CN111796511A - 液压执行器的小波神经网络pid在线控制方法及系统 - Google Patents
液压执行器的小波神经网络pid在线控制方法及系统 Download PDFInfo
- Publication number
- CN111796511A CN111796511A CN202010723044.2A CN202010723044A CN111796511A CN 111796511 A CN111796511 A CN 111796511A CN 202010723044 A CN202010723044 A CN 202010723044A CN 111796511 A CN111796511 A CN 111796511A
- Authority
- CN
- China
- Prior art keywords
- neural network
- pid
- hydraulic actuator
- wavelet neural
- output
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004069 differentiation Effects 0.000 title description 5
- 230000010354 integration Effects 0.000 title description 3
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000000644 propagated effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 description 1
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种液压执行器的小波神经网络PID在线控制方法及系统，利用PID控制模块对液压执行器模块的输入流量进行闭环控制，利用小波神经网络对PID控制模块参数进行优化，对控制器参数进行实时在线整定；输出流量信号在传入反馈传感器的同时进行信号转换并传入信号处理器，并通过终端设备在线直观展示流量变化。本发明可弥补传统方法存在的不足，降低控制时间，提高控制效率，减少并消除因控制迟滞造成的故障发生。同时，将系统的输出连接入终端设备，可直观清晰的表现出系统流量的变化。
Description
技术领域
本发明属于液压执行器状态监测与控制领域，尤其涉及一种液压执行器的小波神经网络PID在线控制方法及系统。
背景技术
近年来，液压执行器的应用较为广泛。与此同时，液压执行器出现故障的概率也随之增大。阀控液压执行器是最为常见的一种执行器，主要包括伺服阀、液压缸、液压站、油管等。但其核心部件伺服阀结构相对复杂，控制过程难度较大。阀控液压控制系统主要包括液压执行器、控制器及反馈传感器，在传统PID控制中，对控制器的参数设置具有一定的难度，控制时间过长，造成故障多发。因此，对于液压执行器控制方法的优化尤为重要。
常规液压系统中，阀控液压执行器的流量与伺服阀阀口压差具有非线性的性质。在现场流量控制的过程中，若无法有效控制伺服阀，则会出现压力失调或流量控制迟滞现象，造成整个控制系统严重故障。国内外学者对此进行了研究，提出了对阀口、阀芯开关进行补偿的方法，但这在实际工程中并不适用。系统的起闭、流速的快慢、负载的设置都对补偿带来很大的难度。
传统PID控制在设置控制器参数时，面临耗时较长、精度较差和参数不易灵活改变等问题。神经网络的自学习能力可以很好的弥补上述诸多缺陷，神经网络与传统PID控制相互结合可以提高控制性能，降低控制时长。目前神经网络PID控制尚未广泛应用于液压控制系统。
发明内容
为解决上述技术问题，一方面，本发明提出了一种液压执行器的小波神经网络PID控制在线控制方法，包括：确定燃气轮机液压执行器机械结构情况，计算液压执行器各部件参数；确定小波神经网络结构并设置初始参数；利用小波神经网络优化PID控制器参数；利用优化后的PID控制器参数对液压执行器进行控制。
进一步，液压执行器包括液压缸及伺服阀。
具体地，小波神经网络结构包括输入层、隐含层及输出层，所述隐含层输出计算公式为：
Tj＝λ[(wajXin-kj)+(wajXout-kj)+(wajXess-kj)]
式中，Tj为隐含层第j层的输出值，单位为m3/s；Xin，Xout，Xess为控制器的初始输入，单位为m3/s；waj为隐含层第j层的权值；kj为隐含层第j层的平移因子；λ为网络伸缩系数。
所述输出层输出计算公式为：
Yi＝μ(wbiTin+wbiTout+wbiTess)
式中，Yi为输出层第i层的输出值，单位为m3/s；wbi为输出层第i层的权值；Tin，Tout，Tess为隐含层的输出，m3/s；μ为经验参数，可由网络层数对应得到；输出层的最终输出为YP、YI、YD。
具体地，利用小波神经网络优化PID控制器参数具体为对PID控制器的比例系数、积分系数、微分系数进行网络自学习训练。
进一步，小波神经网络的学习速率为0.01-0.1。
具体地，输出层的输出YP、YI、YD分别对应PID控制器参数的比例系数、积分系数和微分系数，所述PID控制方程为：
Uk＝kpe(k)+bkie(k)+ckde2(k)
式中，Uk为控制器输出，m3/s；kp为比例系数；ki为积分系数；kd为微分系数；中间变量e(k)为流量误差值，m3/s；b，c为选择常数，取值范围为0-1。
具体地，隐含层函数为小波基函数，在信号前向传递的同时将误差反向传播。
具体地，利用小波神经网络对PID控制器参数进行优化时采用梯度修正法不断修正小波神经网络参数。
进一步，液压执行器的输入和输出流量通过流量界面直观展示。
另一方面，本发明提出了一种液压执行器的小波神经网络PID在线控制方法的控制系统，包括液压执行器模块、PID控制器模块、小波神经网络优化参数模块、反馈传感器模块、信号处理模块、终端设备；所述PID控制模块为PID控制器，其用于跟踪误差进行液压执行器模块的流量调节控制；所述小波神经网络优化参数模块通过小波神经网络对所述PID控制器的比例系数、微分系数、积分系数进行实时在线优化；所述反馈传感器模块用于采集控制系统的数据闭环反馈控制的效果，并进行数据传输存储；所述信息处理模块接收所述反馈传感器采集的数据并进行数据处理；所述终端设备将所述信号处理模块处理的数据进行直观展示。
本发明的一种液压执行器的小波神经网络PID在线控制方法及系统相比于传统PID控制具有更优的控制效果，可适用于燃气轮机液压执行器的流量状态监测与优化，PID控制神经网络的自学习能力可以提高控制器参数精度，有效缩短控制时间，提高控制效率，减少并消除因控制迟滞造成的故障。同时，将控制系统的输出连接至终端设备，能够更加直观清晰的表现出流量变化。
附图说明
图1是本发明中使用的小波神经网络结构原理图；
图2是本发明的一种液压执行器的小波神经网络PID在线控制方法的流程图；
图3本发明的一种液压执行器的小波神经网络PID在线控制系统结构图；
图4是本发明的一种液压执行器的小波神经网络PID在线控制系统的终端设备流量记录器界面图；
图5是本发明的一种液压执行器的小波神经网络PID在线控制方法的控制效果图。
具体实施方式
下面结合附图，对实施例作详细说明。
本发明是对燃气轮机的液压执行器流量进行控制，燃气轮机液压执行器机械结构为阀控液压执行器，主要包括伺服阀、液压缸、液压站、油管等。在本发明的方法中，控制目标主要针对液压缸及伺服阀。
液压缸流量计算公式为：
式中，Q为液压缸输出流量，单位为m3/s；d1为活塞直径，单位为m；d2为活塞杆直径，单位为m；ΔV为活塞的相对速度，单位为m/s；ε为经验误差值，单位为m3/s。
伺服阀阀口流量计算公式为：
式中，q为伺服阀阀口流量，单位为m3/s；b为经验系数；X为阀芯运动位移，单位为m；ΔP为阀芯的相对压力，单位为Mpa；ρ为流体密度，单位为kg/m3。
针对传统的PID控制器对流量控制的不足，本发明利用小波神经网络对PID控制器的输出参数进行优化，形成可自动调节PID对应参数的小波神经网络PID控制器。
PID控制方程为：
Uk＝kpe(k)+bkie(k)+ckde2(k) (3)
式中，Uk为控制器输出，单位为m3/s；kp为比例系数；ki为积分系数；kd为微分系数；中间变量e(k)为流量误差值，单位为m3/s；b，c为选择常数，取值范围为0-1。
利用小波神经网络对PID控制器优化主要在于对PID控制器三个参数，即比例系数、积分系数、微分系数进行网络自学习训练。本发明中的小波神经网络结构分为输入层、隐含层和输出层三层，如图1所示。
网络初始输入分别为流量输入值Xin、流量期望输出值Xout及偏差变化量Xess；输出层最终的三个输出YP、YI、YD分别对应PID控制器参数的比例系数kp、积分系数ki及微分系数kd；权值为wa，wb。小波神经网络的学习速率η，学习率越小，网络学习越精细。本发明中的学习率取值在0.01-0.1之间。
选择隐含层函数为小波基函数，在信号前向传递的同时可将误差反向传播，保证了高精度。同时，采用梯度修正法不断的修正网络参数，使得控制更灵活更适应实际工况。
隐含层输出计算公式为：
Tj＝λ[(wajXin-kj)+(wajXout-kj)+(wajXess-kj)] (4)
式中，Tj为隐含层第j层的输出值，单位为m3/s；Xin，Xout，Xess为控制器的初始输入，单位为m3/s；waj为隐含层第j层的权值；kj为隐含层第j层的平移因子；λ为网络伸缩系数。
所述输出层输出计算公式为：
Yi＝μ(wbiTin+wbiTout+wbiTess) (5)
式中，Yi为输出层第i层的输出值，单位为m3/s；wbi为输出层第i层的权值；Tin，Tout，Tess为隐含层的输出，m3/s；μ为经验参数，可由网络层数对应得到。
图2是本发明的一种液压执行器的小波神经网络PID在线控制方法的控制流程图。
步骤1：输入当前流量，即系统一开始给定的流量值Xin；
步骤2：初始化小波神经网络参数。鉴于权值wa，wb与阈值在神经网络中是变化值，通过训练网络可进行修正，达到局部最优，均需设定初始值。在此，预先赋予网络学习速率η，权值wa，wb与阈值初始值；
步骤3：初始化PID控制器，参照经验公式赋予控制器kp、积分系数ki及微分系数kd；
步骤4：参照误差对网络权值与阈值进行更新；在小波神经网络拓扑结构中，权值与阈值为网络神经元之间的连接，其信号前向传递的同时可将误差反向传播，依据实际的输出与网络预测值之间的误差，采用梯度修正法不断的对网络权值与阈值进行更新，保证预测输出值更精准的接近实际值，避免了陷入局部最小值，保证了网络的精准性。此中需要判断实际的输出与网络预测值之间的误差是否满足误差限定值：若满足，则输出当前最佳控制器参数；若不满足，则继续步骤2-4，直到满足误差限定值；
步骤5：根据步骤4输出的当前最佳控制器参数，利用PID控制器对系统进行控制，输出当前流量；
步骤6：反馈传感器将步骤5输出的当前流量结果反馈至输入端，同时流量输出经信号转换后进入输出终端以进行记录和显示。流量终端同时能够显示输入流量，以实现输入和输出流量的实时对比监测。
图3是本发明提出的一种液压执行器的小波神经网络PID在线控制系统的结构图，如图3所示，该系统包括液压执行器模块、PID控制器模块、小波神经网络优化参数模块、反馈传感器模块、信号处理模块、终端设备。液压执行器模块包含伺服阀模块及液压缸模块。
液压执行器模块，其为建立的液压执行器模型，包含伺服阀模块及液压缸模块，控制系统即是要实现对该模型的流量控制。
PID控制模块为PID控制器，用于跟踪误差进行液压执行器模块的流量调节控制，对液压执行器模块进行闭环控制，使其实际流量更接近于理想流量。
小波神经网络优化参数模块，其通过小波神经网络对PID控制器的参数进行实时在线优化整定，包括对PID控制器比例、微分、积分系数的整定，解决了PID控制器比例、微分、积分系数整定难的缺陷。同时，利用神经网络纠错和自学习的能力，通过机器学习，减少整定时长并有效提高对液压执行器模块流量的控制性能。
反馈传感器模块，用于采集控制系统的数据，一方面闭环反馈控制的效果，进而计算误差便于PID控制器进行更精准的流量控制；另一方面进行数据传输存储。
信息处理模块，在接收到反馈传感器采集的数据后进行数据处理，转换并提取出直观数据展示在终端设备上，便于后续对系统的数据记录及整体分析。
终端设备，用以将信号处理模块处理的数据进行直观的表示，包括输入流量和输出流量，以记录和显示流量变化，实现在线实时数据监测。图4是本发明提供的一种液压执行器的小波神经网络PID在线控制系统的终端设备的流量记录界面。如图4所示，通过终端流量记录器可很好展现出控制过程中的流量变化，同时可将其记录存档。
图5是本发明的一种液压执行器的小波神经网络PID在线控制方法的控制效果图。如图5所示，相对于传统的PID控制方法，在使用本发明的小波神经网络PID控制器，控制效果明显得到了优化，对流量的控制误差也可达到较为平稳的效果。
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种液压执行器的小波神经网络PID在线控制方法，包括：确定燃气轮机液压执行器机械结构情况，计算液压执行器各部件参数；确定小波神经网络结构并设置初始参数；利用小波神经网络优化PID控制器参数；利用优化后的PID控制器参数对液压执行器进行控制。
2.根据权利要求1所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，所述液压执行器包括液压缸及伺服阀。
3.根据权利要求2所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，所述小波神经网络结构包括输入层、隐含层及输出层，所述隐含层输出计算公式为：
Tj＝λ[(wajXin-kj)+(wajXout-kj)+(wajXess-kj)]
式中，Tj为隐含层第j层的输出值，单位为m3/s；Xin，Xout，Xess为控制器的初始输入，单位为m3/s；waj为隐含层第j层的权值；kj为隐含层第j层的平移因子；λ为网络伸缩系数；
所述输出层输出计算公式为：
Yi＝μ(wbiTin+wbiTout+wbiTess)
式中，Yi为输出层第i层的输出值，单位为m3/s；wbi为输出层第i层的权值；Tin，Tout，Tess为隐含层的输出，m3/s；μ为经验参数，可由网络层数对应得到；所述输出层的最终输出为YP、YI、YD。
4.根据权利要求1所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，所述利用小波神经网络优化PID控制器参数具体为对PID控制器的比例系数、积分系数、微分系数进行网络自学习训练。
5.根据权利要求4所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，所述小波神经网络的学习速率为0.01-0.1。
6.根据权利要求3所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，所述输出层的输出YP、YI、YD分别对应PID控制器参数的比例系数、积分系数和微分系数，所述PID控制方程为：
Uk＝kpe(k)+bkie(k)+ckde2(k)
式中，Uk为控制器输出，m3/s；kp为比例系数；ki为积分系数；kd为微分系数；中间变量e(k)为流量误差值，m3/s；b，c为选择常数，可在[0,1]中选择。
7.根据权利要求1所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，所述隐含层函数为小波基函数，在信号前向传递的同时将误差反向传播。
8.根据权利要求1所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，利用小波神经网络对PID控制器参数进行优化时采用梯度修正法不断修正小波神经网络参数。
9.根据权利要求1所述的一种液压执行器的小波神经网络PID在线控制方法，其特征在于，所述液压执行器的输入和输出流量通过流量界面直观展示。
10.根据权利要求1-9任一项所述的一种液压执行器的小波神经网络PID在线控制方法的控制系统，包括液压执行器模块、PID控制器模块、小波神经网络优化参数模块、反馈传感器模块、信号处理模块、终端设备；所述PID控制模块为PID控制器，其用于跟踪误差进行液压执行器模块的流量调节控制；所述小波神经网络优化参数模块通过小波神经网络对所述PID控制器的比例系数、微分系数、积分系数进行实时在线优化；所述反馈传感器模块用于采集控制系统的数据闭环反馈控制的效果，并进行数据传输存储；所述信息处理模块接收所述反馈传感器采集的数据并进行数据处理；所述终端设备将所述信号处理模块处理的数据进行直观展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010723044.2A CN111796511A (zh) | 2020-07-24 | 2020-07-24 | 液压执行器的小波神经网络pid在线控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010723044.2A CN111796511A (zh) | 2020-07-24 | 2020-07-24 | 液压执行器的小波神经网络pid在线控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111796511A true CN111796511A (zh) | 2020-10-20 |
Family
ID=72828447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010723044.2A Pending CN111796511A (zh) | 2020-07-24 | 2020-07-24 | 液压执行器的小波神经网络pid在线控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111796511A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114839869A (zh) * | 2022-04-11 | 2022-08-02 | 哈尔滨工程大学 | 基于高压天然气循环喷气量实时检测的adrc喷气量闭环控制方法 |
| CN116184812A (zh) * | 2023-04-24 | 2023-05-30 | 荣耀终端有限公司 | 一种信号补偿方法、电子设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5625552A (en) * | 1991-12-18 | 1997-04-29 | Mathur; Anoop K. | Closed loop neural network automatic tuner |
| CN102902203A (zh) * | 2012-09-26 | 2013-01-30 | 北京工业大学 | 时间序列预测与智能控制结合的参数在线整定方法与系统 |
| CN106019947A (zh) * | 2016-07-31 | 2016-10-12 | 太原科技大学 | 一种伺服直驱泵控液压系统小波神经网络控制方法 |
| CN106168815A (zh) * | 2016-07-27 | 2016-11-30 | 中冶南方工程技术有限公司 | 一种基于神经网络pid的酸液温度控制系统及方法 |
| CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
-
2020
- 2020-07-24 CN CN202010723044.2A patent/CN111796511A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5625552A (en) * | 1991-12-18 | 1997-04-29 | Mathur; Anoop K. | Closed loop neural network automatic tuner |
| CN102902203A (zh) * | 2012-09-26 | 2013-01-30 | 北京工业大学 | 时间序列预测与智能控制结合的参数在线整定方法与系统 |
| CN106168815A (zh) * | 2016-07-27 | 2016-11-30 | 中冶南方工程技术有限公司 | 一种基于神经网络pid的酸液温度控制系统及方法 |
| CN106019947A (zh) * | 2016-07-31 | 2016-10-12 | 太原科技大学 | 一种伺服直驱泵控液压系统小波神经网络控制方法 |
| CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
Non-Patent Citations (7)
| Title |
|---|
| 刘杰等: "小波神经网络PID在风电系统最大功率点跟踪中的应用研究", 《工矿自动化》 * |
| 娄坤: "采用神经网络PID控制器改进单杆液压执行器的研究", 《铜仁学院学报》 * |
| 尉询楷等: "基于小波神经网络的PID整定与应用", 《控制工程》 * |
| 李秋红等: "航空发动机小波神经网络PID控制", 《航空动力学报》 * |
| 梁兆阳等: "BP神经网络PID控制器在球磨机控制中的应用", 《仪器仪表用户》 * |
| 滑杨莹等: "拖拉机液压机械式变速器小波神经网络PID控制", 《合肥工业大学学报(自然科学版)》 * |
| 陈艳: "小波神经网络在平整机液压控制系统的应用", 《液压与气动》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114839869A (zh) * | 2022-04-11 | 2022-08-02 | 哈尔滨工程大学 | 基于高压天然气循环喷气量实时检测的adrc喷气量闭环控制方法 |
| CN114839869B (zh) * | 2022-04-11 | 2022-12-27 | 哈尔滨工程大学 | 基于高压天然气循环喷气量实时检测的adrc喷气量闭环控制方法 |
| CN116184812A (zh) * | 2023-04-24 | 2023-05-30 | 荣耀终端有限公司 | 一种信号补偿方法、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106402089B (zh) | 一种基于耦合干扰观测器的级联电液伺服系统控制方法及系统 | |
| CN109896026B (zh) | 变旋翼转速直升机-涡轴发动机综合控制方法及装置 | |
| CN111796511A (zh) | 液压执行器的小波神经网络pid在线控制方法及系统 | |
| CN109696836B (zh) | 飞机舵机电液伺服系统智能控制方法 | |
| CN109783998B (zh) | 一种航空发动机燃油调节器机械液压装置的Simulink建模方法 | |
| CN114967474B (zh) | 一种基于神经网络的通用风洞流场控制方法 | |
| CN109828467B (zh) | 一种数据驱动的无人船强化学习控制器结构及设计方法 | |
| CN110703693B (zh) | 一种机床进给系统的迭代学习前馈控制方法及系统 | |
| CN112096696B (zh) | 泵控非对称液压位置系统自适应反演控制方法 | |
| CN103611734A (zh) | 一种层流冷却温度控制方法及系统 | |
| CN111648758B (zh) | 一种水井钻机推进装置无模型自适应控制方法及系统 | |
| CN112000009A (zh) | 一种基于状态与扰动估计的物料转送器强化学习控制方法 | |
| CN113267314A (zh) | 一种暂冲式风洞的超声速流场总压控制系统 | |
| CN114906349A (zh) | 高机动飞机升降舵效率损失故障的自适应容错控制方法 | |
| CN113642271B (zh) | 一种基于模型的航空发动机性能恢复控制方法及装置 | |
| CN100494698C (zh) | 一种动态补偿液压伺服阀零漂的方法 | |
| CN106958548A (zh) | 一种基于比例同步的冷床横移控制方法 | |
| CN111673026B (zh) | 一种锻压机压制过程的在线控制方法及其控制系统 | |
| CN103760931A (zh) | 动态矩阵控制优化的油气水卧式三相分离器压力控制方法 | |
| CN116823054A (zh) | 一种基于数据挖掘的铝合金铸件制造质量实时预测方法 | |
| CN113219841B (zh) | 基于自适应鲁棒的水下多关节液压机械臂非线性控制方法 | |
| Liu et al. | Angle and force hybrid control method for electrohydraulic leveling system with independent metering | |
| CN110643485A (zh) | 一种具有智能预测补偿器的粮食发酵过程温度场自动控制系统与方法 | |
| CN114800529B (zh) | 一种基于定长记忆窗增量学习的工业机器人误差补偿方法 | |
| CN116220921A (zh) | 一种喷口控制回路执行机构动态特性评估指标生成方法 |
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 |