CN107065524B - 一种伺服系统频域辨识系统及辨识方法 - Google Patents
一种伺服系统频域辨识系统及辨识方法 Download PDFInfo
- Publication number
- CN107065524B CN107065524B CN201710048712.4A CN201710048712A CN107065524B CN 107065524 B CN107065524 B CN 107065524B CN 201710048712 A CN201710048712 A CN 201710048712A CN 107065524 B CN107065524 B CN 107065524B
- Authority
- CN
- China
- Prior art keywords
- test
- frequency
- servo system
- module
- omega
- 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
-
- 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
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)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种伺服系统频域辨识系统及辨识方法,其中辨识系统包括电机参数读入模块,读取伺服系统中所用伺服电机的额定电流和伺服电机的参考负载惯量比;幅值自适应随机测试序列生成模块,生成幅值自适应随机测试序列;速度开环测试模块,采集测试结构的电机转速;频率特性求解模块,得到伺服系统的频率特性;频率模型辨识模块,建立待求频率模型,通过待求频率模型来逼近频率特性求解模块得到的频率特性。本发明的频率模型辨识方法相对于现有技术具有可靠性和准确性更高的有益效果。
Description
技术领域
本发明涉及一种伺服系统传递函数的辨识方法,具体涉及一种基于幅值自适应随机测试序列和遗传函数的伺服系统频域辨识系统及辨识方法。
背景技术
伺服系统广泛应用于社会生产、国防科技、航空航天等领域。在以往对伺服系统的分析和研究中,大多采用时域方法。直接在时域中对系统进行分析,可以得到系统时间响应的基本信息,比如超调量、调节时间等等,具有概念简单、容易理解的优点;但是仅仅依靠时域的方法,仅仅能够满足伺服系统的基本要求,不能满足振动频率、带宽分析等高级需求。而如果采用频域方法,将很方便地了解伺服系统的振动频率、带宽等高级性能指标,有利于进一步改善伺服系统的性能。
关于伺服系统分析的频域方法,目前国外很多伺服产品已经集成了机械特性测试的功能,它们的目的主要限于识别出带载系统的谐振频率点,进而进行滤波器、陷波器的设定。日本的安川、三菱伺服驱动器可以通过执行特定的机械分析模块,自动给定某一预设的转矩信号,驱动电机及负载运转,对转矩到转速之间的频率特性进行测试,最终在上位机软件中显示所得的频率特性曲线,并且可以读取到谐振点的频率值、幅值与相位。但是以日本安川、三菱为代表的现有技术在给定的转矩信号中缺乏信号幅值自适应的功能,导致在丝杠、皮带轮等执行机构下由于转矩信号的幅值和频率可能过大,而存在损伤执行机构的风险,导致现有技术可靠性的不足。伺服系统频域辨识过程中可靠性的问题和辨识准确性是今后伺服系统频域辨识的关键所在。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,而提供一种提高伺服系统频域辨识可靠性和准确性的伺服系统频域辨识系统及辨识方法。
为解决上述技术问题,本发明采用的技术方案是:
一种伺服系统频域辨识系统,其特征在于,包括:
电机参数读入模块,读取伺服系统中所用伺服电机的额定电流In和伺服电机的参考负载惯量比IR;
幅值自适应随机测试序列生成模块,根据所述参数读取模块所读入的额定电 流In和参考负载惯量比IR生成幅值自适应随机测试序列Iq_test;
速度开环测试模块,构建一种伺服系统速度开环的测试结构,并将幅值自适应随机测试序列生成模块生成的自适应随机测试序列Iq_test作为给定电流Iqr,采集测试结构的电机转速n;
频率特性求解模块,对幅值自适应随机测试序列生成模块生成的自适应随机测试序列Iq_test和速度开环测试模块所采集的电机转速n进行傅里叶变换,得到伺服系统的频率特性F(ω);
频率模型辨识模块,建立待求频率模型G(ω),通过待求频率模型G(ω)来逼近频率特性求解模块得到的频率特性F(ω)。
一种基于幅值自适应随机序列和遗传函数的伺服系统频域辨识的方法,其特征在于,包括以下步骤:
步骤一:电机参数读入步骤,读取伺服系统中所用伺服电机的额定电流In和伺服电机的参考负载惯量比IR。
步骤二:幅值自适应随机测试序列生成步骤,根据步骤一所读入的额定电流In和参考负载惯量比IR生成幅值自适应随机测试序列Iq_test。
步骤三:速度开环测试步骤,构建一种伺服系统速度开环的测试结构,并将步骤二生成的自适应随机测试序列Iq_test作为给定电流Iqr,采集此时的电机转速n。
步骤四:频率特性求解步骤,对步骤二的自适应随机测试序列Iq_test和步骤三所采集的电机转速n进行傅里叶变换,得到伺服系统的频率特性F(ω)。
步骤五:频率模型辨识步骤,建立待求频率模型G(ω),通过待求频率模型G(ω)来逼近步骤四得到的频率特性F(ω),逼近的数学解法是遗传算法。经过遗传算法可以得到频率模型的求解结果Gn(ω)。
进一步的,步骤一的参考负载惯量比IR具体为电机带载后的总惯量和电机本体惯量的比值。
进一步的,步骤二的自适应随机测试序列Iq_test具体为Iq_test=In*IR*M_test*k,其中k为可调幅值系数,k的可调范围为0<k≤1;M_test为幅值为1的伪随机随机序列;设定可调幅值系数k的目的是使得用户可以根据自己的需求和经验选定期望使用的测试序列幅值,选定规律是动作范围小的负载选定小的系数,动作范围较大的负载选定相对大的系数。本步骤通过可调系数和惯量比两个方面来保证整个辨识过程的可靠性。
进一步的,步骤三的伺服系统速度开环测试结构具体为伺服系统工作在电流控制模式,此时伺服系统的控制作用为使得电机交轴电流iq跟踪上给定电流Iqr,步骤三的给定电流Iqr等于步骤二中的自适应随机测试序列Iq_test。选定这种测试结构的优点是此测试结构不受到速度控制性能的影响,使得整个辨识步骤的准确性更好。
进一步的,步骤四的傅里叶变换具体处理过程为:
式中Iqr_test(ω)表示频域内的Iqr_test,Iqr_test(t)表示时间域内的Iqr_test,n(ω)表示频域内的n,n(t)表示时间域内的n,e表示自然对数,上标j表示频域内的复试算子,表示t时域内的时域算子,d表示求导数运算。
所得到的频率特性F(ω)具体为
进一步的,步骤五的待求频率模型G(ω)的一般形式具体为:
式中m为待求频率模型的最高阶数,m的取值范围为m≥1,m应结合使用需求来选取,m取得越高,辨识得到的频率模型的准确性提高,但本步骤的运算量将提高。一般可以选取m=2,此时辨识得到的频率模型准确性一般大于80%,且运算量不至于太大。式中A0,A1,A2,...,Am;B0,B1,B2,...,Bm均为本步骤待求的系数。求解这些系数的方法是数学里面的现有的遗传算法。所使用的遗传算法其具体实 现过程为:首先构造适应度函数其中k为频率模型的频率点数,然后随机生成一个待求系数的初始种群A′0,A′1,A′2,...,A′m;B′0,B′1,B′2,...,B′m,计算初始种群中每个个体的适应度值,然后进行选择、交叉、变异操作。其中选择是选择个体中适应度最大的个体并保留。交叉、变异是分别按一定概率改变个体的参数值。经过若干次的迭代运算,即可得到最大适应度的个体 待求频率模型G(ω)的求解结果Gn(ω)即可得到,具体表示为:
有益效果:
本发明能够实现可靠性和准确性更好的伺服系统频域辨识的方法,有益效果具体表现为:
(1)容易实现。与现有的方法相比,本发明的方法步骤分为五步,虽然实现步骤比现有技术的复杂度有所增加,但与现有技术相同的是,每个步骤具体都很容易在伺服系统的控制软件中实现,所以本方法也很容易在伺服系统中实现。
(2)本发明的可靠性优于现有技术。现有技术在执行伺服系统频率辨识的功能时,由于缺乏测试信号幅值自适应的功能,导致在某些伺服系统带负载场合,出现运动幅值过大,从而损坏负载的情况,因此可靠性不足。而本发明通过电机额定电流和负载惯量比参数的读入,结合可调幅值系数实现了幅值自适应随机测试序列,保证了在所有的伺服系统带负载场合,运动幅值都不会过大,从而可靠性有所提升。
(3)本发明的准确性优于现有技术。现有技术一般是通过利用测试信号和采集到的转速信号进行数学里面简单的二乘法运算辨识伺服系统的频率模型,简单的二乘法运算其准确性有欠缺。而本发明首先通过幅值自适应随机测试序列和采集得到的电机转速进行傅里叶变换的数学处理,得到伺服系统的频率特性,然后建立待求频率模型,用待求频率模型来逼近伺服系统的频率特性,基于这样的处理再使用数学里面的现有的遗传算法完成解算,本发明的方法相对于简单的二乘法有更好的准确性。按照本发明中具体实施方式中的仿真参数设置,本发明和现 有技术的频率模型准确性对比如下表所示,其中频率模型的准确性定义为Gn(ω)的幅频特性曲线与实际模型的幅频特性曲线的标准差。
频率模型辨识准确率 | |
现有技术 | 82.35% |
本发明 | 94.86% |
附图说明
图1是本发明的步骤流程图。
图2是本发明速度开环测试模块的控制结构框图,图中未在说明书中定义的变量为本领域所公知的变量定义方式。
图3是本发明的标准伪随机序列示意图。图中的|M_test|表示伪随机序列的幅频特性,φ(M_test)表示标准伪随机序列的相频特性,横轴的t表示时间,单位为“s”,横轴的Frequency表示频率,单位为“Hz”。
图4是本发明辨识得到的频率模型的幅频特性和相频特性图。图中的|L(ω)|表示幅频特性,“dB”为其单位,|φ(ω)|表示相频特性,“°”为其单位,横轴的Frequency表示频率,“Hz”为其单位。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明伺服系统频域辨识系统,其辨识步骤如图1所示,包括:电机参数读入模块读入步骤、幅值自适应随机测试序列生成模块的生产步骤、速度开环测试模块的测试步骤、频率特性求解模块的求解不住以及频率模型辨识模块的辨识步骤,其中,
电机参数读入模块用于读取伺服系统中所用伺服电机的额定电流In和伺服电机的参考负载惯量比IR;
幅值自适应随机测试序列生成模块用于根据所述参数读取模块所读入的额定电流In和参考负载惯量比IR生成幅值自适应随机测试序列Iq_test;
速度开环测试模块通过构建一种伺服系统速度开环的测试结构得到电机转速,具体方法是将幅值自适应随机测试序列生成模块生成的自适应随机测试序列Iq_test作为给定电流Iqr,采集测试结构的电机转速n;
频率特性求解模块用于对幅值自适应随机测试序列生成模块生成的自适应随机测试序列Iq_test和速度开环测试模块所采集的电机转速n进行傅里叶变换,得到伺服系统的频率特性F(ω);
频率模型辨识模块用于建立待求频率模型G(ω),通过待求频率模型G(ω)来逼近频率特性求解模块得到的频率特性F(ω)。
本发明一种幅值自适应随机序列和遗传函数的伺服系统频域辨识的方法,如图1所示,具体包括以下步骤:
步骤一:电机参数读入步骤,读取伺服系统中所用伺服电机的额定电流In和伺服电机的参考负载惯量比IR。
步骤二:幅值自适应随机测试序列生成步骤,根据步骤一所读入的额定电流In和参考负载惯量比IR生成幅值自适应随机测试序列Iq_test。
步骤三:速度开环测试步骤,构建一种伺服系统速度开环的测试结构,并将步骤二生成的自适应随机测试序列Iq_test作为给定电流Iqr,采集此时的电机转速n。
步骤四:频率特性求解步骤,对步骤二的自适应随机测试序列Iq_test和步骤三所采集的电机转速n进行傅里叶变换,得到伺服系统的频率特性F(ω)。
步骤五:频率模型辨识步骤,建立待求频率模型G(ω),通过待求频率模型G(ω)来逼近步骤四得到的频率特性F(ω),逼近的数学解法是遗传算法。经过遗传算法可以得到频率模型的求解结果Gn(ω)。
为了说明本发明的具体实施方式,下面结合Matlab R2014a仿真软件进行说明。仿真参数具体为:电机相电阻为1.09Ω;极对数为4;电机相电感为5.4mH;额定电流为4A;电机的参考惯量比为10。
步骤一中首先读入的电机额定电流In为4A,读入的伺服电机的参考负载惯量比IR为10。
步骤二的自适应随机测试序列Iq_test具体为Iq_test=In*IR*M_test*k,其中k为可调幅值系数,k的可调范围为0<k≤1;M_test为幅值为1的标准伪随 机随机序列,其具体波形示意图如说明书附图4所示;设定可调幅值系数k的目的是使得用户可以根据自己的需求和经验选定期望使用的测试序列幅值,选定规律是动作范围小的负载选定小的系数,动作范围较大的负载选定相对大的系数。仿真中电机的动作幅度限制比较小,具体为±1072个位置脉冲,所以可调幅值系数k的应该取得比较小,仿真中取k=0.05,以保证整个辨识过程的可靠性。
步骤三的伺服系统速度开环测试结构具体为伺服系统工作在电流控制模式,测试结构图如说明书附图3所示,此时伺服系统的控制作用为使得电机交轴电流iq跟踪上给定电流Iqr,步骤三的给定电流Iqr等于步骤二中的自适应随机测试序列Iq_test。选定这种测试结构的优点是此测试结构不受到速度控制性能的影响,使得整个辨识步骤的准确性更好。
步骤四的傅里叶变换具体处理过程为:
式中Iqr_test(ω)表示频域内的Iqr_test,Iqr_test(t)表示时间域内的Iqr_test,n(ω)表示频域内的n,n(t)表示时间域内的n,e表示自然对数,上标j表示频域内的复试算子,t表示时域内的时域算子,d表示求导数运算。
所得到的频率特性F(ω)具体为
步骤五的待求频率模型G(ω)的一般形式具体为:
式中m为待求频率模型的最高阶数,m的取值范围为m≥1,m应结合使用需求来选取,m取得越高,辨识得到的频率模型的准确性提高,但本步骤的运算量将提高。仿真中选取了m=2。式中A0,A1,A2,...,Am;B0,B1,B2,...,Bm均为本步骤待求的系数。求解这些系数的现有数学方法有最小二乘法,遗传算法,模糊算法和神经网络,最小二乘法是现有的频域辨识技术中采用的方法,具有实现简单的 优点,但是准确性有所不足,模糊算法和神经网络准确性高,但是目前在本领域内实现困难。现有数学方法中的遗传算法的辨识准确性高、过程简单和扩展性强的优点,因此本步骤的逼近通过遗传算法来解决。
所使用的遗传算法其具体实现过程为:首先构造适应度函数 其中k为频率模型的频率点数,然后随机生成一个待求系数的初始种群A′0,A′1,A′2,...,A′m;B′0,B′1,B′2,...,B′m,计算初始种群中每个个体的适应度值,然后进行选择、交叉、变异操作。其中选择是选择个体中适应度最大的个体并保留。交叉、变异是分别按一定概率改变个体的参数值。经过若干次的迭代运算,即可得到最大适应度的个体待求频率模型G(ω)的求解结果Gn(ω)即可得到,具体表示为:
仿真中使用的遗传算法为Matlab R2014a仿真软件中带有的遗传算法功能。仿真中求频率模型G(ω)的求解结果Gn(ω)的幅频、相频特性和实际模型的幅频、相频特性对比如说明书附图4所示。为了定量说明本发明的有益效果,频率模型的准确性定义为Gn(ω)的幅频特性曲线与实际模型的幅频特性曲线的标准差。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种伺服系统频域辨识系统,其特征在于,包括:
电机参数读入模块,读取伺服系统中所用伺服电机的额定电流In和伺服电机的参考负载惯量比IR;
幅值自适应随机测试序列生成模块,根据所述参数读取模块所读入的额定电流In和参考负载惯量比IR生成幅值自适应随机测试序列Iq_test;
速度开环测试模块,构建一种伺服系统速度开环的测试结构,并将幅值自适应随机测试序列生成模块生成的自适应随机测试序列Iq_test作为给定电流Iqr,采集测试结构的电机转速n;
频率特性求解模块,对幅值自适应随机测试序列生成模块生成的自适应随机测试序列Iq_test和速度开环测试模块所采集的电机转速n进行傅里叶变换,得到伺服系统的频率特性F(ω);
其中,傅里叶变换具体处理过程为:
式中Iqr_test(ω)表示频域内的Iqr_test,Iqr_test(t)表示时间域内的Iqr_test,n(ω)表示频域内的n,n(t)表示时间域内的n,e表示自然对数,上标j表示频域内的复试算子,t表示时域内的时域算子,d表示求导数运算;
所得到的频率特性F(ω)具体为
频率模型辨识模块,建立待求频率模型G(ω),通过待求频率模型G(ω)来逼近频率特性求解模块得到的频率特性F(ω);
待求频率模型G(ω)的形式具体为:
式中m为待求频率模型的最高阶数,m的取值范围为m≥1,A0,A1,A2,...,Am;B0,B1,B2,...,Bm均为本步骤待求的系数。
2.根据权利要求1所述的伺服系统频域辨识系统,其特征在于,所述幅值自适应随机测试序列生成模块生成的自适应随机测试序列Iq_test具体为:
Iq_test=In*IR*M_test*k
其中,k为可调幅值系数,k的可调范围为0<k≤1;M_test为幅值为1的伪随机随机序列。
4.一种伺服系统频域辨识方法,其特征在于,包括以下步骤:
步骤一、电机参数读入步骤:读取伺服系统中所用伺服电机的额定电流In和伺服电机的参考负载惯量比IR;
步骤二、幅值自适应随机测试序列生成步骤:根据步骤一所读入的额定电流In和参考负载惯量比IR生成幅值自适应随机测试序列Iq_test;
步骤三、速度开环测试步骤:构建一种伺服系统速度开环的测试结构,并将步骤二生成的自适应随机测试序列Iq_test作为给定电流Iqr,采集此时的电机转速n;
步骤四、频率特性求解步骤:对步骤二的自适应随机测试序列Iq_test和步骤三所采集的电机转速n进行傅里叶变换,得到伺服系统的频率特性F(ω);
步骤四的傅里叶变换具体处理过程为:
式中Iqr_test(ω)表示频域内的Iqr_test,Iqr_test(t)表示时间域内的Iqr_test,n(ω)表示频域内的n,n(t)表示时间域内的n,e表示自然对数,上标j表示频域内的复试算子,t表示时域内的时域算子,d表示求导数运算;
所得到的频率特性F(ω)具体为
步骤五、频率模型辨识步骤:建立待求频率模型G(ω),通过待求频率模型G(ω)来逼近步骤四得到的频率特性F(ω);
步骤五的待求频率模型G(ω)的形式具体为:
式中m为待求频率模型的最高阶数,m的取值范围为m≥1,A0,A1,A2,...,Am;B0,B1,B2,...,Bm均为本步骤待求的系数。
5.根据权利要求4所述的伺服系统频域辨识方法,其特征在于:步骤一的参考负载惯量比IR具体为电机带载后的总惯量和电机本体惯量的比值。
6.根据权利要求4所述的伺服系统频域辨识方法,其特征在于:步骤二的自适应随机测试序列Iq_test具体为Iq_test=In*IR*M_test*k,其中k为可调幅值系数,k的可调范围为0<k≤1;M_test为幅值为1的标准伪随机随机序列。
7.根据权利要求4所述的伺服系统频域辨识方法,其特征在于:步骤三的伺服系统速度开环测试结构具体为伺服系统工作在电流控制模式,此时伺服系统的控制作用为使得电机交轴电流iq跟踪上给定电流Iqr,步骤三的给定电流Iqr等于步骤二中的自适应随机测试序列Iq_test。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710048712.4A CN107065524B (zh) | 2017-01-20 | 2017-01-20 | 一种伺服系统频域辨识系统及辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710048712.4A CN107065524B (zh) | 2017-01-20 | 2017-01-20 | 一种伺服系统频域辨识系统及辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107065524A CN107065524A (zh) | 2017-08-18 |
CN107065524B true CN107065524B (zh) | 2020-05-12 |
Family
ID=59598676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710048712.4A Active CN107065524B (zh) | 2017-01-20 | 2017-01-20 | 一种伺服系统频域辨识系统及辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107065524B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208345B (zh) * | 2020-01-19 | 2021-12-21 | 合肥巨一动力系统有限公司 | 电动汽车电驱动系统母线电流估算方法及系统 |
CN113933012B (zh) * | 2021-10-14 | 2024-01-30 | 西安现代控制技术研究所 | 基于K-means聚类的螺旋桨转速测量方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149435A (zh) * | 2013-03-18 | 2013-06-12 | 哈尔滨工业大学 | 基于伪随机序列码的交流伺服系统机械谐振频率特性获取方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697084B (zh) * | 2009-10-19 | 2011-12-28 | 大连海事大学 | 一种基于rls滤波器的电液伺服系统随机振动控制方法 |
US20130049925A1 (en) * | 2011-08-22 | 2013-02-28 | Symbol Technologies, Inc. | Adjustable-orientation rfid tag reader systems and methods of their operation |
CN104639003B (zh) * | 2013-11-06 | 2017-07-28 | 沈阳高精数控智能技术股份有限公司 | 一种交流伺服系统的转动惯量辨识方法 |
CN103684193B (zh) * | 2014-01-07 | 2016-01-13 | 南京埃斯顿自动化股份有限公司 | 一种交流伺服系统控制器参数整定方法 |
CN103929212B (zh) * | 2014-04-21 | 2016-08-24 | 电子科技大学 | 一种宽带接收机非线性盲辨识及补偿方法 |
CN105915121B (zh) * | 2016-05-31 | 2019-10-11 | 西安交通大学 | 一种采用遗传算法优化的伺服系统惯量辨识方法 |
-
2017
- 2017-01-20 CN CN201710048712.4A patent/CN107065524B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149435A (zh) * | 2013-03-18 | 2013-06-12 | 哈尔滨工业大学 | 基于伪随机序列码的交流伺服系统机械谐振频率特性获取方法 |
Non-Patent Citations (2)
Title |
---|
《Parametric identification of a servo-hydraulic actuator for real-timehybridsimulation》;Yili Qian 等;《Elsevier Science》;20140403;第260-273页 * |
《永磁同步电机伺服系统的有限时间位置控制》;刘慧贤 等;《系统科学与数学》;20100615;第721-732页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107065524A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109029977B (zh) | 一种基于vmd-amckd的行星齿轮箱早期故障诊断方法 | |
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
Wang et al. | Sensor data augmentation by resampling in contrastive learning for human activity recognition | |
CN110647788B (zh) | 一种基于微多普勒特征的人类日常行为分类方法 | |
CN111368892B (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
CN117633696B (zh) | 一种基于bim模型的水利工程施工监测方法及系统 | |
CN105147252A (zh) | 心脏疾病识别及评估方法 | |
CN114169110B (zh) | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 | |
WO2017004880A1 (zh) | 行为识别方法、设备及计算机存储介质 | |
CN107065524B (zh) | 一种伺服系统频域辨识系统及辨识方法 | |
CN109948452A (zh) | 一种时序信号预测方法和装置 | |
CN114190953A (zh) | 针对脑电采集设备的脑电信号降噪模型的训练方法和系统 | |
CN113295702A (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
CN115859702A (zh) | 一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法及系统 | |
CN115130514A (zh) | 一种工程设备健康指标构建方法及系统 | |
CN115186564A (zh) | 基于特征融合和改进粒子群算法的模拟电路故障诊断方法 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
CN110782041A (zh) | 一种基于机器学习的结构模态参数识别方法 | |
CN117606801A (zh) | 一种基于多表征自适应网络的跨域轴承故障诊断方法 | |
CN114533084B (zh) | 脑电特征提取方法、装置、电子设备和存储介质 | |
JP6956913B1 (ja) | 特徴量抽出装置、時系列推論装置、時系列学習システム、時系列特徴量抽出方法、時系列推論方法、及び時系列学習方法 | |
Qiao et al. | Bearing fault diagnosis based on natural adaptive moment estimation algorithm and improved octave convolution | |
CN114118157A (zh) | 一种基于植物电信号的光照信息诊断方法及系统 | |
Lu et al. | Classification of hand manipulation using bp neural network and support vector machine based on surface electromyography signal | |
CN117974736B (zh) | 一种基于机器学习的水下传感器输出信号降噪方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190508 Address after: 210096 No. four archway, 2, Jiangsu, Nanjing Applicant after: Southeast University Applicant after: Nanjing Estun Automation Co., Ltd. Address before: 210096 No. four archway, 2, Jiangsu, Nanjing Applicant before: Southeast University Applicant before: Nanjing Estun Automatic Control Technology Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |