CN114415519A - 一种adrc扩张观测器参数快速收敛的实时优化方法 - Google Patents

一种adrc扩张观测器参数快速收敛的实时优化方法 Download PDF

Info

Publication number
CN114415519A
CN114415519A CN202210085450.XA CN202210085450A CN114415519A CN 114415519 A CN114415519 A CN 114415519A CN 202210085450 A CN202210085450 A CN 202210085450A CN 114415519 A CN114415519 A CN 114415519A
Authority
CN
China
Prior art keywords
parameter
track
time
error
real
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
CN202210085450.XA
Other languages
English (en)
Other versions
CN114415519B (zh
Inventor
龚志浩
张卓奇
张立群
黄石峰
招子安
周星
朱志红
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.)
Foshan Institute Of Intelligent Equipment Technology
Original Assignee
Foshan Institute Of Intelligent Equipment Technology
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 Foshan Institute Of Intelligent Equipment Technology filed Critical Foshan Institute Of Intelligent Equipment Technology
Priority to CN202210085450.XA priority Critical patent/CN114415519B/zh
Publication of CN114415519A publication Critical patent/CN114415519A/zh
Application granted granted Critical
Publication of CN114415519B publication Critical patent/CN114415519B/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

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及控驱一体领域，公开了一种ADRC扩张观测器参数快速收敛的实时优化方法，包括S1‑S6的步骤，通过将机器人所有时刻的运行误差值均放入状态观测误差实时预测模块，并通过参数优化模块迭代得到下一次的扩张观测器参数预期值，由于每次迭代收敛优化中，尽可能的采用了更多的误差值，从而以较少的迭代优化次数，得到所需要的扩张观测器参数值，得到所需的期望值，大大减小了所需的迭代优化次数，节省了机器人的优化时间，加快在实际工程应用中参数优化收敛的速度。

Description

一种ADRC扩张观测器参数快速收敛的实时优化方法
【技术领域】
本发明涉及控驱一体领域，特别涉及一种ADRC扩张观测器参数快速收敛的实时优化方法。
【背景技术】
现有的采用迭代优化的方法去更新扩张状态观测器参数，通常是一种离线优化的方式，即利用上一次运行轨迹的误差保存下来，并在这一次运行轨迹过程中利用保存下来的误差来优化此时刻的参数，导致态观测器参数并不能快速地收敛到期望值。首先，离线优化的方法利用的是上一次运行轨迹的误差信息，并没有利用当前运行轨迹的误差信息，这将大大降低参数收敛的速度。即使有些技术提到利用当前运行轨迹的误差信息，但也仅仅是利用上一时刻产生的误差，并没有充分利用上所有的误差信息。其次，对于如何优化参数的过程中，涉及到的优化指标往往考虑的是误差收敛要求以及参数平滑变化的要求，并没有涉及到参数快速收敛的要求，这也将使得收敛的速度大大降低。所以，现有的技术往往需要迭代20次以上，才可能收敛到期望值，而这在工程应用中是不适用的。
【发明内容】
本发明的旨在解决上述问题而提供一种ADRC扩张观测器参数快速收敛的实时优化方法，解决现有技术迭代优化次数多，不适用于工程应用中的问题。
为达此目的，本发明采用以下技术方案：
一种ADRC扩张观测器参数快速收敛的实时优化方法，包括如下步骤:
S1:设定ADRC扩张观测器的三个扩张初始状态观测器参数
Figure BDA0003487655300000021
和
Figure BDA0003487655300000022
S2：设定机器人的运行轨迹，且机器人可重复运行所述轨迹，机器人在每次运行轨迹的过程中，均会实时采集ADRC扩张观测器的三个输出值
Figure BDA0003487655300000023
机器人实际运动数据
Figure BDA0003487655300000024
Figure BDA0003487655300000025
和ADRC控制量u(t)；
S3：根据步骤S2采集的各项数据，通过计算可以得到从1时刻到t时刻所述扩张观测器所观测的状态的误差值
Figure BDA0003487655300000026
Figure BDA0003487655300000027
S4：将步骤S3所得的所有误差值输入状态观测误差实时预测模块，所述状态观测误差实时预测模块输出得到t+1时刻的状态误差预测值
Figure BDA0003487655300000028
和
Figure BDA0003487655300000029
S5：步骤S4中输出得到的t+1时刻的状态误差预测值输入参数优化模块，输出得到优化过后t+1时刻的扩张观测器的参数
Figure BDA00034876553000000210
Figure BDA00034876553000000211
和
Figure BDA00034876553000000212
S6：将步骤S5中优化后的扩张观测器的参数
Figure BDA00034876553000000213
和
Figure BDA00034876553000000214
设置为t+1时刻的初始参数，实时采集t+1时刻运行轨迹的各项数值并进行误差值计算，得到t+1时刻的误差值
Figure BDA00034876553000000215
Figure BDA00034876553000000216
运行完轨迹后，计算此次运行轨迹的误差值范数与预先设定的轨迹精度阈值相比较，若满足要求，则所述机器人停止运行轨迹，并记录下最后一次运行轨迹的扩张观测器的参数，作为最终优化参数；
若计算的误差值结果不满足轨迹精度要求，则再次运行轨迹，将t+1时刻的运行轨迹中的误差值与1时刻至t时刻之间所有的误差值全部带入步骤S4中，继续重复S4-S6的步骤，不断优化扩张观测器的参数直至符合轨迹精度要求。
优选的，所述步骤S2中的机器人实际运动数据
Figure BDA0003487655300000031
Figure BDA0003487655300000032
分别为位置、速度和加速度。
优选的，所述步骤S3中误差值的计算公式为：
Figure BDA0003487655300000033
Figure BDA0003487655300000034
Figure BDA0003487655300000035
其中，j代表着迭代次数，k代表着不同时刻，b为已知系数。优选的，所述步骤S5中t+1时刻的扩张观测器的参数
Figure BDA0003487655300000036
Figure BDA0003487655300000037
和
Figure BDA0003487655300000038
的计算公式为：
Figure BDA0003487655300000039
其中，
Figure BDA00034876553000000310
为增益因子。
优选的，所述增益
Figure BDA00034876553000000311
的计算公式为：
Figure BDA00034876553000000312
Figure BDA00034876553000000313
其中，argmin(·)函数是使指标达到最小值时的参数取值，
Figure BDA00034876553000000314
为第j次迭代优化关于参数m的优化指标，
Figure BDA00034876553000000315
为参数m第j次迭代优化的参数值。
优选的，所述步骤S6中最终优化的扩张状态观测器参数为
Figure BDA0003487655300000041
Figure BDA0003487655300000042
和
Figure BDA0003487655300000043
则判断方式为：
Figure BDA0003487655300000044
e(k)2＞Threshold→步骤S2，迭代优化；
其中，Threshold为轨迹精度阈值。
本发明的贡献在于：本发明通过将机器人所有时刻的运行误差值均放入状态观测误差实时预测模块，并通过参数优化模块迭代得到下一次的扩张观测器参数预期值，由于每次迭代收敛优化中，尽可能的采用了更多的误差值，从而以较少的迭代优化次数，得到所需要的扩张观测器参数值，得到所需的期望值，大大减小了所需的迭代优化次数，节省了机器人的优化时间，加快在实际工程应用中参数优化收敛的速度。
【附图说明】
图1是本发明的步骤流程图；
图2是本发明的输入输出框图；
【具体实施方式】
下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。
如图1-2所示，一种ADRC扩张观测器参数快速收敛的实时优化方法，包括如下步骤:
S1:设定ADRC扩张观测器的三个扩张初始状态观测器参数
Figure BDA0003487655300000045
和
Figure BDA0003487655300000051
S2：设定机器人的运行轨迹，且机器人可重复运行所述轨迹，机器人在每次运行轨迹的过程中，均会实时采集ADRC扩张观测器的三个输出值
Figure BDA0003487655300000052
机器人实际运动数据
Figure BDA0003487655300000053
Figure BDA0003487655300000054
和ADRC控制量u(t)；
S3：根据步骤S2采集的各项数据，通过计算可以得到从1时刻到t时刻所述扩张观测器所观测的状态的误差值
Figure BDA0003487655300000055
Figure BDA0003487655300000056
S4：将步骤S3所得的所有误差值输入状态观测误差实时预测模块，所述状态观测误差实时预测模块输出得到t+1时刻的状态误差预测值
Figure BDA0003487655300000057
和
Figure BDA0003487655300000058
S5：步骤S4中输出得到的t+1时刻的状态误差预测值输入参数优化模块，输出得到优化过后t+1时刻的扩张观测器的参数
Figure BDA0003487655300000059
Figure BDA00034876553000000510
和
Figure BDA00034876553000000511
S6：将步骤S5中优化后的扩张观测器的参数
Figure BDA00034876553000000512
和
Figure BDA00034876553000000513
设置为t+1时刻的初始参数，实时采集t+1时刻运行轨迹的各项数值并进行误差值计算，得到t+1时刻的误差值
Figure BDA00034876553000000514
Figure BDA00034876553000000515
运行完轨迹后，计算此次运行轨迹的误差值范数与预先设定的轨迹精度阈值相比较，若满足要求，则所述机器人停止运行轨迹，并记录下最后一次运行轨迹的扩张观测器的参数，作为最终优化参数；
若计算的误差值范数结果不满足轨迹精度要求，则再次运行轨迹，将t+1时刻的运行轨迹中的误差值与1时刻至t时刻之间所有的误差值全部带入步骤S4中，继续重复S4-S6的步骤，不断优化扩张观测器的参数直至符合轨迹精度要求。
本发明的快速收敛的实时优化方法与传统方法相比具有迭代收敛速度快的优点，通过收集当前运行所有轨迹(每次均收集数据)的误差信息，每一次的迭代优化均是将当前运行之前时刻的轨迹误差值信息(即从1时刻到t时刻)输入状态观测误差实时预测模块中进行计算，从而得到下一时刻(t+1时刻)的状态误差预测值，再将所得的状态误差预测值输入参数优化模块得到t+1时刻的扩张状态观测器参数，以此得到的扩张状态观测器参数命令机器人在t+1时刻时沿设定的轨迹运动，并实时采集此次运行轨迹的各项数值。运行完轨迹后，计算此次运行轨迹的误差值范数，将所得的误差值范数与额定设计的轨迹精度阈值比较，判断是否还需要继续进行迭代优化操作。
具体进行说明，首先，需要设定ADRC扩张观测器的相关初始数值，即本申请的扩张状态观测器参数
Figure BDA0003487655300000061
和
Figure BDA0003487655300000062
然后对机器人的运行轨迹进行设定，使得机器人能够沿设定的轨迹重复运动，机器人在沿设定轨迹运动过程中，每一次沿轨迹运动均会实时采集ADRC扩张观测器的三个输出值
Figure BDA0003487655300000063
机器人实际运动数据(位置、速度和加速度)
Figure BDA0003487655300000064
和ADRC控制量u(t)，上述采集的数值可以统称为每次运行的各项数据，对每次运行的各项数据进行采集后，将上述各项数据通过步骤S3中的公式进行计算可以得到相应的误差值
Figure BDA0003487655300000065
Figure BDA0003487655300000071
为了实现误差值的快速收敛，尽可能的将上述所有误差值输入状态观测误差实时预测模块(即输入为所计算的1时刻到t时刻的所有状态误差值)，从而得到输出为t+1时刻的状态误差预测值
Figure BDA0003487655300000072
和
Figure BDA0003487655300000073
将所得的t+1时刻的三个状态误差预测值再输入参数优化模块，可以得到相应的扩张状态观测器参数
Figure BDA0003487655300000074
和
Figure BDA0003487655300000075
将得到的扩张状态观测器参数
Figure BDA0003487655300000076
和
Figure BDA0003487655300000077
设定为t+1时刻机器人运行的参数，在机器人运动过程中，实时采集此次运动的各项数据。运行完轨迹后，计算此次运行的轨迹误差值范数，将所得的误差值范数与额定的轨迹精度值比较，若满足要求，则采用这次运行的扩张状态观测器参数作为最终优化参数，机器人不再继续沿设定的轨迹运动，若不满足要求，再次运行轨迹，将t+1时刻运行的误差值与之前第一时刻和第t次之间所有运行轨迹的误差值重复步骤S4至S6过程，直至得到符合轨迹精度要求的扩张状态观测器参数，机器人方才停止运行轨迹。
更具体的，下面对上述操作进行举例说明。
在第一时刻运行轨迹中机器人会实时采集ADRC扩张观测器的三个输出
Figure BDA0003487655300000078
机器人实际运动数据
Figure BDA0003487655300000079
和ADRC控制量u(1)，并将第一时刻采集的各项数据进行计算从而得到了第一时刻运行的误差值
Figure BDA00034876553000000710
将第一时刻得到的误差值输入状态观测误差实时预测模块，得到机器人第二时刻运行轨迹可能的状态误差预测值
Figure BDA00034876553000000711
和
Figure BDA0003487655300000081
将得到的状态误差预测值
Figure BDA0003487655300000082
和
Figure BDA0003487655300000083
再输入参数优化模块，得到相应的优化后的扩张状态观测器参数
Figure BDA0003487655300000084
Figure BDA0003487655300000085
和
Figure BDA0003487655300000086
将优化后的扩张状态观测器参数
Figure BDA0003487655300000087
Figure BDA0003487655300000088
和
Figure BDA0003487655300000089
设定为机器人第二时刻运行轨迹的参数值，在第二时刻运行轨迹中记录步骤S2所提的各项数据，并计算第二时刻运行的误差值
Figure BDA00034876553000000810
将第二时刻运行中的所有误差值和第一时刻运行中的所有误差值全部带入步骤S4中的状态观测误差实时预测模块，经过步骤S4和步骤S5，得到第三时刻的迭代优化过后扩张状态观测器参数
Figure BDA00034876553000000811
和
Figure BDA00034876553000000812
将第三时刻的运行轨迹参数设定为迭代优化过后扩张状态观测器参数
Figure BDA00034876553000000813
Figure BDA00034876553000000814
和
Figure BDA00034876553000000815
继续进行第三时刻的机器人运行轨迹。直到轨迹运行结束后，计算此次运行轨迹的误差值的范数，并与额定轨迹精度阈值进行比较，若误差值范数小于额定的轨道精度，则停止运行轨迹，并将运行的扩张状态观测器参数作为最终的参数值，若误差值大于额定的轨道精度，则重复步骤S2-S6的操作，直至满足额定轨迹精度阈值为止。
本发明通过将机器人所有时刻的运行误差值均放入状态观测误差实时预测模块，并通过参数优化模块迭代得到下一时刻的扩张观测器参数预期值，由于每次迭代收敛优化中，尽可能的采用了更多的误差值，从而以较少的迭代优化次数，得到所需要的扩张观测器参数值，得到所需的期望值，大大减小了所需的迭代优化次数，节省了机器人的优化时间，加快在实际工程应用中参数优化收敛的速度。
更进一步的说明，所述步骤S2中的机器人实际运动数据
Figure BDA0003487655300000091
Figure BDA0003487655300000092
分别为位置、速度和加速度。
更进一步的说明，所述步骤S3中误差值的计算公式为：
Figure BDA0003487655300000093
Figure BDA0003487655300000094
Figure BDA0003487655300000095
其中，j代表着迭代次数，k代表着不同时刻。
更进一步的说明，所述步骤S5中t+1时刻的扩张观测器的参数
Figure BDA0003487655300000096
Figure BDA0003487655300000097
和
Figure BDA0003487655300000098
的计算公式为：
Figure BDA0003487655300000099
其中，
Figure BDA00034876553000000910
为增益因子。
通过引入增益因子
Figure BDA00034876553000000911
使得下一运行时刻的扩张观测器的参数得到进一步的优化，使得参数值能够进一步的接近最终所需的参数值，能够减小迭代优化的次数，节省时间。
更进一步的说明，所述增益
Figure BDA00034876553000000912
的计算公式为：
Figure BDA00034876553000000913
Figure BDA00034876553000000914
其中，argmin(·)函数是使指标达到最小值时的参数取值，
Figure BDA00034876553000000915
为第j次迭代优化关于参数m的优化指标，
Figure BDA00034876553000000916
为参数m第j次迭代优化的参数值。
更进一步的说明，所述步骤S6中最终优化的扩张状态观测器参数为
Figure BDA00034876553000000917
和
Figure BDA00034876553000000918
则判断方式为：
Figure BDA0003487655300000101
e(k)2＞Threshold→步骤S2，迭代优化；
其中，Threshold为轨迹精度。
尽管通过以上实施例对本发明进行了揭示，但本发明的保护范围并不局限于此，在不偏离本发明构思的条件下，对以上各构件所做的变形、替换等均将落入本发明的权利要求范围内。

Claims (6)

1.一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，包括如下步骤:
S1:设定ADRC扩张观测器的三个扩张初始状态观测器参数
Figure FDA0003487655290000011
和
Figure FDA0003487655290000012
S2：设定机器人的运行轨迹，且机器人可重复运行所述轨迹，机器人在每次运行轨迹的过程中，均会实时采集ADRC扩张观测器的三个输出值
Figure FDA0003487655290000013
机器人实际运动数据
Figure FDA0003487655290000014
Figure FDA0003487655290000015
和ADRC控制量u(t)；
S3：根据步骤S2采集的各项数据，通过计算可以得到从1时刻到t时刻所述扩张观测器所观测的状态的误差值
Figure FDA0003487655290000016
Figure FDA0003487655290000017
S4：将步骤S3所得的所有误差值输入状态观测误差实时预测模块，所述状态观测误差实时预测模块输出得到t+1时刻的状态误差预测值
Figure FDA0003487655290000018
和
Figure FDA0003487655290000019
S5：步骤S4中输出得到的t+1时刻的状态误差预测值输入参数优化模块，输出得到优化过后t+1时刻的扩张观测器的参数
Figure FDA00034876552900000110
Figure FDA00034876552900000111
和
Figure FDA00034876552900000112
S6：将步骤S5中优化后的扩张观测器的参数
Figure FDA00034876552900000113
和
Figure FDA00034876552900000114
设置为t+1时刻的初始参数，实时采集t+1时刻运行轨迹的各项数值并进行误差值计算，得到t+1时刻的误差值
Figure FDA00034876552900000115
Figure FDA00034876552900000116
运行完轨迹后，计算此次运行轨迹的误差值范数与预先设定的轨迹精度阈值相比较，若满足要求，则所述机器人停止运行轨迹，并记录下最后一次运行轨迹的扩张观测器的参数，作为最终优化参数；
若计算的误差值范数结果不满足轨迹精度要求，则再次运行轨迹，将t+1时刻的运行轨迹中的误差值与1时刻至t时刻之间所有的误差值全部带入步骤S4中，继续重复S4-S6的步骤，不断优化扩张观测器的参数直至符合轨迹精度要求。
2.根据权利要求1所述的一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，所述步骤S2中的机器人实际运动数据
Figure FDA0003487655290000028
Figure FDA0003487655290000029
分别为位置、速度和加速度。
3.根据权利要求1所述的一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，所述步骤S3中状态误差值的计算公式为：
Figure FDA0003487655290000021
Figure FDA0003487655290000022
Figure FDA0003487655290000023
其中，j代表着迭代次数，k代表着不同时刻，b为已知系数。
4.根据权利要求1所述的一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，所述步骤S5中t+1时刻的扩张观测器的参数
Figure FDA0003487655290000024
和
Figure FDA0003487655290000025
的计算公式为：
Figure FDA0003487655290000026
其中，
Figure FDA0003487655290000027
为增益因子。
5.根据权利要求4所述的一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，所述增益
Figure FDA0003487655290000031
的计算公式为：
Figure FDA0003487655290000032
Figure FDA0003487655290000033
其中，argmin(·)函数是使指标达到最小值时的参数取值，
Figure FDA0003487655290000034
为第j次迭代优化关于参数m的优化指标，
Figure FDA0003487655290000035
为参数m第j次迭代优化的参数值。
6.根据权利要求1所述的一种ADRC扩张观测器参数快速收敛的实时优化方法，其特征在于，所述步骤S6中最终优化的扩张状态观测器参数为
Figure FDA0003487655290000036
和
Figure FDA0003487655290000037
则判断方式为：
Figure FDA0003487655290000038
e(k)2＞Threshold→步骤S2，迭代优化；
其中，Threshold为轨迹精度阈值。
CN202210085450.XA 2022-01-25 2022-01-25 一种adrc扩张观测器参数快速收敛的实时优化方法 Active CN114415519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210085450.XA CN114415519B (zh) 2022-01-25 2022-01-25 一种adrc扩张观测器参数快速收敛的实时优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210085450.XA CN114415519B (zh) 2022-01-25 2022-01-25 一种adrc扩张观测器参数快速收敛的实时优化方法

Publications (2)

Publication Number Publication Date
CN114415519A true CN114415519A (zh) 2022-04-29
CN114415519B CN114415519B (zh) 2023-11-28

Family

ID=81277165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210085450.XA Active CN114415519B (zh) 2022-01-25 2022-01-25 一种adrc扩张观测器参数快速收敛的实时优化方法

Country Status (1)

Country Link
CN (1) CN114415519B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090228119A1 (en) * 2005-03-22 2009-09-10 The University Of Sheffield Control of Processes
CN106406086A (zh) * 2016-05-26 2017-02-15 北京航空航天大学 一种基于滑模干扰观测器的大挠性航天器干扰补偿方法
CN106919050A (zh) * 2017-03-31 2017-07-04 清华大学 多旋翼无人机高速开环动作自适应学习方法
CN107991867A (zh) * 2017-11-28 2018-05-04 浙江工业大学 一种基于自抗扰控制器的网络化多轴运动控制系统的迭代学习轮廓误差控制方法
CN109015661A (zh) * 2018-09-29 2018-12-18 重庆固高科技长江研究院有限公司 工业机器人迭代学习修正轨迹误差的方法
CN110376900A (zh) * 2019-08-16 2019-10-25 中国科学院深圳先进技术研究院 参数优化方法、终端设备以及计算机存储介质
CN111708276A (zh) * 2020-04-30 2020-09-25 南京理工大学 基于线性状态观测器观测误差补偿的自适应鲁棒控制方法
CN112821809A (zh) * 2021-01-07 2021-05-18 西安理工大学 一种无轴传动凹印机同步控制系统及其控制方法
CN113759722A (zh) * 2021-09-13 2021-12-07 桂林电子科技大学 一种无人机自抗扰控制器参数优化方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090228119A1 (en) * 2005-03-22 2009-09-10 The University Of Sheffield Control of Processes
CN106406086A (zh) * 2016-05-26 2017-02-15 北京航空航天大学 一种基于滑模干扰观测器的大挠性航天器干扰补偿方法
CN106919050A (zh) * 2017-03-31 2017-07-04 清华大学 多旋翼无人机高速开环动作自适应学习方法
CN107991867A (zh) * 2017-11-28 2018-05-04 浙江工业大学 一种基于自抗扰控制器的网络化多轴运动控制系统的迭代学习轮廓误差控制方法
CN109015661A (zh) * 2018-09-29 2018-12-18 重庆固高科技长江研究院有限公司 工业机器人迭代学习修正轨迹误差的方法
CN110376900A (zh) * 2019-08-16 2019-10-25 中国科学院深圳先进技术研究院 参数优化方法、终端设备以及计算机存储介质
CN111708276A (zh) * 2020-04-30 2020-09-25 南京理工大学 基于线性状态观测器观测误差补偿的自适应鲁棒控制方法
CN112821809A (zh) * 2021-01-07 2021-05-18 西安理工大学 一种无轴传动凹印机同步控制系统及其控制方法
CN113759722A (zh) * 2021-09-13 2021-12-07 桂林电子科技大学 一种无人机自抗扰控制器参数优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周星: "电站热工系统自抗扰控制技术及其在DCS中的应用研究", 硕士学位论文 *
周琪，杨鹏翔，秦永元: "基于自抗扰控制技术的捷联罗经对准算法", 控制与决策, vol. 26, no. 9 *
李家豪;孙洪飞;: "自抗扰控制技术的改进和应用", 厦门大学学报(自然科学版), vol. 1, no. 05 *

Also Published As

Publication number Publication date
CN114415519B (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
Lam et al. Model predictive contouring control for biaxial systems
CN100562823C (zh) 一种复杂轨迹的轮廓控制方法
CN110471368A (zh) 一种高速数控机床加工速度自适应的前瞻插补方法
CN110450155B (zh) 一种多自由度机械臂系统的控制器的优化设计方法
WO2022160894A1 (zh) 基于迭代学习的数控机床快速误差补偿控制系统及方法
CN111597702B (zh) 一种火箭着陆轨迹规划方法及装置
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
CN103926875A (zh) 一种滚珠丝杠进给系统摩擦补偿方法
CN111506996B (zh) 一种基于辨识误差受限的转台伺服系统自适应辨识方法
CN111639749A (zh) 一种基于深度学习的工业机器人摩擦力辨识方法
CN111427308A (zh) 一种用于数控平台轨迹规划的误差补偿综合控制方法
CN110703693A (zh) 一种机床进给系统的迭代学习前馈控制方法及系统
CN110376893A (zh) 基于特征模型的前馈与离散二阶滑模复合控制系统及方法
CN114415519A (zh) 一种adrc扩张观测器参数快速收敛的实时优化方法
CN117549294A (zh) 一种优化模糊滑模控制的机械臂轨迹跟踪控制方法
CN108481328A (zh) 六关节工业机器人关节空间轨迹跟踪柔性迭代学习控制方法
CN112462608A (zh) 一种高速列车离散滑模轨迹及速度跟踪控制方法
CN111596543A (zh) 一种快速规划6阶s型运动曲线的方法
CN114237157B (zh) 数据驱动的机床进给伺服系统机器学习建模方法及系统
CN114012733B (zh) 一种用于pc构件模具划线的机械臂控制方法
CN113219840B (zh) 三轴运动平台自适应滑模交叉耦合轮廓控制方法
CN117140504B (zh) 一种基于增量模型预测控制的n连杆机械臂控制方法
CN115248554A (zh) 一种运动控制系统的最优迭代前馈调参方法及系统
Zhang et al. An online control approach for forging machine using reinforcement learning and taboo search
Wang et al. Fast-update iterative learning control for performance enhancement with application to motion systems

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Gong Zhihao

Inventor after: Zhang Zhuoqi

Inventor after: Zhang Liqun

Inventor after: Huang Shifeng

Inventor after: Zhao Zian

Inventor after: Zhou Xing

Inventor after: Zhu Zhihong

Inventor before: Gong Zhihao

Inventor before: Zhang Zhuoqi

Inventor before: Zhang Liqun

Inventor before: Huang Shifeng

Inventor before: Zhao Zian

Inventor before: Zhou Xing

Inventor before: Zhu Zhihong

GR01 Patent grant
GR01 Patent grant