CN111983919A - 一种emd-lms混合控制方法及控制系统 - Google Patents
一种emd-lms混合控制方法及控制系统 Download PDFInfo
- Publication number
- CN111983919A CN111983919A CN202010672439.4A CN202010672439A CN111983919A CN 111983919 A CN111983919 A CN 111983919A CN 202010672439 A CN202010672439 A CN 202010672439A CN 111983919 A CN111983919 A CN 111983919A
- Authority
- CN
- China
- Prior art keywords
- signal
- component
- imf
- lms
- emd
- 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
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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system 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)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明公开了一种EMD‑LMS混合控制方法及控制系统，方法包括步骤：对典型信号进行EMD分解，得到IMF分量；将IMF分量划分为噪声分量、信噪混合分量和信息分量三类，对信噪混合分量进行滤波，将滤波后的信噪混合分量信息与信息分量进行合成，将合成信号作为控制系统输出的参考信号；输入信号经过自适应控制器处理后，再通过控制通道得到输出信号，将输出信号与参考信号进行比较，得到估计误差，根据估计误差采用LMS自适应算法更新自适应控制器的权重向量，并更新自适应控制器，对下一时刻的输入信号进行处理，依次循环，直到输入信号结束。本发明可对控制系统输出的信号进行自适应的调节，使输出的信号尽量与参考信号相接近，保证控制系统输出的稳定性。
Description
技术领域
本发明属于自动控制领域，特别涉及一种EMD-LMS混合控制方法及控制系统。
背景技术
如何使被控制的输出量尽可能准确的达到预设值是控制算法追求的核心目标，然而在实际控制过程中相关控制算法由于各种原因，最终实现的控制精度离理论值总是存在一定的偏差。造成这种现象的原因主要有两个，一是在控制过程中无法精确提取到预设的控制值，二是控制算法本身无法动态的进行调整。以EMD(Empirical Mode Decomposition)为代表的离线的信号处理方法可以实现非常高的信号提取精度，但由于其无法实现在线处理而难以应用于对实时性要求比较高的控制过程中。申请号为201410156532.4的专利公开了一种基于EMD迭代阈值滤波的GNSS多径效应抑制方法，通过多次进行EMD分解并进行求平均的方法提高了滤波精度。X-LMS(X-Least Mean Square)算法作为一种由LMS滤波算法衍生出的控制算法具有控制精度高、可以实现自适应控制等特点，在机械、航空、军工等领域得到了广泛的应用。由于X-LMS算法难以获得准确的参考信号，目前该控制算法主要应用于主动减振控制中，如申请号为201310060364.4的专利，在减振控制系统中采用了X-LMS算法。
EMD和X-LMS算法具有明显的互补性，借助于人工智能的基本思想，利用EMD离线信号处理的优势，获得精确的参考信号；利用X-LMS可以实现自适应控制的优势，对被控制对象进行精确控制，将两种算法进行有机的结合，弥补各自算法的不足，发挥各自的优势，使被控制对象可以精确地输出预设信号，实现被控制对象的高精度运行。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种EMD-LMS混合控制方法，该方法可对控制系统输出的信号进行调节，使输出的信号尽量与参考信号相接近，保证控制系统输出的稳定性。
本发明还提供一种利用上述EMD-LMS混合控制方法进行控制的控制系统，该控制系统的输出具有稳定性高的优点。
本发明的目的通过以下的技术方案实现：一种EMD-LMS混合控制方法，包括步骤：
对典型信号进行EMD分解，得到IMF(Intrinsic Mode Function)分量；将IMF分量划分为三类，一类是噪声分量，一类是信噪混合分量，一类是信息分量，对信噪混合分量进行滤波，将滤波后的信噪混合分量信息与信息分量进行合成，得到合成信号，将合成信号作为控制系统输出的参考信号；
输入信号经过自适应控制器处理后，再通过控制通道得到输出信号，将输出信号与参考信号进行比较，得到估计误差，根据估计误差采用LMS自适应算法更新自适应控制器的权重向量，并更新自适应控制器，对下一时刻的输入信号进行处理，依次循环，直到输入信号结束。
本发明中，将典型信号进行EMD分解，并针对分解得到的IMF分量进行分类，提取其中包含更多信息的分量，将其作为LMS自适应滤波的参考信号，使得参考信号更为准确。在对控制系统的输出控制过程中，通过将其输出结果与参考信号采用LMS自适应滤波，使得二者更加趋同，输出信号更加稳定。
优选的，对IMF分量划分为三类，方法是：
对典型信号进行EMD分解，得到L-1阶IMF分量和残余分量，将残余分量也视为是一阶IMF分量，共得到L阶IMF分量；
对L阶IMF分量划分为三类，一类是噪声分量，一类是信噪混合分量，一类是信息分量，其中1-M1阶IMF为噪声分量，(M1+1)-M2阶为信噪混合分量，(M2+1)-L阶为信息分量。
更进一步的，分别计算M1和M2的值，方法是：
计算各阶IMF分量的CMSE(Consecutive Mean Square Error，连续均方误差)值得到M1值，M1的确定方法是：
其中first local min表示第1个极小值点。
j为IMF函数中数据点次序，每阶IMF的数据点总数为N，i为IMF函数阶数，L表示IMF分量的总阶数，k为CMSE阶数。
CMSE的定义为
计算原始信号概率密度函数(PDF)与各阶IMF分量的概率密度函数(PDF)的L2范数得到M2值，M2的确定方法是：
其中Ps(x)表示原始信号概率密度函数，PIMFi(x)表示第i阶IMF的概率密度函数。
优选的，采用Kalman滤波方法对信噪混合分量即(M1+1)-M2阶IMF分别进行滤波，得到IMF’i，M1+1≤i≤M2。
优选的，将滤波后的信噪混合分量信息与信息分量进行合成，方法是：
其中，sf(n)为合成信号。
优选的，将sf(n)作为参考信号，采用X-LMS算法进行自适应控制，方法是：
(1)设x(n)为输入信号，v(n)为自适应控制器的输出信号，控制通道的加权序列为G(n)，y(n)为控制通道的输出信号，将合成信号sf(n)作为X-LMS的参考信号d(n)，e(n)为估计误差，w(n)为当前自适应控制器的权重向量；n表示信号的数据点次序，初始化w(n)；
(2)计算自适应控制器输出对输入信号的响应v(n)＝wT(n)x(n)；
(3)计算控制通道输出y(n)＝G(n)*v(n)＝G(n)*[wT(n)x(n)]，*表示卷积；
(4)计算误差信号e(n)＝y(n)-d(n)＝G(n)*[wT(n)x(n)]-sf(n)，计算控制通道对输入信号的响应f(n)＝G(n)*x(n)；
(5)更新自适应控制器权重参数：
w(n+1)＝w(n)+μ(n)e(n)f(n)＝w(n)+μ(n)e(n)G(n)*x(n)；
其中μ(n)为步长，判断输入信号x(n)是否结束，若输入信号x(n)继续有数据输入，则回到步骤(2)，重复执行，若输入信号x(n)结束，则结束算法。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明结合了EMD离线降噪精度高和X-LMS控制算法自适应在线控制的优点，同时规避了EMD难以在线实时进行信号处理和X-LMS控制算法难以获得参考信号的难题，两者相互取长补短，在保持稳定性的前提下，可以对控制对象进行实时高精度的控制。
2、本发明通过对EMD分解结果进行有效地区分，针对不同部分采用不同的处理方法，提高了信号降噪的精度。
3、本发明可以根据控制要求，在短时间内完成算法的更新，可以以较高实时性实现对不同控制对象和控制要求完成预定的控制功能。
4、本发明可以应用于不同的工作环境和控制对象，适用范围广。
附图说明
图1是实施例1方法的流程图。
图2是实施例1采用LMS自适应控制算法原理图。
图3是实施例1的控制系统框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例将本发明所述的EMD-LMS混合控制方法应用于对数控机床主轴进行控制，实现对某一轴类工件的加工进行控制。首先对多个这一规格的工件进行加工，并将加工过程中的主轴运动参数信号记录下来。选取加工质量最好的工件，并将这一工件加工过程中主轴运动参数信号提取出来作为典型信号T(n)。结合图1、2所示的控制方法，利用典型信号对本实施例EMD-LMS控制系统进行训练。具体步骤详述如下。
S1、对典型信号T(n)进行EMD分解，得到IMF分量。
S2、对IMF分量划分为三类，一类是噪声分量，一类是信噪混合分量，一类是信息分量。
本发明方法提高滤波性能的关键点就在于从所有的IMF分量中仅提取含有信息的IMF分量，将其信息作为参考信号，因此，对IMF分量的分类是重点内容。
本实施例利用CMSE以及概率密度函数的L2范数两个变量，来实现分类，具体方法如下：
计算各阶IMF分量的CMSE值得到M1值，M1的确定方法是：
其中first local min表示第1个极小值点。
j为IMF函数中数据点次序，每阶IMF的数据点总数为N，i为IMF函数阶数，L表示IMF分量的总阶数，k为CMSE阶数，CMSE的定义为：
分别计算原始信号概率密度函数(PDF)与各阶IMF分量的概率密度函数(PDF)的L2范数得到M2值，M2的确定方法是：
其中Ps(x)表示原始信号概率密度函数，PIMFi(x)表示第i阶IMF的概率密度函数。最终，将1-M1阶的IMF分量划分为噪声分量，将(M1+1)-M2阶的IMF分量划分为信噪混合分量，将(M2+1)-L阶的IMF分量划分为信息分量。针对不同分量，采用不同的处理方式，针对噪声分量，则直接丢掉，针对信噪混合分量，执行步骤S3，针对信息分量，则进行保留，用于步骤S4的计算。
S3、采用Kalman滤波方法对信噪混合分量即(M1+1)-M2阶IMF分别进行滤波，得到IMF’i(M1+1≤i≤M2)。
S4、将滤波后的信噪混合分量信息与信息分量进行合成，得到合成信号。
对信噪混合分量进行滤波得到的滤波后的分量信息，其极大去除了原来的噪声，再将其与信息分量合成，重构出合成信号，方法是：
其中，sf(n)为合成信号。
S5、输入信号经过自适应控制器处理后，再通过控制通道得到输出信号，将输出信号与参考信号(合成信号sf(n))进行比较，得到估计误差，根据估计误差采用LMS自适应算法更新自适应控制器的权重向量，并更新自适应控制器，对下一时刻的输入信号进行处理，依次循环，直到输入信号结束。
采用LMS自适应控制算法原理参见图2，其控制系统结构参见图3，包括PLC、控制通道和运动参数传感器，本实施例中所述的控制通道包括伺服驱动器、伺服电动机、传动装置等实体，其输出参数通过各种运动参数传感器采集得到。
本实施例控制系统采用X-LMS算法进行自适应控制，方法是：
(1)设x(n)为输入信号，v(n)为自适应控制器的输出信号，控制通道的加权序列为G(n)，y(n)为控制通道的输出信号，将步骤S4计算得到的合成信号sf(n)作为X-LMS的参考信号d(n)，e(n)为估计误差，w(n)为当前自适应控制器的权重向量；n表示信号的数据点次序，初始化w(n)；
(2)计算自适应控制器输出对输入信号的响应v(n)＝wT(n)x(n)；
(3)计算控制通道输出y(n)＝G(n)*v(n)＝G(n)*[wT(n)x(n)]，*表示卷积；
(4)计算误差信号e(n)＝y(n)-d(n)＝G(n)*[wT(n)x(n)]-sf(n)，计算控制通道对输入信号的响应f(n)＝G(n)*x(n)；
(5)更新自适应控制器权重参数：
w(n+1)＝w(n)+μ(n)e(n)f(n)＝w(n)+μ(n)e(n)G(n)*x(n)；
其中μ(n)为步长，判断输入信号x(n)是否结束，若输入信号x(n)继续有数据输入，则回到步骤(2)，重复执行，若输入信号x(n)结束，则结束算法。
本实施例中控制系统中，将EMD分解和滤波后的合成信号作为控制系统输出的参考信号，并在实际应用中，通过各种运动参数传感器实时采集控制通道的输出信号，通过LMS自适应算法根据输出信号与参考信号之间的误差自适应调整控制系统中控制器的参数，使得输出更加稳定。
可通过各种手段实施本发明描述的技术。举例来说，这些技术可实施在硬件、固件、软件或其组合中。对于硬件实施方案，处理模块可实施在一个或一个以上专用集成电路(ASIC)、数字信号处理器(DSP)、可编程逻辑装置(PLC)、现场可编辑逻辑门阵列(FPGA)、处理器、控制器、微控制器、电子装置、其他经设计以执行本发明所描述的功能的电子单元或其组合内。
对于固件和/或软件实施方案，可用执行本发明描述的功能的模块(例如，过程、步骤、流程等)来实施所述技术。固件和/或软件代码可存储在存储器中并由处理器执行。存储器可实施在处理器内或处理器外部。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (7)
1.一种EMD-LMS混合控制方法，其特征在于，包括步骤：对典型信号进行EMD分解，得到IMF分量；将IMF分量划分为三类，一类是噪声分量，一类是信噪混合分量，一类是信息分量，对信噪混合分量进行滤波，将滤波后的信噪混合分量信息与信息分量进行合成，得到合成信号，将合成信号作为控制系统输出的参考信号；
输入信号经过自适应控制器处理后，再通过控制通道得到输出信号，将输出信号与参考信号进行比较，得到估计误差，根据估计误差采用LMS自适应算法更新自适应控制器的权重向量，并更新自适应控制器，对下一时刻的输入信号进行处理，依次循环，直到输入信号结束。
2.根据权利要求1所述的EMD-LMS混合控制方法，其特征在于，对IMF分量划分为三类，方法是：
对典型信号进行EMD分解，得到L-1阶IMF分量和残余分量，将残余分量也视为是一阶IMF分量，共得到L阶IMF分量；
对L阶IMF分量划分为三类，一类是噪声分量，一类是信噪混合分量，一类是信息分量，其中1-M1阶IMF为噪声分量，(M1+1)-M2阶为信噪混合分量，(M2+1)-L阶为信息分量。
3.根据权利要求2所述的EMD-LMS混合控制方法，其特征在于，分别计算M1和M2的值，方法是：
计算各阶IMF分量的CMSE值得到M1值，M1的确定方法是：
其中first local min表示第1个极小值点，
j为IMF函数中数据点次序，每阶IMF的数据点总数为N，i为IMF函数阶数，L表示IMF分量的总阶数，k为CMSE阶数；
CMSE的定义为
计算原始信号概率密度函数与各阶IMF分量的概率密度函数的L2范数得到M2值，M2的确定方法是：
其中Ps(x)表示原始信号概率密度函数，PIMFi(x)表示第i阶IMF的概率密度函数。
4.根据权利要求3所述的EMD-LMS混合控制方法，其特征在于，采用Kalman滤波方法对信噪混合分量即(M1+1)-M2阶IMF分别进行滤波，得到IMF’i，M1+1≤i≤M2。
5.根据权利要求4所述的EMD-LMS混合控制方法，其特征在于，将滤波后的信噪混合分量信息与信息分量进行合成，方法是：
其中，sf(n)为合成信号。
6.根据权利要求1所述的EMD-LMS混合控制方法，其特征在于，将sf(n)作为参考信号，采用X-LMS算法进行自适应控制，方法是：
(1)设x(n)为输入信号，v(n)为自适应控制器的输出信号，控制通道的加权序列为G(n)，y(n)为控制通道的输出信号，将合成信号sf(n)作为X-LMS的参考信号d(n)，e(n)为估计误差，w(n)为当前自适应控制器的权重向量；n表示信号的数据点次序，初始化w(n)；
(2)计算自适应控制器输出对输入信号的响应v(n)＝wT(n)x(n)；
(3)计算控制通道输出y(n)＝G(n)*v(n)＝G(n)*[wT(n)x(n)]，*表示卷积；
(4)计算误差信号e(n)＝y(n)-d(n)＝G(n)*[wT(n)x(n)]-sf(n)，计算控制通道对输入信号的响应f(n)＝G(n)*x(n)；
(5)更新自适应控制器权重参数：
w(n+1)＝w(n)+μ(n)e(n)f(n)＝w(n)+μ(n)e(n)G(n)*x(n)；
其中μ(n)为步长，判断输入信号x(n)是否结束，若输入信号x(n)继续有数据输入，则回到步骤(2)，重复执行，若输入信号x(n)结束，则结束算法。
7.一种EMD-LMS混合控制系统，其特征在于，包括：利用权利要求1-6任一项所述EMD-LMS混合控制方法进行控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010672439.4A CN111983919A (zh) | 2020-07-14 | 2020-07-14 | 一种emd-lms混合控制方法及控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010672439.4A CN111983919A (zh) | 2020-07-14 | 2020-07-14 | 一种emd-lms混合控制方法及控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111983919A true CN111983919A (zh) | 2020-11-24 |
Family
ID=73439454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010672439.4A Pending CN111983919A (zh) | 2020-07-14 | 2020-07-14 | 一种emd-lms混合控制方法及控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111983919A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117526318A (zh) * | 2024-01-05 | 2024-02-06 | 珠海许继电气有限公司 | 配电网状态评估方法、装置、电子设备、存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104679981A (zh) * | 2014-12-25 | 2015-06-03 | 新疆大学 | 一种基于可变步长lms-eemd的振动信号降噪方法 |
| CN107766793A (zh) * | 2017-09-20 | 2018-03-06 | 天津大学 | 基于混合型方法的mems陀螺仪信号去噪处理方法 |
| CN108470018A (zh) * | 2018-02-22 | 2018-08-31 | 中国铁道科学研究院 | 基于经验模态分解分解的内蕴模式函数的光滑方法及装置 |
| CN109613821A (zh) * | 2018-11-23 | 2019-04-12 | 重庆邮电大学 | 一种基于ANC系统中FxLMS改进算法的FPGA硬件结构 |
| CN110659620A (zh) * | 2019-09-26 | 2020-01-07 | 中国科学院微电子研究所 | 基于模糊控制的滤波降噪方法 |
| CN110688964A (zh) * | 2019-09-30 | 2020-01-14 | 哈尔滨工程大学 | 一种基于稀疏分解的小波阈值与emd联合降噪方法 |
-
2020
- 2020-07-14 CN CN202010672439.4A patent/CN111983919A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104679981A (zh) * | 2014-12-25 | 2015-06-03 | 新疆大学 | 一种基于可变步长lms-eemd的振动信号降噪方法 |
| CN107766793A (zh) * | 2017-09-20 | 2018-03-06 | 天津大学 | 基于混合型方法的mems陀螺仪信号去噪处理方法 |
| CN108470018A (zh) * | 2018-02-22 | 2018-08-31 | 中国铁道科学研究院 | 基于经验模态分解分解的内蕴模式函数的光滑方法及装置 |
| CN109613821A (zh) * | 2018-11-23 | 2019-04-12 | 重庆邮电大学 | 一种基于ANC系统中FxLMS改进算法的FPGA硬件结构 |
| CN110659620A (zh) * | 2019-09-26 | 2020-01-07 | 中国科学院微电子研究所 | 基于模糊控制的滤波降噪方法 |
| CN110688964A (zh) * | 2019-09-30 | 2020-01-14 | 哈尔滨工程大学 | 一种基于稀疏分解的小波阈值与emd联合降噪方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘韬等: "《惯性导航EEMD区间阈值降噪方法》", 《测绘学报》 * |
| 宋平岗等: "《基于EMD和LMS自适应形态滤波的滚动轴承故障诊断》", 《科学技术与工程》 * |
| 袁颖: "《基于EMD和ICA的油气水三相流流量测量方法研究》", 《CNKI中国期刊全文数据库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117526318A (zh) * | 2024-01-05 | 2024-02-06 | 珠海许继电气有限公司 | 配电网状态评估方法、装置、电子设备、存储介质 |
| CN117526318B (zh) * | 2024-01-05 | 2024-05-10 | 珠海许继电气有限公司 | 配电网状态评估方法、装置、电子设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110039538B (zh) | 一种基于大型复杂构件点云信息的机器人轨迹规划方法 | |
| CN111596290B (zh) | 一种基于最大相关熵扩展卡尔曼滤波的雷达目标跟踪方法 | |
| CN111176306B (zh) | 一种水下航行器变增益自抗扰纵向控制方法 | |
| CN111983919A (zh) | 一种emd-lms混合控制方法及控制系统 | |
| CN114131611B (zh) | 机器人重力位姿分解的关节误差离线补偿方法、系统及终端 | |
| CN113569353A (zh) | 一种微铣削加工参数的可靠性优化方法、装置及电子设备 | |
| CN110703693A (zh) | 一种机床进给系统的迭代学习前馈控制方法及系统 | |
| CN116165885B (zh) | 一种高速列车的无模型自适应鲁棒控制方法及系统 | |
| CN114936525A (zh) | 外圆磨削工艺优化方法及装置 | |
| CN107491036B (zh) | 机床加工能耗控制方法及加工机床 | |
| CN117226613A (zh) | 一种基于ppo强化学习的机器人恒力控制打磨方法 | |
| CN111934647A (zh) | 一种emd-lms混合滤波方法及滤波器 | |
| CN111522240B (zh) | 四旋翼飞行器mtmlp-arx模型、辨识方法、系统及存储介质 | |
| Wang et al. | Fast-update iterative learning control for performance enhancement with application to motion systems | |
| CN116339242B (zh) | 一种自由曲面刀具路径生成方法及相关设备 | |
| Ikegami et al. | Development of automatic servo tuning function in rotary axis with DDM for machine tools and its performance for stable machining | |
| CN111045395A (zh) | 数值控制装置 | |
| CN115993803B (zh) | 基于数控机床的加工参数调整方法及相关设备 | |
| CN117600690B (zh) | 一种激光振镜扫描系统及标定方法 | |
| Mohammed et al. | Research on trajectory tracking control for 3-axis servo system based on optimal preview control method | |
| Zheng et al. | Adaptive iterative learning control for systems with non-smooth nonlinearities | |
| Barton et al. | Norm optimal ILC with time-varying weighting matrices | |
| Zwierzewicz et al. | Design of ship course-keeping system via active disturbance rejection control | |
| Fischer et al. | Construction of Spatial Filtering Matrices for Norm-Optimal ILC in Single Point Incremental Forming | |
| Bi et al. | The improved IMM tracking algorithm for high-speed maneuvering target |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |
|
| RJ01 | Rejection of invention patent application after publication |