CN113742857A - 一种索缆机器人系统的参数辨识方法及系统 - Google Patents
一种索缆机器人系统的参数辨识方法及系统 Download PDFInfo
- Publication number
- CN113742857A CN113742857A CN202110892231.8A CN202110892231A CN113742857A CN 113742857 A CN113742857 A CN 113742857A CN 202110892231 A CN202110892231 A CN 202110892231A CN 113742857 A CN113742857 A CN 113742857A
- Authority
- CN
- China
- Prior art keywords
- identified
- parameter
- cable
- optimal
- hydraulic cylinder
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013016 damping Methods 0.000 claims abstract description 19
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims abstract description 13
- 238000006073 displacement reaction Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005312 nonlinear dynamic Methods 0.000 claims description 6
- 238000002945 steepest descent method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明提供一种索缆机器人系统的参数辨识方法,包括确定索缆机器人系统的待辨识参数,并获取待辨识参数的初始值;获取阀控液压缸与索缆的非线性动力学方程,并根据阀控液压缸与索缆的非线性动力学方程的模型输出及其对应的实测数据,拟合出基于待辨识参数的最优适度函数;基于预设的阻尼Levenberg‑Marquardt算法,将待辨识参数的初始值代入最优适度函数中,自适应寻找待辨识参数最优解使得最优适度函数值为最小,并将所得的待辨识参数最优解作为最终结果输出。本发明还提供一种索缆机器人系统的参数辨识系统。实施本发明,可实现快速辨识非线性索缆机器人系统参数,不仅精度高,还误差小。
Description
技术领域
本发明涉及机器人领域,尤其涉及一种索缆机器人系统的参数辨识方法及系统。
背景技术
在实际运行过程中,索缆机器人会受温度和时变索缆等因素的影响,导致液压系统效果油液粘度和系统的刚度发生变化,甚至控制器的参数需要实时自适应更新。同时,索缆机器人在运行过程中容易受到外界扰动,尤其是升沉运动对深海机器人索缆系统的影响最为显著。因此。索缆机器人的参数精确获取对机器人的位置控制、高性能运行起着至关重要的作用。
然而,现有索缆机器人的参数获取方法仅能辨识线性索缆机器人系统参数,无法辨识非线性索缆机器人系统参数,且存在精度不高、误差大等问题。因此,有必要对现有索缆机器人的参数获取方法进行改进。
发明内容
本发明实施例所要解决的技术问题在于,提供一种索缆机器人系统的参数辨识方法及系统,可实现快速辨识非线性索缆机器人系统参数,不仅精度高,还误差小。
为了解决上述技术问题,本发明实施例提供了一种索缆机器人系统的参数辨识方法,包括以下步骤:
确定索缆机器人系统的待辨识参数,并获取所述待辨识参数的初始值;
获取阀控液压缸与索缆的非线性动力学方程,并根据所述阀控液压缸与索缆的非线性动力学方程的模型输出及其对应的实测数据,拟合出基于所述待辨识参数的最优适度函数;
基于预设的阻尼Levenberg-Marquardt算法,将所述待辨识参数的初始值代入所述最优适度函数中,自适应寻找待辨识参数最优解使得所述最优适度函数值为最小,并将所得的待辨识参数最优解作为最终结果输出。
其中,所述待辨识参数包括机器人质量、扰动、张力、刚度、粘度摩擦系数、液压缸活塞有效面积和泄漏系数。
其中,所述获取阀控液压缸与索缆的非线性动力学方程,并根据所述阀控液压缸与索缆的非线性动力学方程的模型输出及其对应的实测数据,拟合出基于所述待辨识参数的最优适度函数的具体步骤包括:
获取阀控液压缸与索缆的非线性动力学方程,并确定该非线性动力学方程的模型输出为末端机器人位移;其中,该非线性动力学方程包括索缆机器人的动力学方程、非线性阀控液压缸的滑阀流量方程和液压缸流量连续性方程;
获取末端机器人位移实测数据并进行预处理,且进一步将非线性动力学方程模型输出的末端机器人位移与其对应预处理后的实测数据之间误差的平方进行拟合,得到基于所述待辨识参数的最优适度函数。
λo一般取0.01;
其中,所述收敛半径ρi再迭代过程中所更新步长向量hlm采用牛顿-高斯法;其中,
其中,所述收敛半径ρi再迭代过程中所更新步长向量hlm采用最速下降法;其中,
本发明实施例还提供了一种索缆机器人系统的参数辨识系统,包括待辨识参数确定及初始化单元、最优适度函数拟合单元和最优解输出单元;其中,#
所述待辨识参数确定及初始化单元,用于确定索缆机器人系统的待辨识参数,并获取所述待辨识参数的初始值;
所述最优适度函数拟合单元,用于获取阀控液压缸与索缆的非线性动力学方程,并根据所述阀控液压缸与索缆的非线性动力学方程的模型输出及其对应的实测数据,拟合出基于所述待辨识参数的最优适度函数;
所述最优解输出单元,用于基于预设的阻尼Levenberg-Marquardt算法,将所述待辨识参数的初始值代入所述最优适度函数中,自适应寻找待辨识参数最优解使得所述最优适度函数值为最小,并将所得的待辨识参数最优解作为最终结果输出。
其中,所述待辨识参数包括机器人质量、扰动、张力、刚度、粘度摩擦系数、液压缸活塞有效面积和泄漏系数。
其中,所述最优适度函数拟合单元包括:
非线性动力学方程构建模块,用于获取阀控液压缸与索缆的非线性动力学方程,并确定该非线性动力学方程的模型输出为末端机器人位移;其中,该非线性动力学方程包括索缆机器人的动力学方程、非线性阀控液压缸的滑阀流量方程和液压缸流量连续性方程;
最优适度函数拟合模块,用于获取末端机器人位移实测数据并进行预处理,且进一步将非线性动力学方程模型输出的末端机器人位移与其对应预处理后的实测数据之间误差的平方进行拟合,得到基于所述待辨识参数的最优适度函数。
实施本发明实施例,具有如下有益效果:
相对于现有的参数辨识方法,本发明可实现快速辨识非线性索缆机器人系统参数,并通过采用阻尼Levenberg-Marquardt算法,能克服雅可比矩阵的病态问题,而且使得待辨识参数能够快速收敛真实值,还进一步引入阻尼系数能够结合最速下降法和高斯牛顿法两者方法的优势,使得搜索方向的求解更加趋于稳定,不仅精度高,还误差小。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的索缆机器人系统的参数辨识方法的流程图;
图2为本发明实施例提供的索缆机器人系统的参数辨识方法的应用场景的流程图;
图3为本发明实施例提供的索缆机器人系统的参数辨识系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提出的一种索缆机器人系统的参数辨识方法,包括以下步骤:
步骤S1、确定索缆机器人系统的待辨识参数,并获取所述待辨识参数的初始值;
步骤S2、获取阀控液压缸与索缆的非线性动力学方程,并根据所述阀控液压缸与索缆的非线性动力学方程的模型输出及其对应的实测数据,拟合出基于所述待辨识参数的最优适度函数;
步骤S3、基于预设的阻尼Levenberg-Marquardt算法,将所述待辨识参数的初始值代入所述最优适度函数中,自适应寻找待辨识参数最优解使得所述最优适度函数值为最小,并将所得的待辨识参数最优解作为最终结果输出。
同时,以经验公式估计出索缆机器人系统中待辨识参数的初始值p0。
在步骤S2中,首先,获取阀控液压缸与索缆的非线性动力学方程来实现提高控制索缆机器人的位置精度,该非线性动力学方程包括索缆机器人的动力学方程、非线性阀控液压缸的滑阀流量方程和液压缸流量连续性方程,具体公式 (a)~(f)。同时,该非线性动力学方程的模型输出为末端机器人位移X=x1。
其中,公式(a)和(b)为索缆机器人的动力学方程;(c)至(f)为非线性阀控液压缸的滑阀流量方程和液压缸流量连续性方程。
其次,获取末端机器人位移实测数据并进行预处理(如滤波,时间序列长度调整等),且进一步将非线性动力学方程模型输出的末端机器人位移X与其对应预处理后的实测数据之间误差的平方进行拟合,得到基于待辨识参数p 的最优适度函数χ2(p);其中,
在步骤S3中,以带阻尼Levenberg-Marquardt算法进行自适应寻找最优解使得待辨识参数p逼近真实参数时,拟合最优适度函数χ2(p)接近零。
收敛半径ρi(hIm)再迭代过程中所更新步长向量hlm采用牛顿-高斯法或最速下降法取决于当前待辨识参数p逼近真实参数的远近。
如图2所示,为本发明实施例中一种索缆机器人系统的参数辨识方法的应用场景的流程图。
如图3所示,为本发明实施例中,提供的一种索缆机器人系统的参数辨识系统,包括待辨识参数确定及初始化单元110、最优适度函数拟合单元120和最优解输出单元130;其中,#
所述待辨识参数确定及初始化单元110,用于确定索缆机器人系统的待辨识参数,并获取所述待辨识参数的初始值;
所述最优适度函数拟合单元120,用于获取阀控液压缸与索缆的非线性动力学方程,并根据所述阀控液压缸与索缆的非线性动力学方程的模型输出及其对应的实测数据,拟合出基于所述待辨识参数的最优适度函数;
所述最优解输出单元130,用于基于预设的阻尼Levenberg-Marquardt算法,将所述待辨识参数的初始值代入所述最优适度函数中,自适应寻找待辨识参数最优解使得所述最优适度函数值为最小,并将所得的待辨识参数最优解作为最终结果输出。
其中,所述待辨识参数包括机器人质量、扰动、张力、刚度、粘度摩擦系数、液压缸活塞有效面积和泄漏系数。
其中,所述最优适度函数拟合单元120包括:
非线性动力学方程构建模块,用于获取阀控液压缸与索缆的非线性动力学方程,并确定该非线性动力学方程的模型输出为末端机器人位移;其中,该非线性动力学方程包括索缆机器人的动力学方程、非线性阀控液压缸的滑阀流量方程和液压缸流量连续性方程;
最优适度函数拟合模块,用于获取末端机器人位移实测数据并进行预处理,且进一步将非线性动力学方程模型输出的末端机器人位移与其对应预处理后的实测数据之间误差的平方进行拟合,得到基于所述待辨识参数的最优适度函数。
实施本发明实施例,具有如下有益效果:
相对于现有的参数辨识方法,本发明可实现快速辨识非线性索缆机器人系统参数,并通过采用阻尼Levenberg-Marquardt算法,能克服雅可比矩阵的病态问题,而且使得待辨识参数能够快速收敛真实值,还进一步引入阻尼系数能够结合最速下降法和高斯牛顿法两者方法的优势,使得搜索方向的求解更加趋于稳定,不仅精度高,还误差小。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
1.一种索缆机器人系统的参数辨识方法,其特征在于,包括以下步骤:
确定索缆机器人系统的待辨识参数,并获取所述待辨识参数的初始值;
获取阀控液压缸与索缆的非线性动力学方程,并根据所述阀控液压缸与索缆的非线性动力学方程的模型输出及其对应的实测数据,拟合出基于所述待辨识参数的最优适度函数;
基于预设的阻尼Levenberg-Marquardt算法,将所述待辨识参数的初始值代入所述最优适度函数中,自适应寻找待辨识参数最优解使得所述最优适度函数值为最小,并将所得的待辨识参数最优解作为最终结果输出。
2.如权利要求1所述的索缆机器人系统的参数辨识方法,其特征在于,所述待辨识参数包括机器人质量、扰动、张力、刚度、粘度摩擦系数、液压缸活塞有效面积和泄漏系数。
3.如权利要求1所述的索缆机器人系统的参数辨识方法,其特征在于,所述获取阀控液压缸与索缆的非线性动力学方程,并根据所述阀控液压缸与索缆的非线性动力学方程的模型输出及其对应的实测数据,拟合出基于所述待辨识参数的最优适度函数的具体步骤包括:
获取阀控液压缸与索缆的非线性动力学方程,并确定该非线性动力学方程的模型输出为末端机器人位移;其中,该非线性动力学方程包括索缆机器人的动力学方程、非线性阀控液压缸的滑阀流量方程和液压缸流量连续性方程;
获取末端机器人位移实测数据并进行预处理,且进一步将非线性动力学方程模型输出的末端机器人位移与其对应预处理后的实测数据之间误差的平方进行拟合,得到基于所述待辨识参数的最优适度函数。
7.一种索缆机器人系统的参数辨识系统,其特征在于,包括待辨识参数确定及初始化单元、最优适度函数拟合单元和最优解输出单元;其中,
所述待辨识参数确定及初始化单元,用于确定索缆机器人系统的待辨识参数,并获取所述待辨识参数的初始值;
所述最优适度函数拟合单元,用于获取阀控液压缸与索缆的非线性动力学方程,并根据所述阀控液压缸与索缆的非线性动力学方程的模型输出及其对应的实测数据,拟合出基于所述待辨识参数的最优适度函数;
所述最优解输出单元,用于基于预设的阻尼Levenberg-Marquardt算法,将所述待辨识参数的初始值代入所述最优适度函数中,自适应寻找待辨识参数最优解使得所述最优适度函数值为最小,并将所得的待辨识参数最优解作为最终结果输出。
8.如权利要求7所述的索缆机器人系统的参数辨识系统,其特征在于,所述待辨识参数包括机器人质量、扰动、张力、刚度、粘度摩擦系数、液压缸活塞有效面积和泄漏系数。
9.如权利要求7所述的索缆机器人系统的参数辨识系统,其特征在于,所述最优适度函数拟合单元包括:
非线性动力学方程构建模块,用于获取阀控液压缸与索缆的非线性动力学方程,并确定该非线性动力学方程的模型输出为末端机器人位移;其中,该非线性动力学方程包括索缆机器人的动力学方程、非线性阀控液压缸的滑阀流量方程和液压缸流量连续性方程;
最优适度函数拟合模块,用于获取末端机器人位移实测数据并进行预处理,且进一步将非线性动力学方程模型输出的末端机器人位移与其对应预处理后的实测数据之间误差的平方进行拟合,得到基于所述待辨识参数的最优适度函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892231.8A CN113742857B (zh) | 2021-08-04 | 2021-08-04 | 一种索缆机器人系统的参数辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892231.8A CN113742857B (zh) | 2021-08-04 | 2021-08-04 | 一种索缆机器人系统的参数辨识方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742857A true CN113742857A (zh) | 2021-12-03 |
CN113742857B CN113742857B (zh) | 2023-08-22 |
Family
ID=78730096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110892231.8A Active CN113742857B (zh) | 2021-08-04 | 2021-08-04 | 一种索缆机器人系统的参数辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742857B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0546776A2 (en) * | 1991-12-07 | 1993-06-16 | Pohang Iron & Steel Co., Ltd. | Method of determining kinematic parameters for robot wrist having an offset |
CN102152307A (zh) * | 2011-01-24 | 2011-08-17 | 西安交通大学 | 一种基于倾角约束的Stewart并联机器人运动学标定方法 |
CN103895723A (zh) * | 2012-12-26 | 2014-07-02 | 上海建冶科技工程股份有限公司 | 多轮弹性挤压柔性爬升缆索维护机器人 |
CN103935414A (zh) * | 2013-01-22 | 2014-07-23 | 上海建冶科技工程股份有限公司 | 双节行进柔性爬升缆索维护机器人 |
CN107627299A (zh) * | 2017-09-12 | 2018-01-26 | 中国科学技术大学 | 一种绳索驱动并联机器人的运动学参数误差标定方法 |
CN107729706A (zh) * | 2017-11-29 | 2018-02-23 | 湖南科技大学 | 一种非线性机械系统的动力学模型构建方法 |
CN109063406A (zh) * | 2018-10-26 | 2018-12-21 | 中铁工程装备集团隧道设备制造有限公司 | 一种基于advisor的水平运输机车仿真建模方法 |
CN112084703A (zh) * | 2020-08-18 | 2020-12-15 | 温州大学 | 基于变种洗牌蛙跳算法对光伏电池系统模型参数辨识方法 |
-
2021
- 2021-08-04 CN CN202110892231.8A patent/CN113742857B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0546776A2 (en) * | 1991-12-07 | 1993-06-16 | Pohang Iron & Steel Co., Ltd. | Method of determining kinematic parameters for robot wrist having an offset |
CN102152307A (zh) * | 2011-01-24 | 2011-08-17 | 西安交通大学 | 一种基于倾角约束的Stewart并联机器人运动学标定方法 |
CN103895723A (zh) * | 2012-12-26 | 2014-07-02 | 上海建冶科技工程股份有限公司 | 多轮弹性挤压柔性爬升缆索维护机器人 |
CN103935414A (zh) * | 2013-01-22 | 2014-07-23 | 上海建冶科技工程股份有限公司 | 双节行进柔性爬升缆索维护机器人 |
CN107627299A (zh) * | 2017-09-12 | 2018-01-26 | 中国科学技术大学 | 一种绳索驱动并联机器人的运动学参数误差标定方法 |
CN107729706A (zh) * | 2017-11-29 | 2018-02-23 | 湖南科技大学 | 一种非线性机械系统的动力学模型构建方法 |
CN109063406A (zh) * | 2018-10-26 | 2018-12-21 | 中铁工程装备集团隧道设备制造有限公司 | 一种基于advisor的水平运输机车仿真建模方法 |
CN112084703A (zh) * | 2020-08-18 | 2020-12-15 | 温州大学 | 基于变种洗牌蛙跳算法对光伏电池系统模型参数辨识方法 |
Non-Patent Citations (2)
Title |
---|
周林成;朱巨江;李向丽;: "多输入Wiener非线性系统的Levenberg-Marquardt迭代算法研究", 常熟理工学院学报, no. 04 * |
张建宇;段建龙;: "基于改进差分进化算法的机器人动力学参数辨识方法研究", 北京联合大学学报, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN113742857B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108303895B (zh) | 一种电液位置伺服系统多模型鲁棒自适应控制方法 | |
CN110516718A (zh) | 基于深度嵌入空间的零样本学习方法 | |
CN114088890A (zh) | 基于深度bp神经网络的自适应温湿度补偿方法及系统 | |
Yang et al. | A CMAC-PD compound torque controller with fast learning capacity and improved output smoothness for electric load simulator | |
CN112817312A (zh) | 一种基于双重搜索优化算法的路径规划方法 | |
CN113742857A (zh) | 一种索缆机器人系统的参数辨识方法及系统 | |
CN113370208A (zh) | 一种可重构机械臂子系统的控制方法及系统 | |
CN110034715B (zh) | 一种基于扰动估计的音圈电机运动控制方法及相关设备 | |
CN113156825A (zh) | 一种自适应反步滑模控制的舰载光电跟踪系统设计方法 | |
CN110716430B (zh) | 一种采用等效扰动补偿的伺服系统快速吸引重复控制方法 | |
CN111103793B (zh) | 基于磁流变阻尼器的火炮后坐缓冲系统控制方法、装置 | |
Zhang et al. | A deep reinforcement learning-based optimization method for vibration suppression of articulated robots | |
Zhao et al. | Theory and numerical analysis of extreme learning machine and its application for different degrees of defect recognition of hoisting wire rope | |
CN115455785A (zh) | 高速下电磁能装备的电枢电磁推力外推预测方法 | |
Cook et al. | Artificial neural networks for predicting nonlinear dynamic helicopter loads | |
CN112816191A (zh) | 一种基于sdrsn的多特征健康因子融合方法 | |
CN111797987A (zh) | 一种动态机器学习方法 | |
Wu et al. | The mobile robot GPS position based on neural network adaptive kalman filter | |
CN117111481B (zh) | 一种多船舶协同跟踪控制系统及控制方法 | |
CN111221963B (zh) | 一种智能客服数据训练模型领域迁移方法 | |
Zhang et al. | Fault prediction model for rolling bearings based on double adaptive sliding time windows | |
CN117841004A (zh) | 绳索驱动并联机器人轨迹控制方法、装置、设备及介质 | |
CN116009593A (zh) | 一种基于并行多eso的飞行器纵向姿态自抗扰控制方法 | |
Zhu et al. | Research on Visual Dynamic Tracking Control of SCARA Robot | |
Liu | Research on Material Forming and Control Engineering Optimization Based on Computational Intelligence |
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 |