CN109031949A - 一种智能制造系统协同控制方法 - Google Patents

一种智能制造系统协同控制方法 Download PDF

Info

Publication number
CN109031949A
CN109031949A CN201810735421.7A CN201810735421A CN109031949A CN 109031949 A CN109031949 A CN 109031949A CN 201810735421 A CN201810735421 A CN 201810735421A CN 109031949 A CN109031949 A CN 109031949A
Authority
CN
China
Prior art keywords
equipment
neural network
parameter
manufacturing system
intelligent manufacturing
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
Application number
CN201810735421.7A
Other languages
English (en)
Other versions
CN109031949B (zh
Inventor
鲁仁全
刘芬
徐雍
李鸿
李鸿一
李攀硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810735421.7A priority Critical patent/CN109031949B/zh
Publication of CN109031949A publication Critical patent/CN109031949A/zh
Application granted granted Critical
Publication of CN109031949B publication Critical patent/CN109031949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开了一种智能制造系统协同控制方法，包括以下步骤：采集智能制造系统中的各个生产装备的状态、输入和输出数据；根据装备的状态、输入和输出数据，得到装备某时刻的动态误差；基于动态误差利用最优性原理中的性能指标函数得到装备的评价函数；利用神经网络算法获得满足评价函数的最优参数；根据最优参数对装备进行设定控制。本发明基于知识化自动化，每个智能装备都有一个由所有相邻生产装备所确定的强化信号，能够自适应排除外界干扰和装备状况变化对智能制造系统所产生的影响，使得智能制造系统具有较好的鲁棒性。

Description

一种智能制造系统协同控制方法
技术领域
本发明涉及智能制造技术领域，具体涉及了一种基于注塑成型装备的智能制造系统协同控制方法。
背景技术
中国制造2025战略实施，以智能制造为核心，而智能制造以智能装备为基础，面对居高不下的人力成本和传统制造业对劳动力的巨大需求之间的矛盾，构建无人化或者少人化的智能化的工厂，减少对人的依赖，是解决目前矛盾的可行技术路线。
中国注塑成型装备行业拥有自己的智能控制系统的企业很少，绝大多数注塑成型装备企业都是直接从第三方购买注塑成型装备智能控制系统。目前国内研制、生产注塑成型装备智能控制系统的企业也很少，仅有的几家也以研制普通液压注塑成型装备控制系统为主，控制信号也多数采用模拟量，控制系统性能低，还不是严格意义上的“智能控制系统”，这直接限制了我国注塑成型装备的技术含量，可以说目前国产注塑成型装备智能控制系统基本上不具备与国外系统进行抗衡的核心竞争力。
以注塑成型智能化成套装备为例，由多个不同的相互协调的生产过程和生产工序组成，包括注塑成型智能装备、机械手(机器人)、传送带、监测装置、打磨装置等各种加工、监测、传送装备，作为一个智能化的注塑成型工厂，需要考虑各种子系统的协同工作，包括上下料、注塑成型、产品检测、物流等，从而构建一个智能化的生产单元，最终实现信息流和物料流的协同工作，提升整个生产过程的效率。但是目前整个过程需要人工进行各种工艺参数(时间、温度、压力等)的调整，最终产品的质量对工程师的依赖非常大，因此产品的稳定性受到影响。
有鉴于此，确有必要提供一种基于注塑成型装备的智能制造系统协同控制方法，以提高制造的智能化。
发明内容
本发明目的在于克服现有技术的缺点与不足，提供了一种基于注塑成型装备的智能制造系统协同控制方法，降低人为因素对制造产品的影响，提高制造的智能化。
为实现上述目的，本发明采用的技术方案如下：
一种智能制造系统协同控制方法，包括以下步骤：
采集智能制造系统中的各个生产装备的状态、输入和输出数据；
根据装备的状态、输入和输出数据，得到装备某时刻的动态误差；
基于动态误差利用最优性原理中的性能指标函数得到装备的评价函数；
利用神经网络算法获得满足评价函数的最优参数；
根据最优参数对装备进行设定控制。
由上可知，本发明的工作原理为：先求出当前装备的动态误差，基于动态误差利用最优性原理中的性能指标函数得到装备的评价函数，利用神经网络算法获得满足评价函数的最优参数，从而形成一个闭环控制，使整个控制过程具有良好的鲁棒性和稳定性。以注塑成型成套装备为例，把上一次与当前次的注射系统的输出即合膜系统的输入的差值以及注射系统上一次与当前次的状态差作为合膜系统中协同控制系统的输入，再经过评价函数和神经网络算法后输出合膜系统的最优参数值，从而构建无人化参数调整，使得整套注塑成型装备可以自适应协同工作。
作为本发明的一种改进，所述装备某时刻的动态误差为：
其中ui(k)为当前装备i的输入数据，xi(k)当前装备i的状态数据，ui-1(k)为当前装备i的前一工序装备的输入数据，xi-1(k)为当前装备i的前一工序装备的状态数据，ui(k)、xi(k)、ui-1(k)和xi-1(k)都是多维数据向量。
进一步地，所述状态数据包括装备的温度、时间和压力的数据。
作为本发明的一种改进，所述步骤“基于动态误差利用最优性原理中的性能指标函数得到装备的评价函数”包括以下子步骤：
对装备的动态误差进行外部强化修正，得到外部强化信号为：
ri(k)＝Q+ei(k)Pei(k)，其中Q和P为正权重矩阵；
在外部强化信号基础上，基于贝尔曼最优性原理得到内部强化信号为：
si(k)＝ri(k)+αsi(k+1)，其中0<α<1为折扣量；
基于最优性原理中的性能指标函数并由内部强化信号迭代得到装备的评价函数为：Ji(k)＝si(k)+αJi(k+1)。
作为本发明的一种改进，所述步骤“利用神经网络算法获得满足评价函数的最优参数”包括以下子步骤：
a.建立参数调整神经网络，参数调整神经网络的输入为装备的动态误差，利用参数调整神经网络逼近参数求取函数xi(k)＝argmin(si(k)±αJi(k+1)),从而使评价函数值最小，得到参数调整神经网络的输出为装备的状态参数；
b.建立内部信号处理神经网络，内部信号处理神经网络的输入为参数调整神经网络的输出和装备的动态误差；
c.建立评判神经网络，评判神经网络的输入为参数调整神经网络的输出、内部信号处理神经网络的输出和装备的动态误差；
d.通过评判神经网络的输出评判装备的状态参数是否为最优值，如果是，则装备的状态参数即为装备的最优参数，如果否，则调整参数调整神经网络的权重后，重新执行步骤a。
进一步地，所述参数调整神经网络为只包含一个隐层的非线性深度神经网络，所述内部信号处理神经网络为一个三层非线性深度神经网络，所述评判神经网络为一个三层非线性深度神经网络。
与现有技术相比，本发明技术方案的创新点和有益效果在于：
1、首先，每个装备只需要处理从进行上一个生产工序的装备中所获得局部信息，从而降低了装备的信息通讯量和计算量。
2、其次，由于每个装备的参数调整只依赖于局部信息，增加装备的数量对整个系统的影响不大，即整个智能系统的可扩展性增强。
3、再次，基于知识化自动化，每个智能装备都有一个由所有相邻生产装备所确定的强化信号，能够自适应排除外界干扰和装备状况变化对智能制造系统所产生的影响，使得智能制造系统具有较好的鲁棒性。
4、最后，根据不同的生产要求和工作目标，本发明所提到的协同控制方法还可以优化调度多个智能装置，使得整个智能制造系统能够达到最优的生产状态，提高生产效率。
附图说明
图1为本发明智能制造系统协同控制方法的流程图。
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。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
实施例
请参考图1，一种智能制造系统协同控制方法，包括以下步骤：
S1.采集智能制造系统中的各个生产装备的状态、输入和输出数据；
智能制造系统中各个生产装备数据的采集包括注塑成型智能装备、机械手(机器人)、传送带、监测装置、打磨装置等各种加工、监测、传送装备输入、输出以及状态数据的采集，而注塑成型智能装备又包括注射、合膜、保压、冷却、预塑、开模、取件等子系统，各个生产装备数据的采集：我们通过传感器或者从伺服驱动器(PLC/DSP)中采集各个生产装备输入、输出以及状态数据，假设当前装备i的输入为ui(k)，输出为yi(k)，状态为xi(k)，那么这道工序之前的那台生产装备输入为ui-1(k)，输出为yi-1(k)，状态为xi-1(k)。
S2.根据装备的状态、输入和输出数据，得到装备某时刻的动态误差；
所述装备某时刻的动态误差为：
其中ui(k)为当前装备i的输入数据，xi(k)当前装备i的状态数据，ui-1(k)为当前装备i的前一工序装备的输入数据，xi-1(k)为当前装备i的前一工序装备的状态数据，ui(k)、xi(k)、ui-1(k)和xi-1(k)都是多维数据向量；
其中所述状态数据包括装备的温度、时间和压力的数据。
S3.基于动态误差利用最优性原理中的性能指标函数得到装备的评价函数；
所述步骤“基于动态误差利用最优性原理中的性能指标函数得到装备的评价函数”包括以下子步骤：
对装备的动态误差进行外部强化修正，得到外部强化信号为：
ri(k)＝Q+ei(k)Pei(k)，其中Q和P为正权重矩阵；
在外部强化信号基础上，基于贝尔曼最优性原理得到内部强化信号为：
si(k)＝ri(k)+αsi(k+1），其中0<α<1为折扣量；
基于最优性原理中的性能指标函数并由内部强化信号迭代得到装备的评价函数为：Ji(k）＝si(k）+αJi(k+1）。
S4.利用神经网络算法获得满足评价函数的最优参数；
所述步骤“利用神经网络算法获得满足评价函数的最优参数”包括以下子步骤：
a.建立参数调整神经网络，参数调整神经网络的输入为装备的动态误差，利用参数调整神经网络逼近参数求取函数xi(k)＝argmin(si(k)±αJi(k+1)),从而使评价函数值最小，得到参数调整神经网络的输出为装备的状态参数；其中的参数调整过程靠神经网络权重的调整，最开始我们会收集大量数据对神经网络进行离线训练，当任意输入一些动态误差，可以准备输出当前设备的最有参数值，我们把训练好的神经网络作为我们需要的参数调整神经网络，并且会利用内部信号处理网络和评判神经网络对参数调整神经网络的输出好坏进行判断，实现一边利用一边优化功能；
b.建立内部信号处理神经网络，内部信号处理神经网络的输入为参数调整神经网络的输出和装备的动态误差；把经过参数调整神经网络计算出来的参数值以及动态误差同时作为内部信号处理神经网络的输入，通过网络层的计算，可以输出内部强化信号给评判神经网络，从而使评判神经网络的判断更加准确，参数调整之后的最优值更能达到预期目标值，同时内部信号处理网络也接受评判神经网络输出值的反馈，不断调整权重，以至于优化强化信号，使强化信号更加精确；
c.建立评判神经网络，评判神经网络的输入为参数调整神经网络的输出、内部信号处理神经网络的输出和装备的动态误差；
d.通过评判神经网络的输出评判装备的状态参数是否为最优值，如果是，则装备的状态参数即为装备的最优参数，如果否，则调整参数调整神经网络的权重后，重新执行步骤a。
其中，所述参数调整神经网络为只包含一个隐层的非线性深度神经网络，所述内部信号处理神经网络为一个三层非线性深度神经网络，所述评判神经网络为一个三层非线性深度神经网络。
S5.根据最优参数对装备进行设定控制。
由上可知，本发明的工作原理为：先求出当前装备的动态误差，基于动态误差利用最优性原理中的性能指标函数得到装备的评价函数，利用神经网络算法获得满足评价函数的最优参数，从而形成一个闭环控制，使整个控制过程具有良好的鲁棒性和稳定性。以注塑成型成套装备为例，把上一次与当前次的注射系统的输出即合膜系统的输入的差值以及注射系统上一次与当前次的状态差作为合膜系统中协同控制系统的输入，再经过评价函数和神经网络算法后输出合膜系统的最优参数值，从而构建无人化参数调整，使得整套注塑成型装备可以自适应协同工作。
与现有技术相比，本发明技术方案的创新点和有益效果在于：
1、首先，每个装备只需要处理从进行上一个生产工序的装备中所获得局部信息，从而降低了装备的信息通讯量和计算量。
2、其次，由于每个装备的参数调整只依赖于局部信息，增加装备的数量对整个系统的影响不大，即整个智能系统的可扩展性增强。
3、再次，基于知识化自动化，每个智能装备都有一个由所有相邻生产装备所确定的强化信号，能够自适应排除外界干扰和装备状况变化对智能制造系统所产生的影响，使得智能制造系统具有较好的鲁棒性。
4、最后，根据不同的生产要求和工作目标，本发明所提到的协同控制方法还可以优化调度多个智能装置，使得整个智能制造系统能够达到最优的生产状态，提高生产效率。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种智能制造系统协同控制方法，其特征在于包括以下步骤：
采集智能制造系统中的各个生产装备的状态、输入和输出数据；
根据装备的状态、输入和输出数据，得到装备某时刻的动态误差；
基于动态误差利用最优性原理中的性能指标函数得到装备的评价函数；
利用神经网络算法获得满足评价函数的最优参数；
根据最优参数对装备进行设定控制。
2.根据权利要求1所述的智能制造系统协同控制方法，其特征在于：所述装备某时刻的动态误差为：
其中ui(k)为当前装备i的输入数据，xi(k)当前装备i的状态数据，ui-1(k)为当前装备i的前一工序装备的输入数据，xi-1(k)为当前装备i的前一工序装备的状态数据，ui(k)、xi(k)、ui-1(k)和xi-1(k)都是多维数据向量。
3.根据权利要求1所述的智能制造系统协同控制方法，其特征在于：所述状态数据包括装备的温度、时间和压力的数据。
4.根据权利要求2所述的智能制造系统协同控制方法，其特征在于：所述步骤“基于动态误差利用最优性原理中的性能指标函数得到装备的评价函数”包括以下子步骤：
对装备的动态误差进行外部强化修正，得到外部强化信号为：ri(k)＝Q+ei(k)Pei(k)，其中Q和P为正权重矩阵；
在外部强化信号基础上，基于贝尔曼最优性原理得到内部强化信号为：si(k)＝ri(k)+αsi(k+1)，其中0<α<1为折扣量；
基于最优性原理中的性能指标函数并由内部强化信号迭代得到装备的评价函数为：Ji(k)＝si(k)+αJi(k+1)。
5.根据权利要求4所述的智能制造系统协同控制方法，其特征在于：所述步骤“利用神经网络算法获得满足评价函数的最优参数”包括以下子步骤：
a.建立参数调整神经网络，参数调整神经网络的输入为装备的动态误差，利用参数调整神经网络逼近参数求取函数xi(k)＝argmin(si(k)±αJi(k+1)),从而使评价函数值最小，得到参数调整神经网络的输出为装备的状态参数；
b.建立内部信号处理神经网络，内部信号处理神经网络的输入为参数调整神经网络的输出和装备的动态误差；
c.建立评判神经网络，评判神经网络的输入为参数调整神经网络的输出、内部信号处理神经网络的输出和装备的动态误差；
d.通过评判神经网络的输出评判装备的状态参数是否为最优值，如果是，则装备的状态参数即为装备的最优参数，如果否，则调整参数调整神经网络的权重后，重新执行步骤a。
6.根据权利要求5所述的智能制造系统协同控制方法，其特征在于：所述参数调整神经网络为只包含一个隐层的非线性深度神经网络，所述内部信号处理神经网络为一个三层非线性深度神经网络，所述评判神经网络为一个三层非线性深度神经网络。
CN201810735421.7A 2018-07-06 2018-07-06 一种智能制造系统协同控制方法 Active CN109031949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810735421.7A CN109031949B (zh) 2018-07-06 2018-07-06 一种智能制造系统协同控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810735421.7A CN109031949B (zh) 2018-07-06 2018-07-06 一种智能制造系统协同控制方法

Publications (2)

Publication Number Publication Date
CN109031949A true CN109031949A (zh) 2018-12-18
CN109031949B CN109031949B (zh) 2020-07-28

Family

ID=64641447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810735421.7A Active CN109031949B (zh) 2018-07-06 2018-07-06 一种智能制造系统协同控制方法

Country Status (1)

Country Link
CN (1) CN109031949B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084511A (zh) * 2019-04-25 2019-08-02 广东工业大学 一种无人机配型方法、装置、设备及可读存储介质
CN112659498A (zh) * 2020-12-14 2021-04-16 广东工业大学 一种注塑机深度神经网络实时最优控制方法
CN112990561A (zh) * 2021-03-04 2021-06-18 广东工业大学 一种基于工作流模型的工业产业链协同决策方法
CN114006777A (zh) * 2022-01-04 2022-02-01 广东工业大学 一种集群周期协同控制方法和装置
CN115586755A (zh) * 2022-10-28 2023-01-10 福建省龙德新能源有限公司 用于六氟磷酸锂制备的生产管理控制系统及其方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012213759A (ja) * 2011-03-30 2012-11-08 Metawater Co Ltd 薬品注入制御方法及び薬品注入制御装置
CN104834221A (zh) * 2015-05-25 2015-08-12 中国科学院自动化研究所 一种基于可变误差的非线性系统自适应最优控制方法
KR101634908B1 (ko) * 2015-09-21 2016-06-29 울산과학대학교 산학협력단 동기 발전기의 여자기 제어를 위한 pid 제어기 및 제어 방법
CN106863731A (zh) * 2017-03-29 2017-06-20 北京化工大学 一种注塑制品缺陷自愈调控装置及方法
CN107350080A (zh) * 2017-07-31 2017-11-17 广东工业大学 一种基于plc的高压静电除尘控制系统
CN107544261A (zh) * 2017-10-26 2018-01-05 长春工业大学 不确定环境接触下的可重构机器人分散学习最优控制方法
CN107944765A (zh) * 2017-12-19 2018-04-20 浙江大学 智能制造生产调度协同管控能力的评估系统和评估方法
CN108196446A (zh) * 2017-12-14 2018-06-22 北京理工大学 模型未知的双电机负载的动态规划最优控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012213759A (ja) * 2011-03-30 2012-11-08 Metawater Co Ltd 薬品注入制御方法及び薬品注入制御装置
CN104834221A (zh) * 2015-05-25 2015-08-12 中国科学院自动化研究所 一种基于可变误差的非线性系统自适应最优控制方法
KR101634908B1 (ko) * 2015-09-21 2016-06-29 울산과학대학교 산학협력단 동기 발전기의 여자기 제어를 위한 pid 제어기 및 제어 방법
CN106863731A (zh) * 2017-03-29 2017-06-20 北京化工大学 一种注塑制品缺陷自愈调控装置及方法
CN107350080A (zh) * 2017-07-31 2017-11-17 广东工业大学 一种基于plc的高压静电除尘控制系统
CN107544261A (zh) * 2017-10-26 2018-01-05 长春工业大学 不确定环境接触下的可重构机器人分散学习最优控制方法
CN108196446A (zh) * 2017-12-14 2018-06-22 北京理工大学 模型未知的双电机负载的动态规划最优控制方法
CN107944765A (zh) * 2017-12-19 2018-04-20 浙江大学 智能制造生产调度协同管控能力的评估系统和评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RIDONG ZHANG等: "Decoupled ARX and RBF Neural Network Modeling Using PCA and GA Optimization for Nonlinear Distributed Parameter Systems", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARING SYSTEMS》 *
王国磊等: "航空制造机器人现状与发展趋势", 《航空制造技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084511A (zh) * 2019-04-25 2019-08-02 广东工业大学 一种无人机配型方法、装置、设备及可读存储介质
CN110084511B (zh) * 2019-04-25 2021-07-13 广东工业大学 一种无人机配型方法、装置、设备及可读存储介质
CN112659498A (zh) * 2020-12-14 2021-04-16 广东工业大学 一种注塑机深度神经网络实时最优控制方法
CN112990561A (zh) * 2021-03-04 2021-06-18 广东工业大学 一种基于工作流模型的工业产业链协同决策方法
CN112990561B (zh) * 2021-03-04 2023-01-20 广东工业大学 一种基于工作流模型的工业产业链协同决策方法
CN114006777A (zh) * 2022-01-04 2022-02-01 广东工业大学 一种集群周期协同控制方法和装置
CN115586755A (zh) * 2022-10-28 2023-01-10 福建省龙德新能源有限公司 用于六氟磷酸锂制备的生产管理控制系统及其方法

Also Published As

Publication number Publication date
CN109031949B (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN109031949A (zh) 一种智能制造系统协同控制方法
CN106874914B (zh) 一种基于深度卷积神经网络的工业机械臂视觉控制方法
CN105929683B (zh) 一种微分可调pid控制器参数工程整定模型及方法
CN111308896B (zh) 基于可变误差的非线性系统自适应最优控制方法
CN104679956B (zh) 考虑动态特性的高速压力机底座可靠性稳健设计方法
Luo et al. A laguerre neural network-based ADP learning scheme with its application to tracking control in the Internet of Things
Luoren et al. Research of PID control algorithm based on neural network
CN103226348B (zh) 一种食用菌菇房环境集中远程控制系统及方法
CN106647283A (zh) 一种基于改进cpso的自抗扰位置伺服系统优化设计方法
CN103324093B (zh) 一种多模型自适应控制系统及其控制方法
CN107968613A (zh) 一种基于递归模糊神经网络的永磁同步电机转速控制器
CN109783898A (zh) 一种注塑成型生产工艺参数的智能优化方法
CN110110380B (zh) 一种压电执行器迟滞非线性建模方法及应用
CN109242265A (zh) 基于误差平方和最小的城市需水量组合预测方法
CN115570228A (zh) 一种焊接管道供气智能反馈控制方法与系统
CN110161853A (zh) 一种新型具有实时性的船舶综合自动驾驶系统
CN108549213A (zh) 一种基于rbf神经网络pid的速比控制方法
CN112990561B (zh) 一种基于工作流模型的工业产业链协同决策方法
Deng et al. The Smith-PID Control of Three-Tank-System Based on Fuzzy Theory.
CN106033189B (zh) 飞行机器人位姿神经网络预测控制器
CN108664730A (zh) 一种面向多模态工业产品的动态色彩设计方法
Commuri et al. Adaptive-fuzzy logic control of robot manipulators
CN111859793A (zh) 一种基于协同引力搜索算法的造纸过程模型辨识方法
CN107168066A (zh) 一种温室环境自适应控制方法
CN116578106A (zh) 一种面向沿海声层析观测的水下直升机编队控制方法

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