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 PDF

Info

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
Application number
CN202110892231.8A
Other languages
English (en)
Other versions
CN113742857B (zh
Inventor
王乃格
杨荣刚
项小琴
向家伟
蒋勇英
钟永腾
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.)
Wenzhou University
Original Assignee
Wenzhou University
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 Wenzhou University filed Critical Wenzhou University
Priority to CN202110892231.8A priority Critical patent/CN113742857B/zh
Publication of CN113742857A publication Critical patent/CN113742857A/zh
Application granted granted Critical
Publication of CN113742857B publication Critical patent/CN113742857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种索缆机器人系统的参数辨识方法及系统
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。
其中，所述阻尼Levenberg-Marquardt算法中，阻尼系数取λ0＝λomax[JTWJ]以及参数迭代步长取
Figure BDA0003196609960000021
且根据收敛半径ρi确定下一步迭代步长；其中，
λo一般取0.01；
Figure BDA0003196609960000022
为误差向量，且
Figure BDA0003196609960000023
X为阀控液压缸与索缆的非线性动力学方程的模型输出，
Figure BDA0003196609960000024
为预处理后的实测数据；
W为权重矩阵，且
Figure BDA0003196609960000025
J为雅可比矩阵，且
Figure BDA0003196609960000026
p为所述待辨识参数；
Figure BDA0003196609960000031
χ2(p)为所述最优适度函数。
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，
Figure DEST_PATH_GDA0003324523690000032
且
Figure BDA0003196609960000033
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，
Figure BDA0003196609960000034
且
Figure BDA0003196609960000035
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。
具体过程为，在步骤S1中，确定索缆机器人系统中待辨识参数组成向量p，包括机器人质量m、扰动D(t)、张力T(l,t)、刚度k(t)、粘度摩擦系数R、液压缸活塞有效面积A、泄漏系数Lc；其中，
Figure BDA0003196609960000051
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。
Figure BDA0003196609960000052
Figure BDA0003196609960000053
Figure BDA0003196609960000054
Figure BDA0003196609960000055
Figure BDA0003196609960000056
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
Figure BDA0003196609960000057
之间误差
Figure BDA0003196609960000058
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，
Figure BDA0003196609960000061
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。
其中，阻尼Levenberg-Marquardt算法中，阻尼系数取λ0＝λomax[JTWJ]以及参数迭代步长取
Figure BDA0003196609960000062
且根据收敛半径ρi确定下一步迭代步长；其中，
λo为0.01；
Figure BDA0003196609960000063
为误差向量；W为权重矩阵，且
Figure BDA0003196609960000064
J为雅可比矩阵，且
Figure BDA0003196609960000065
Figure BDA0003196609960000066
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。
当前待辨识参数p逼近真实参数时，更新步长向量hlm采用牛顿高斯法；其中，
Figure DEST_PATH_GDA0003324523690000066
且
Figure BDA0003196609960000068
当前待辨识参数p远离真实参数时，更新步长向量hlm采用最速下降法；其中，
Figure BDA0003196609960000069
且
Figure BDA00031966099600000610
一旦当收敛半径ρi(hIm)大于预设值ε时，待辨识参数p＝p+αh作为新参数代入下一步计算，否则减小阻尼系数
Figure BDA00031966099600000611
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。
4.如权利要求3所述的索缆机器人系统的参数辨识方法，其特征在于，所述阻尼Levenberg-Marquardt算法中，阻尼系数取λ0＝λomax[JTWJ]以及参数迭代步长取
Figure FDA0003196609950000011
且根据收敛半径ρi确定下一步迭代步长；其中，
λo一般取0.01；
Figure FDA0003196609950000021
为误差向量，且
Figure FDA0003196609950000022
X为阀控液压缸与索缆的非线性动力学方程的模型输出，
Figure FDA0003196609950000023
为预处理后的实测数据；
W为权重矩阵，且
Figure FDA0003196609950000024
J为雅可比矩阵，且
Figure FDA0003196609950000025
p为所述待辨识参数；
Figure FDA0003196609950000026
χ2(p)为所述最优适度函数。
5.如权利要求4所述的索缆机器人系统的参数辨识方法，其特征在于，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，
Figure RE-FDA0003324523680000027
且
Figure RE-FDA0003324523680000028
6.如权利要求4所述的索缆机器人系统的参数辨识方法，其特征在于，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，
Figure FDA0003196609950000029
且
Figure FDA00031966099500000210
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。
CN202110892231.8A 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 Active CN113742857B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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