CN113900377A - 双转子气动系统点对点迭代学习最小能量控制方法 - Google Patents

双转子气动系统点对点迭代学习最小能量控制方法 Download PDF

Info

Publication number
CN113900377A
CN113900377A CN202111215946.6A CN202111215946A CN113900377A CN 113900377 A CN113900377 A CN 113900377A CN 202111215946 A CN202111215946 A CN 202111215946A CN 113900377 A CN113900377 A CN 113900377A
Authority
CN
China
Prior art keywords
point
input
iterative learning
control
tracking
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
CN202111215946.6A
Other languages
English (en)
Other versions
CN113900377B (zh
Inventor
陶洪峰
周晨辉
庄志和
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.)
Jianhu Tianchen Electric Industrial Co ltd
State Grid Jiangsu Electric Power Co ltd Jianhu County Power Supply Branch
Wuhan Tianzhiran Intellectual Property Operation Co ltd
Yancheng Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN202111215946.6A priority Critical patent/CN113900377B/zh
Publication of CN113900377A publication Critical patent/CN113900377A/zh
Application granted granted Critical
Publication of CN113900377B publication Critical patent/CN113900377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B13/04—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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • 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

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

本发明公开了一种双转子气动系统点对点迭代学习最小能量控制方法，涉及直流电动机优化控制领域，该方法基于提升技术将重复运行的双转子气动系统转换为时间序列的输入输出矩阵模型，选取M个跟踪时间点作为变量，提出点对点迭代学习控制的最小能量问题设计框架，并基于该框架设计了一种范数优化点对点迭代学习控制与坐标下降法结合的控制算法来解决这个优化问题。此外，当系统模型存在不确定性时，分析所设计最小能量控制算法的鲁棒性。该方法也可以拓展到输入输出约束系统中，在实现点对点跟踪任务的同时，达到最小输入能量的目的。

Description

双转子气动系统点对点迭代学习最小能量控制方法
技术领域
本发明涉及直流电动机优化控制领域，尤其是双转子气动系统点对点迭代学习最小能量控制方法。
背景技术
直流电动机是一种将直流电转换为机械能的转动装置，具有变流装置简单、调速性能好、运行性能优良等特点，在工业制造领域中得到广泛的应用。
针对执行重复运动任务的直流电动机，迭代学习控制具有良好的控制性能，迭代学习控制的原理是：使用之前批次的输入输出信息，不断修正当前批次的控制输入，从而在有限的时间能实现对期望轨迹的完全跟踪。然而在很多情况下，往往并不需要跟踪完整的轨迹，只需要在关键点处满足跟踪要求即可，这就是点对点跟踪问题。一方面，如果结合状态反馈和前馈的Riccati方程来设计控制律，那么复杂的计算可能会使系统来不及响应。另一方面，点对点跟踪问题对于输出的要求不高，会给设计带来潜在优化的可能，比如减少系统能量的损耗、减小机器人运动的加速度。因此，在点对点跟踪问题中，进行最小能量控制方法设计的研究是很有意义的。
此外，在迭代学习控制的过程中，由于存在输入输出约束时，会使最小能量控制算法的效果不理想，因此需要设计相应的机制来消除输入输出约束的影响，从而实现对期望跟踪点的完全跟踪。
发明内容
本发明人针对上述问题及技术需求，提出了双转子气动系统点对点迭代学习最小能量控制方法，在不考虑扰动的作用下，通过前馈设计的范数优化点对点迭代学习控制律更加实用；以跟踪时间点为变量，通过范数优化点对点迭代学习控制与坐标下降方法相结合，在满足跟踪要求的同时，实现最小能量的目的。同时当建立的模拟模型不够准确时，鲁棒性会是一个严重问题，以及当存在输入输出约束时，也会对系统有不小的影响。
本发明的技术方案如下：
双转子气动系统点对点迭代学习最小能量控制方法，包括如下步骤：
第一步、建立双转子气动系统的动态模型：
动态模型采用动力学方程表示，描述了直流电动机输入电压uψ,uθ和系统俯仰角ψ与方位角θ之间的转化关系，建立如式(1)所示的实际物理模型：
Figure BDA0003310628890000021
其中，
Figure BDA0003310628890000022
Figure BDA0003310628890000023
Kg＝(mmlm-mtlt)cos(θ)+2mcωlcωsin(θ)；lm表示主旋翼离原点的距离，lt表示尾翼离原点的距离，mm表示旋转梁的主体配重，mt表示旋转梁的尾部配重，mcω和lcω分别表示杠杆两端的质量和相应的杠杆长度，Jz和Jx分别表示旋转梁相对于固定z轴与x轴的转动惯量，g表示重力加速度，Kψ表示阻尼系数，Cψ、Cθ分别表示系统俯仰角ψ与方位角θ对应的弹簧参数值；
第二步、构建双转子气动系统的离散状态空间方程：
将系统俯仰角、俯仰角的导数、方位角和方位角的导数定义为状态变量：
Figure BDA0003310628890000024
定义输入变量为直流电动机输入电压u＝[uψ uθ]T，输出变量为系统俯仰角与方位角y＝[ψ θ]T，f表示光滑非线性函数的向量，则式(1)所示的双转子气动系统描述为：
Figure BDA0003310628890000025
y＝[ψ θ]T
对于式(2)所示的非线性的连续系统模型，利用Jacobian线性化方法在平衡点ψ＝ψo＝0[rad]和θ＝θo＝0[rad]处得到线性化模型，再对其进行离散化，选取满足香农采样定理采样周期Ts，得到双转子气动系统的离散状态空间方程如下：
Figure BDA0003310628890000026
式中t和k分别代表采样时间和批次，批次过程的运行周期为T；在每个重复过程周期内，对于时间点t∈[0，T]取N个采样点；
Figure BDA0003310628890000027
和
Figure BDA0003310628890000028
分别是离散状态空间系统的第k批次t时刻的输入、输出和状态向量；A，B，C为式(3)中离散系统各个参数矩阵，且满足CB≠0，并且假设系统每个批次的初始状态一致，令xk(0)＝0；
第三步、建立双转子气动系统提升模型：
针对式(3)形式的线性离散系统，将其状态空间方程转换为时间序列的输入输出矩阵模型：
yk＝Guk (4)
其中：
Figure BDA0003310628890000031
Figure BDA0003310628890000032
是时间序列上的输入输出传递矩阵；输入输出的内积及相关的诱导范数定义为：
Figure BDA0003310628890000033
Figure BDA0003310628890000034
其中，权矩阵R和S为适当维度的实正定矩阵；
第四步、提出点对点迭代学习控制设计框架：
与传统的迭代学习控制方法不同的是，点对点跟踪问题只需要跟踪一些关键跟踪时间点处的参考值。选取在运行过程中的当前运行批次中的M个跟踪时间点，定义为ti,i＝1,…,M，跟踪时间点分布定义为Λ：
Λ＝[t1,t2,…,tM]T∈Θ (7)
其中：
Figure BDA0003310628890000035
点对点的参考轨迹rp是从完整的参考轨迹r中提取的：
rp＝[r(t1)T,r(t2)T,...,r(tM)T]T (9)
点对点的输出信号
Figure BDA0003310628890000036
和跟踪误差
Figure BDA0003310628890000037
与式(9)有同样的表达式：
Figure BDA0003310628890000038
Figure BDA0003310628890000041
为了将一个信号转换为其点对点形式，引入一个转换矩阵
Figure BDA0003310628890000042
为M行N列的分块矩阵，使得rp＝Ψr，
Figure BDA0003310628890000043
当第i个采样时刻ti为关键跟踪时间点时，转换矩阵第i行的所有N个元素除了j＝t时为单位矩阵(l×l)其余全是零矩阵，Ψ的表达式为：
Figure BDA0003310628890000044
其中，Ψij为转换矩阵Ψ中的第i行第j列的元素；
基于式(4)，推导出点对点双转子气动系统的提升模型为：
Figure BDA0003310628890000045
其中，
Figure BDA0003310628890000046
第五步、提出点对点迭代学习控制的最小能量问题设计框架：
在已有的点对点迭代学习控制框架中，跟踪时间点分布Λ通常被认为是先验已知的信息，系统在跟踪时间点处的潜在优化问题并没有得到广泛的探索，比如说最小化输入能量问题。
选择控制能量作为目标代价函数：
Figure BDA0003310628890000047
最小能量的设计目的是迭代地寻找一个输入信号uk，相应的输出yk，以及一个跟踪时间点分布Λk，满足：
Figure BDA0003310628890000048
其中，y*表示准确地经过点对点的参考轨迹rp，同时u*，Λ*是如下问题的优化解：
Figure BDA0003310628890000049
通过先优化输入信号u，再优化跟踪时间点分布Λ，将优化问题(16)分为两个优化问题：
Figure BDA00033106288900000410
Figure BDA00033106288900000411
其中，u*(Λ)是优化问题(17)的解析解；由于目标代价函数(14)是凸函数，所以可以保证解析解u*(Λ)是唯一的全局最优解；
第六步、设计点对点迭代学习最小能量控制算法：
根据第五步中提出的设计框架，只需设计跟踪时间点分布Λ的优化方法，即可导出点对点跟踪问题的迭代学习最小能量控制算法；为了满足实际工业问题设计要求，此处考虑了跟踪误差及控制信号批次间变化，设计如下性能指标：
Figure BDA0003310628890000051
跟踪误差及控制信号批次间变化的内积及相关的诱导范数由式(5)和式(6)导出：
Figure BDA0003310628890000052
Figure BDA0003310628890000053
其中权矩阵Q是与S维度不同的实正定矩阵；
针对具有性能指标(19)的ILC问题，采用如下范数优化迭代学习控制律解决：
Figure BDA0003310628890000054
为了获取稳态控制输入，令k→∞，并且初始的输入信号u0＝0，则：
Figure BDA0003310628890000055
为了解决优化问题(17)，引入Language乘子λ，构造Language函数：
Figure BDA0003310628890000056
令u*(Λ)为Language函数的全局最优解，则：
Figure BDA0003310628890000057
将
Figure BDA0003310628890000058
代入式(25)，则：
Figure BDA0003310628890000059
当且仅当
Figure BDA00033106288900000510
不等式(26)成立，并且满足跟踪条件
Figure BDA00033106288900000511
则有：
Figure BDA00033106288900000512
由范数优化迭代学习控制律生成的稳态控制输入u∞就是优化问题(17)的全局最优解u*(Λ)；
将优化问题(17)的全局最优解表达式(23)代入优化问题(18)，则有：
Figure BDA0003310628890000061
由于集合Θ在离散系统中是有限的，令初始跟踪时间点分布为Λ0，所以优化问题(28)通过坐标下降法解决：
Figure BDA0003310628890000062
其中
Figure BDA0003310628890000063
表示坐标下降的次数；每个跟踪时间点经过函数
Figure BDA0003310628890000064
更新：
Figure BDA0003310628890000065
其中
Figure BDA0003310628890000066
是如下优化问题的解：
Figure BDA0003310628890000067
基于式(29)生成的序列{h(Λj)}，向下收敛到极限h*；
给定线性离散时不变系统，初始跟踪时间点分布Λ0以及集合Θ，点对点的参考轨迹rp，选定权矩阵Q和R，趋近于零的常数ε>0和δ>0，则点对点迭代学习最小能量控制算法设计如下：
步骤6.1：初始跟踪时间点分布为Λ0时，执行范数优化迭代学习控制律(22)直到系统收敛，即
Figure BDA0003310628890000068
记录稳态控制输入u*(Λ0)以及初始控制能量
Figure BDA0003310628890000069
步骤6.2：执行坐标下降法(29)，令j→j+1；
步骤6.3：令跟踪时间点分布Λ＝Λj时，执行范数优化迭代学习控制律(22)直到系统收敛，即
Figure BDA00033106288900000610
记录稳态控制输入u*(Λj)以及相应的控制能量
Figure BDA00033106288900000611
步骤6.4：重复执行步骤6.2和步骤6.3，直到|h(Λj)-h(Λj-1)|<δ|h(Λj-1)|；
步骤6.5：记录最优跟踪时间点分布Λ*以及相应的最小能量
Figure BDA0003310628890000071
第七步、分析点对点迭代学习最小能量控制算法的鲁棒性：
在实际应用中，由于设备老化、测量误差等原因，实际模型
Figure BDA0003310628890000072
与标称模型G之间存在偏差。考虑乘性不确定性对系统的影响，输入输出传递矩阵的实际模型如下：
Figure BDA0003310628890000073
其中，未知矩阵Δ表示模型不确定性，并且满足条件：
Figure BDA0003310628890000074
则由范数优化迭代学习控制律(22)生成的误差序列
Figure BDA0003310628890000075
单调收敛到零，即：
Figure BDA0003310628890000076
其中，η<1表示
Figure BDA0003310628890000077
的谱半径；
当误差收敛到零时，跟踪设计目标写成：
Figure BDA0003310628890000078
其中，
Figure BDA0003310628890000079
表示控制律作用于实际模型生成的稳态控制输入，通过测量获得，实际模型对应的点对点参考轨迹
Figure BDA00033106288900000710
也是基于测量数据生成的：
Figure BDA00033106288900000711
如果G(I+Δ)仍然是满秩，并且
Figure BDA00033106288900000712
的下界σ-非零，则将式(35)写成：
Figure BDA00033106288900000713
Figure BDA00033106288900000714
有上界
Figure BDA00033106288900000715
则将式(36)写成：
Figure BDA00033106288900000716
结合式(37)和式(38)：
Figure BDA00033106288900000717
代价函数h(Λ)有上界η，则：
Figure BDA00033106288900000718
第八步、设计输入输出约束下的点对点迭代学习最小能量控制算法：
由于实际应用中存在物理限制以及对性能的要求，控制系统中普遍存在着约束条件。以输入输出幅值作为约束条件，形式如下：
Figure BDA0003310628890000081
Figure BDA0003310628890000082
其中，t∈[0,N]，
Figure BDA0003310628890000083
分别表示第i个输入的幅值最小值和幅值最大值，
Figure BDA0003310628890000084
分别表示第i个输出的幅值最小值和幅值最大值；
当考虑系统约束时，优化问题(16)改写为：
Figure BDA0003310628890000085
将优化问题(43)分为两个优化问题分别进行求解，与式(17)和式(18)有同样表达式：
Figure BDA0003310628890000086
Figure BDA0003310628890000087
其中
Figure BDA0003310628890000088
是优化问题(44)的解析解；
由于优化问题(44)没有直接的解析解，采用具有连续投影的范数优化迭代学习控制律来解决这个问题；则控制律(22)被替换为：
Figure BDA0003310628890000089
为了防止约束条件下输出轨迹跟踪不上点对点的参考轨迹rp，将优化问题(45)中的代价函数改写为：
Figure BDA00033106288900000810
其中ρ≥0；结合式(45)和式(47)：
Figure BDA00033106288900000811
当满足跟踪要求
Figure BDA00033106288900000812
则有：
Figure BDA0003310628890000091
将式(49)代入式(48)，显然
Figure BDA0003310628890000092
并且(1-ρ)非负，则有：
Figure BDA0003310628890000093
代价函数h*(Λ)有上下界：
Figure BDA0003310628890000094
优化问题(45)同样通过坐标下降法解决：
Figure BDA0003310628890000095
其中
Figure BDA0003310628890000096
表示坐标下降的次数；每个跟踪时间点经过函数
Figure BDA0003310628890000097
更新：
Figure BDA0003310628890000098
其中
Figure BDA0003310628890000099
是如下优化问题的解：
Figure BDA00033106288900000910
给定线性离散时不变系统，初始跟踪时间点分布Λ0以及集合Θ，点对点的参考轨迹rp，选定权矩阵Q和R，输入输出约束的集合Φ和Ξ，趋近于零的常数ε>0和δ>0，则输入输出约束的点对点迭代学习最小能量控制算法设计如下：
步骤8.1：初始跟踪时间点分布为Λ0时，执行具有连续投影的范数优化迭代学习控制律(46)直到系统收敛，即
Figure BDA00033106288900000911
通过式(23)计算并记录理论最优的控制输入u*(Λ0)以及相应的初始控制能量
Figure BDA0003310628890000101
实际的稳态控制输入
Figure BDA0003310628890000102
以及相应的初始控制能量
Figure BDA0003310628890000103
步骤8.2：执行坐标下降法(52)，令j→j+1；
步骤8.3：令跟踪时间点分布Λ＝Λj时，执行具有连续投影的范数优化迭代学习控制律(46)直到系统收敛，即
Figure BDA0003310628890000104
通过式(23)计算并记录理论最优的控制输入u*(Λj)以及相应的控制能量
Figure BDA0003310628890000105
实际的稳态控制输入
Figure BDA0003310628890000106
以及相应的控制能量
Figure BDA0003310628890000107
步骤8.4：重复执行步骤8.2和步骤8.3，直到|h*(Λj)-h*(Λj-1)|<δ|h*(Λj-1)|；
步骤8.5：记录最优跟踪时间点分布
Figure BDA0003310628890000108
以及相应的最小能量
Figure BDA0003310628890000109
本发明的有益技术效果是：
本申请公开了针对双转子气动系统此类具有重复运动特征的线性系统，将该双转子气动系统作为被控对象，针对点对点跟踪任务中能量损耗问题，将范数优化点对点迭代学习控制与坐标下降方法相结合，提出了点对点迭代学习控制的最小能量问题设计框架，并在该框架下设计可实现的迭代学习控制算法，通过坐标下降方法改变跟踪时间点的分布从而减少系统能量损耗。同时，分析了该算法在模型不确定性时的鲁棒性，以及拓展了该算法在输入输出约束系统中的应用。
附图说明
图1是本申请提供的双转子气动系统点对点迭代学习最小能量控制方法的流程框图。
图2是本申请提供的双转子气动系统的惯性参照系图。
图3是本申请提供的双转子气动系统在初始跟踪时间点分布处的实际输出曲线图。
图4是本申请提供的双转子气动系统在初始跟踪时间点分布与最终跟踪时间点分布处的实际输入曲线图。
图5是本申请提供的双转子气动系统在初始跟踪时间点分布与最终跟踪时间点分布处的实际输出曲线图。
图6是本申请提供的双转子气动系统跟踪时间点变化图。
图7是本申请提供的双转子气动系统输入能量变化图。
图8是本申请提供的存在模型不确定性的双转子气动系统跟踪时间点变化图。
图9是本申请提供的存在模型不确定性的双转子气动系统输入能量变化图。
图10是本申请提供的施加输入输出约束下的双转子气动系统在初始跟踪时间点分布与最终跟踪时间点处分布的实际输入曲线图。
图11是本申请提供的施加输入输出约束下的双转子气动系统在初始跟踪时间点分布与最终跟踪时间点处分布的实际输出曲线图。
图12是本申请提供的施加输入输出约束下的双转子气动系统跟踪时间点变化图。
图13是本申请提供的施加输入输出约束下的双转子气动系统输入能量变化图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
如图1所示，第k批次直流电动机的输入信号为uk，将其作用于双转子气动系统得到第k批次系统的输出信号yk。针对点对点跟踪问题，将存储在跟踪时间点分布存储器中第j批次的Λj作用于转换模块，通过转换模块将输出信号yk转换成其点对点输出信号
Figure BDA0003310628890000111
之后，将点对点输出信号
Figure BDA0003310628890000112
与存储在点对点期望轨迹存储器的设定期望值rp进行比较，得到点对点跟踪误差
Figure BDA0003310628890000113
若误差精度没有达到所设定的精度，则将点对点跟踪误差
Figure BDA0003310628890000114
与当前控制器输入uk传递到范数优化迭代学习控制器生成下一批次的控制器输入uk+1，如此循环运行直至系统实际输出与期望值之间的误差达到精度要求，则停止ILC迭代，此时的控制器输入即为最优控制输入u*(Λj)。若最优控制输入没有达到所设定的要求|h(Λj)-h(Λj-1)|<δ|h(Λj-1)|，则将最优控制输入u*(Λj)与当前跟踪时间点分布存储器中的Λj作用于坐标下降法生成下一批次的跟踪时间点分布Λj+1，如此循环运行直至满足精度要求，则停止坐标迭代，此时的跟踪时间点分布存储器中是最优跟踪时间点分布Λ*，以及相应的最小输入能量
Figure BDA0003310628890000115
如图2所示，针对式(1)所示的双转子气动系统实际物理模型，变量参数分别设定为：
lm＝0.202m,lt＝0.216m,lcω＝0.13m,Kψ＝0.060Nm,Cψ＝0.008Nm·s,
mm＝0.054kg,mt＝0.058kg,mcω＝0.068kg,Cθ＝0.095Nm·s,
Jx＝0.068kg/m2,Jz＝0.002kg/m2,g＝9.8m/s2.
系统仿真时间设定为T＝1s，采样时间设定为Ts＝0.01s，则系统的离散状态空间方程的参数矩阵分别为：
Figure BDA0003310628890000121
Figure BDA0003310628890000122
在双转子气动系统运行过程中，需要系统的俯仰角ψ和方位角θ处于几个关键位置。因此，选取7个关键跟踪时间点，点对点期望轨迹设置为：
Figure BDA0003310628890000123
Figure BDA0003310628890000124
初始跟踪时间点分布设置为：
Λ0＝[5,20,35,50,65,80,95]T
选取权矩阵Q＝5000I,R＝0.1I，并且初始输入u0＝0。本申请的上述范数优化迭代学习控制器基于STM32F103RCT6芯片上实现，芯片的输入为电机控制电压u，并通过电压传感器采集得到。第k批次的输入信号通过调理电路进入STM32F103RCT6芯片进行存储和计算，第j批次的跟踪时间点分布Λj同样存储在芯片中，并构建迭代学习更新律，CPU计算后得到的下一批次输入信号uk+1，输入信号再经RS232通信模块作用于双转子气动系统，不断修正系统输出跟踪轨迹，直到跟踪上关键跟踪时间点。双转子气动系统的动态模型(1)运行时，请参考图3，其示出了双转子气动系统应用范数优化迭代学习控制律(22)的轨迹跟踪效果图，经过一定批次k后，系统的输出值能准确跟踪上关键跟踪时间点。第j批次最优控制输入u*(Λj)与当前跟踪时间点分布Λj作用于坐标下降法生成下一批次的跟踪时间点分布Λj+1，不断修正跟踪时间点分布，直到达到最小能量的目的。图4示出了双转子气动系统在初始跟踪时间点分布Λ0与最终跟踪时间点分布Λ70处的实际输入曲线图，可以直观地看出在最终跟踪时间点分布处的输入能量小于在初始跟踪时间点分布处的输入能量。图5示出了双转子气动系统在初始跟踪时间点分布Λ0与最终跟踪时间点分布Λ70处的实际输出曲线图，系统的输出满足点对点跟踪任务。图6和图7分别示出了双转子气动系统跟踪时间点变化图与输入能量变化图，跟踪时间点分布存储器中的最优跟踪时间分布Λ*＝[18,26,39,67,79,87,100]T，以及相应的最小输入能量
Figure BDA0003310628890000131
如果存在模型不确定性，标称模型G就不能很好地反映出实际模型
Figure BDA0003310628890000132
的性质，用下三角未知矩阵Δ表示系统模型的乘性不确定性，该不确定性有上界||Δ||≤1，并且满足条件(33)。图8和图9分别示出了存在模型不确定性的双转子气动系统跟踪时间点变化图与输入能量变化图，跟踪时间点分布存储器中的最优跟踪时间分布
Figure BDA0003310628890000133
以及相应的最小输入能量
Figure BDA0003310628890000134
双转子气动系统在实际控制过程中会受到输入输出的影响，本申请考虑对系统施加输入输出幅值约束：
-100≤uψ(t)≤180,-15≤uθ(t)≤40
-1.8≤ψ(t)≤1.8,-0.5≤θ(t)≤0.5
使用控制律(46)实现点对点跟踪任务，设置坐标下降法(52)中的代价函数(47)参数ρ＝0.6。在双转子气动系统运行过程中，图10示出了施加输入输出幅值约束下的双转子气动系统在初始跟踪时间点分布Λ0与最终跟踪时间点分布Λ70处的实际输入曲线图。图11示出了施加输入输出幅值约束下的双转子气动系统在初始跟踪时间点分布Λ0与最终跟踪时间点分布Λ70处的实际输出曲线图，系统的输出满足点对点跟踪任务。图12和图13分别示出了施加输入输出幅值约束下的双转子气动系统跟踪时间点变化图与输入能量变化图，跟踪时间点分布存储器中的最优跟踪时间分布
Figure BDA0003310628890000135
以及相应的最小输入能量
Figure BDA0003310628890000136
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (1)

1.双转子气动系统点对点迭代学习最小能量控制方法，其特征在于，所述方法包括：
第一步、建立双转子气动系统的动态模型：
所述动态模型采用动力学方程表示，描述了直流电动机输入电压uψ,uθ和系统俯仰角ψ与方位角θ之间的转化关系，建立如式(1)所示的实际物理模型：
Figure FDA0003310628880000011
其中，
Figure FDA0003310628880000012
Figure FDA0003310628880000013
Kg＝(mmlm-mtlt)cos(θ)+2mcωlcωsin(θ)；lm表示主旋翼离原点的距离，lt表示尾翼离原点的距离，mm表示旋转梁的主体配重，mt表示旋转梁的尾部配重，mcω和lcω分别表示杠杆两端的质量和相应的杠杆长度，Jz和Jx分别表示旋转梁相对于固定z轴与x轴的转动惯量，g表示重力加速度，Kψ表示阻尼系数，Cψ、Cθ分别表示系统俯仰角ψ与方位角θ对应的弹簧参数值；
第二步、构建所述双转子气动系统的离散状态空间方程：
将系统俯仰角、俯仰角的导数、方位角和方位角的导数定义为状态变量：
Figure FDA0003310628880000014
定义输入变量为直流电动机输入电压u＝[uψ uθ]T，输出变量为所述系统俯仰角与方位角y＝[ψ θ]T，f表示光滑非线性函数的向量，则式(1)所示的双转子气动系统描述为：
Figure FDA0003310628880000015
y＝[ψ θ]T
对于式(2)所示的非线性的连续系统模型，利用Jacobian线性化方法在平衡点ψ＝ψo＝0[rad]和θ＝θo＝0[rad]处得到线性化模型，再对其进行离散化，选取满足香农采样定理采样周期Ts，得到双转子气动系统的离散状态空间方程如下：
Figure FDA0003310628880000021
式中t和k分别代表采样时间和批次，批次过程的运行周期为T；在每个重复过程周期内，对于时间点t∈[0，T]取N个采样点；
Figure FDA0003310628880000022
和
Figure FDA0003310628880000023
分别是离散状态空间系统的第k批次t时刻的输入、输出和状态向量；A，B，C为式(3)中离散系统各个参数矩阵，且满足CB≠0，并且假设系统每个批次的初始状态一致，令xk(0)＝0；
第三步、建立双转子气动系统提升模型：
针对式(3)形式的线性离散系统，将其状态空间方程转换为时间序列的输入输出矩阵模型：
yk＝Guk (4)
其中：
Figure FDA0003310628880000024
uk＝[uk(0)T,uk(1)T,...,uk(N-1)T]T
yk＝[yk(1)T,yk(2)T,...,yk(N)T]T
Figure FDA0003310628880000025
是时间序列上的输入输出传递矩阵；输入输出的内积及相关的诱导范数定义为：
Figure FDA0003310628880000026
Figure FDA0003310628880000027
其中，权矩阵R和S为适当维度的实正定矩阵；
第四步、提出点对点迭代学习控制设计框架：
选取在运行过程中的当前运行批次中的M个跟踪时间点，定义为ti,i＝1,...,M，跟踪时间点分布定义为Λ：
Λ＝[t1,t2,...,tM]T∈Θ (7)
其中：
Figure FDA0003310628880000028
点对点的参考轨迹rp是从完整的参考轨迹r中提取的：
rp＝[r(t1)T,r(t2)T,...,r(tM)T]T (9)
点对点的输出信号
Figure FDA0003310628880000031
和跟踪误差
Figure FDA0003310628880000032
与式(9)有同样的表达式：
Figure FDA0003310628880000033
Figure FDA0003310628880000034
为了将一个信号转换为其点对点形式，引入一个转换矩阵
Figure FDA0003310628880000035
为M行N列的分块矩阵，使得rp＝Ψr，
Figure FDA0003310628880000036
当第i个采样时刻ti为关键跟踪时间点时，转换矩阵第i行的所有N个元素除了j＝t时为单位矩阵(l×l)其余全是零矩阵，Ψ的表达式为：
Figure FDA0003310628880000037
其中，Ψij为转换矩阵Ψ中的第i行第j列的元素；
基于式(4)，推导出点对点双转子气动系统的提升模型为：
Figure FDA0003310628880000038
其中，
Figure FDA0003310628880000039
第五步、提出点对点迭代学习控制的最小能量问题设计框架：
选择控制能量作为目标代价函数：
Figure FDA00033106288800000310
最小能量的设计目的是迭代地寻找一个输入信号uk，相应的输出yk，以及一个跟踪时间点分布Λk，满足：
Figure FDA00033106288800000311
其中，y*表示准确地经过点对点的参考轨迹rp，同时u*，Λ*是如下问题的优化解：
Figure FDA00033106288800000312
通过先优化输入信号u，再优化跟踪时间点分布Λ，将优化问题(16)分为两个优化问题：
Figure FDA00033106288800000313
Figure FDA00033106288800000314
其中，u*(Λ)是优化问题(17)的解析解；由于目标代价函数(14)是凸函数，所以可以保证解析解u*(Λ)是唯一的全局最优解；
第六步、设计点对点迭代学习最小能量控制算法：
根据第五步中提出的设计框架，只需设计所述跟踪时间点分布Λ的优化方法，即可导出点对点跟踪问题的迭代学习最小能量控制算法；为了满足实际工业问题设计要求，此处考虑了跟踪误差及控制信号批次间变化，设计如下性能指标：
Figure FDA0003310628880000041
跟踪误差及控制信号批次间变化的内积及相关的诱导范数由式(5)和式(6)导出：
Figure FDA0003310628880000042
Figure FDA0003310628880000043
其中权矩阵Q是与S维度不同的实正定矩阵；
针对具有性能指标(19)的ILC问题，采用如下范数优化迭代学习控制律解决：
Figure FDA0003310628880000044
为了获取稳态控制输入，令k→∞，并且初始的输入信号u0＝0，则：
Figure FDA0003310628880000045
为了解决优化问题(17)，引入Language乘子λ，构造Language函数：
Figure FDA0003310628880000046
令u*(Λ)为Language函数的全局最优解，则：
Figure FDA0003310628880000047
将
Figure FDA0003310628880000048
代入式(25)，则：
Figure FDA0003310628880000049
当且仅当
Figure FDA00033106288800000410
不等式(26)成立，并且满足跟踪条件
Figure FDA00033106288800000411
则有：
Figure FDA00033106288800000412
由所述范数优化迭代学习控制律生成的稳态控制输入u∞就是优化问题(17)的全局最优解u*(Λ)；
将优化问题(17)的全局最优解表达式(23)代入优化问题(18)，则有：
Figure FDA0003310628880000051
由于集合Θ在离散系统中是有限的，令初始跟踪时间点分布为Λ0，所以优化问题(28)通过坐标下降法解决：
Figure FDA0003310628880000052
其中
Figure FDA0003310628880000053
表示坐标下降的次数；每个跟踪时间点经过函数
Figure FDA0003310628880000054
更新：
Figure FDA0003310628880000055
其中
Figure FDA0003310628880000056
是如下优化问题的解：
Figure FDA0003310628880000057
基于式(29)生成的序列{h(Λj)}，向下收敛到极限h*；
给定线性离散时不变系统，初始跟踪时间点分布Λ0以及集合Θ，点对点的参考轨迹rp，选定权矩阵Q和R，趋近于零的常数ε>0和δ>0，则点对点迭代学习最小能量控制算法设计如下：
步骤6.1：初始跟踪时间点分布为Λ0时，执行范数优化迭代学习控制律(22)直到系统收敛，即
Figure FDA0003310628880000058
记录稳态控制输入u*(Λ0)以及初始控制能量
Figure FDA0003310628880000059
步骤6.2：执行坐标下降法(29)，令j→j+1；
步骤6.3：令跟踪时间点分布Λ＝Λj时，执行范数优化迭代学习控制律(22)直到系统收敛，即
Figure FDA00033106288800000510
记录稳态控制输入u*(Λj)以及相应的控制能量
Figure FDA00033106288800000511
步骤6.4：重复执行步骤6.2和步骤6.3，直到|h(Λj)-h(Λj-1)|<δ|h(Λj-1)|；
步骤6.5：记录最优跟踪时间点分布Λ*以及相应的最小能量
Figure FDA00033106288800000512
第七步、分析所述点对点迭代学习最小能量控制算法的鲁棒性：
考虑乘性不确定性对系统的影响，输入输出传递矩阵的实际模型如下：
Figure FDA0003310628880000061
其中，未知矩阵Δ表示模型不确定性，并且满足条件：
Figure FDA0003310628880000062
则由范数优化迭代学习控制律(22)生成的误差序列
Figure FDA00033106288800000618
单调收敛到零，即：
Figure FDA0003310628880000063
其中，η<1表示
Figure FDA0003310628880000064
的谱半径；
当误差收敛到零时，跟踪设计目标写成：
Figure FDA0003310628880000065
其中，
Figure FDA0003310628880000066
表示控制律作用于实际模型生成的稳态控制输入，通过测量获得，实际模型对应的点对点参考轨迹
Figure FDA0003310628880000067
也是基于测量数据生成的：
Figure FDA0003310628880000068
如果G(I+Δ)仍然是满秩，并且
Figure FDA0003310628880000069
的下界σ非零，则将式(35)写成：
Figure FDA00033106288800000610
Figure FDA00033106288800000611
有上界
Figure FDA00033106288800000612
则将式(36)写成：
Figure FDA00033106288800000613
结合式(37)和式(38)：
Figure FDA00033106288800000614
代价函数h(Λ)有上界η，则：
Figure FDA00033106288800000615
第八步、设计输入输出约束下的点对点迭代学习最小能量控制算法：
以输入输出幅值作为约束条件，形式如下：
Figure FDA00033106288800000616
Figure FDA00033106288800000617
其中，t∈[0,N]，
Figure FDA0003310628880000071
分别表示第i个输入的幅值最小值和幅值最大值，
Figure FDA0003310628880000072
分别表示第i个输出的幅值最小值和幅值最大值；
当考虑系统约束时，优化问题(16)改写为：
Figure FDA0003310628880000073
将优化问题(43)分为两个优化问题分别进行求解，与式(17)和式(18)有同样表达式：
Figure FDA0003310628880000074
Figure FDA0003310628880000075
其中
Figure FDA0003310628880000076
是优化问题(44)的解析解；
由于优化问题(44)没有直接的解析解，采用具有连续投影的范数优化迭代学习控制律来解决这个问题；则控制律(22)被替换为：
Figure FDA0003310628880000077
为了防止约束条件下输出轨迹跟踪不上点对点的参考轨迹rp，将优化问题(45)中的代价函数改写为：
Figure FDA0003310628880000078
其中ρ≥0；结合式(45)和式(47)：
Figure FDA0003310628880000079
当满足跟踪要求
Figure FDA00033106288800000710
则有：
Figure FDA0003310628880000081
将式(49)代入式(48)，显然
Figure FDA0003310628880000082
并且(1-ρ)非负，则有：
Figure FDA0003310628880000083
代价函数h*(Λ)有上下界：
Figure FDA0003310628880000084
优化问题(45)同样通过坐标下降法解决：
Figure FDA0003310628880000085
其中
Figure FDA0003310628880000086
表示坐标下降的次数；每个跟踪时间点经过函数
Figure FDA0003310628880000087
更新：
Figure FDA0003310628880000088
其中
Figure FDA0003310628880000089
是如下优化问题的解：
Figure FDA00033106288800000810
给定线性离散时不变系统，初始跟踪时间点分布Λ0以及集合Θ，点对点的参考轨迹rp，选定权矩阵Q和R，输入输出约束的集合Φ和Ξ，趋近于零的常数ε>0和δ>0，则输入输出约束的点对点迭代学习最小能量控制算法设计如下：
步骤8.1：初始跟踪时间点分布为Λ0时，执行具有连续投影的范数优化迭代学习控制律(46)直到系统收敛，即
Figure FDA00033106288800000811
通过式(23)计算并记录理论最优的控制输入u*(Λ0)以及相应的初始控制能量
Figure FDA0003310628880000091
实际的稳态控制输入
Figure FDA0003310628880000092
以及相应的初始控制能量
Figure FDA0003310628880000093
步骤8.2：执行坐标下降法(52)，令j→j+1；
步骤8.3：令跟踪时间点分布Λ＝Λj时，执行具有连续投影的范数优化迭代学习控制律(46)直到系统收敛，即
Figure FDA0003310628880000094
通过式(23)计算并记录理论最优的控制输入u*(Λj)以及相应的控制能量
Figure FDA0003310628880000095
实际的稳态控制输入
Figure FDA0003310628880000096
以及相应的控制能量
Figure FDA0003310628880000097
步骤8.4：重复执行步骤8.2和步骤8.3，直到|h*(Λj)-h*(Λj-1)|<δ|h*(Λj-1)|；
步骤8.5：记录最优跟踪时间点分布
Figure FDA0003310628880000098
以及相应的最小能量
Figure FDA0003310628880000099
CN202111215946.6A 2021-10-19 2021-10-19 双转子气动系统点对点迭代学习最小能量控制方法 Active CN113900377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111215946.6A CN113900377B (zh) 2021-10-19 2021-10-19 双转子气动系统点对点迭代学习最小能量控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111215946.6A CN113900377B (zh) 2021-10-19 2021-10-19 双转子气动系统点对点迭代学习最小能量控制方法

Publications (2)

Publication Number Publication Date
CN113900377A true CN113900377A (zh) 2022-01-07
CN113900377B CN113900377B (zh) 2023-10-20

Family

ID=79192980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111215946.6A Active CN113900377B (zh) 2021-10-19 2021-10-19 双转子气动系统点对点迭代学习最小能量控制方法

Country Status (1)

Country Link
CN (1) CN113900377B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115047763A (zh) * 2022-06-08 2022-09-13 江南大学 一种多无人机系统的最小能量控制方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106933105A (zh) * 2017-04-24 2017-07-07 清华大学 受限条件下的轨迹更新综合预测迭代学习控制算法
EP3239790A1 (en) * 2016-04-28 2017-11-01 Rockwell Automation Technologies, Inc. Systems and methods to reduce energy usage of industrial machines using an enhanced motion profile
CN110429999A (zh) * 2019-04-24 2019-11-08 西安电子科技大学 基于lp-Box ADMM算法的大规模MIMO检测方法
US20200027545A1 (en) * 2018-07-17 2020-01-23 Petuum Inc. Systems and Methods for Automatically Tagging Concepts to, and Generating Text Reports for, Medical Images Based On Machine Learning
CN110815225A (zh) * 2019-11-15 2020-02-21 江南大学 电机驱动单机械臂系统的点对点迭代学习优化控制方法
US20210178600A1 (en) * 2019-12-12 2021-06-17 Mitsubishi Electric Research Laboratories, Inc. System and Method for Robust Optimization for Trajectory-Centric ModelBased Reinforcement Learning
CN113110063A (zh) * 2021-05-08 2021-07-13 江南大学 单轴进给系统的鲁棒单调收敛点对点迭代学习控制方法
EP3869223A1 (en) * 2020-02-22 2021-08-25 Origin Wireless, Inc. System and method for wireless material sensing based on multipath channel information

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3239790A1 (en) * 2016-04-28 2017-11-01 Rockwell Automation Technologies, Inc. Systems and methods to reduce energy usage of industrial machines using an enhanced motion profile
CN106933105A (zh) * 2017-04-24 2017-07-07 清华大学 受限条件下的轨迹更新综合预测迭代学习控制算法
US20200027545A1 (en) * 2018-07-17 2020-01-23 Petuum Inc. Systems and Methods for Automatically Tagging Concepts to, and Generating Text Reports for, Medical Images Based On Machine Learning
CN110429999A (zh) * 2019-04-24 2019-11-08 西安电子科技大学 基于lp-Box ADMM算法的大规模MIMO检测方法
CN110815225A (zh) * 2019-11-15 2020-02-21 江南大学 电机驱动单机械臂系统的点对点迭代学习优化控制方法
US20210178600A1 (en) * 2019-12-12 2021-06-17 Mitsubishi Electric Research Laboratories, Inc. System and Method for Robust Optimization for Trajectory-Centric ModelBased Reinforcement Learning
EP3869223A1 (en) * 2020-02-22 2021-08-25 Origin Wireless, Inc. System and method for wireless material sensing based on multipath channel information
CN113110063A (zh) * 2021-05-08 2021-07-13 江南大学 单轴进给系统的鲁棒单调收敛点对点迭代学习控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙海乔 等: "二次型鲁棒迭代学习控制在间歇过程中的应用", 《计算机与应用化学》 *
陶洪峰 等: "参考轨迹更新的点到点迭代学习控制算法优化及应用", 《控制理论与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115047763A (zh) * 2022-06-08 2022-09-13 江南大学 一种多无人机系统的最小能量控制方法
CN115047763B (zh) * 2022-06-08 2023-10-13 国网安徽省电力有限公司天长市供电公司 一种多无人机系统的最小能量控制方法

Also Published As

Publication number Publication date
CN113900377B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110815225B (zh) 电机驱动单机械臂系统的点对点迭代学习优化控制方法
CN111580392B (zh) 一种串联倒立摆的有限频率范围鲁棒迭代学习控制方法
Park et al. TS model based indirect adaptive fuzzy control using online parameter estimation
Kim et al. Optimal design of CMAC neural-network controller for robot manipulators
Sun et al. Stable neural-network-based adaptive control for sampled-data nonlinear systems
Folkestad et al. Koopman NMPC: Koopman-based learning and nonlinear model predictive control of control-affine systems
Qi et al. Stable indirect adaptive control based on discrete-time T–S fuzzy model
Pfifer et al. Generation of optimal linear parametric models for LFT-based robust stability analysis and control design
Hofer et al. Application of an approximate model predictive control scheme on an unmanned aerial vehicle
Polydoros et al. Online multi-target learning of inverse dynamics models for computed-torque control of compliant manipulators
CN113900377B (zh) 双转子气动系统点对点迭代学习最小能量控制方法
CN113110063B (zh) 单轴进给系统的鲁棒单调收敛点对点迭代学习控制方法
Van Tran et al. Artificial chemical reaction optimization algorithm and neural network based adaptive control for robot manipulator
Wang et al. Neural moving horizon estimation for robust flight control
CN115047763B (zh) 一种多无人机系统的最小能量控制方法
Cao et al. Robust multiple model predictive control for ascent trajectory tracking of aerospace vehicles
Lin et al. An adaptive H/sup/spl infin//controller design for bank-to-turn missiles using ridge Gaussian neural networks
Xianxiang et al. Robust gain-scheduled autopilot design with LPV reference model for portable missile
Pustina et al. On the collocated form with input decoupling of lagrangian systems
Dutta et al. Nonlinear disturbance observer‐based adaptive feedback linearized model predictive controller design for a class of nonlinear systems
Maner et al. A nonlinear model predictive control scheme using second order Volterra models
Sehgal et al. Backstepping based trajectory tracking control of a class of reconfigurable mobile robot
Sheikhlar et al. Delay compensation on fuzzy trajectory tracking control of omni-directional mobile robots
Li et al. An RBFNN-based direct inverse controller for PMSM with disturbances
Yang et al. Single parameter adaptive control of unknown nonlinear systems with tracking error constraints

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
TA01 Transfer of patent application right

Effective date of registration: 20230906

Address after: 430000, Room 05, 27th Floor, Building 1, Phase 3, Guannan Fuxing Pharmaceutical Park, No. 58 Guanggu Avenue, Wuhan Donghu New Technology Development Zone, Wuhan, Hubei Province (Wuhan Area of Free Trade Zone)

Applicant after: Wuhan Tianzhiran Intellectual Property Operation Co.,Ltd.

Address before: No. 1800 road 214122 Jiangsu Lihu Binhu District City of Wuxi Province

Applicant before: Jiangnan University

Effective date of registration: 20230906

Address after: No. 189, Jiefang Road, Yancheng City, Jiangsu Province

Applicant after: YANCHENG POWER SUPPLY BRANCH, STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Applicant after: State Grid Jiangsu Electric Power Co.,Ltd. Jianhu County power supply branch

Applicant after: JIANHU TIANCHEN ELECTRIC INDUSTRIAL CO.,LTD.

Address before: 430000, Room 05, 27th Floor, Building 1, Phase 3, Guannan Fuxing Pharmaceutical Park, No. 58 Guanggu Avenue, Wuhan Donghu New Technology Development Zone, Wuhan, Hubei Province (Wuhan Area of Free Trade Zone)

Applicant before: Wuhan Tianzhiran Intellectual Property Operation Co.,Ltd.

GR01 Patent grant
GR01 Patent grant