的特性。多余力的存在不仅会严重影响系统的控制性能和加载精度,而且对系统的抗干扰性、响应速度等许多重要技术指标都有不利影响。
考虑到采用单神经元PID调整参数时,由于所需的辨识信息不够精确,所以导致其控制精度不能满足系统要求。
发明内容
为了解决上述问题,本发明的目的在于提供一种能够抑制舵机电液加载系统的多余力,提高系统的加载精度、响应速度的舵机电液加载系统智能控制方法。
为了达到上述目的,舵机电液加载系统智能控制方法中的舵机电液加载系统包括控制器、电液伺服阀、阀控液压缸、弹簧装置、力传感器、位移传感器;其中:控制器与电液伺服阀、力传感器和位移传感器相连接;电液伺服阀依次通过阀控液压缸和弹簧装置与舵机相连接;舵机同时与力传感器、位移传感器相连接;所述的舵机电液加载系统智能控制方法包括按顺序进行的下列步骤:
1)控制器采用蚁群聚类算法得到包括聚类个数和聚类中心在内的聚类信息;
2)RBF神经网络以上述聚类个数和聚类中心作为其隐含层神经元个数和隐含层神经元中心,将从力传感器和位移传感器输出的误差信息e和系统输出信号y作为一个对输入(e,y),采用最近邻聚类算法对舵机电液加载系统进行在线辨识,得到RBF神经网络的输出;
3)单神经元PID利用上述RBF神经网络提供的Jacobian信息,通过梯度下降法对其控制参数kp、ki、kd进行在线自整定,最终输出加载力指令信号给电液伺服阀,以驱动阀控液压缸运动,产生加载力,经由弹簧装置加载到舵机上,最后舵机根据该指令信号进行相应运动。
在步骤1)中,所述的控制器采用蚁群聚类算法得到包括聚类个数和聚类中心在内的聚类信息的方法是:通过大量现场试验,获得舵机电液加载系统的输入输出实验样本数据,设定每个人工蚂蚁,即agent代表一个输入输出实验样本数据,其根据舒适度函数和激活概率函数不停地寻找合适位置,从而使得agent动态自组织地形成聚类,其次根据agenti的学习规则判断其属于“睡眠”状态或者“活跃”状态;若agent为“活跃”状态,即未找到合适位置,则继续寻找;若agent为“睡眠”状态,即找到合适的位置,则停止寻找;最后判断相异度,若相异度未达到设定值则调整激活阈值,若达到设定值则输出聚类信息,包括聚类个数和聚类中心。
在步骤2)中,所述的RBF神经网络以上述聚类个数和聚类中心作为其隐含层神经元个数和隐含层神经元中心,将从力传感器和位移传感器输出的误差信息e和系统输出信号y作为一个对输入(e,y),采用最近邻聚类算法对舵机电液加载系统进行在线辨识,得到神经网络的输出的方法是:从第一个对输入(e1,y1)开始,已经存在k个隐含层神经元,隐含层神经元中心为c1,c2,…,ck,且聚类半径为b;求出e1到中心向量的距离|e1-ci|(i=1,2,…,k)。设|e1-cj|为所有距离中的最小值,即cj为x1的最近邻聚类。若|e1-cj|>b,则在原RBF神经网络中增加第(k+1)个隐含层神经元,而且该隐含层神经元中心ck+1=e1,输出之和sk+1=y1;若|e1-cj|<b,则原RBF神经网络结构不变,其中输出之和Sj=Sj+y1。使用高斯函数作为RBF神经网络的隐含层神经元的函数得到第i个隐含层神经元的输出;之后根据最小二乘法确定隐含层到输出层之间的权值;最后将隐含层神经元的输出以及隐含层到输出层之间的权值相乘并求和而得出RBF神经网络的输出。
在步骤3)中,所述的单神经元PID利用上述RBF神经网络提供的Jacobian信息,通过梯度下降法对其控制参数kp、ki、kd进行在线自整定,最终输出加载力指令信号给电液伺服阀,以驱动阀控液压缸运动,产生加载力,经由弹簧装置加载到舵机上,最后舵机根据该指令信号进行相应运动的方法是:设定系统的输入指令为r(k),实际输出为y(k),单神经元PID的控制参数为kp、ki、kd,设定单神经元PID的输入x1(k)、x2(k)、x3(k)和加载力输出u(k)分别为:
u(k)=u(k-1)+△u(k)
式中,e(k)为系统误差,且:
△u(k)=kpx1(k)+kix2(k)+kdx3(k)
首先对RBF神经网络的输出求偏导,得到精确的Jacobian信息,根据Jacobian信息采用梯度下降法对控制参数kp、ki、kd进行在线自整定,最终根据以上加载力输出的公式得到舵机电液加载系统的加载力输出信号,并通过调节电液伺服阀腔体压力的方式驱动阀控液压缸运动,产生加载力,经由弹簧装置加载到舵机上,舵机根据指令信号进行相应运动。
本发明提供的舵机电液加载系统智能控制方法采用基于蚁群聚类优化的RBF神经网络在线辨识的单神经元PID反馈的控制策略,运用蚁群聚类算法确定RBF神经网络的隐含层神经元个数及隐含层神经元中心,通过最近邻聚类算法得到RBF神经网络的输出作为单神经元PID需要的辨识信息,使舵机电液加载系统可以根据舵机的运动位置和趋势综合控制输出,从而解决了在线实时控制的问题,由此提高了系统的加载精度和响应速度。
附图说明
图1为一种目前常用的舵机电液加载系统结构示意图。
图2为本发明提供的舵机电液加载系统智能控制方法中所采用的蚁群聚类算法流程图;
图3为采用本发明提供的舵机电液加载系统智能控制方法的控制器结构示意图;
图4为采用本发明方法的控制器与常规PID控制器消除多余力的效果对比实验曲线,其中(a)是输入指令频率为5HZ时不同控制器抑制多余力矩的对比实验结果曲线;(b)是输入指令频率为15HZ时不同控制器抑制多余力矩的对比实验结果曲线。
具体实施方式
下面结合附图和具体实施例对本发明提供的舵机电液加载系统智能控制方法进行详细说明。
本发明提供的舵机电液加载系统智能控制方法包括按顺序进行的下列步骤:
1)控制器1采用蚁群聚类算法得到包括聚类个数和聚类中心在内的聚类信息;
如图2所示,通过大量现场试验,获得舵机电液加载系统的输入输出实验样本数据,设定每个人工蚂蚁(agent)代表一个实验样本数据,其根据聚类规则和激活概率函数不停地寻找合适位置,从而使得agent动态自组织地形成聚类。
在蚁群聚类中,设定agent的运动空间是二维网格,将第i个agent的状态标记为qi,且:
qi=(xi,yi,si)(1≤i≤n)(1)
式中,xi和yi为agenti的坐标;si为agenti的当前状态。
agenti的舒适度函数f(agneti)为:
式中,d(agenti,agentj)为数据i和数据j之间的距离,即相异度;N(agenti)为agenti的邻域;aij用下式表示:
agenti转为活跃状态的激活概率Pa(agenti)为:
式中,β为激活阈值。
首先将agent投放到二维平面,根据公式(2)和公式(4)分别得出agenti的舒适度函数和激活概率,其次根据agenti的学习规则判断其状态,当f(agenti)>>β时,agenti为“睡眠”状态,即找到合适的位置,则停止寻找;当f(agenti)<<β时,agenti为“活跃”状态,即未找到合适位置,则继续寻找。最后判断相异度,若相异度未达到设定值则调整激活阈值β,若达到设定值则输出聚类信息,包括聚类个数和聚类中心。
2)RBF神经网络以上述聚类个数和聚类中心作为其隐含层神经元个数和隐含层神经元中心,将从力传感器6和位移传感器7输出的误差信息e和系统输出信号y作为一个对输入(e,y),采用最近邻聚类算法对舵机电液加载系统进行在线辨识,得到RBF神经网络的输出;
从第一个对输入(e1,y1)开始,已经存在k个隐含层神经元,隐含层神经元中心为c1,c2,…,ck,且聚类半径为b。求出e1到中心向量的距离|e1-ci|(i=1,2,…,k)。设|e1-cj|为所有距离中的最小值,即cj为x1的最近邻聚类。若|e1-cj|>b,则在原RBF神经网络中增加第(k+1)个隐含层神经元,而且该隐含层神经元中心ck+1=e1,输出之和sk+1=y1;若|e1-cj|<b,则原RBF神经网络结构不变,其中输出之和Sj=Sj+y1。
使用高斯函数作为RBF神经网络的隐含层神经元的函数。第i个隐含层神经元的输出为:
式中,ek为输入数据;||ek-ci||为ek与其最近邻聚类ci之间的欧式距离;b为聚类半径。
根据最小二乘法确定隐含层到输出层之间的权值,即:
wi=(Hi THi)-1Hi Tdi(6)
式中,di为隐含层神经元中心ci与它最邻近的隐含层神经元中心cj之间的距离。
由此得到RBF神经网络的输出yn(xk)为:
目标性能指标函数E为:
3)单神经元PID利用上述RBF神经网络提供的辨识信息,通过梯度下降法对其控制参数kp、ki、kd进行在线自整定,最终输出加载力指令信号给电液伺服阀2,以驱动阀控液压缸3运动,产生加载力,经由弹簧装置4加载到舵机5上,最后舵机5根据该指令信号进行相应运动。
控制器1的控制结构示意图如图3所示,设定系统的输入指令为r(k),实际输出为y(k)。单神经元PID的控制参数为kp、ki、kd。单神经元PID的输入x1(k)、x2(k)、x3(k)和加载力输出u(k)分别为:
u(k)=u(k-1)+△u(k)(10)
式中,e(k)为系统误差,且:
△u(k)=kpx1(k)+kix2(k)+kdx3(k)(11)
将kp、ki、kd采用梯度下降法进行调整:
式中,为控制对象的Jacobian信息;η为学习速率。由于RBF神经网络能够获得精确的辨识信息,所以采用RBF神经网络提供的取代可以获得精确的单神经元PID的控制参数,进而得到舵机电液加载系统的加载力输出信号,以对舵机5进行控制。
图4a和图4b为采用本发明方法的控制器与常规PID控制器在不同频率输入指令下消除多余力的效果对比实验曲线,其中图4a是输入指令频率为5HZ时不同控制器抑制多余力矩的对比实验结果曲线,虚线表示常规PID控制器多余力抑制效果,实线表示采用本发明方法的控制器多余力抑制效果。图4b是输入指令频率为15HZ时不同控制器抑制多余力矩的对比实验结果曲线。虚线表示常规PID控制器多余力抑制效果,实线表示采用本发明方法的控制器多余力抑制效果。实验结果表示采用本发明方法的控制器能够有效抑制多余力。
Claims (4)
1.一种舵机电液加载系统智能控制方法,所述的舵机电液加载系统包括控制器(1)、电液伺服阀(2)、阀控液压缸(3)、弹簧装置(4)、力传感器(6)、位移传感器(7);其中:控制器(1)与电液伺服阀(2)、力传感器(6)和位移传感器(7)相连接;电液伺服阀(2)依次通过阀控液压缸(3)和弹簧装置(4)与舵机(5)相连接;舵机(5)同时与力传感器(6)、位移传感器(7)相连接;其特征在于:所述的舵机电液加载系统智能控制方法包括按顺序进行的下列步骤:
1)控制器(1)采用蚁群聚类算法得到包括聚类个数和聚类中心在内的聚类信息;
2)RBF神经网络以上述聚类个数和聚类中心作为其隐含层神经元个数和隐含层神经元中心,将从力传感器(6)和位移传感器(7)输出的误差信息e和系统输出信号y作为一个对输入(e,y),采用最近邻聚类算法对舵机电液加载系统进行在线辨识,得到RBF神经网络的输出;
3)单神经元PID利用上述RBF神经网络提供的Jacobian信息,通过梯度下降法对其控制参数kp、ki、kd进行在线自整定,最终输出加载力指令信号给电液伺服阀(2),以驱动阀控液压缸(3)运动,产生加载力,经由弹簧装置(4)加载到舵机(5)上,最后舵机(5)根据该指令信号进行相应运动。
2.根据权利要求1所述的舵机电液加载系统智能控制方法,其特征在于:在步骤1)中,所述的控制器(1)采用蚁群聚类算法得到包括聚类个数和聚类中心在内的聚类信息的方法是:通过大量现场试验,获得舵机电液加载系统的输入输出实验样本数据,设定每个人工蚂蚁,即agent代表一个输入输出实验样本数据,其根据舒适度函数和激活概率函数不停地寻找合适位置,从而使得agent动态自组织地形成聚类,其次根据agenti的学习规则判断其属于“睡眠”状态或者“活跃”状态;若agent为“活跃”状态,即未找到合适位置,则继续寻找;若agent为“睡眠”状态,即找到合适的位置,则停止寻找;最后判断相异度,若相异度未达到设定值则调整激活阈值,若达到设定值则输出聚类信息,包括聚类个数和聚类中心。
3.根据权利要求1所述的舵机电液加载系统智能控制方法,其特征在于:在步骤2)中,所述的RBF神经网络以上述聚类个数和聚类中心作为其隐含层神经元个数和隐含层神经元中心,将从力传感器(6)和位移传感器(7)输出的误差信息e和系统输出信号y作为一个对输入(e,y),采用最近邻聚类算法对舵机电液加载系统进行在线辨识,得到神经网络的输出的方法是:从第一个对输入(e1,y1)开始,已经存在k个隐含层神经元,隐含层神经元中心为c1,c2,…,ck,且聚类半径为b;求出e1到中心向量的距离|e1-ci|(i=1,2,…,k)。设|e1-cj|为所有距离中的最小值,即cj为x1的最近邻聚类。若|e1-cj|>b,则在原RBF神经网络中增加第(k+1)个隐含层神经元,而且该隐含层神经元中心ck+1=e1,输出之和sk+1=y1;若|e1-cj|<b,则原RBF神经网络结构不变,其中输出之和Sj=Sj+y1。使用高斯函数作为RBF神经网络的隐含层神经元的函数得到第i个隐含层神经元的输出;之后根据最小二乘法确定隐含层到输出层之间的权值;最后将隐含层神经元的输出以及隐含层到输出层之间的权值相乘并求和而得出RBF神经网络的输出。
4.根据权利要求1所述的舵机电液加载系统智能控制方法,其特征在于:在步骤3)中,所述的单神经元PID利用上述RBF神经网络提供的Jacobian信息,通过梯度下降法对其控制参数kp、ki、kd进行在线自整定,最终输出加载力指令信号给电液伺服阀(2),以驱动阀控液压缸(3)运动,产生加载力,经由弹簧装置(4)加载到舵机(5)上,最后舵机(5)根据该指令信号进行相应运动的方法是:设定系统的输入指令为r(k),实际输出为y(k),单神经元PID的控制参数为kp、ki、kd,设定单神经元PID的输入x1(k)、x2(k)、x3(k)和加载力输出u(k)分别为:
u(k)=u(k-1)+△u(k)
式中,e(k)为系统误差,且:
△u(k)=kpx1(k)+kix2(k)+kdx3(k)
首先对RBF神经网络的输出求偏导,得到精确的Jacobian信息,根据Jacobian信息采用梯度下降法对控制参数kp、ki、kd进行在线自整定,最终根据以上加载力输出的公式得到舵机电液加载系统的加载力输出信号,并通过调节电液伺服阀(2)腔体压力的方式驱动阀控液压缸(3)运动,产生加载力,经由弹簧装置(4)加载到舵机(5)上,舵机(5)根据指令信号进行相应运动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510555972.1A CN105159081A (zh) | 2015-09-02 | 2015-09-02 | 舵机电液加载系统智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510555972.1A CN105159081A (zh) | 2015-09-02 | 2015-09-02 | 舵机电液加载系统智能控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105159081A true CN105159081A (zh) | 2015-12-16 |
Family
ID=54799969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510555972.1A Pending CN105159081A (zh) | 2015-09-02 | 2015-09-02 | 舵机电液加载系统智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105159081A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106325061A (zh) * | 2016-08-17 | 2017-01-11 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种用于舱门机构加载设备的控制方法 |
CN106444826A (zh) * | 2016-09-07 | 2017-02-22 | 广西师范大学 | 四旋翼无人飞行器的飞行控制方法 |
CN108828952A (zh) * | 2018-08-02 | 2018-11-16 | 中国民航大学 | 基于小脑神经网络的舵机电动加载系统智能控制方法 |
CN109488654A (zh) * | 2018-12-19 | 2019-03-19 | 中国石油化工股份有限公司 | 一种电液执行器位移控制方法 |
CN109696836A (zh) * | 2019-02-11 | 2019-04-30 | 中国民航大学 | 飞机舵机电液伺服系统智能控制方法 |
CN109799765A (zh) * | 2019-02-02 | 2019-05-24 | 中国民航大学 | 舵机电液伺服系统智能控制方法 |
CN110658723A (zh) * | 2019-11-08 | 2020-01-07 | 南京航空航天大学 | 一种被动式力加载的自适应驱动控制方法和系统 |
CN111103790A (zh) * | 2019-12-05 | 2020-05-05 | 珠海格力电器股份有限公司 | Pid控制器的参数整定方法、装置、存储介质、终端及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090204267A1 (en) * | 2001-08-10 | 2009-08-13 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
CN204477148U (zh) * | 2015-02-09 | 2015-07-15 | 中国民航大学 | 一种变刚度电液加载系统用橡胶-金属缓冲弹簧 |
CN104808494A (zh) * | 2015-04-23 | 2015-07-29 | 西安外事学院 | 基于自适应蚁群遗传混合算法pid参数整定方法 |
-
2015
- 2015-09-02 CN CN201510555972.1A patent/CN105159081A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090204267A1 (en) * | 2001-08-10 | 2009-08-13 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
CN204477148U (zh) * | 2015-02-09 | 2015-07-15 | 中国民航大学 | 一种变刚度电液加载系统用橡胶-金属缓冲弹簧 |
CN104808494A (zh) * | 2015-04-23 | 2015-07-29 | 西安外事学院 | 基于自适应蚁群遗传混合算法pid参数整定方法 |
Non-Patent Citations (6)
Title |
---|
刘晓琳等: "飞机舵机电液加载系统的多余力抑制方法研究", 《计算机测量与控制》 * |
姜万录等: "基于蚁群优化的神经网络智能PID控制策略研究", 《机床与液压》 * |
宫赤坤等: "RBF网络在线辨识的神经元控制", 《自动化仪表》 * |
武方方等: "一种基于蚁群聚类的径向基神经网络", 《西安交通大学学报》 * |
沈东凯等: "基于神经网络的电动加载系统", 《航空学报》 * |
陈铁军等: "改进ACC算法优化的RBF神经网络研究及其应用", 《计算机测量与控制》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106325061A (zh) * | 2016-08-17 | 2017-01-11 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种用于舱门机构加载设备的控制方法 |
CN106444826A (zh) * | 2016-09-07 | 2017-02-22 | 广西师范大学 | 四旋翼无人飞行器的飞行控制方法 |
CN108828952A (zh) * | 2018-08-02 | 2018-11-16 | 中国民航大学 | 基于小脑神经网络的舵机电动加载系统智能控制方法 |
CN108828952B (zh) * | 2018-08-02 | 2021-03-05 | 中国民航大学 | 基于小脑神经网络的舵机电动加载系统智能控制方法 |
CN109488654A (zh) * | 2018-12-19 | 2019-03-19 | 中国石油化工股份有限公司 | 一种电液执行器位移控制方法 |
CN109488654B (zh) * | 2018-12-19 | 2020-04-17 | 中国石油化工股份有限公司 | 一种电液执行器位移控制方法 |
CN109799765A (zh) * | 2019-02-02 | 2019-05-24 | 中国民航大学 | 舵机电液伺服系统智能控制方法 |
CN109696836A (zh) * | 2019-02-11 | 2019-04-30 | 中国民航大学 | 飞机舵机电液伺服系统智能控制方法 |
CN109696836B (zh) * | 2019-02-11 | 2022-02-25 | 中国民航大学 | 飞机舵机电液伺服系统智能控制方法 |
CN110658723A (zh) * | 2019-11-08 | 2020-01-07 | 南京航空航天大学 | 一种被动式力加载的自适应驱动控制方法和系统 |
CN111103790A (zh) * | 2019-12-05 | 2020-05-05 | 珠海格力电器股份有限公司 | Pid控制器的参数整定方法、装置、存储介质、终端及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105159081A (zh) | 舵机电液加载系统智能控制方法 | |
CN109376413B (zh) | 基于数据驱动的在线神经网络故障诊断方法 | |
CN109696836A (zh) | 飞机舵机电液伺服系统智能控制方法 | |
RU2519315C2 (ru) | Способ автоматического управления судном по курсу и интеллектуальная система для осуществления способа | |
CN103592849A (zh) | 一种船舶动力定位控制方法 | |
CN105867133B (zh) | 一种电液力矩伺服系统自调节误差符号积分鲁棒控制方法 | |
CN103235504A (zh) | 基于直接自适应控制重构的大型民用飞机飞行控制方法 | |
CN104035447A (zh) | 基于动态控制重新分配的无人飞行器姿态容错控制方法 | |
Zeng et al. | Symmetry reduction for deep reinforcement learning active control of chaotic spatiotemporal dynamics | |
CN108764122A (zh) | 一种基于深度学习的auv控制系统优化与故障监测方法 | |
Kosic | Fast clustered radial basis function network as an adaptive predictive controller | |
CN102393645A (zh) | 一种高速电液比例调速系统的控制方法 | |
Zhang et al. | Multi-fault diagnosis for autonomous underwater vehicle based on fuzzy weighted support vector domain description | |
Kusumoputro et al. | System identification and control of pressure process rig system using Backpropagation Neural Networks | |
CN116661307A (zh) | 非线性系统执行器故障ppb-siadp容错控制方法 | |
Zhang et al. | Fault tolerant control using reinforcement learning and particle swarm optimization | |
Horii et al. | Physical reservoir computing in a soft swimming robot | |
CN104678989B (zh) | 一种噪声环境下提高故障可诊断性的状态感知优化方法 | |
Cao et al. | Fault detection based on extended state observer and interval observer for UAVs | |
CN111813143B (zh) | 一种基于强化学习的水下滑翔机智能控制系统及方法 | |
CN102426418B (zh) | 潜器全方位推进器单通道电液位置伺服控制方法 | |
Witczak et al. | A neural network-based robust unknown input observer design: Application to wind turbine | |
Ling et al. | ANFIS modeling of Electro-Hydraulic Actuator system through physical modeling and FCM gap statistic in initial FIS determination | |
CN109799765A (zh) | 舵机电液伺服系统智能控制方法 | |
Yao et al. | A data-driven fault detection approach for Modular Reconfigurable Flying Array based on the Improved Deep Forest |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151216 |
|
WD01 | Invention patent application deemed withdrawn after publication |