CN113359475B - 伺服控制参数优化方法、装置及伺服控制器 - Google Patents
伺服控制参数优化方法、装置及伺服控制器 Download PDFInfo
- Publication number
- CN113359475B CN113359475B CN202110766763.7A CN202110766763A CN113359475B CN 113359475 B CN113359475 B CN 113359475B CN 202110766763 A CN202110766763 A CN 202110766763A CN 113359475 B CN113359475 B CN 113359475B
- Authority
- CN
- China
- Prior art keywords
- servo control
- particle
- value
- initial
- particles
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 239000002245 particle Substances 0.000 claims abstract description 372
- 230000005484 gravity Effects 0.000 claims description 31
- 239000011164 primary particle Substances 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
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)
- Feedback Control In General (AREA)
Abstract
本发明涉及控制工程技术领域,提出一种伺服控制参数优化方法、装置及伺服控制器,应用于伺服控制模型,所述伺服控制模型包括伺服控制参数,所述方法包括:初始化粒子群,其中,粒子群包括多个原始粒子,每一原始粒子包括初始值;基于多个原始粒子的初始值,利用粒子群算法对伺服控制参数进行优化,得到目标粒子及目标粒子的当前值;更新目标粒子的当前值,得到伺服控制参数的最优值。相对于现有技术,本发明通过粒子群算法对伺服控制参数进行自动优化,提高了伺服控制参数的优化效率。
Description
技术领域
本发明涉及控制工程技术领域,具体而言,涉及一种伺服控制参数优化方法、装置及伺服控制器。
背景技术
伺服系统控制工程领域中,PID(Proportional(比例)、Integral(积分)、Differential(微分),PID)控制是最早发展起来的并且是最广泛应用的控制策略之一,它是指将偏差的比例、积分和微分通过线性组合构成控制量,对伺服系统进行控制。PID控制具有结构简单、使用方便、可靠性高、鲁棒性强等优点。目前在伺服系统控制工程领域90%以上使用的是PID控制器。
通常,伺服系统特性指标很大程度上取决于PID控制参数的优化程度,而工程应用中伺服控制参数整定方法主要依赖工程师的经验,其经过不断测试来调整参数,这种方法优化效率低。
发明内容
本发明解决的问题是如何提高伺服控制参数的优化效率。
为解决上述问题,本发明提供一种伺服控制参数优化方法,应用于伺服控制模型,所述伺服控制模型包括伺服控制参数,所述方法包括:初始化粒子群,其中,所述粒子群包括多个原始粒子,每一所述原始粒子包括初始值;基于所述多个原始粒子的初始值,利用粒子群算法对所述伺服控制参数进行优化,得到目标粒子及所述目标粒子的当前值;更新所述目标粒子的当前值,得到所述伺服控制参数的最优值。
相对于现有技术,本发明所述的伺服控制参数优化方法具有以下优势:首先初始化粒子群,然后利用粒子群算法对伺服控制参数进行优化,得到目标粒子及目标粒子的当前值,最后更新目标粒子的当前值,得到伺服控制参数的最优值,由此,通过粒子群算法对伺服控制参数进行自动优化,提高了伺服控制参数的优化效率。
进一步地,所述伺服控制参数为多个,所述基于所述多个原始粒子的初始值,利用粒子群算法对所述伺服控制参数进行优化,得到目标粒子及所述目标粒子的当前值的步骤包括:
按照所述伺服控制参数的个数将所述多个原始粒子进行组合,得到多个初始组合;
判断每一所述初始组合是否满足第一预设条件;
将满足所述第一预设条件的初始组合作为中间组合,并将所述中间组合的原始粒子作为中间粒子;
对所述中间粒子的初始值进行更新,得到所述中间粒子的中间值,并将所述中间粒子作为所述原始粒子,同时将所述中间粒子的中间值作为所述原始粒子的初始值,重复迭代基于所述多个原始粒子的初始值,利用粒子群算法对所述伺服控制参数进行优化的步骤,直至满足预设迭代次数,将最后一次迭代确定的中间组合的中间粒子作为所述目标粒子、同时将最后一次迭代确定的中间组合的中间粒子的中间值作为所述目标粒子的当前值。
进一步地,所述判断每一所述初始组合是否满足第一预设条件的步骤包括:
根据每一所述初始组合的原始粒子,判断所述伺服控制模型是否处于稳定状态;
若所述伺服控制模型处于稳定状态,则根据对应的所述初始组合的原始粒子对所述伺服控制参数进行赋值后运行所述伺服控制模型,得到运行结果;
若所述运行结果满足第二预设条件,则判定对应的所述初始组合满足第一预设条件。
进一步地,所述初始化粒子群中每一个原始粒子均对应一个编号,所述根据每一所述初始组合的原始粒子,判断所述伺服控制模型是否处于稳定状态的步骤包括:
计算每一所述初始组合的原始粒子中的两两原始粒子之间的差值的平均值,得到每一所述初始组合的第一平均值;
计算每一所述初始组合的原始粒子中编号相邻的原始粒子之间的差值的平均值,得到每一所述初始组合的第二平均值;
根据第一预设比重、第二预设比重、每一所述初始组合的所述第一平均值、所述第二平均值、第一预设值及第二预设值,计算所述伺服控制模型的稳定度;
若所述稳定度小于预设值,则判定所述伺服控制模型处于稳定状态。
进一步地,所述根据第一预设比重、第二预设比重、每一所述初始组合的所述第一平均值、所述第二平均值、第一预设值及第二预设值,计算所述伺服控制模型的稳定度的步骤包括:
根据第一预设比重、第二预设比重、每一所述初始组合的所述第一平均值、所述第二平均值、第一预设值及第二预设值,利用公式计算所述伺服控制模型的稳定度,其中,Qe为所述伺服控制模型的稳定度,w1为第一预设比重,Mc为每一所述初始组合的第一平均值,M′c为每一所述初始组合的第一预设值,w2为第二预设比重,Et为每一所述初始组合的第二平均值,E′t为每一所述初始组合的第二预设值。
进一步地,所述中间粒子的初始值包括速度和位置,所述对所述中间粒子的初始值进行更新的步骤包括:
利用公式vk+1=wvk+c1*rand1(pbest-xk)+c2*rand2(gbest-xk)更新所述中间粒子的速度,其中,k为第k次迭代,k+1为第k+1次迭代,vk+1为第k+1次迭代的中间粒子的速度,w为惯性权重因子,c1为第一预设加速系数,c2为第二预设加速系数,rand1为第一随机数,rand2为第二随机数,vk为第k次迭代的中间粒子的速度;xk为第k次迭代的中间粒子的位置;pbest为所述粒子群的当前局部最优位置,gbest为所述粒子群的当前全局最优位置;
利用公式xk+1=xk+vk+1更新所述中间粒子的位置,其中,xk+1为第k+1次迭代的中间粒子的位置,xk为第k次迭代的中间粒子的位置,vk+1为第k+1次迭代的中间粒子的速度。
进一步地,所述对所述中间粒子的初始值进行更新的步骤还包括:
利用公式对w进行更新,其中,所述w(k)为第k次迭代的w的值,wmax为预设权重最大值,wmin为预设权重最小值,k为迭代次数,kmax为最大迭代次数。
进一步地,所述方法还包括:
若所有所述初始组合均不能使所述伺服控制模型处于稳定状态,则对所述预设值进行更新。
本发明还提供一种伺服控制参数优化装置,应用于伺服控制模型,所述伺服控制模型包括伺服控制参数,所述装置包括:
初始化模块,用于初始化粒子群,其中,所述粒子群包括多个原始粒子,每一所述原始粒子包括初始值;
优化模块,用于基于所述多个原始粒子的初始值,利用粒子群算法对所述伺服控制参数进行优化,得到目标粒子及所述目标粒子的当前值;
更新模块,用于更新所述目标粒子的当前值,得到所述伺服控制参数的最优值。
本发明还提供一种伺服控制器,所述伺服控制器用于执行如上述的伺服控制参数优化方法。
附图说明
图1为本发明提供的伺服控制模型的示例图。
图2为本发明提供的一种伺服控制参数优化方法的流程图。
图3为本发明提供的另一种伺服控制参数优化方法的流程图。
图4为本发明提供的图3中的子步骤S1102的子步骤的流程图。
图5为本发明提供的另一种伺服控制参数优化方法的流程图。
图6为本发明所提供的伺服控制参数优化方法的流程示例图。
图7为本发明提供的伺服控制参数优化装置的方框示意图。
附图标记说明:
10-伺服控制器;100-伺服控制参数优化装置;110-初始化模块;120-优化模块;130-更新模块。
具体实施方式
现有技术中,为了对伺服系统的伺服控制参数进行优化,通常会针对伺服系统进行模型化,例如,以一种具体的全闭环的伺服系统为例,其中的驱动电机为交流伺服电机,机械传动结构采用滚珠丝杠和直线导轨的组合,该伺服系统对应的整体数学模型如图1所示,请参照图1,图1为本发明提供的伺服控制模型的示例图,图1中,Xr表示输入位置指令,单位为mm;Xi表示反馈位置信息,单位为mm;Kpp表示位置环比例增益,单位为S-1,其中S为秒;Kvp表示速度环比例增益,单位为V·mm·S-1;Kvi表示速度环积分增益,单位为V·mm·S-1;Kt表示等效力矩常数,单位为N·m·V-1;Jm表示电机转动惯量,单位为kg·m2;Bm表示电机转动惯量,单位为/kg·m2与电机等效阻尼/kg·m2·S-1,Ke表示等效刚度,单位为N·m·rad-1;Ji分别表示负载等效惯量,单位为kg·m2;Bi表示负载等效阻尼,单位为kg·m2·S-1;Rg表示传动系数,单位为mm·rad-1,上述rad为角度单位。在图1中,需要优化的控制参数为Kpp、Kvp、Kvi,作为一种具体应用场景,本发明实施例提供的伺服控制参数优化方法可以对Kpp、Kvp、Kvi进行优化。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
请参照图2,图2为本发明提供的一种伺服控制参数优化方法的流程图,该方法包括以下步骤:
步骤S100,初始化粒子群,其中,粒子群包括多个原始粒子,每一原始粒子包括初始值。
在本实施例中,粒子群的初始化方式与需要优化的伺服控制参数的取值范围有关,例如,伺服控制参数包括3个,这3个参数的取值范围可以各不相同,则初始化后的粒子群中的原始粒子的个数应该大于3,并且这些原始粒子中应该存在能够满足这3个参数的取值范围的初始值,例如,原始粒子有10个,伺服控制参数有3个,分别为a、b和c,其中,有3个原始粒子的原始值满足a的取值范围,有3个原始粒子的原始值满足b的取值范围,其余4个原始粒子的原始值满足c的取值范围,当然在参数的取值范围存在交叉或者重合时,满足各个参数的原始粒子的个数也会有相应的变化,例如,a和b的取值范围重合,则10个原始粒子中可以有6个满足a的取值范围,有6个满足b的取值范围。
步骤S110,基于多个原始粒子的初始值,利用粒子群算法对伺服控制参数进行优化,得到目标粒子及目标粒子的当前值。
在本实施例中,粒子群算法也称粒子群优化PSO(Particle Swarm Optimization,PSO)算法,该算法是通过模拟鸟群觅食行为而发起的一种基于群体协作的随机搜索算法,是一种基于种群寻优策略的自适应随机优化算法,基于群体的优化技术,只需利用目标函数值信息,就可实现控制参数的并行优化,所以该算法的通用性很强。因此,本发明实施例基于该算法对伺服控制参数进行优化,实现了伺服控制参数的自动优化,并且针对伺服控制模型的特点对该算法进行改进,使得该算法在优化伺服控制参数时收敛快、效率高。
在本实施例中,目标粒子及目标粒子的当前值是和伺服控制参数最相关的粒子,即根据目标粒子及目标粒子的当前值可以确定伺服控制参数的最优质的。粒子群算法是一种迭代算法,在迭代的过程中,在最初初始化的粒子群中的粒子中搜索出较优的粒子,并在迭代过程中对较优的粒子的初始值进行更新,最终找到目标粒子及目标粒子的当前值。
步骤S120,更新目标粒子的当前值,得到伺服控制参数的最优值。
在本实施例中,若伺服控制参数有一个,则目标粒子可以为1个,也可以为多个,若目标粒子为多个时,则伺服控制参数的最优值为多个;若伺服控制参数有多个,则目标粒子也为多个,伺服控制参数可以和目标粒子一一对应,也可以一个伺服控制参数对应多个目标粒子,例如,伺服控制参数为a、b、c,目标粒子为1、2、3,a对应1、b对应2、c对应3,或者目标粒子为1、2、3、4,此时,a、b、c分别对应1、2、4为一组最优值,a、b、c分别对应1、3、4为另一组最优值。
本发明实施例提供的上述方法,一方面,通过粒子群算法对伺服控制参数进行自动优化,提高了伺服控制参数的优化效率,另一方面,避免了依赖工程师的经验导致伺服控制参数优化调试效率低、随机性强等问题。
在图2的基础上,本发明实施例还提供了一种得到目标粒子及目标粒子的当前值的具体实现方式,请参照图3,图3为本发明提供的另一种伺服控制参数优化方法的流程图,步骤S110包括以下子步骤:
子步骤S1101,按照伺服控制参数的个数将多个原始粒子进行组合,得到多个初始组合。
在本实施例中,作为一种具体实施方式,若伺服控制参数的取值范围相同时,可以将多个原始粒子进行组合,每一个组合中原始粒子的个数与伺服控制参数的个数相同,作为另一种具体实施方式,若伺服控制参数的取值范围各不相同时,除了按照伺服控制参数的个数,还需要根据每个伺服控制参数的取值范围对多个原始粒子进行组合,以保证得到的每一初始组合中的原始粒子可以和伺服控制参数一一对应。
子步骤S1102,判断每一初始组合是否满足第一预设条件。
在本实施例中,第一预设条件可以同时包括伺服控制模型处于稳定状态和伺服控制模型的运行结果满足第二预设条件,也可以只包括伺服控制模型的运行结果满足第二预设条件。
子步骤S1103,将满足第一预设条件的初始组合作为中间组合,并将中间组合的原始粒子作为中间粒子。
子步骤S1104,对中间粒子的初始值进行更新,得到中间粒子的中间值,并将中间粒子作为原始粒子,同时将中间粒子的中间值作为原始粒子的初始值,重复迭代基于多个原始粒子的初始值,利用粒子群算法对伺服控制参数进行优化的步骤,直至满足预设迭代次数,将最后一次迭代确定的中间组合的中间粒子作为目标粒子、同时将最后一次迭代确定的中间组合的中间粒子的中间值作为目标粒子的当前值。
在本实施例中,重复迭代基于多个原始粒子的初始值,利用粒子群算法对伺服控制参数进行优化的步骤实际上是重复执行上述子步骤S1101-子步骤S1104。例如,预设迭代次数为3,粒子群初始化后包括100个原始粒子,第1次迭代时,从100个原始粒子中确定了40个中间粒子,将这40个中间粒子的初始值更新,更新后初始值为这40个中间粒子的第一中间值,再将这40个中间粒子重新作为原始粒子进行第2次迭代,从这40个原始粒子中确定20个中间粒子,将这20个中间粒子的第一中间值更新,更新后的第一中间值为这20个中间粒子的第二中间值,将这20个中间粒子重新作为原始粒子进行第3次迭代,从这20个原始粒子中确定12个中间粒子,由于此时已经达到了预设迭代次数,这12个中间粒子即为目标粒子,这12个中间粒子的第二中间值即为目标粒子的当前值。
在本实施例中,作为一种具体实施方式,中间粒子的初始值包括速度和位置,例如,在N维空间中,有m个中间粒子组成一个群落,其中第i个中间粒子在N维空间的位置矢量表示为xi=(xi1,xi2,…,xiN),飞行速度表示为矢量vi=(vi1,vi2,…,viN).第i个粒子迄今为止搜索到的最优位置称为个体极值,表示为pbest=(pi1,pi2,…,piN).整个粒子群迄今为止搜索到的最优位置称为全局极值,表示为gbest=(pg1,pg2,…,pgN).则对于第k+1次迭代,对于任意一个中间粒子的初始值的更新方式可以是:
利用公式vk+1=wvk+c1*rand1(pbest-xk)+c2*rand2(gbest-xk)更新中间粒子的速度,其中,k为第k次迭代,k+1为第k+1次迭代,vk+1为第k+1次迭代的中间粒子的速度,w为惯性权重因子,c1为第一预设加速系数,c2为第二预设加速系数,rand1为第一随机数,rand2为第二随机数,vk为第k次迭代的中间粒子的速度;xk为第k次迭代的中间粒子的位置;pbest为粒子群的当前局部最优位置,gbest为粒子群的当前全局最优位置。
在本实施例中,通常情况下,c1=c2=2;rand1和rand2均为介于[0,1]之间的随机数。
在本实施例中,利用公式xk+1=xk+vk+1更新中间粒子的位置,其中,xk+1表示第k+1次迭代的中间粒子的位置,xk表示第k次迭代的中间粒子的位置,vk+1为第k+1次迭代的中间粒子的速度。
在本实施例中,w可以是固定的,也可以是变化的,为了得到更好的优化效果,在搜索过程中将w值设为线性变化的,采用线性递减权值策略使得粒子群在开始时探索较大的区域,较快地定位最优解的大致位置,随着w逐渐减小,粒子速度减慢,开始精细的局部搜索。本发明实施例还提供了一种更新w的具体实现方式:
利用公式对w进行更新,其中,w(k)为第k次迭代的w的值,wmax为预设权重最大值,wmin为预设权重最小值,k为迭代次数,kmax为最大迭代次数。
需要说明的是,上述步骤S120更新目标粒子的当前值的方式也可以采用与子步骤S1104中对中间粒子的初始值进行更新的方式,当然也可以利用上述公式对目标粒子的当前值进行更新。
本发明实施例提供的上述方法,确定初始组合及其中的原始粒子,一方面,对每一初始组合进行是否满足第一预设条件的判断,使得更快地逼近与伺服控制参数的最优值最相关的目标粒子,另一方面,从所有可能取值组合的可行解集合中搜索出最优伺服控制参数组合,使得满足第一预设条件,进而实现伺服控制参数与伺服控制系统的伺服控制模型之间的最佳匹配,提高伺服控制系统的动力学性能。
在图3的基础上,本发明实施例还提供了一种判断初始组合是否满足第一预设条件的具体实现方式,请参照图4,图4为本发明提供的另一种伺服控制参数优化方法的流程图,子步骤S1102包括以下子步骤:
子步骤S11021,根据每一初始组合的原始粒子,判断伺服控制模型是否处于稳定状态。
在本实施例中,作为一种具体实现方式,判断伺服控制模型是否处于稳定状态的方法可以是:
首先,计算每一初始组合的原始粒子中的两两原始粒子之间的差值的平均值,得到每一初始组合的第一平均值。
在本实施例中,作为一种具体实现方式,两两原始粒子之间的差值可以是两两原始粒子位置之间的差值,例如,初始组合包括原始粒子1-5,则两两原始粒子之间的差值包括:1和2、1和3、1和4、1和5、2和3、2和4、2和5、3和4、3和5、4和5之间的差值,第一平均值即为这些差值的平均值。在实际应用场景中,第一平均值用于表征轮廓误差,例如,机械臂在第一动作执行前后之间的误差,因此也称为轮廓误差绝对平均值。
其次,计算每一初始组合的原始粒子中编号相邻的原始粒子之间的差值的平均值,得到每一初始组合的第二平均值。
在本实施例中,作为一种具体实施方式,初始化粒子群时,对于每一个原始粒子均对应一个编号,每个原始粒子的编号在初始化粒子群时确定,并且在整个粒子群算法的过程中,其编号均不会发生改变。两个原始粒子是否相邻可以通过两个原始粒子的编号是否相邻来判断。例如,初始组合中包括的粒子为:1#粒子、2#粒子、5#粒子和6#粒子,则1#粒子和2#粒子为相邻粒子,5#粒子和6#粒子为相邻粒子,则该初始组合中的第二平均值为1#粒子和2#粒子之间的差值和5#粒子和6#粒子之间差值的平均值。在实际应用场景中,第一平均值用于表征跟随误差,例如,机械臂在执行连续的第一动作和第二动作之间的误差,即动作之间的误差,因此也称为跟随误差绝对平均值。
第三,根据第一预设比重、第二预设比重、每一初始组合的第一平均值、第二平均值、第一预设值及第二预设值,计算伺服控制模型的稳定度。
在本实施例中,第一预设值为第一次迭代基于第一个粒子的两两粒子差值的平均值,第二预设值为第一次迭代基于第一个粒子的相邻粒子差值的平均值,第一次迭代即粒子群初始化后的首次迭代,第一个粒子即为粒子群初始化后编号为1的原始粒子。第一预设值为粒子群初始化后编号为1的原始粒子与粒子群中其他原始粒子之间差值的平均值,第二预设值为粒子群初始化后与编号为1的原始粒子相邻的其他粒子之间差值的平均值,例如,粒子群初始化后的原始粒子包括1#粒子~5#粒子,则第一预设值为1#粒子和2#粒子之间的差值、1#粒子和3#粒子之间的差值、1#粒子和4#粒子之间的差值、1#粒子和5#粒子之间的差值,这4个差值的平均值,第二预设值为1#粒子和2#粒子之间的差值的平均值。
在本实施例中,作为一种具体实施方式,根据第一预设比重、第二预设比重、每一初始组合的第一平均值、第二平均值、第一预设值及第二预设值,利用公式计算伺服控制模型的稳定度,其中,Qe为伺服控制模型的稳定度,w1为第一预设比重,Mc为每一初始组合的第一平均值,M′c为每一初始组合的第一预设值,w2为第二预设比重,Et为每一初始组合的第二平均值,E′t为每一初始组合的第二预设值。
需要说明的是,上述公式也称为优化目标函数或者适应度函数,该函数用于评价系统的动态性能,以此判断系统是否稳定。
第四,若稳定度小于预设值,则判定伺服控制模型处于稳定状态。
在本实施例中,预设值可以根据实际对于伺服控制模型的稳定程度的要求进行设定,但是预设值存在一个临界值,也就是说,如果稳定度大于该临界值,则伺服控制模型不可能处于可接受的稳定状态。
子步骤S11022,若伺服控制模型处于稳定状态,则根据对应的初始组合的原始粒子对伺服控制参数进行赋值后运行伺服控制模型,得到运行结果。
子步骤S11023,若运行结果满足第二预设条件,则判定对应的初始组合满足第一预设条件。
在本实施例中,第二预设条件可以是一个预设阈值,也可以是一个预设区间,以图1为例,运行结果为输入位置指令中的输入位置和输出位置指令中的输出位置之间的差值,此时,运行结果满足第二预设条件可以是该差值小于预设阈值,也可以是该差值在预设区间内。
本发明实施例提供的上述方法,通过根据每一初始组合的原始粒子,判断伺服控制模型是否处于稳定状态,在处于稳定状态的情况再进一步进行优化,从而避免了初始化粒子群中的粒子不满足伺服控制模型的稳定性条件而降低优化效率的问题,同时也确保了伺服控制模型对应的伺服控制系统能够安全稳定运行。
在本实施例中,若所有初始组合均不能使伺服控制模型处于稳定状态,为避免系统出现不稳定,本发明实施例还提供了一种具体应对方式,请参照图5,图5为本发明提供的另一种伺服控制参数优化方法的流程图,该方法包括以下步骤:
步骤S200,若所有初始组合均不能使伺服控制模型处于稳定状态,则对预设值进行更新。
在本实施例中,对预设值更新可以将预设值设置为临界值,临界值为使系统处于可接受的稳定状态,这样可确保搜索出的伺服控制参数代入伺服控制模型后,伺服控制模型对应的伺服控制系统是个稳定的系统。作为一种具体实施方式,临界值可以为上述适应度函数的极大值,例如,临界值可以设置为1000。
需要说明的是,对预设值进行更新之后,会继续对当前迭代的原始粒子的初始值进行更新,继续迭代基于多个原始粒子的初始值,利用粒子群算法对伺服控制参数进行优化的步骤(作为一种具体实现方式,可以是重复执行上述子步骤S1101-子步骤S1104),直至满足预设迭代次数。
在本实施例中,为了更清楚地从整体上对伺服控制参数优化方法进行描述,本发明实施例还提供了一种伺服控制参数优化方法的流程示例图,请参照图6,图6为本发明所提供的伺服控制参数优化方法的流程示例图,图6中,以伺服控制参数包括Kpp、Kvp和Kvi为例,主要步骤如下:
S1:初始化粒子群。
S2:根据粒子群中的粒子为Kpp、Kvp和Kvi赋值,实际上是将粒子群中的粒子按照Kpp、Kvp和Kvi进行组合,得到多个粒子组合,其中,每个粒子组合包括3个粒子,分别对应Kpp、Kvp和Kvi。
S3:针对每一粒子组合判断伺服控制模型是否稳定,若稳定,则继续执行S4,否则执行S8。
S4:以每一组合的粒子作为Kpp、Kvp和Kvi的一组取值,运行伺服控制模型。
S5:根据每一组合的粒子的运行结果,最终选出所有组合中最优控制参数对应的粒子的集合。
S6:对最优控制参数集合对应的粒子进行更新,实际上是更新最优控制参数集合对应的粒子的速度和位置。
S7:判断是否达到预设迭代次数,若是,则结束,若否,以更新后的粒子转到S2步骤继续进行下一次迭代。
S8:更新预设值,转到步骤S6。
作为本发明实施例提供的伺服控制参数优化方法应用的一种具体场景,伺服控制模型可以对应一个车间机械臂控制系统,伺服控制参数为机械臂的运动轨迹控制参数,利用本发明实施例提供的伺服控制参数优化方法,自动、快速搜索出最优的机械臂的运动轨迹控制参数,使机械臂的运动轨迹和抓取动作的误差范围得到明显的减小,运动精度很大程度上得到了提高,并且大大减少了动作失误,提高了产线的生产效率。
本发明还提供了一种伺服控制器,该伺服控制器用于执行上述伺服控制参数优化方法。伺服控制器可以是包括处理器、内部存储器的单片机,或者具有同等功能的控制芯片。
本发明还提供了一种伺服控制参数优化装置,请参照图7,图7为本发明所提供的伺服控制参数优化装置100的功能模块示意图。图7中,伺服控制器10中存储有伺服控制参数优化装置100,需要说明的是,本发明实施例所述的伺服控制参数优化装置100,其基本原理及产生的技术效果与前述方法实施例相同,为简要描述,本实施例中未提及部分,可参考前述方法实施例的相应内容。
伺服控制参数优化装置100包括初始化模块110、优化模块120及更新模块130。
初始化模块110,用于初始化粒子群,其中,粒子群包括多个原始粒子,每一原始粒子包括初始值。
优化模块120,用于基于多个原始粒子的初始值,利用粒子群算法对伺服控制参数进行优化,得到目标粒子及目标粒子的当前值。
作为一种具体实施方式,伺服控制参数为多个,优化模块120具体用于:按照伺服控制参数的个数将多个原始粒子进行组合,得到多个初始组合;判断每一初始组合是否满足第一预设条件;将满足第一预设条件的初始组合作为中间组合,并将中间组合的原始粒子作为中间粒子;对中间粒子的初始值进行更新,得到中间粒子的中间值,并将中间粒子作为原始粒子,同时将中间粒子的中间值作为原始粒子的初始值,重复迭代基于多个原始粒子的初始值,利用粒子群算法对伺服控制参数进行优化的步骤,直至满足预设迭代次数,将最后一次迭代确定的中间组合的中间粒子作为目标粒子、同时将最后一次迭代确定的中间组合的中间粒子的中间值作为目标粒子的当前值。
作为一种具体实施方式,优化模块120在用于判断每一初始组合是否满足第一预设条件时,具体用于:根据每一初始组合的原始粒子,判断伺服控制模型是否处于稳定状态;若伺服控制模型处于稳定状态,则根据对应的初始组合的原始粒子对伺服控制参数进行赋值后运行伺服控制模型,得到运行结果;若运行结果满足第二预设条件,则判定对应的初始组合满足第一预设条件。
作为一种具体实施方式,初始化粒子群中每一个原始粒子均对应一个编号,优化模块120在用于根据每一初始组合的原始粒子,判断伺服控制模型是否处于稳定状态时,具体用于:计算每一初始组合的原始粒子中的两两原始粒子之间的差值的平均值,得到每一初始组合的第一平均值;计算每一初始组合的原始粒子中编号相邻的原始粒子之间的差值的平均值,得到每一初始组合的第二平均值;根据第一预设比重、第二预设比重、每一初始组合的第一平均值、第二平均值、第一预设值及第二预设值,计算伺服控制模型的稳定度;若稳定度小于预设值,则判定伺服控制模型处于稳定状态。
作为一种具体实施方式,优化模块120在用于根据第一预设比重、第二预设比重、每一初始组合的第一平均值、第二平均值、第一预设值及第二预设值,计算伺服控制模型的稳定度时,具体用于:根据第一预设比重、第二预设比重、每一初始组合的第一平均值、第二平均值、第一预设值及第二预设值,利用公式计算伺服控制模型的稳定度,其中,Qe为伺服控制模型的稳定度,w1为第一预设比重,Mc为每一初始组合的第一平均值,Mc'为每一初始组合的第一预设值,w2为第二预设比重,Et为每一初始组合的第二平均值,E′t为每一初始组合的第二预设值。
作为一种具体实施方式,中间粒子的初始值包括速度和位置,优化模块120在用于对中间粒子的初始值进行更新时,具体用于:利用公式vk+1=wvk+c1*rand1(pbest-xk)+c2*rand2(gbest-xk)更新中间粒子的速度,其中,k为第k次迭代,k+1为第k+1次迭代,vk+1为第k+1次迭代的中间粒子的速度,w为惯性权重因子,c1为第一预设加速系数,c2为第二预设加速系数,rand1为第一随机数,rand2为第二随机数,vk为第k次迭代的中间粒子的速度;xk为第k次迭代的中间粒子的位置;pbest为粒子群的当前局部最优位置,gbest为粒子群的当前全局最优位置;利用公式xk+1=xk+vk+1更新中间粒子的位置,其中,xk+1为第k+1次迭代的中间粒子的位置,xk为第k次迭代的中间粒子的位置,vk+1为第k+1次迭代的中间粒子的速度。
作为一种具体实施方式,优化模块120在用于对中间粒子的初始值进行更新时具体还用于:利用公式对w进行更新,其中,w(k)为第k次迭代的w的值,wmax为预设权重最大值,wmin为预设权重最小值,k为迭代次数,kmax为最大迭代次数。
作为一种具体实施方式,优化模块120还用于:若所有初始组合均不能使伺服控制模型处于稳定状态,则对预设值进行更新。
更新模块130,用于更新目标粒子的当前值,得到伺服控制参数的最优值。
综上所述,本发明实施例提出一种伺服控制参数优化方法、装置及伺服控制器,应用于伺服控制模型,所述伺服控制模型包括伺服控制参数,所述方法包括:初始化粒子群,其中,粒子群包括多个原始粒子,每一原始粒子包括初始值;基于多个原始粒子的初始值,利用粒子群算法对伺服控制参数进行优化,得到目标粒子及目标粒子的当前值;更新目标粒子的当前值,得到伺服控制参数的最优值。相对于现有技术,本发明实施例所述的伺服控制参数优化方法,通过粒子群算法对伺服控制参数进行自动优化,提高了伺服控制参数的优化效率,利用本发明实施例提供的伺服控制参数优化方法对伺服控制系统中的伺服控制参数进行优化后,使得伺服控制系统运行的误差幅值显著减小,性能稳定,进而减少了产品不良率,并且,本发明实施例提供伺服控制参数优化方法的可行性及有效性可以通过仿真实现,提高了验证效率,降低了验证成本。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (7)
1.一种伺服控制参数优化方法,其特征在于,应用于伺服控制模型,所述伺服控制模型包括伺服控制参数,所述方法包括:
初始化粒子群,其中,所述粒子群包括多个原始粒子,每一所述原始粒子包括初始值;
基于所述多个原始粒子的初始值,利用粒子群算法对所述伺服控制参数进行优化,得到目标粒子及所述目标粒子的当前值;
更新所述目标粒子的当前值,得到所述伺服控制参数的最优值;
所述伺服控制参数为多个,所述基于所述多个原始粒子的初始值,利用粒子群算法对所述伺服控制参数进行优化,得到目标粒子及所述目标粒子的当前值的步骤包括:
按照所述伺服控制参数的个数将所述多个原始粒子进行组合,得到多个初始组合;
判断每一所述初始组合是否满足第一预设条件;
将满足所述第一预设条件的初始组合作为中间组合,并将所述中间组合的原始粒子作为中间粒子;
对所述中间粒子的初始值进行更新,得到所述中间粒子的中间值,并将所述中间粒子作为所述原始粒子,同时将所述中间粒子的中间值作为所述原始粒子的初始值,重复迭代基于所述多个原始粒子的初始值,利用粒子群算法对所述伺服控制参数进行优化的步骤,直至满足预设迭代次数,将最后一次迭代确定的中间组合的中间粒子作为所述目标粒子,同时将最后一次迭代确定的中间组合的中间粒子的中间值作为所述目标粒子的当前值;
所述判断每一所述初始组合是否满足第一预设条件的步骤包括:
根据每一所述初始组合的原始粒子,判断所述伺服控制模型是否处于稳定状态;
若所述伺服控制模型处于稳定状态,则根据对应的所述初始组合的原始粒子对所述伺服控制参数进行赋值后运行所述伺服控制模型,得到运行结果;
若所述运行结果满足第二预设条件,则判定对应的所述初始组合满足第一预设条件;
所述初始化粒子群中每一个原始粒子均对应一个编号,所述根据每一所述初始组合的原始粒子,判断所述伺服控制模型是否处于稳定状态的步骤包括:
计算每一所述初始组合的原始粒子中的两两原始粒子之间的差值的平均值,得到每一所述初始组合的第一平均值;
计算每一所述初始组合的原始粒子中编号相邻的原始粒子之间的差值的平均值,得到每一所述初始组合的第二平均值;
根据第一预设比重、第二预设比重、每一所述初始组合的所述第一平均值、所述第二平均值、第一预设值及第二预设值,计算所述伺服控制模型的稳定度;
若所述稳定度小于预设值,则判定所述伺服控制模型处于稳定状态。
2.根据权利要求1所述的伺服控制参数优化方法,其特征在于,所述根据第一预设比重、第二预设比重、每一所述初始组合的所述第一平均值、所述第二平均值、第一预设值及第二预设值,计算所述伺服控制模型的稳定度的步骤包括:
根据第一预设比重、第二预设比重、每一所述初始组合的所述第一平均值、所述第二平均值、第一预设值及第二预设值,利用公式计算所述伺服控制模型的稳定度,其中,Qe为所述伺服控制模型的稳定度,w1为第一预设比重,Mc为每一所述初始组合的第一平均值,M′c为每一所述初始组合的第一预设值,w2为第二预设比重,Et为每一所述初始组合的第二平均值,E′t为每一所述初始组合的第二预设值。
3.根据权利要求1所述的伺服控制参数优化方法,其特征在于,所述中间粒子的初始值包括速度和位置,所述对所述中间粒子的初始值进行更新的步骤包括:
利用公式vk+1=wvk+c1*rand1(pbest-xk)+c2*rand2(gbest-xk)更新所述中间粒子的速度,其中,k为第k次迭代,k+1为第k+1次迭代,vk+1为第k+1次迭代的中间粒子的速度,w为惯性权重因子,c1为第一预设加速系数,c2为第二预设加速系数,rand1为第一随机数,rand2为第二随机数,vk为第k次迭代的中间粒子的速度;xk为第k次迭代的中间粒子的位置;pbest为所述粒子群的当前局部最优位置,gbest为所述粒子群的当前全局最优位置;
利用公式xk+1=xk+vk+1更新所述中间粒子的位置,其中,xk+1为第k+1次迭代的中间粒子的位置,xk为第k次迭代的中间粒子的位置,vk+1为第k+1次迭代的中间粒子的速度。
4.根据权利要求3所述的伺服控制参数优化方法,其特征在于,所述对所述中间粒子的初始值进行更新的步骤还包括:
利用公式对w进行更新,其中,所述w(k)为第k次迭代的w的值,wmax为预设权重最大值,wmin为预设权重最小值,k为迭代次数,kmax为最大迭代次数。
5.根据权利要求1所述的伺服控制参数优化方法,其特征在于,所述方法还包括:
若所有所述初始组合均不能使所述伺服控制模型处于稳定状态,则对所述预设值进行更新。
6.一种伺服控制参数优化装置,其特征在于,应用于伺服控制模型,所述伺服控制模型包括伺服控制参数,所述装置包括:
初始化模块,用于初始化粒子群,其中,所述粒子群包括多个原始粒子,每一所述原始粒子包括初始值;
优化模块,用于基于所述多个原始粒子的初始值,利用粒子群算法对所述伺服控制参数进行优化,得到目标粒子及所述目标粒子的当前值;
更新模块,用于更新所述目标粒子的当前值,得到所述伺服控制参数的最优值;
所述伺服控制参数为多个,所述基于所述多个原始粒子的初始值,利用粒子群算法对所述伺服控制参数进行优化,得到目标粒子及所述目标粒子的当前值包括:
按照所述伺服控制参数的个数将所述多个原始粒子进行组合,得到多个初始组合;
判断每一所述初始组合是否满足第一预设条件;
将满足所述第一预设条件的初始组合作为中间组合,并将所述中间组合的原始粒子作为中间粒子;
对所述中间粒子的初始值进行更新,得到所述中间粒子的中间值,并将所述中间粒子作为所述原始粒子,同时将所述中间粒子的中间值作为所述原始粒子的初始值,重复迭代基于所述多个原始粒子的初始值,利用粒子群算法对所述伺服控制参数进行优化的步骤,直至满足预设迭代次数,将最后一次迭代确定的中间组合的中间粒子作为所述目标粒子,同时将最后一次迭代确定的中间组合的中间粒子的中间值作为所述目标粒子的当前值;
所述判断每一所述初始组合是否满足第一预设条件包括:
根据每一所述初始组合的原始粒子,判断所述伺服控制模型是否处于稳定状态;
若所述伺服控制模型处于稳定状态,则根据对应的所述初始组合的原始粒子对所述伺服控制参数进行赋值后运行所述伺服控制模型,得到运行结果;
若所述运行结果满足第二预设条件,则判定对应的所述初始组合满足第一预设条件;
所述初始化粒子群中每一个原始粒子均对应一个编号,所述根据每一所述初始组合的原始粒子,判断所述伺服控制模型是否处于稳定状态包括:
计算每一所述初始组合的原始粒子中的两两原始粒子之间的差值的平均值,得到每一所述初始组合的第一平均值;
计算每一所述初始组合的原始粒子中编号相邻的原始粒子之间的差值的平均值,得到每一所述初始组合的第二平均值;
根据第一预设比重、第二预设比重、每一所述初始组合的所述第一平均值、所述第二平均值、第一预设值及第二预设值,计算所述伺服控制模型的稳定度;
若所述稳定度小于预设值,则判定所述伺服控制模型处于稳定状态。
7.一种伺服控制器,其特征在于,所述伺服控制器用于执行如权利要求1-5中任一项所述的伺服控制参数优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766763.7A CN113359475B (zh) | 2021-07-07 | 2021-07-07 | 伺服控制参数优化方法、装置及伺服控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766763.7A CN113359475B (zh) | 2021-07-07 | 2021-07-07 | 伺服控制参数优化方法、装置及伺服控制器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359475A CN113359475A (zh) | 2021-09-07 |
CN113359475B true CN113359475B (zh) | 2023-11-14 |
Family
ID=77538530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110766763.7A Active CN113359475B (zh) | 2021-07-07 | 2021-07-07 | 伺服控制参数优化方法、装置及伺服控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359475B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429551A (zh) * | 2016-01-18 | 2016-03-23 | 华东交通大学 | 一种伺服系统电流环控制参数自整定方法 |
CN106842950A (zh) * | 2017-03-08 | 2017-06-13 | 东华大学 | 一种基于免疫粒子群算法的温度控制方法 |
CN109038643A (zh) * | 2018-06-20 | 2018-12-18 | 中国南方电网有限责任公司 | 多机系统调速器pid参数优化方法、装置、设备及介质 |
CN109768584A (zh) * | 2018-12-24 | 2019-05-17 | 深圳供电局有限公司 | 基于免疫粒子群算法的微网自治调频调压方法和装置 |
CN110175682A (zh) * | 2019-04-22 | 2019-08-27 | 广东技术师范大学 | 一种基于混沌粒子群的优化核主元分析故障监测方法 |
CN110647190A (zh) * | 2019-11-07 | 2020-01-03 | 中船动力有限公司 | 柴油机冷却水温度控制器pid参数设定方法 |
CN112415545A (zh) * | 2020-11-23 | 2021-02-26 | 许昌学院 | 海上多gnss系统粒子群选星方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9645558B2 (en) * | 2012-09-29 | 2017-05-09 | Operation Technology, Inc. | Dynamic parameter tuning using particle swarm optimization |
-
2021
- 2021-07-07 CN CN202110766763.7A patent/CN113359475B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429551A (zh) * | 2016-01-18 | 2016-03-23 | 华东交通大学 | 一种伺服系统电流环控制参数自整定方法 |
CN106842950A (zh) * | 2017-03-08 | 2017-06-13 | 东华大学 | 一种基于免疫粒子群算法的温度控制方法 |
CN109038643A (zh) * | 2018-06-20 | 2018-12-18 | 中国南方电网有限责任公司 | 多机系统调速器pid参数优化方法、装置、设备及介质 |
CN109768584A (zh) * | 2018-12-24 | 2019-05-17 | 深圳供电局有限公司 | 基于免疫粒子群算法的微网自治调频调压方法和装置 |
CN110175682A (zh) * | 2019-04-22 | 2019-08-27 | 广东技术师范大学 | 一种基于混沌粒子群的优化核主元分析故障监测方法 |
CN110647190A (zh) * | 2019-11-07 | 2020-01-03 | 中船动力有限公司 | 柴油机冷却水温度控制器pid参数设定方法 |
CN112415545A (zh) * | 2020-11-23 | 2021-02-26 | 许昌学院 | 海上多gnss系统粒子群选星方法及系统 |
Non-Patent Citations (1)
Title |
---|
交流伺服系统分数阶PID改进型自抗扰控制;王荣林等;《中国机械工程》;第30卷(第16期);第1989-1995页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113359475A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108656117B (zh) | 一种多约束条件下最优时间的机械臂空间轨迹优化方法 | |
CN111496792B (zh) | 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统 | |
JP4223894B2 (ja) | Pidパラメータ調整装置 | |
CN110989626B (zh) | 一种基于控制参数化的无人机路径规划方法 | |
CN105138000A (zh) | 最优化基座位姿扰动的七自由度空间机械臂轨迹规划方法 | |
CN111596545A (zh) | 一种多输入多输出机械系统自适应容错预设性能控制方法 | |
CN109683615B (zh) | 机器人连续运动的路径的速度前瞻方法及机器人控制器 | |
CN110134062B (zh) | 一种基于强化学习的多轴数控机床加工路径优化方法 | |
CN110861088A (zh) | 一种冗余自由度机器人的运动优化方法 | |
CN107831774B (zh) | 基于自适应pi控制的刚体卫星姿态系统被动容错控制方法 | |
CN110095981A (zh) | 一种自抗扰控制器参数的整定方法、装置和电子设备 | |
Park et al. | Multicopter PID attitude controller gain auto-tuning through reinforcement learning neural networks | |
Dai et al. | Robust control of underwater vehicle‐manipulator system using grey wolf optimizer‐based nonlinear disturbance observer and H‐infinity controller | |
CN113359475B (zh) | 伺服控制参数优化方法、装置及伺服控制器 | |
Yovchev et al. | Constrained output iterative learning control | |
CN103558761B (zh) | 一种具有控制器输入饱和的非线性化学反应循环不确定时滞系统的控制方法 | |
CN110588654A (zh) | 一种自动整定车辆速度相应pid控制参数的方法 | |
JP7305061B2 (ja) | パラメータ調整装置およびパラメータ調整方法 | |
CN112975986B (zh) | 基于径向基函数的机械臂点对点轨迹规划方法及装置 | |
Roveda et al. | Cartesian tasks oriented friction compensation through a reinforcement learning approach | |
Vlahakis et al. | Model-Matching type-methods and Stability of Networks consisting of non-Identical Dynamic Agents | |
Wang et al. | Path planning for mobile robot using fuzzy controllers with artificial potential field | |
Otsuka et al. | Application of genetic algorithms to fine-gain tuning of improved the resolved acceleration controller | |
CN117687345B (zh) | 多智能体系统的控制方法及相关产品 | |
Gukov et al. | Real-time Multi-Objective Trajectory Optimization |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230418 Address after: 315000 No.1166 Mingguang North Road, Jiangshan Town, Yinzhou District, Ningbo City, Zhejiang Province Applicant after: NINGBO AUX ELECTRIC Co.,Ltd. Address before: 519080 202, 2nd floor, building B, headquarters base, No.2 Qianwan 2nd Road, Tangjiawan Town, high tech Zone, Zhuhai City, Guangdong Province Applicant before: ZHUHAI TUOXIN TECHNOLOGY Co.,Ltd. Applicant before: NINGBO AUX ELECTRIC Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |