CN114227675A - 一种机器人控制方法、装置、伺服系统和机器人及设备 - Google Patents
一种机器人控制方法、装置、伺服系统和机器人及设备 Download PDFInfo
- Publication number
- CN114227675A CN114227675A CN202111532208.4A CN202111532208A CN114227675A CN 114227675 A CN114227675 A CN 114227675A CN 202111532208 A CN202111532208 A CN 202111532208A CN 114227675 A CN114227675 A CN 114227675A
- Authority
- CN
- China
- Prior art keywords
- servo motor
- robot
- feedforward
- feedback
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006870 function Effects 0.000 claims description 60
- 238000013016 damping Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 239000003638 chemical reducing agent Substances 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000004044 response Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process 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
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种机器人控制方法、装置、伺服系统和机器人及设备,属于机器人控制领域。其中机器人控制方法包括:首先接收机器人的伺服电机对应的编码器反馈数值;然后根据反馈数值采用已构建的前馈和微分反馈模型得到控制信号;最后将控制信号发送给伺服电机对应的伺服驱动器,以驱动伺服电机。本申请方案在对伺服电机进行控制时,在前馈的基础上引入微分反馈,既保证了机器人控制的精准,又可以防止超调严重,具有实现简单、系统稳定性好的优点。
Description
技术领域
本发明涉及机器人控制领域,特别地,涉及一种机器人控制方法、装置、伺服系统和机器人及设备。
背景技术
系统作为机器人的核心技术,受到学者广泛研究。传统的伺服控制方法由于系统自身的强耦合、非线性时变等特征,传统的PID控制结构不能满足工业机器人高速、高精度的动态跟踪特性。目前主要有以下两种形式对伺服系统进行优化:
形式1:
人工智能优化法,其主要分为以下三种:1.采用模糊PID控制算法,通过人工智能把经验值建立为控制模型,针对Lu Gre摩擦力矩扰动、转动惯量摄动等非线性不确定干扰对系统造成的影响,设计模糊整定PID控制器,实现参数最优化;2.采用一种基于小波神经网络的自适应反推控制策略,用非线性小波基取代了通常的非线性sigmoid函数,其信号通过将所选取的小波基进行线性叠加,相应的输入层到隐含层的权值及隐含层的阈值分别由小波函数的尺度伸缩因子和时间平移因子所代替,该模型可直接在对PID模型参数进行误差消除,继而达到良好的位置跟踪效果。3.采用结合BP神经网络的PID控制算法,传统的PID控制器,利用、、三个参数进行在线调整,直接对受控对象进行系统的闭环控制,利用BP神经网络的自学习功能与连接权重的调整,以优化系统性能的PID参数。上面三种方法虽然能改善伺服系统的动态特性,但求解复杂,实时计算处理难度大,且在BP神经网络控制系统中存在收敛速度慢、易陷入局部极小值等缺陷,因此,采用人工智能优化法实现难度较大。
形式2:
采用惯量前馈控制,通过自适应辨识电机的转动惯量,确定加速度前馈系数,计算出可调模型与实际模型的输出偏差,对偏差值进行算法运算,再根据运算结果调整可调模型的参数,从而影响可调模型的输出。该方法能有效提高伺服系统的响应速度和控制精度,但容易发生超调现象,系统的稳定性较差。
发明内容
为了克服现有技术的不足,本发明提供一种机器人控制方法、装置、伺服系统和机器人及设备,以解决现有机器人伺服系统控制方法实现难度大,易超调,稳定性差的问题。
本发明解决其技术问题所采用的技术方案是:
第一方面,
一种机器人控制方法,包括以下步骤:
接收所述机器人的伺服电机对应的编码器反馈数值;
根据所述反馈数值采用已构建的反馈模型得到控制信号,所述反馈模型为前馈和微分反馈模型;
将所述控制信号发送给所述伺服电机对应的伺服驱动器,以驱动所述伺服电机。
进一步地,所述反馈模型的构建包括以下步骤:
构建所述机器人的伺服电机结构系统模型;
根据所述结构系统模型得到所述伺服电机的前馈函数;
对所述前馈函数进行微分反馈处理得前馈和微分反馈模型。
进一步地,所述构建所述机器人的伺服电机结构系统模型包括:
将所述伺服电机、减速器以及两者之间的连接器件等效为二阶阻尼系统,计算得到所述二阶阻尼系统作为所述伺服电机的结构系统模型。
进一步地,所述构建所述机器人的伺服电机结构系统模型包括:
将所述伺服电机的电机转轴与负载等效为刚体,中间的传动机构等效为扭转弹簧,构建所述伺服电机的多刚体系统,计算得到所述多刚体系统作为所述伺服电机的结构系统模型。
进一步地,所述对所述前馈函数进行微分反馈处理得前馈和微分反馈模型包括:
对所述前馈函数进行微分反馈处理后得到目标前馈函数;
判断所述目标前馈函数是否满足要求;
若满足要求,则将所述目标前馈函数作为前馈和微分反馈模型。
进一步地,所述判断所述目标前馈函数是否满足要求,包括:
根据所述目标前馈函数对所述伺服电机的控制进行仿真;
若仿真结果符合要求,则判断所述目标前馈函数满足要求;若仿真结果符合要求,则判断所述目标前馈函数不满足要求。
第二方面,
一种机器人控制装置,包括:
反馈数值接收模块,用于接收所述机器人的伺服电机对应的编码器反馈数值;
控制信号获取模块,用于根据所述反馈数值采用已构建的反馈模型得到控制信号,所述反馈模型为前馈和微分反馈模型;
控制信号发送模块,用于将所述控制信号发送给所述伺服电机对应的伺服驱动器,以驱动所述伺服电机。
第三方面,
一种机器人伺服系统,用于执行第一方面技术方案中任一项所述的方法。
第四方面,
一种机器人,包括第三方面技术方案中所述的机器人伺服系统
第五方面,
一种计算机设备,包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
所述处理器被配置为用于执行第一方面技术方案中任一项所述的方法。
有益效果:
本申请技术方案提供一种机器人控制方法、装置、伺服系统和机器人及设备,其中机器人控制方法包括:首先接收机器人的伺服电机对应的编码器反馈数值;然后根据反馈数值采用已构建的前馈和微分反馈模型得到控制信号;最后将控制信号发送给伺服电机对应的伺服驱动器,以驱动伺服电机。本申请方案在对伺服电机进行控制时,在前馈的基础上引入微分反馈,既保证了机器人控制的精准,又可以防止超调严重,具有实现简单、系统稳定性好的优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种机器人控制方法流程图;
图2是本发明实施例提供的一种位置环微分反馈系统控制图;
图3是本发明实施例提供的一种微分反馈和速度电流前馈系统控制框图;
图4是本发明实施例提供的一种位置伺服系统仿真结果示意图;
图5是本发明实施例提供的一种机器人控制装置结构示意图;
图6是本发明实施例提供的一种机器人伺服系统结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面结合附图和实施例对本发明的技术方案进行详细的描述说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
参照图1,本发明实施例提供了一种机器人控制方法,包括以下步骤:
接收机器人的伺服电机对应的编码器反馈数值;
根据反馈数值采用已构建的反馈模型得到控制信号,反馈模型为前馈和微分反馈模型;
将控制信号发送给伺服电机对应的伺服驱动器,以驱动伺服电机。
本发明实施例提供的机器人控制方法,首先接收机器人的伺服电机对应的编码器反馈数值;然后根据反馈数值采用已构建的前馈和微分反馈模型得到控制信号;最后将控制信号发送给伺服电机对应的伺服驱动器,以驱动伺服电机。本申请方案在对伺服电机进行控制时,在前馈的基础上引入微分反馈,既保证了机器人控制的精准,又可以防止超调严重,具有实现简单、系统稳定性好的优点。
作为对上述实施例的一种补充说明,反馈模型的构建包括以下步骤:
构建机器人的伺服电机结构系统模型;
根据结构系统模型得到伺服电机的前馈函数;
对前馈函数进行微分反馈处理得前馈和微分反馈模型。
下面提供一个具体例子对反馈模型的构建进行说明,步骤如下:
步骤1:根据六轴机器人的关节结构特征,将电机、减速器及两者之间的连接器件等效为二阶阻尼系统,并建立出关节轴的结构系统模型;
步骤2:在传统的位置环反馈回路中加入微分反馈如图2所示,一般情况下,位置环控制器ARP采用P控制,速度环控制器ASP采用PI控制,因此在进行传递函数分析时,可设APR参数为Kp,ASP为函数KV[1/(τVs+1)],根据图2可得出位置环微分反馈系统的传递函数为:
将阻尼系数ξi和角速度ωi带入传递函数中可得到:
阻尼系数ξi与微分反馈时间常数τα成正比,由于Kp值较大,少量的反馈补偿就可能会导致系统过阻尼,过阻尼会大大降低系统的响应速度,欠阻尼则会使系统发生超调,因此,一般取系统的临界阻尼附近ξi=[0.8,0.9]之间,从而保证系统响应在不受过多影响下无超调。
步骤3:得到该控制系统下的传递函数:
令H(s)=1,可得速度前馈和加速度前馈函数:
引入微分反馈,电流环前馈函数保持不变,速度环前馈函数为一阶微分函数,因此,得到修正后的目标前馈函数分别为:
需要说明的是,因为τc数值较小,(τcJ/KcKt)s3一项对于Fc(s)的影响结果可忽略不计,因此修正后的目标前馈函数将其舍去计算。
步骤4:在相同参数的条件下,对三种不同的控制模型输入单位阶跃信号进行仿真验证。结果如图4所示,对于阶跃位置响应来说,前馈控制相比于传统伺服控制而言,波动偏差减小,变化速度减慢,但都存在较大的超调量,严重影响伺服系统的性能。在前馈控制的基础上加上微分负反馈后,使变化速度开始减慢,在无超调的情况下能够达到快速响应,并最终趋于稳定。
本发明实施例提供的机器人控制方法,在传统控制系统速度环、电流环有前馈补偿的基础上,引入了位置环微分负反馈函数,并将原有的前馈控制函数进行修正。该系统既利用了前馈补偿对连续型位置信号响应的高速高精特性,又解决了前馈系统对非连续型位置信号超调量大的问题,显著提高了机器人伺服系统的性能。
需要说明的是,在实际应用中电机输出轴和负载之间的传动机构,也有一些是刚性的结构,例如齿轮和皮带轮。因此,为了能够尽可能的还原控制对象的实际工作模型,构建结构系统模型时可以建立多刚体系统模型。
具体为:将电机转轴与负载等效为刚体,中间的传动机构等效为扭转弹簧,故为多刚体系统。
伺服驱动器驱动电机,提供电磁转矩Te,Te与传动轴扭矩Ts共同施加于转动惯量Jm、阻尼系数Cm的电机转轴,决定其角速度。同理,负载转矩Tl和传动扭矩Ts作用于等效惯量为Jl、阻尼系数为Cl的执行机构,决定其转速。Ks与Cs为等效弹簧的扭转刚度与阻尼系数。
通过拉式变换计算多刚体系统的传递函数,根据计算得到的传递函数求解前馈函数,并引入微分反馈,得到传递函数后与二阶阻尼系统的后续计算过程完全相同,在此不再赘述。
一个实施例中,本发明还提供一种机器人控制装置,如图5所示,包括:
反馈数值接收模块51,用于接收机器人的伺服电机对应的编码器反馈数值。
控制信号获取模块52,用于根据反馈数值采用已构建的反馈模型得到控制信号,反馈模型为前馈和微分反馈模型。
其中,反馈模型的构建包括以下步骤:构建机器人的伺服电机结构系统模型;根据结构系统模型得到伺服电机的前馈函数;对前馈函数进行微分反馈处理得前馈和微分反馈模型。
一些实施例中,构建机器人的伺服电机结构系统模型包括:将伺服电机、减速器以及两者之间的连接器件等效为二阶阻尼系统,计算得到二阶阻尼系统作为伺服电机的结构系统模型。
另一些实施例中,构建机器人的伺服电机结构系统模型包括:将伺服电机的电机转轴与负载等效为刚体,中间的传动机构等效为扭转弹簧,构建伺服电机的多刚体系统,计算得到多刚体系统作为伺服电机的结构系统模型。
其中,对前馈函数进行微分反馈处理得前馈和微分反馈模型包括:对前馈函数进行微分反馈处理后得到目标前馈函数;判断目标前馈函数是否满足要求;若满足要求,则将目标前馈函数作为前馈和微分反馈模型。若不满足要求,则需要重新构建结构系统模型,重新求取目标前馈函数。
在实际中,判断目标前馈函数是否满足要求,包括:根据目标前馈函数对伺服电机的控制进行仿真;若仿真结果符合要求,则判断目标前馈函数满足要求;若仿真结果符合要求,则判断目标前馈函数不满足要求。
控制信号发送模块53,用于将控制信号发送给伺服电机对应的伺服驱动器,以驱动伺服电机。
本发明实施例提供的机器人控制装置,反馈数值接收模块接收机器人的伺服电机对应的编码器反馈数值;控制信号获取模块根据反馈数值采用已构建的前馈和微分反馈模型得到控制信号;控制信号发送模块将控制信号发送给伺服电机对应的伺服驱动器,以驱动伺服电机。在现有的前馈控制结构中引入微分反馈控制,在保证不影响其响应速度的前提下,更好的抑制系统的超调量,且相较于神经网络自整定方法,减少了样本的训练,更简便的达到优化伺服控制系统的目的。
一个实施例中,本发明还提供一种机器人伺服系统,伺服系统的控制结构如图6所示,用于执行上述任一实施例提供机器人控制方法。
本发明实施例提供的机器人伺服系统,在前馈控制的基础上引入微分负反馈控制的复合控制方法,提高伺服系统的定位精度及鲁棒性,在保证不影响其响应速度的前提下,更好的抑制系统的超调量,且相较于神经网络自整定方法,减少了样本的训练,更简便的达到优化伺服控制系统的目的。
一个实施例中,本发明还提供一种机器人,包括上述实施例提供的机器人伺服系统。
本发明实施例提供的机器人,在现有的前馈控制结构中引入微分反馈控制,在保证不影响其响应速度的前提下,更好的抑制系统的超调量,且相较于神经网络自整定方法,减少了样本的训练,更简便的达到优化伺服控制系统的目的。
一个实施例中,本发明还提供一种计算机设备,包括:
处理器;
用于存储处理器的可执行指令的存储器;
处理器被配置为用于执行上述任一实施例提供机器人控制方法。
本发明实施例提供的计算机设备,通过存储器存储处理器的可执行指令,以使处理器在执行可执行指令时,能够实现在前馈控制的基础上引入微分负反馈控制的复合控制方法;本发明实施例提供的计算机设备在提高伺服系统控制精度和动态跟踪特性的基础上,避免对非连续信号产生的超调现象,具有算法简便,运算时间大大减少,且易于实现的优点。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种机器人控制方法,其特征在于,包括以下步骤:
接收所述机器人的伺服电机对应的编码器反馈数值;
根据所述反馈数值采用已构建的反馈模型得到控制信号,所述反馈模型为前馈和微分反馈模型;
将所述控制信号发送给所述伺服电机对应的伺服驱动器,以驱动所述伺服电机。
2.根据权利要求1所述的方法,其特征在于:所述反馈模型的构建包括以下步骤:
构建所述机器人的伺服电机结构系统模型;
根据所述结构系统模型得到所述伺服电机的前馈函数;
对所述前馈函数进行微分反馈处理得前馈和微分反馈模型。
3.根据权利要求2所述的方法,其特征在于:所述构建所述机器人的伺服电机结构系统模型包括:
将所述伺服电机、减速器以及两者之间的连接器件等效为二阶阻尼系统,计算得到所述二阶阻尼系统作为所述伺服电机的结构系统模型。
4.根据权利要求2所述的方法,其特征在于:所述构建所述机器人的伺服电机结构系统模型包括:
将所述伺服电机的电机转轴与负载等效为刚体,中间的传动机构等效为扭转弹簧,构建所述伺服电机的多刚体系统,计算得到所述多刚体系统作为所述伺服电机的结构系统模型。
5.根据权利要求2所述的方法,其特征在于:所述对所述前馈函数进行微分反馈处理得前馈和微分反馈模型包括:
对所述前馈函数进行微分反馈处理后得到目标前馈函数;
判断所述目标前馈函数是否满足要求;
若满足要求,则将所述目标前馈函数作为前馈和微分反馈模型。
6.根据权利要求5所述的方法,其特征在于:所述判断所述目标前馈函数是否满足要求,包括:
根据所述目标前馈函数对所述伺服电机的控制进行仿真;
若仿真结果符合要求,则判断所述目标前馈函数满足要求;若仿真结果符合要求,则判断所述目标前馈函数不满足要求。
7.一种机器人控制装置,其特征在于,包括:
反馈数值接收模块,用于接收所述机器人的伺服电机对应的编码器反馈数值;
控制信号获取模块,用于根据所述反馈数值采用已构建的反馈模型得到控制信号,所述反馈模型为前馈和微分反馈模型;
控制信号发送模块,用于将所述控制信号发送给所述伺服电机对应的伺服驱动器,以驱动所述伺服电机。
8.一种机器人伺服系统,其特征在于:用于执行权利要求1-6任一项所述的方法。
9.一种机器人,其特征在于:包括权利要求8所述的机器人伺服系统。
10.一种计算机设备,其特征在于,包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
所述处理器被配置为用于执行权利要求1-6任一项权利要求的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111532208.4A CN114227675A (zh) | 2021-12-15 | 2021-12-15 | 一种机器人控制方法、装置、伺服系统和机器人及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111532208.4A CN114227675A (zh) | 2021-12-15 | 2021-12-15 | 一种机器人控制方法、装置、伺服系统和机器人及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114227675A true CN114227675A (zh) | 2022-03-25 |
Family
ID=80756281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111532208.4A Pending CN114227675A (zh) | 2021-12-15 | 2021-12-15 | 一种机器人控制方法、装置、伺服系统和机器人及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114227675A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6465608A (en) * | 1987-09-07 | 1989-03-10 | Japan Res Dev Corp | Acceleration control type servo system |
CN1198854A (zh) * | 1995-08-18 | 1998-11-11 | 株式会社安川电机 | 机械振动检测装置及制振控制装置 |
CN112445181A (zh) * | 2019-09-05 | 2021-03-05 | 发那科株式会社 | 机器学习装置、伺服控制装置、伺服控制系统以及机器学习方法 |
CN113446289A (zh) * | 2020-12-30 | 2021-09-28 | 油威力液压科技股份有限公司 | 一种数字伺服控制器及其在复合控制液压系统中的应用 |
-
2021
- 2021-12-15 CN CN202111532208.4A patent/CN114227675A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6465608A (en) * | 1987-09-07 | 1989-03-10 | Japan Res Dev Corp | Acceleration control type servo system |
CN1198854A (zh) * | 1995-08-18 | 1998-11-11 | 株式会社安川电机 | 机械振动检测装置及制振控制装置 |
CN112445181A (zh) * | 2019-09-05 | 2021-03-05 | 发那科株式会社 | 机器学习装置、伺服控制装置、伺服控制系统以及机器学习方法 |
CN113446289A (zh) * | 2020-12-30 | 2021-09-28 | 油威力液压科技股份有限公司 | 一种数字伺服控制器及其在复合控制液压系统中的应用 |
Non-Patent Citations (2)
Title |
---|
周承仙;富巍;: "基于前馈控制与反馈控制的位置伺服研究", 火力与指挥控制, no. 12 * |
崔国华;冀霖;张智涛;刘宏业;: "结合前馈与反馈控制机器人伺服系统研究", 机械设计与制造, no. 10, pages 246 - 249 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108284442B (zh) | 一种基于模糊神经网络的机械臂柔性关节控制方法 | |
CN111273544B (zh) | 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法 | |
CN110687800B (zh) | 一种数据驱动自适应抗干扰控制器及其估计方法 | |
CN102323790A (zh) | 两轴数控系统的串级型迭代学习交叉耦合轮廓误差控制方法 | |
JPS61226804A (ja) | 多自由度非線形機械システムの制御装置 | |
CN114310851B (zh) | 一种机器人免力矩传感器的拖动示教方法 | |
CN103095204A (zh) | 伺服电机抗干扰补偿控制系统及控制方法 | |
CN114169230A (zh) | 一种机器人动力学参数的辨识方法 | |
CN115990888B (zh) | 一种具有死区和时变约束功能的机械臂控制方法 | |
CN111711407A (zh) | 一种基于rbf神经网络优化adrc伺服电机控制方法 | |
CN116619383B (zh) | 基于确定学习的机械臂pid控制方法及系统 | |
CN113093526A (zh) | 一种基于强化学习的无超调pid控制器参数整定方法 | |
CN115220467A (zh) | 一种基于神经网络增量动态逆的飞翼飞行器姿态控制方法 | |
CN114578697A (zh) | 一种电机驱动机械手的多约束自适应控制方法 | |
CN111062147A (zh) | 四电机联动系统固定时间控制与结构联合优化方法和系统 | |
CN114227675A (zh) | 一种机器人控制方法、装置、伺服系统和机器人及设备 | |
CN111152213B (zh) | 一种基于混合控制的机械臂振动补偿方法及装置 | |
CN110701187B (zh) | 一种五自由度磁轴承的智能双积分滑模控制方法及设备 | |
CN116373846A (zh) | 一种基于bp神经网络优化的后轮转向车辆稳定性控制方法 | |
CN113715024B (zh) | 一种多自由度上肢康复机器人的位置跟踪控制方法 | |
CN115167135A (zh) | 反馈与模型前馈串级的无人驾驶车辆自趋优位姿控制系统 | |
CN112894819A (zh) | 一种基于双神经网络的机器人动力学运动控制方法及装置 | |
CN115042172A (zh) | 基于融合模型的机器人逆动力学前馈控制方法及系统 | |
CN113848954A (zh) | 一种改进型多神经元神经网络pid算法的无人车伺服控制系统 | |
CN113359477A (zh) | 一种车辆纵侧向耦合轨迹跟踪控制器设计方法 |
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: 20220325 |
|
RJ01 | Rejection of invention patent application after publication |