CN108792944A - 一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法 - Google Patents
一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法 Download PDFInfo
- Publication number
- CN108792944A CN108792944A CN201810441850.3A CN201810441850A CN108792944A CN 108792944 A CN108792944 A CN 108792944A CN 201810441850 A CN201810441850 A CN 201810441850A CN 108792944 A CN108792944 A CN 108792944A
- Authority
- CN
- China
- Prior art keywords
- molten metal
- neural network
- feedback
- metal crane
- speed
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/04—Auxiliary devices for controlling movements of suspended loads, or preventing cable slack
- B66C13/06—Auxiliary devices for controlling movements of suspended loads, or preventing cable slack for minimising or preventing longitudinal or transverse swinging of loads
- B66C13/063—Auxiliary devices for controlling movements of suspended loads, or preventing cable slack for minimising or preventing longitudinal or transverse swinging of loads electrical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mechanical Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Control And Safety Of Cranes (AREA)
Abstract
本发明提供一种熔融金属吊车状态反馈‑神经网络防摆控制的模拟方法,属于包装盒技术领域。该熔融金属吊车状态反馈‑神经网络防摆控制的模拟方法包括如下步骤:S1:根据熔融金属吊车系统的速度、位移参数建立状态空间方程,并由所述状态空间方程线性变换得到状态反馈矩阵;S2:根据熔融金属吊车系统的速度、位移参数得到神经网络辨识器输出矩阵;S3:建立所述神经网络辨识器输出矩阵与状态反馈矩阵的对应关系。本发明实现熔融金属吊车运行时的安全高效,改善了设备运行稳定性,提高了生产效率,对熔融金属吊运过程中的防倾翻有重大预防作用。
Description
技术领域
本发明属于熔融金属吊车防摆控制技术领域,涉及一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法。
背景技术
熔融金属吊车系统是横架在高空轨道上运行的一种桥式起重机,主要包括大车和小车以及装载钢液的钢包起升等机构,是一种典型的非线性、强耦合及欠驱动系统。在运行时,它能够沿着铺设于两侧高架上的轨道纵向运行大车,同时小车可以横向沿轨道运行,具有很强的实用性,在炼钢厂广泛应用。但是,在熔融金属吊车工作过程中,因为大小车的速度变化以及外界干扰,外加钢包内液体的晃荡,会使得负载部位晃动,产生倾角,并使得小车定位受干扰,在影响生产效率的同时造成了一定的安全隐患。所以,研究一套熔融金属吊车防摆系统,实现负载平稳运送是很具有实用性的课题。一个好的防摆系统能起到良好的防摆效果,大大提高劳动生产率。
熔融金属吊车和一般的桥式起重机相比,最大的区别在于其负载为高密度高温液态金属。运送过程中钢包的摆动会引起金属液体波动,外加系统本身的非线性以及工作环境中的不确定性,控制难度很大,若运行时负载内钢液溢出,会造成很严重的后果。结合实际生产情况,在钢厂复杂情况下,很难得到粒子的准确坐标值,进而计算晃荡的钢液重心的变化非常困难,且在不同的晃荡波形下,钢液会给予钢包不同形式的动压力(包括连续非冲击压力和瞬时冲击压力)在不同工作状态中具有随机性,预测或测量的难度也很大。而目前国内外研究极少考虑负载为液态情况,所以负载为液态的熔融金属吊车的防摆控制问题很有研究价值和意义。
常见的防摆装置有机械防摆和电子防摆。机械防摆是一种被动防摆方式主要是通过机械手段如增加系统阻尼、利用多根钢丝绳辅助来达到防摆目的。机械防摆系统需要在吊车系统上附加机械装置,增加系统复杂度,使得维修保养成本变高,且机械防摆系统适用性比较低,鲁棒性较低,防摆效果不够理想。电子防摆主要分为开环和闭环,是一种主动防摆手段。开环防摆系统虽然成本低,但对复杂情况的适应性差,对操作员熟练度的依赖性很强,可靠性无法保障。闭环控制虽然能解决开环控制的一些问题,但传统的闭环控制如状态反馈控制对系统模型精确度依赖很大,且实际工业系统大多是非线性的,且闭环期望极点位置确定比较困难。
发明内容
本发明针对现有的技术存在的上述问题,提供一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,本发明所要解决的技术问题是:如何对熔融金属吊车实现状态反馈-神经网络防摆控制。
本发明的目的可通过下列技术方案来实现:
一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,包括如下步骤:
S1:根据熔融金属吊车系统的速度、位移参数建立状态空间方程,并由所述状态空间方程线性变换得到状态反馈矩阵;
S2:根据熔融金属吊车系统的速度、位移参数得到神经网络辨识器输出矩阵;
S3:建立所述神经网络辨识器输出矩阵与状态反馈矩阵的对应关系。
优选的,步骤S1中将熔融金属吊车系统中的熔融金属液体等效为单摆,负载等效为双摆,将熔融金属吊车系统进行建模得到状态空间方程。
优选的,步骤S1中具体包括如下:
S11:根据熔融金属吊车实际运行情况,建立系统平面直角坐标系;
S12:根据平面直角坐标系,得到小车的位移、速度和负载的位移、速度,根据小车的位移、速度和负载的位移、速度得到系统的动能方程和势能方程;
S13:根据动能方程得到系统动能T,根据势能方程得到系统势能V;
S14:根据系统动能和系统势能,计算出拉格朗日算子,以第一摆角度、第二
摆角度作为广义坐标,得到系统的状态空间方程;
S15:通过极点配置法由状态空间方程变换得到状态反馈矩阵。
优选的,所述步骤S2中具体包括:
S21:根据熔融金属吊车系统对应的线性化系统模型,将熔融金属吊车系统的闭环系统
表示为;
S22:利用极点配置法得到反馈矩阵;
S23:根据吊车系统的输入量和输出量,设计神经网络辨识器输出矩阵。
优选的,所述步骤S3中神经网络辨识器输出矩阵的输入为,Jacobian矩阵为,则所述状态反馈矩阵的参数修正算法为。
优选的,步骤S1中通过拉格朗日方程对熔融金属吊车系统的速度、位移参数进行建模得到状态空间方程。
优选的,步骤S2中根据吊车系统的输入量和输出量,设计RBF神经网络辨识器输出矩阵。
优选的,步骤S12中小车的位移、速度包括小车的水平位移、竖直位移、水平速度、竖直速度,负载的位移、速度包括负载的水平位移、竖直位移、水平速度、竖直速度。
优选的,步骤S1中利用极点配置法将状态空间方程变换为状态反馈矩阵。
优选的,利用Ackermann极点配置法将状态空间方程变换为状态反馈矩阵。
本发明中根据熔融金属吊车系统的速度、位移参数建立状态空间方程,再由状态空间方程线性变换得到状态反馈矩阵,接着根据熔融金属吊车系统的速度、位移参数得到神经网络辨识器输出矩阵,最后建立所述神经网络辨识器输出矩阵与状态反馈矩阵的对应关系,在线调节状态反馈控制器的反馈矩阵参数,完成状态反馈-神经网络控制,可以实现熔融金属吊车运行时的安全高效,改善了设备运行稳定性,提高了生产效率,对熔融金属吊运过程中的防倾翻有重大预防作用。
附图说明
图1是本发明的流程示意图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
请参阅图1,本实施例中的熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,包括如下步骤:
S1:根据熔融金属吊车系统的速度、位移参数建立状态空间方程,并由状态空间方程线性变换得到状态反馈矩阵;
S2:根据熔融金属吊车系统的速度、位移参数得到神经网络辨识器输出矩阵;
S3:建立神经网络辨识器输出矩阵与状态反馈矩阵的对应关系。
此处,将熔融金属吊车系统的速度、位移参数进行建模,根据模型建立状态空间方程,并将状态空间方程经过线性变换得到状态反馈矩阵,根据熔融金属吊车系统的速度、位移参数设计出基于神经网络的神经网络辨识器,并得到神经网络辨识器输出矩阵,建立神经网络辨识器输出矩阵与状态反馈矩阵的对应关系,再根据神经网络辨识器输出矩阵中的输出对输入的灵敏信息,在线调节状态反馈矩阵的反馈矩阵参数实现状态反馈-神经网络防摆控制。
步骤S1中可以将熔融金属吊车系统中的熔融金属液体等效为单摆,负载等效为双摆,将熔融金属吊车系统进行建模得到状态空间方程。熔融金属吊车系统涉及到液体在容器中的重心扰动问题,由于在运行过程中液体重心很难直接测量,则很难通过力学和数学的计算来分析液体重心变化来建立精确的系统数学模型。液体水平晃荡问题可以等效为单摆问题,负载摆动角度较小,忽略钢包摆动引起的竖直方向位置变化,可以近似成水平运动,则钢包中钢液晃动可以视为单摆,那么可以将钢包和钢液分别视为一个单摆,则熔融金属吊车系统可以看作双摆模型加以简化。
步骤S1中可以具体包括如下:
S11:根据熔融金属吊车实际运行情况,建立系统平面直角坐标系;
S12:根据平面直角坐标系,得到小车的位移、速度和负载的位移、速度,根据小车的位移、速度和负载的位移、速度得到系统的动能方程和势能方程;
小车水平方向位移为,水平速度为;竖直方向小车位移为0,速度也为0。
第一摆水平方向位移为,水平速度为,竖直方向位移为,竖直速度为;第二摆水平方向位移为,水
平速度为,竖直位移为,竖直速度为;
S13:根据动能方程得到系统动能T,根据势能方程得到系统势能V;
动能为:
,
势能为:
,
S14:根据系统动能和系统势能,计算出拉格朗日算子,以第一摆角度、第
二摆角度作为广义坐标,得到系统的状态空间方程;
系统动态特性可以用如下方程描述:其中分别为第一摆和第二摆的质量,分别为第一摆、第二摆的长度,分别为小车的位移和小车的速度,分
别为第一摆、第二摆的角度,分别为第一摆、第二摆的角速度,则基于第一摆的角度为广义坐标的拉格朗日方程为:
。
基于第二摆的角度为广义坐标的拉格朗日方程为:
。
通过对第一摆角度和第二摆角度进行线性化处理后,可以得到系统状态空间方程为:
,
,。
S15:通过极点配置法由状态空间方程变换得到状态反馈矩阵。
此处,通过拉格朗日方程获得起重机的数学模型,拉格朗日方程普遍形式为:,,其中,为拉格朗日算子,为系统
广义坐标,为系统的动能,为系统的势能,=1,2,3,…为系统变量标号,为广义变量,为系统在第个广义坐标上的广义外力。基于熔融金
属吊车抽象出系统模型是一欠驱动系统,控制输入数少于自由度,具有非线性。
步骤S2中可以具体包括:
S21:根据熔融金属吊车系统对应的线性化系统模型,将熔融金属吊车系统的闭环系统
表示为;
设定熔融金属吊车系统对应的线性化系统模块为:,其中,。
采用线性状态反馈,存在反馈率,为反馈矢量。
任意指定个期望闭环极点,使得闭环系统可以表示为:,其特征值满足条件:。
S22:利用极点配置法得到反馈矩阵;
,此处,,
并且满足。
S23:根据吊车系统的输入量和输出量,设计神经网络辨识器输出矩阵。
步骤S3中神经网络辨识器输出矩阵的输入为,Jacobian矩阵为,
则状态反馈矩阵的参数修正算法为,式中为状态
反馈矩阵的学习速率。
步骤S1中可以通过拉格朗日方程对熔融金属吊车系统的速度、位移参数进行建模得到状态空间方程。
步骤S2中可以根据吊车系统的输入量和输出量,设计RBF神经网络辨识器输出矩
阵。这里RBF神经网络有个输入量,个隐层节点,个输出量,其中熔融金属吊车系统
为4输入,3输出。为网络的输入向量,为径向基向量,其中为高
斯函数:,式中:是网络的第个结点的中心矢量,
为结点的基宽参数。,为输出层第个神经元与隐含
层第个神经元间的权值。则RBF神经网络辨识器输出矩阵为:,
其中为对象实际输出矩阵,为RBF神经网络辨识器输出矩阵,设误差等于。
步骤S12中小车的位移、速度可以包括小车的水平位移、竖直位移、水平速度、竖直速度,负载的位移、速度可以包括负载的水平位移、竖直位移、水平速度、竖直速度。这样就可以把小车的位移、速度和负载的位移、速度均考虑在内,保证模拟的过程的数据的准确性,以更好地实现的熔融金属吊车状态反馈-神经网络防摆控制。
步骤S1中可以利用极点配置法将状态空间方程变换为状态反馈矩阵。极点配置法可以通过比例反馈去改变原系统的自由运动模式,把系统的闭环极点配置到希望的极点位置上,从而获得良好的系统性能指标,这样就可以更好地将状态空间方程变换为状态反馈矩阵。
作为本发明的熔融金属吊车状态反馈-神经网络防摆控制的模拟方法利用Ackermann极点配置法将状态空间方程变换为状态反馈矩阵。Ackermann极点配置法可以简化系统的设计,不需要计算系统的开环特征多项式。
本发明的熔融金属吊车状态反馈-神经网络防摆控制的模拟方法受国家重点研发计划项目(2017YFC0805100)资助。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,其特征在于,包括如下步骤:
S1:根据熔融金属吊车系统的速度、位移参数建立状态空间方程,并由所述状态空间方程线性变换得到状态反馈矩阵;
S2:根据熔融金属吊车系统的速度、位移参数得到神经网络辨识器输出矩阵;
S3:建立所述神经网络辨识器输出矩阵与状态反馈矩阵的对应关系。
2.如权利要求1所述的一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,其特征在于:步骤S1中将熔融金属吊车系统中的熔融金属液体等效为单摆,负载等效为双摆,将熔融金属吊车系统进行建模得到状态空间方程。
3.如权利要求1或2所述的一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,其特征在于,步骤S1中具体包括如下:
S11:根据熔融金属吊车实际运行情况,建立系统平面直角坐标系;
S12:根据平面直角坐标系,得到小车的位移、速度和负载的位移、速度,根据小车的位移、速度和负载的位移、速度得到系统的动能方程和势能方程;S13:根据动能方程得到系统动能T,根据势能方程得到系统势能V;
S14:根据系统动能和系统势能,计算出拉格朗日算子,以第一摆角度、第二摆角度作为广义坐标,得到系统的状态空间方程;
S15:通过极点配置法由状态空间方程变换得到状态反馈矩阵。
4.如权利要求3所述的一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,其特征在于,所述步骤S2中具体包括:
S21:根据熔融金属吊车系统对应的线性化系统模型,将熔融金属吊车系统的闭环系统表示为;
S22:利用极点配置法得到反馈矩阵;
S23:根据吊车系统的输入量和输出量,设计神经网络辨识器输出矩阵。
5.如权利要求1或2所述的一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,其特征在于:所述步骤S3中神经网络辨识器输出矩阵的输入为,Jacobian矩阵为,则所述状态反馈矩阵的参数修正算法为。
6.如权利要求1或2所述的一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,其特征在于:步骤S1中通过拉格朗日方程对熔融金属吊车系统的速度、位移参数进行建模得到状态空间方程。
7.如权利要求1或2所述的一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,其特征在于:步骤S2中根据吊车系统的输入量和输出量,设计RBF神经网络辨识器输出矩阵。
8.如权利要求3所述的一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,其特征在于:步骤S12中小车的位移、速度包括小车的水平位移、竖直位移、水平速度、竖直速度,负载的位移、速度包括负载的水平位移、竖直位移、水平速度、竖直速度。
9.如权利要求1或2所述的一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,其特征在于:步骤S1中利用极点配置法将状态空间方程变换为状态反馈矩阵。
10.如权利要求9所述的一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法,其特征在于:利用Ackermann极点配置法将状态空间方程变换为状态反馈矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810441850.3A CN108792944B (zh) | 2018-05-10 | 2018-05-10 | 一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810441850.3A CN108792944B (zh) | 2018-05-10 | 2018-05-10 | 一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108792944A true CN108792944A (zh) | 2018-11-13 |
CN108792944B CN108792944B (zh) | 2020-01-10 |
Family
ID=64092208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810441850.3A Active CN108792944B (zh) | 2018-05-10 | 2018-05-10 | 一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108792944B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111268564A (zh) * | 2020-02-10 | 2020-06-12 | 河北工业大学 | 基于迭代-遗传算法的智能天车防摆控制系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8352128B2 (en) * | 2009-09-25 | 2013-01-08 | TMEIC Corp. | Dynamic protective envelope for crane suspended loads |
CN106865416A (zh) * | 2017-04-20 | 2017-06-20 | 中南大学 | 一种桥式起重机行走过程中的自动防摆控制方法 |
CN108549229A (zh) * | 2018-04-20 | 2018-09-18 | 曲阜师范大学 | 一种桥式吊车神经网络自适应控制器及其设计方法 |
-
2018
- 2018-05-10 CN CN201810441850.3A patent/CN108792944B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8352128B2 (en) * | 2009-09-25 | 2013-01-08 | TMEIC Corp. | Dynamic protective envelope for crane suspended loads |
CN106865416A (zh) * | 2017-04-20 | 2017-06-20 | 中南大学 | 一种桥式起重机行走过程中的自动防摆控制方法 |
CN108549229A (zh) * | 2018-04-20 | 2018-09-18 | 曲阜师范大学 | 一种桥式吊车神经网络自适应控制器及其设计方法 |
Non-Patent Citations (2)
Title |
---|
杨春燕: "桥式起重机定位和防摆的RBF神经网络控制", 《中国科技论文在线》 * |
赵华洋: "基于神经元控制的桥式起重机吊重防摆系统", 《实验室研究与探索》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111268564A (zh) * | 2020-02-10 | 2020-06-12 | 河北工业大学 | 基于迭代-遗传算法的智能天车防摆控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108792944B (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105329777B (zh) | 带有持续扰动的可升降桥式吊车系统的模糊控制方法 | |
CN106959610B (zh) | 桥式吊车系统apd-smc控制器、桥式吊车系统及控制方法 | |
CN105883616B (zh) | 桥式吊车最短时间防摆轨迹实时生成方法 | |
CN105174061B (zh) | 基于伪谱法的双摆吊车全局时间最优轨迹规划方法 | |
CN105600683B (zh) | 带初始负载摆角及台车位移的桥式吊车误差跟踪器及方法 | |
US20230107388A1 (en) | Lqr-based anti-sway control method and system for lifting system | |
CN105152020B (zh) | 带有跟踪误差约束的桥式吊车自适应跟踪控制器及方法 | |
CN104444817A (zh) | 欠驱动吊车自适应消摆定位控制方法 | |
CN108557664A (zh) | 桥式吊车系统增强耦合非线性pd型滑模控制器及方法 | |
CN108358062A (zh) | 欠驱动吊车全局稳定控制方法 | |
CN106865416A (zh) | 一种桥式起重机行走过程中的自动防摆控制方法 | |
CN112147887B (zh) | 一种基于模糊滑模控制的桥式起重机定位消摆方法 | |
CN108549229A (zh) | 一种桥式吊车神经网络自适应控制器及其设计方法 | |
CN106647267A (zh) | 带有不确定动力学的吊车有限时间轨迹跟踪控制器及方法 | |
CN110407095A (zh) | 一种基于在线轨迹规划的桥式起重机定位消摆控制方法 | |
CN113189877B (zh) | 一种分布质量负载的桥吊防摇定位控制方法 | |
CN104876128A (zh) | 带有状态约束的三维桥式吊车增强耦合非线性控制方法 | |
CN108673502A (zh) | 一种基于未知模型动态观测器的机械臂运动控制方法 | |
CN108584723A (zh) | 起重机开环优化防摇控制方法 | |
Ouyang et al. | Nonlinear-adaptive-based swing reduction control for rotary cranes with double-pendulum effect considering uncertain parameters and external disturbances | |
CN106709264B (zh) | 双起重机系统变幅角响应建模算法及随机响应域预测方法 | |
CN108792944A (zh) | 一种熔融金属吊车状态反馈-神经网络防摆控制的模拟方法 | |
Miao et al. | Artificial-neural-network-based optimal Smoother design for oscillation suppression control of underactuated overhead cranes with distributed mass beams | |
Wu et al. | Deep reinforcement learning-based control for asynchronous motor-actuated triple pendulum crane systems with distributed mass payloads | |
Ouyang et al. | An LMI‐based simple robust control for load sway rejection of rotary cranes with double‐pendulum effect |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181113 Assignee: Wuhan Sidi Shangen Technology Co., Ltd Assignor: WUHAN University OF SCIENCE AND TECHNOLOGY Contract record no.: X2020420000005 Denomination of invention: A simulation method of state feedback neural network anti swing control for molten metal crane Granted publication date: 20200110 License type: Common License Record date: 20201021 |
|
EE01 | Entry into force of recordation of patent licensing contract |