CN109309468A - 一种直线电机调速系统及方法 - Google Patents

一种直线电机调速系统及方法 Download PDF

Info

Publication number
CN109309468A
CN109309468A CN201811468913.0A CN201811468913A CN109309468A CN 109309468 A CN109309468 A CN 109309468A CN 201811468913 A CN201811468913 A CN 201811468913A CN 109309468 A CN109309468 A CN 109309468A
Authority
CN
China
Prior art keywords
network
speed
linear motor
layer
linear
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
CN201811468913.0A
Other languages
English (en)
Other versions
CN109309468B (zh
Inventor
徐伟
郭源生
董义鹏
李明贤
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.)
Zibo Zhike Electrical Technology Co Ltd
Original Assignee
Zibo Zhike Electrical Technology Co Ltd
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 Zibo Zhike Electrical Technology Co Ltd filed Critical Zibo Zhike Electrical Technology Co Ltd
Publication of CN109309468A publication Critical patent/CN109309468A/zh
Application granted granted Critical
Publication of CN109309468B publication Critical patent/CN109309468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage
    • 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
    • H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
    • H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
    • H02P25/06—Linear motors

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Linear Motors (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开了一种直线电机调速系统及方法，包括电机单元、检测单元和控制单元，其中电机单元包括至少一个直线电机；检测单元用于检测直线电机的速度和对应的启动电流；控制单元与所述检测单元连接，用于将直线电机的速度输入到基于反向传播神经网络(BP网络)的训练模型中，得到直线电机的优化速度并控制所述直线电机达到所述优化速度。本发明的直线电机调速系统及方法能够克服运行环境的改变及环境干扰等时变和不确定因素对直线电机的影响，使直线电机在相应的启动电流下达到精确的速度。

Description

一种直线电机调速系统及方法
技术领域
本发明涉及电机技术领域，更具体地，涉及一种直线电机调速系统及方法。
背景技术
直线电机是一种将电能直接转换成直线运动机械能，而不需要任何中间转换机构的传动装置。
传统的直线电机控制技术如PID反馈控制、解耦控制等在交流伺服系统中得到了广泛的应用。其中PID控制蕴涵动态控制过程中的信息，具有较强的鲁棒性，是交流伺服电机驱动系统中最基本的控制方式。为了提高控制效果，往往采用解耦控制和矢量控制技术。在对象模型确定、不变化且是线性的以及操作条件、运行环境是确定不变的条件下，采用传统控制技术是简单有效的。
但是在高精度的高性能场合，就必须考虑对象结构与参数的变化的影响。而各种非线性的影响，运行环境的改变及环境干扰等时变和不确定因素，传统的控制技术并不能解决上述问题。
发明内容
本发明的一个目的是提供一种直线电机调速的新技术方案。
根据本发明的第一方面，提供了一种直线电机调速系统，包括电机单元、检测单元和控制单元，所述电机单元包括至少一个直线电机；所述检测单元用于检测所述直线电机的速度和对应的启动电流；所述控制单元与所述检测单元连接，所述控制单元用于将所述直线电机的速度输入到基于反向传播神经网络(BP网络)的训练模型中，得到直线电机的优化速度并控制所述直线电机达到所述优化速度。
进一步的，所述BP网络包括输入层、设置在输入层下层的N层隐层和设置在N层隐层下层的输出层。
优选的，N≥1。
进一步的，所述训练模型通过使用样本数据训练获得，所述训练过程包括：
获取样本数据，所述样本数据包括启动电流、直线电机的速度、直线电机的优化速度；
对反向传播神经网络(BP网络)进行初始化赋值；
利用所述样本数据对所述反向传播神经网络(BP网络)进行训练得到训练模型。
进一步的，其特征在于，所述直线电机的速度为同一启动电流下不同干扰因素影响获得的直线电机的实时速度。
进一步的，所述不同干扰因素包括温度、湿度和噪音。
进一步的，对反向传播神经网络(BP网络)进行初始化赋值包括：
设置反向传播神经网络(BP网络)的输入层结点个数为直线电机的速度的个数；
设置反向传播神经网络(BP网络)的每层隐层的结点个数为M，其中M≥1；
设置反向传播神经网络(BP网络)的输出层结点个数为直线电机的优化速度的个数；
设置输入层节点与隐层节点的连接权重、隐层节点与输出节点之间的连接权重、输入层偏置和输出层偏置为随机值；
设置训练精度。
进一步的，所述利用所述样本对所述反向传播神经网络(BP网络)进行训练得到训练模型，包括：
步骤1、根据样本数据计算输出层的输出Ok；
步骤2、计算输出层的输出Ok与直线电机的优化速度的误差；
步骤3、将所述实时误差自下而上反向传播到反向传播神经网络(BP网络)，调节输入层节点与隐层节点的连接权重、隐层节点与输出节点之间的连接权重、输入层偏置和输出层偏置；
步骤4、重复执行步骤2-步骤3，直至输出层的输出Ok与直线电机的优化速度的误差不大于所述训练精度。
根据本发明的另一方面，提供了一种直线电机调速方法，该方法包括以下步骤：
获取直线电机的启动电流、直线电机的速度和直线电机的优化速度作为样本数据；
对反向传播神经网络(BP网络)进行初始化；
利用所述样本数据对所述反向传播神经网络(BP网络)进行训练得到训练模型。
将直线电机的实时启动电流输入到训练模型得到直线电机的实时优化速度。
进一步的，其中利用所述样本对所述反向传播神经网络(BP网络)进行训练得到训练模型，包括：
步骤1、根据样本数据计算输出层的输出Ok；
步骤2、计算输出层的输出Ok与直线电机的优化速度的误差；
步骤3、将所述实时误差自下而上反向传播到反向传播神经网络(BP网络)，调节输入层节点与隐层节点的连接权重、隐层节点与输出节点之间的连接权重、输入层偏置和输出层偏置；
步骤4、重复执行步骤2-步骤3，直至输出层的输出Ok与直线电机的优化速度的误差不大于所述训练精度。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是本发明的直线电机调速系统的框图。
图2是本发明的直线电机调速方法的流程图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1所示为本发明实施例的直线电机调速系统的框图，如图所示，该系统包括电机单元、检测单元和控制单元。
其中电机单元包括至少一个直线电机。
检测单元用于检测直线电机的速度和对应的启动电流。
在本发明的实施例中，检测单元可以是微处理器等。
直线电机的速度与其启动电流有关，额定启动电流对应着相应的额定速度，但是现有技术中，由于外在的一些干扰因素(比如：温度、湿度和噪音等)使得实时的速度不能达到额定速度。
上述直线电机的速度就是受干扰因素影响下的电机的实时速度。
控制单元与检测单元连接，控制单元用于将直线电机的速度输入到基于反向传播神经网络(BP网络)的训练模型中，得到直线电机的优化速度并控制所述直线电机达到所述优化速度。
在本发明的实施例中，检测单元可以是与检测单元同一个微处理器，也可以是单独一个微处理器。
上述优化速度就是额定启动电流对应着的额定速度。
控制单元将同一额定启动电流下受各种干扰因素影响的电机的不同实时速度输入到BP网络进行训练，得到使该额定启动电流下输出额定速度的训练模型，通过该训练模型，不论外部有什么干扰因素都能准确输出额定速度。
其中，BP网络包括输入层、设置在输入层下层的N层隐层和设置在N层隐层下层的输出层，优选的，N≥1。
在本发明的实施例中，以N＝1为例进行说明。
在本实施例中，训练模型通过使用样本数据训练获得，该训练过程包括以下步骤：
获取样本数据，样本数据包括启动电流、直线电机的速度、直线电机的优化速度。
其中，启动电流为电机的任一额定启动电流I，直线电机的速度为在不同干扰因素下直线电机的实时速度的集合X＝{x1，x2…xi}，在本发明的实施例中以3中干扰因素下的直流电机的实时速度为例进行说明。直线电机的优化速度为额定启动电流对应的额定速度v。
对反向传播神经网络(BP网络)进行初始化赋值。
具体的：设置反向传播神经网络(BP网络)的输入层结点个数为直线电机的速度的个数p＝3；
设置反向传播神经网络(BP网络)的每层隐层的结点个数为M，其中M≥1；在本发明的实施例中以M＝3为例进行说明。
设置反向传播神经网络(BP网络)的输出层结点个数为直线电机的优化速度的个数q＝1；
设置输入层节点与隐层节点的连接权重Wij、隐层节点与输出节点之间的连接权重Wjk、输入层偏置aj和输出层偏置bk为随机值；
设置训练精度η＝0.1。
利用样本数据对所述反向传播神经网络(BP网络)进行训练得到训练模型。
具体的包括：
步骤1、根据样本数据计算输出层的输出Ok。
其中，Hj为隐层的输出，计算公式为：上式中，g(x)为Sigmoid函数，形式为：
步骤2、计算输出层的输出Ok与直线电机的优化速度的实时误差E；
其中，Yk为直线电机的优化速度Yk＝v。
步骤3、将实时误差E自下而上反向传播到反向传播神经网络(BP网络)，调节输入层节点与隐层节点的连接权重Wij、隐层节点与输出节点之间的连接权重Wjk、输入层偏置aj和输出层偏置bk；
步骤4、重复执行步骤2-步骤3，直至误差E不大于所述训练精度η＝0.1。
根据本发明的另一方面，提供了一种直线电机调速方法，该方法包括以下步骤：
获取直线电机的启动电流、直线电机的速度和直线电机的优化速度作为样本数据。
其中，启动电流为电机的任一额定启动电流I，直线电机的速度为在不同干扰因素下直线电机的实时速度的集合X＝{x1，x2…xi}，在本发明的实施例中以3中干扰因素下的直流电机的实时速度为例进行说明。直线电机的优化速度为额定启动电流对应的额定速度v。
对反向传播神经网络(BP网络)进行初始化赋值。
具体的：设置反向传播神经网络(BP网络)的输入层结点个数为直线电机的速度的个数p＝3；
设置反向传播神经网络(BP网络)的每层隐层的结点个数为M，其中M≥1；在本发明的实施例中以M＝3为例进行说明。
设置反向传播神经网络(BP网络)的输出层结点个数为直线电机的优化速度的个数q＝1；
设置输入层节点与隐层节点的连接权重Wij、隐层节点与输出节点之间的连接权重Wjk、输入层偏置aj和输出层偏置bk为随机值；
设置训练精度η＝0.1。
利用样本数据对所述反向传播神经网络(BP网络)进行训练得到训练模型。
具体的包括：
步骤1、根据样本数据计算输出层的输出Ok。
其中，Hj为隐层的输出，计算公式为：上式中，g(x)为Sigmoid函数，形式为：
步骤2、计算输出层的输出Ok与直线电机的优化速度的实时误差E；
其中，Yk为直线电机的优化速度Yk＝v。
步骤3、将实时误差E自下而上反向传播到反向传播神经网络(BP网络)，调节输入层节点与隐层节点的连接权重Wij、隐层节点与输出节点之间的连接权重Wjk、输入层偏置aj和输出层偏置bk；
步骤4、重复执行步骤2-步骤3，直至误差E不大于所述训练精度η＝0.1。
最后，将直线电机的实时启动电流I输入到训练模型便可以得到直线电机的实时优化速度v，而且不论外部因素如何影响，该实时优化速度都稳定不变。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。但本领域技术人员应当清楚的是，上述各实施例可以根据需要单独使用或者相互结合使用。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可是不是物理上分开的。
另外，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种直线电机调速系统，其特征在于，包括电机单元、检测单元和控制单元，
所述电机单元包括至少一个直线电机；
所述检测单元用于检测所述直线电机的速度和对应的启动电流；
所述控制单元与所述检测单元连接，所述控制单元用于将所述直线电机的速度输入到基于反向传播神经网络(BP网络)的训练模型中，得到直线电机的优化速度并控制所述直线电机达到所述优化速度。
2.根据权利要求1所述的一种直线电机调速系统，其特征在于，所述BP网络包括输入层、设置在输入层下层的N层隐层和设置在N层隐层下层的输出层。
3.根据权利要求2所述的一种直线电机调速系统，其特征在于，N≥1。
4.根据权利要求1所述的一种直线电机调速系统，其特征在于，所述训练模型通过使用样本数据训练获得，所述训练过程包括：
获取样本数据，所述样本数据包括启动电流、直线电机的速度、直线电机的优化速度；
对反向传播神经网络(BP网络)进行初始化赋值；
利用所述样本数据对所述反向传播神经网络(BP网络)进行训练得到训练模型。
5.根据权利要求4所述的一种直线电机调速系统，其特征在于，所述直线电机的速度为同一启动电流下不同干扰因素影响获得的直线电机的实时速度。
6.根据权利要求5所述的一种直线电机调速系统，其特征在于，所述不同干扰因素包括温度、湿度和噪音。
7.根据权利要求4所述的一种直线电机调速系统，其特征在于，对反向传播神经网络(BP网络)进行初始化赋值包括：
设置反向传播神经网络(BP网络)的输入层结点个数为直线电机的速度的个数；
设置反向传播神经网络(BP网络)的每层隐层的结点个数为M，其中M≥1；
设置反向传播神经网络(BP网络)的输出层结点个数为直线电机的优化速度的个数；
设置输入层节点与隐层节点的连接权重、隐层节点与输出节点之间的连接权重、输入层偏置和输出层偏置为随机值；
设置训练精度。
8.根据权利要求4所述的一种直线电机调速系统，其特征在于，所述利用所述样本对所述反向传播神经网络(BP网络)进行训练得到训练模型，包括：
步骤1、根据样本数据计算输出层的输出值Ok；
步骤2、计算输出层的输出值Ok与直线电机的优化速度的误差；
步骤3、将所述实时误差自下而上反向传播到反向传播神经网络(BP网络)，调节输入层节点与隐层节点的连接权重、隐层节点与输出节点之间的连接权重、输入层偏置和输出层偏置；
步骤4、重复执行步骤2-步骤3，直至输出层的输出值Ok与直线电机的优化速度的误差不大于所述训练精度。
9.一种直线电机调速方法，其特征在于，所述方法包括以下步骤：
获取直线电机的启动电流、直线电机的速度和直线电机的优化速度作为样本数据；
对反向传播神经网络(BP网络)进行初始化；
利用所述样本数据对所述反向传播神经网络(BP网络)进行训练得到训练模型。
将直线电机的实时启动电流输入到训练模型得到直线电机的实时优化速度。
10.根据权利要求9所述的一种直线电机调速方法，其特征在于，所述利用所述样本对所述反向传播神经网络(BP网络)进行训练得到训练模型，包括：
步骤1、根据样本数据计算输出层的输出值Ok；
步骤2、计算输出层的输出值Ok与直线电机的优化速度的误差；
步骤3、将所述实时误差自下而上反向传播到反向传播神经网络(BP网络)，调节输入层节点与隐层节点的连接权重、隐层节点与输出节点之间的连接权重、输入层偏置和输出层偏置；
步骤4、重复执行步骤2-步骤3，直至输出层的输出值Ok与直线电机的优化速度的误差不大于所述训练精度。
CN201811468913.0A 2018-05-02 2018-12-04 一种直线电机调速系统及方法 Active CN109309468B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2018104108672 2018-05-02
CN201810410867 2018-05-02

Publications (2)

Publication Number Publication Date
CN109309468A true CN109309468A (zh) 2019-02-05
CN109309468B CN109309468B (zh) 2021-02-12

Family

ID=65222385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811468913.0A Active CN109309468B (zh) 2018-05-02 2018-12-04 一种直线电机调速系统及方法

Country Status (1)

Country Link
CN (1) CN109309468B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113395032A (zh) * 2021-08-18 2021-09-14 南通电博士自动化设备有限公司 基于云计算的直线电机高效运行的控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101058319A (zh) * 2007-05-21 2007-10-24 林士云 基于智能控制的电动助力转向系统
CN201058622Y (zh) * 2007-05-21 2008-05-14 林士云 基于智能控制的电动助力转向系统
CN101603502A (zh) * 2008-06-11 2009-12-16 武汉事达电气股份有限公司 一种基于人工智能的风能控制方法
CN103532459A (zh) * 2013-10-15 2014-01-22 东南大学 一种数控机床驱动用直线伺服电机控制方法
JP6243385B2 (ja) * 2015-10-19 2017-12-06 ファナック株式会社 モータ電流制御における補正値を学習する機械学習装置および方法ならびに該機械学習装置を備えた補正値計算装置およびモータ駆動装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101058319A (zh) * 2007-05-21 2007-10-24 林士云 基于智能控制的电动助力转向系统
CN201058622Y (zh) * 2007-05-21 2008-05-14 林士云 基于智能控制的电动助力转向系统
CN101603502A (zh) * 2008-06-11 2009-12-16 武汉事达电气股份有限公司 一种基于人工智能的风能控制方法
CN103532459A (zh) * 2013-10-15 2014-01-22 东南大学 一种数控机床驱动用直线伺服电机控制方法
JP6243385B2 (ja) * 2015-10-19 2017-12-06 ファナック株式会社 モータ電流制御における補正値を学習する機械学習装置および方法ならびに該機械学習装置を備えた補正値計算装置およびモータ駆動装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113395032A (zh) * 2021-08-18 2021-09-14 南通电博士自动化设备有限公司 基于云计算的直线电机高效运行的控制方法及系统

Also Published As

Publication number Publication date
CN109309468B (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN106325073A (zh) 基于分数阶的伺服系统位置ip控制器无模型自校正方法
Zhang et al. Singularity-conquering ZG controllers of z2g1 type for tracking control of the IPC system
Qi et al. Stable indirect adaptive control based on discrete-time T–S fuzzy model
Ouyang et al. PID position domain control for contour tracking
Liu et al. Linear active disturbance rejection control for hysteresis compensation based on backpropagation neural networks adaptive control
CN112077839A (zh) 一种机械臂的运动控制方法及装置
Vázquez et al. Decentralized Identification and Control in Real‐Time of a Robot Manipulator via Recurrent Wavelet First‐Order Neural Network
Alsuwian et al. Hybrid fault-tolerant control for air-fuel ratio control system of internal combustion engine using fuzzy logic and super-twisting sliding mode control techniques
Yang et al. Thermal error modelling for a high-precision feed system in varying conditions based on an improved Elman network
Sergiyenko et al. Sensor fault identification in linear and nonlinear dynamic systems via sliding mode observers
Perduková et al. Lyapunov based reference model of tension control in a continuous strip processing line with multi-motor drive
CN109309468A (zh) 一种直线电机调速系统及方法
Chang et al. Output tracking control for an omnidirectional rehabilitative training walker with incomplete measurements and random parameters
Wang et al. Prescribed performance control with sliding-mode dynamic surface for a glue pump motor based on extended state observers
KR20080071532A (ko) 공진 주파수 식별
Nayak et al. Overshoot Reduction Using Adaptive Neuro-Fuzzy Inference System for an Autonomous Underwater Vehicle
Jastrzębski et al. Finite-time, robust, and adaptive motion control with state constraints: Controller derivation and real plant experiments
Arshad et al. Deep Deterministic Policy Gradient to Regulate Feedback Control Systems Using Reinforcement Learning.
Jing et al. Finite-Time Tracking Control of a Flexible Link Manipulator Based on an Extended State Observer
Wróbel et al. Application of multilayer observer for a drive system with flexibility
Jonnalagadda et al. Hardware-in-the-loop testing of current cycle feedback ILC for stabilisation and tracking control of under-actuated visual servo system
Liu et al. A Feedrate Planning Method in CNC System Based on Servo Response Error Model
Li et al. Iterative learning-based negative effect compensation control of disturbance to improve the disturbance isolation of system
Ahmadi Kamarposhti et al. Performance improvement of reluctance synchronous motor using brain emotional learning based intelligent controller
Malarczyk et al. Electric Drive with an Adaptive Controller and Wireless Communication System

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