CN115149873B - 基于神经网络模型的伺服电机组控制方法及相关设备 - Google Patents

基于神经网络模型的伺服电机组控制方法及相关设备 Download PDF

Info

Publication number
CN115149873B
CN115149873B CN202211077657.9A CN202211077657A CN115149873B CN 115149873 B CN115149873 B CN 115149873B CN 202211077657 A CN202211077657 A CN 202211077657A CN 115149873 B CN115149873 B CN 115149873B
Authority
CN
China
Prior art keywords
motor
data
servo motor
target
training
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.)
Active
Application number
CN202211077657.9A
Other languages
English (en)
Other versions
CN115149873A (zh
Inventor
杨之乐
胡天宇
朱俊丞
谭勇
周德方
吴承科
刘祥飞
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.)
Zhongke Hangmai CNC Software Shenzhen Co Ltd
Original Assignee
Zhongke Hangmai CNC Software Shenzhen Co Ltd
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 Zhongke Hangmai CNC Software Shenzhen Co Ltd filed Critical Zhongke Hangmai CNC Software Shenzhen Co Ltd
Priority to CN202211077657.9A priority Critical patent/CN115149873B/zh
Publication of CN115149873A publication Critical patent/CN115149873A/zh
Application granted granted Critical
Publication of CN115149873B publication Critical patent/CN115149873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0077—Characterised by the use of a particular software algorithm
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开了一种基于神经网络模型的伺服电机组控制方法及相关设备，方法包括：获取伺服电机组对应的待处理数据，其中，待处理数据包括伺服电机组对应的电机组合信息、目标运行数据和实际运行数据，目标运行数据包括伺服电机组中各个伺服电机对应的目标位置信息和目标速度信息，实际运行数据包括伺服电机组中各伺服电机对应的当前位置信息和当前速度信息；根据待处理数据获取已训练的电机参数优化模型，根据已训练的电机参数优化模型获取伺服电机组对应的目标控制数据，其中，电机参数优化模型为神经网络模型；根据目标控制数据对伺服电机组中的各伺服电机进行同步控制。本发明有利于提高伺服电机控制的效率和准确性。

Description

基于神经网络模型的伺服电机组控制方法及相关设备
技术领域
本发明涉及伺服电机智能控制技术领域，尤其涉及的是一种基于神经网络模型的伺服电机组控制方法及相关设备。
背景技术
随着科学技术的发展，尤其是数控技术的发展，伺服电机的应用越来越广泛。针对伺服电机的智能控制也越来越受到重视。机械加工设备，特别是现代化的加工中心，由多套伺服电机及其配套的电机控制器（或电机控制系统）参与加工动作。
现有技术中，通常由用户根据其自身经验通过对应的电机控制器对各个伺服电机的参数进行调试和设置，以实现对伺服电机的控制。现有技术的问题在于，伺服电机的控制过程需要用户进行反复调试，不利于提高控制效率，且控制结果完全依赖于用户的经验，不利于提高控制准确性。
因此，现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种基于神经网络模型的伺服电机组控制方法及相关设备，旨在解决现有技术中由用户根据其自身经验通过对应的电机控制器对各个伺服电机的参数进行调试和设置，不利于伺服电机控制的效率和准确性的问题。
为了实现上述目的，本发明第一方面提供一种基于神经网络模型的伺服电机组控制方法，其中，上述基于神经网络模型的伺服电机组控制方法包括：
获取伺服电机组对应的待处理数据，其中，上述待处理数据包括上述伺服电机组对应的电机组合信息、目标运行数据和实际运行数据，上述目标运行数据包括上述伺服电机组中各个伺服电机对应的目标位置信息和目标速度信息，上述实际运行数据包括上述伺服电机组中各上述伺服电机对应的当前位置信息和当前速度信息；
根据上述待处理数据获取已训练的电机参数优化模型，根据上述已训练的电机参数优化模型获取上述伺服电机组对应的目标控制数据，其中，上述电机参数优化模型为神经网络模型；
根据上述目标控制数据对上述伺服电机组中的各上述伺服电机进行同步控制。
可选的，上述目标控制数据包括目标电流数据和目标参数数据，上述根据上述待处理数据获取已训练的电机参数优化模型，根据上述已训练的电机参数优化模型获取上述伺服电机组对应的目标控制数据，包括：
获取待配置的电机参数优化模型及其对应的多组经训练获得的模型参数组；
根据上述伺服电机组对应的电机组合信息，从上述待配置的电机参数优化模型对应的多组模型参数组中获取一组并作为目标模型参数组；
根据上述目标模型参数组配置上述待配置的电机参数优化模型的模型参数并获得已训练的电机参数优化模型；
将上述目标运行数据和上述实际运行数据输入上述已训练的电机参数优化模型，获取上述电机参数优化模型输出的目标电流数据和目标参数数据。
可选的，上述模型参数组根据如下步骤预先获得：
获取训练数据集合，将上述训练数据集合中包括的训练电机组合信息相同的训练数据划分为一组，获得多个训练数据组，其中，一个上述训练数据包括训练目标运行数据、训练实际运行数据和上述训练电机组合信息；
分别根据各上述训练数据组对上述待配置的电机参数优化模型进行训练，并获得各上述训练数据组对应的模型参数组，作为上述待配置的电机参数优化模型对应的经训练获得的模型参数组。
可选的，对于任意一组训练数据组，根据如下步骤训练获得该训练数据组对应的模型参数组：
将上述训练数据组中的训练目标运行数据和训练实际运行数据输入上述待配置的电机参数优化模型，通过上述待配置的电机参数优化模型生成在上述训练实际运行数据的基础上与上述训练目标运行数据对应的训练目标控制数据；
根据上述训练目标控制数据对训练电机组中的各个训练电机进行同步控制，获取上述训练电机组对应的训练受控运行数据，其中，上述训练电机组对应的电机组合信息与上述训练数据组中对应的训练电机组合信息相同；
根据上述训练目标运行数据和上述训练受控运行数据对上述待配置的电机参数优化模型的模型参数进行调整，并继续执行上述将上述训练数据组中的训练目标运行数据和训练实际运行数据输入上述待配置的电机参数优化模型的步骤，直至满足预设训练条件，以得到上述训练数据组对应的一组模型参数组。
可选的，上述电机组合信息包括伺服电机数量和伺服电机连接关系；上述目标参数数据包括PID参数、电机参数和电子齿轮比。
可选的，上述根据上述目标控制数据对上述伺服电机组中的各上述伺服电机进行同步控制，包括：
根据上述目标控制数据分别生成上述伺服电机组中各上述伺服电机对应的控制数据包，其中，一个伺服电机对应的控制数据包中包括该伺服电机对应的目标电流值和目标参数值；
向各上述伺服电机的电机控制器分别发送对应的控制数据包，其中，上述伺服电机与上述电机控制器一一对应；
在接收到所有上述电机控制器反馈的控制数据包接收完成信号后，向各上述电机控制器发送预设的控制触发信号，以触发各上述电机控制器根据其存储的上述控制数据包对各上述伺服电机进行控制。
可选的，上述根据上述目标控制数据对上述伺服电机组中的各上述伺服电机进行同步控制，包括：
获取控制执行时刻；
根据上述目标控制数据分别生成上述伺服电机组中各上述伺服电机对应的控制数据包，其中，一个伺服电机对应的控制数据包中包括该伺服电机对应的目标电流值和目标参数值；
向各上述伺服电机的电机控制器分别发送对应的控制数据包以及上述控制执行时刻，以触发各上述电机控制器在上述控制执行时刻根据其存储的上述控制数据包对各上述伺服电机进行控制。
本发明第二方面提供一种基于神经网络模型的伺服电机组控制系统，其中，上述基于神经网络模型的伺服电机组控制系统包括：
数据获取模块，用于获取伺服电机组对应的待处理数据，其中，上述待处理数据包括上述伺服电机组对应的电机组合信息、目标运行数据和实际运行数据，上述目标运行数据包括上述伺服电机组中各个伺服电机对应的目标位置信息和目标速度信息，上述实际运行数据包括上述伺服电机组中各上述伺服电机对应的当前位置信息和当前速度信息；
数据处理模块，用于根据上述待处理数据获取已训练的电机参数优化模型，根据上述已训练的电机参数优化模型获取上述伺服电机组对应的目标控制数据，其中，上述电机参数优化模型为神经网络模型；
控制模块，用于根据上述目标控制数据对上述伺服电机组中的各上述伺服电机进行同步控制。
本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于神经网络模型的伺服电机组控制程序，上述基于神经网络模型的伺服电机组控制程序被上述处理器执行时实现上述任意一种基于神经网络模型的伺服电机组控制方法的步骤。
本发明第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有基于神经网络模型的伺服电机组控制程序，上述基于神经网络模型的伺服电机组控制程序被处理器执行时实现上述任意一种基于神经网络模型的伺服电机组控制方法的步骤。
由上可见，本发明方案中，获取伺服电机组对应的待处理数据，其中，上述待处理数据包括上述伺服电机组对应的电机组合信息、目标运行数据和实际运行数据，上述目标运行数据包括上述伺服电机组中各个伺服电机对应的目标位置信息和目标速度信息，上述实际运行数据包括上述伺服电机组中各上述伺服电机对应的当前位置信息和当前速度信息；根据上述待处理数据获取已训练的电机参数优化模型，根据上述已训练的电机参数优化模型获取上述伺服电机组对应的目标控制数据，其中，上述电机参数优化模型为神经网络模型；根据上述目标控制数据对上述伺服电机组中的各上述伺服电机进行同步控制。
与现有技术中相比，本发明方案中，对于伺服电机组，可以获取其对应的待处理数据，根据已训练的电机参数模型自动获取在当前的目标运行数据的基础上，想达到对应的实际运行数据时的最佳的伺服电机参数所对应的目标控制数据，从而根据目标控制对伺服电机组中的伺服电机同步控制。利用神经网络模型的计算能力进行最优结果的计算，不需要用户对伺服电机组中的伺服电机一一根据经验进行反复调试和调整，有利于提高伺服电机控制的效率和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种基于神经网络模型的伺服电机组控制方法的流程示意图；
图2是本发明实施例提供的一种基于神经网络模型的伺服电机组控制系统的结构示意图；
图3是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于分类到”。类似的，短语“如果确定”或“如果分类到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦分类到[所描述的条件或事件]”或“响应于分类到[所描述条件或事件]”。
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
随着科学技术的发展，尤其是数控技术的发展，伺服电机的应用越来越广泛。针对伺服电机的智能控制也越来越受到重视。机械加工设备，特别是现代化的加工中心，由多套伺服电机及其配套的电机控制器（或电机控制系统）参与加工动作。
现有技术中，通常由用户根据其自身经验通过对应的电机控制器对各个伺服电机的参数进行调试和设置，以实现对伺服电机的控制。现有技术的问题在于，伺服电机的控制过程需要用户进行反复调试，不利于提高控制效率，且控制结果完全依赖于用户的经验，不利于提高控制准确性。
同时，在机床设计以及试制阶段，每台伺服电机均需配套专门的控制系统以实现其对应功能。且各个伺服电机相互联动，其控制网络结构更加复杂。例如，加工中心中可能设置有多套伺服电机系统，特别是多轴多联动控制系统的运动形态较为复杂，对伺服电机相关参数的设计及调试提出了极高需求。目前几乎所有机械加工系统的伺服电机系统均由用户（例如工程师）以其经验进行各项参数调试，依赖于人工设置参数，用户难以考虑到多台伺服电机之间的相互影响，因而难以实现较好的联动控制，在面对复杂控制结构时往往无法达到最佳调试效果，甚至可能因失误导致结构损毁。
进一步的，用户在进行伺服电机控制时，只能对伺服电机一一进行控制，即难以实现同时对所有伺服电机进行控制，可能造成控制过程中的不稳定，甚至造成伺服电机损坏。
为了解决上述多个问题中的至少一个问题，本发明方案中，获取伺服电机组对应的待处理数据，其中，上述待处理数据包括上述伺服电机组对应的电机组合信息、目标运行数据和实际运行数据，上述目标运行数据包括上述伺服电机组中各个伺服电机对应的目标位置信息和目标速度信息，上述实际运行数据包括上述伺服电机组中各上述伺服电机对应的当前位置信息和当前速度信息；根据上述待处理数据获取已训练的电机参数优化模型，根据上述已训练的电机参数优化模型获取上述伺服电机组对应的目标控制数据，其中，上述电机参数优化模型为神经网络模型；根据上述目标控制数据对上述伺服电机组中的各上述伺服电机进行同步控制。
与现有技术中相比，本发明方案中，对于伺服电机组，可以获取其对应的待处理数据，根据已训练的电机参数模型自动获取在当前的目标运行数据的基础上，想达到对应的实际运行数据时的最佳的伺服电机参数所对应的目标控制数据，从而根据目标控制对伺服电机组中的伺服电机同步控制。利用神经网络模型的计算能力进行最优结果的计算，不需要用户对伺服电机组中的伺服电机一一根据经验进行反复调试和调整，有利于提高伺服电机控制的效率和准确性。
同时，本发明中，通过已训练的电机参数优化模型对一个伺服电机组中所有伺服电机对应的待处理数据同时进行处理，融合一个伺服电机组中所有伺服电机组对应的待处理数据，可以针对伺服电机组整体进行联动控制。
进一步的，本发明中还基于获得的目标控制数据对伺服电机组中的所有伺服电机进行同步控制。能够实现同时更改所有伺服电机的参数，有利于提高伺服电机控制和使用的稳定性。
示例性方法
如图1所示，本发明实施例提供一种基于神经网络模型的伺服电机组控制方法，具体的，上述方法包括如下步骤：
步骤S100，获取伺服电机组对应的待处理数据，其中，上述待处理数据包括上述伺服电机组对应的电机组合信息、目标运行数据和实际运行数据，上述目标运行数据包括上述伺服电机组中各个伺服电机对应的目标位置信息和目标速度信息，上述实际运行数据包括上述伺服电机组中各上述伺服电机对应的当前位置信息和当前速度信息。
其中，上述伺服电机组是需要进行控制的所有伺服电机所构成的组合，伺服电机组中所包括的伺服电机之间可以全部或部分存在联动关系（即连接关系），也可以不存在联动关系，其联动关系可以通过到处理数据中的电机组合信息确定，在此不作具体限定。本实施例中，上述伺服电机组是加工中心中的伺服电机构成的组合。
具体的，上述电机组合信息用于描述伺服电机组的具体组合情况，上述目标运行数据用于描述伺服电机组中各个伺服电机在下一时刻预期达到的位置和速度（具体可以与角位移和角速度对应），上述实际运行数据用于描述伺服电机组中各个伺服电机在当前时刻所对应的实际位置和速度。其中，目标位置信息（或当前位置信息）用于描述伺服电机的角位移，目标速度信息（或当前速度信息）用于描述伺服电机的角速度。
步骤S200，根据上述待处理数据获取已训练的电机参数优化模型，根据上述已训练的电机参数优化模型获取上述伺服电机组对应的目标控制数据，其中，上述电机参数优化模型为预先构建的神经网络模型。
本实施例中，预先根据不同的电机组合情况对电机参数优化模型进行了训练，并存储了不同电机组合下对应的最优模型参数，如此，在使用过程中，可以根据待处理数据中的电机组合信息确定当前的电机组合（即伺服电机组）所对应的最优模型参数，从而获得对应的适合当前的伺服电机组已训练的电机参数优化模型。
具体的，上述目标控制数据包括目标电流数据和目标参数数据，上述根据上述待处理数据获取已训练的电机参数优化模型，根据上述已训练的电机参数优化模型获取上述伺服电机组对应的目标控制数据，包括：
获取待配置的电机参数优化模型及其对应的多组经训练获得的模型参数组；
根据上述伺服电机组对应的电机组合信息，从上述待配置的电机参数优化模型对应的多组模型参数组中获取一组并作为目标模型参数组；
根据上述目标模型参数组配置上述待配置的电机参数优化模型的模型参数并获得已训练的电机参数优化模型；
将上述目标运行数据和上述实际运行数据输入上述已训练的电机参数优化模型，获取上述电机参数优化模型输出的目标电流数据和目标参数数据。
需要说明的是，目标电流数据中包括上述伺服电机组中各个伺服电机对应的目标电流值，目标参数数据中包括上述伺服电机组中各个伺服电机对应的目标参数值，目标电流值和目标参数值用于对对应的伺服电机进行控制。
其中，上述待配置的电机参数优化模型有预先训练获得的多组模型参数组，一组模型参数组与一种伺服电机组合情况（也即一个电机组合信息）对应，因此可以根据上述伺服电机组对应的电机组合信息，从上述待配置的电机参数优化模型对应的多组模型参数组中获取一组并作为目标模型参数组，获得的目标模型参数组所对应的电机组合信息与上述伺服电机组的电机组合信息相同。即获取的目标模型参数组中的模型参数是根据一个与当前的伺服电机组具有相同伺服电机和连接关系的一个电机组合所对应的训练数据训练获得的。
具体的，上述模型参数组根据如下步骤预先获得：
获取训练数据集合，将上述训练数据集合中包括的训练电机组合信息相同的训练数据划分为一组，获得多个训练数据组，其中，一个上述训练数据包括训练目标运行数据、训练实际运行数据和上述训练电机组合信息；
分别根据各上述训练数据组对上述待配置的电机参数优化模型进行训练，并获得各上述训练数据组对应的模型参数组，作为上述待配置的电机参数优化模型对应的经训练获得的模型参数组。
需要说明的是，上述训练目标运行数据、上述训练实际运行数据和上述训练电机组合信息的含义与上述目标运行数据、上述实际运行数据和上述电机组合信息的含义分别对应相似，用训练目标运行数据、训练实际运行数据和训练电机组合信息来代表其是训练过程中使用的数据，与对上述伺服电机组进行实际控制时的对应数据进行区分，但数据的实际含义和数据形式不变。在对训练数据集合中的训练数据进行划分时，对应的训练电机组合信息相同的训练数据被划分到一个训练数据组中，也即一个训练数据组对应一个训练电机组合信息，如此，通过该训练数据组中的所有训练数据所训练出的模型参数是与对应的训练电机组合信息所匹配的一组最佳模型参数，可以在该训练电机组合信息所对应的电机组合场景下很好地进行数据预测。如此，针对各种不同的电机组合分别进行模型参数的训练，有利于提高电机参数优化模型的适用性，并且有利于提高电机参数优化模型针对各种不同场景的控制准确性，避免出现因训练时使用的电机组合与实际使用时需要控制的伺服电机组不同从而导致控制参数不适配的问题。
本实施例中针对各组训练数据组分别进行训练，具体的，对于任意一组训练数据组，根据如下步骤训练获得该训练数据组对应的模型参数组：
将上述训练数据组中的训练目标运行数据和训练实际运行数据输入上述待配置的电机参数优化模型，通过上述待配置的电机参数优化模型生成在上述训练实际运行数据的基础上与上述训练目标运行数据对应的训练目标控制数据；
根据上述训练目标控制数据对训练电机组中的各个训练电机进行同步控制，获取上述训练电机组对应的训练受控运行数据，其中，上述训练电机组对应的电机组合信息与上述训练数据组中对应的训练电机组合信息相同；
根据上述训练目标运行数据和上述训练受控运行数据对上述待配置的电机参数优化模型的模型参数进行调整，并继续执行上述将上述训练数据组中的训练目标运行数据和训练实际运行数据输入上述待配置的电机参数优化模型的步骤，直至满足预设训练条件，以得到上述训练数据组对应的一组模型参数组。
需要说明的是，一组训练数据组与一个训练电机组合信息对应，一个训练电机组合信息与一种电机组合对应。针对一个伺服电机组，可以寻找与其电机信息组合相同的训练电机组合信息，从而确定其对应的训练数据组和模型参数剧组。
上述预设训练条件是迭代次数达到预设的迭代次数阈值或者计算的损失值小于预设的损失阈值。其中，损失值可以基于预设的损失函数，针对上述训练目标运行数据和上述训练受控运行数据之间的差异来计算获得，在此不作具体限定。
在一种应用场景中，上述电机参数优化模型通过自适应萤火虫算法计算最优解并输出。在另一种应用场景中，采用多维种群和自适应步长调整策略，以加快迭代速度。
需要说明的是，上述电机组合信息包括伺服电机数量和伺服电机连接关系；上述目标参数数据包括PID参数、电机参数和/或电子齿轮比。
其中，上述电子齿轮比即电子传动比，用于设定电机的转速和扭矩。进一步的，上述电机组合信息号可以包括各个伺服电机的型号，以及用于描述连接特点的描述语句。进行匹配查找时，描述语句之间根据提取的语义信息进行匹配。上述目标参数数据（或电机参数）可以具体包括电机负载惯量比、位置控制增益、速度控制增益、速度积分补偿、共振抑制低通滤波、外部干扰抵抗增益、速度检测滤波、微振抑制参数、应答等级等，在此不作具体限定。
步骤S300，根据上述目标控制数据对上述伺服电机组中的各上述伺服电机进行同步控制。
本实施例中，需要根据上述目标控制数据对各个伺服电机进行同步控制。在一种应用场景中，上述根据上述目标控制数据对上述伺服电机组中的各上述伺服电机进行同步控制，包括：
根据上述目标控制数据分别生成上述伺服电机组中各上述伺服电机对应的控制数据包，其中，一个伺服电机对应的控制数据包中包括该伺服电机对应的目标电流值和目标参数值；
向各上述伺服电机的电机控制器分别发送对应的控制数据包，其中，上述伺服电机与上述电机控制器一一对应；
在接收到所有上述电机控制器反馈的控制数据包接收完成信号后，向各上述电机控制器发送预设的控制触发信号，以触发各上述电机控制器根据其存储的上述控制数据包对各上述伺服电机进行控制。
其中，上述预设的控制触发信号是一个预先设置的较小的信号，例如，可以是预先设置的一组编码数据对应的信号、或者一个（或一串）特殊的脉冲信号，用于指示电机控制器实施对伺服电机的参数调整。
需要说明的是，不同的伺服电机所对应的控制数据包的数据大小可能不同，所需要的数据传输也可能对应不同，从而会造成传输过程中的差异，如果在电机控制器接收到控制数据包之后就直接对伺服电机的参数进行调整，则会导致各个伺服电机不能实现同步控制。
本实施例中，上述基于神经网络模型的伺服电机组控制方法可以由一个设置有神经网络模型的控制设备来实施，该控制设备还可以具体用于获取、处理和发送对应的数据，例如将控制数据包发送给电机控制器，接收电机控制器返回的控制数据包接收完成信号。
本实施例中，设置各个电机控制器在接收到控制数据包之后会先将控制数据包存储起来，并且向上述控制设备反馈对应的接收确认信息（即控制数据包接收完成信号），在控制设备接收到所有接收确认信息之后，再由控制设备向各个电机控制器发送一个数据大小相同且数据大小较小的控制触发信号，各个电机控制器只有在接收到控制触发信号之后才进行参数调整。因为各个电机控制器对应的控制触发信号数据大小相同，因此其传输时间基本相同，又因为控制触发信号的数据大小较小，即使不同电机控制器所对应的通信信道存在差异，该差异所造成的数据时延也可以基本忽略，所以可以实现对各个伺服电机的同步控制。同时，还可以避免因某一个电机控制器与控制设备之间无法正常通信导致其无法进行伺服电机控制，而其它电机控制器在不知情的情况系对其它各个伺服电机进行控制，引起结构损毁的问题。
进一步的，还可以根据上述控制设备发送控制数据包的时间以及接收到对应的控制数据包接收完成信号的时间计算各个通信信号的时延，从而在接收到所有上述电机控制器反馈的控制数据包接收完成信号后，根据对应的时延调整各个电机控制器所对应的控制触发信号的发出时间，进一步提高同步性。
在另一种应用场景中，上述根据上述目标控制数据对上述伺服电机组中的各上述伺服电机进行同步控制，包括：
获取控制执行时刻；
根据上述目标控制数据分别生成上述伺服电机组中各上述伺服电机对应的控制数据包，其中，一个伺服电机对应的控制数据包中包括该伺服电机对应的目标电流值和目标参数值；
向各上述伺服电机的电机控制器分别发送对应的控制数据包以及上述控制执行时刻，以触发各上述电机控制器在上述控制执行时刻根据其存储的上述控制数据包对各上述伺服电机进行控制。其中，上述控制执行时刻可以由用户手动输入或预先设置，还可以由控制设备预先根据各个通信通道的时延确定一个能保证所有通信通道都完成数据传输的时间长度，然后根据该时间长度与当前时刻确定，还可以有其它设置和确定方式，在此不作具体限定。
如此，给所有电机控制器发送一个相同的控制执行时刻，保证所有电机控制器在该控制执行时刻进行同步调整，提高伺服电机控制的稳定性。
在一种应用场景中，在根据上述目标控制数据对上述伺服电机组中的各上述伺服电机进行同步控制之后，获取上述伺服电机组所对应的最新运行数据（即控制之后的运行数据），根据最新运行数据和目标运行数据计算差值或损失值，如果对应的差值小于预先设置的差值阈值（或损失值小于预先设置的损失阈值）则停止参数调整，反之则将上述实际运行数据更新为最新运行数据，并获取更新后的待处理数据，根据更新后的待处理数据，基于上述步骤S100至步骤S300对伺服电机组继续进行调整。
由上可见，本发明方案中，对于伺服电机组，可以获取其对应的待处理数据，根据已训练的电机参数模型自动获取在当前的目标运行数据的基础上，想达到对应的实际运行数据时的最佳的伺服电机参数所对应的目标控制数据，从而根据目标控制对伺服电机组中的伺服电机同步控制。利用神经网络模型的计算能力进行最优结果的计算，不需要用户对伺服电机组中的伺服电机一一根据经验进行反复调试和调整，有利于提高伺服电机控制的效率和准确性。
并且，对加工中心中各运动结构进行监测，同时使用优化算法对电机各项控制参数进行实时优化，形成闭环控制网络，以快速高效的满足加工中心伺服电机控制系统的调控需求。
示例性设备
如图2中所示，对应于上述基于神经网络模型的伺服电机组控制方法，本发明实施例还提供一种基于神经网络模型的伺服电机组控制系统，上述基于神经网络模型的伺服电机组控制系统包括：
数据获取模块410，用于获取伺服电机组对应的待处理数据，其中，上述待处理数据包括上述伺服电机组对应的电机组合信息、目标运行数据和实际运行数据，上述目标运行数据包括上述伺服电机组中各个伺服电机对应的目标位置信息和目标速度信息，上述实际运行数据包括上述伺服电机组中各上述伺服电机对应的当前位置信息和当前速度信息；
数据处理模块420，用于根据上述待处理数据获取已训练的电机参数优化模型，根据上述已训练的电机参数优化模型获取上述伺服电机组对应的目标控制数据，其中，上述电机参数优化模型为神经网络模型；
控制模块430，用于根据上述目标控制数据对上述伺服电机组中的各上述伺服电机进行同步控制。
具体的，本实施例中，上述基于神经网络模型的伺服电机组控制系统及其各模块的具体功能可以参照上述基于神经网络模型的伺服电机组控制方法中的对应描述，在此不再赘述。
需要说明的是，上述基于神经网络模型的伺服电机组控制系统的各个模块的划分方式并不唯一，在此也不作为具体限定。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图3所示。上述智能终端包括处理器及存储器。该智能终端的存储器包括基于神经网络模型的伺服电机组控制程序，存储器为基于神经网络模型的伺服电机组控制程序的运行提供环境。该基于神经网络模型的伺服电机组控制程序被处理器执行时实现上述任意一种基于神经网络模型的伺服电机组控制方法的步骤。需要说明的是，上述智能终端还可以包括其它功能模块或单元，在此不作具体限定。
本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体地智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有基于神经网络模型的伺服电机组控制程序，上述基于神经网络模型的伺服电机组控制程序被处理器执行时实现本发明实施例提供的任意一种基于神经网络模型的伺服电机组控制方法的步骤。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块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。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的系统/智能终端和方法，可以通过其它的方式实现。例如，以上所描述的系统/智能终端实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于神经网络模型的伺服电机组控制方法，其特征在于，所述方法包括：
获取伺服电机组对应的待处理数据，其中，所述待处理数据包括所述伺服电机组对应的电机组合信息、目标运行数据和实际运行数据，所述目标运行数据包括所述伺服电机组中各个伺服电机对应的目标位置信息和目标速度信息，所述实际运行数据包括所述伺服电机组中各所述伺服电机对应的当前位置信息和当前速度信息；
根据所述待处理数据获取已训练的电机参数优化模型，根据所述已训练的电机参数优化模型获取所述伺服电机组对应的目标控制数据，其中，所述电机参数优化模型为神经网络模型；
根据所述目标控制数据对所述伺服电机组中的各所述伺服电机进行同步控制；
其中，所述目标控制数据包括目标电流数据和目标参数数据，所述根据所述待处理数据获取已训练的电机参数优化模型，根据所述已训练的电机参数优化模型获取所述伺服电机组对应的目标控制数据，包括：获取待配置的电机参数优化模型及其对应的多组经训练获得的模型参数组；根据所述伺服电机组对应的电机组合信息，从所述待配置的电机参数优化模型对应的多组模型参数组中获取一组并作为目标模型参数组；根据所述目标模型参数组配置所述待配置的电机参数优化模型的模型参数并获得已训练的电机参数优化模型；将所述目标运行数据和所述实际运行数据输入所述已训练的电机参数优化模型，获取所述电机参数优化模型输出的目标电流数据和目标参数数据。
2.根据权利要求1所述的基于神经网络模型的伺服电机组控制方法，其特征在于，所述模型参数组根据如下步骤预先获得：
获取训练数据集合，将所述训练数据集合中包括的训练电机组合信息相同的训练数据划分为一组，获得多个训练数据组，其中，一个所述训练数据包括训练目标运行数据、训练实际运行数据和所述训练电机组合信息；
分别根据各所述训练数据组对所述待配置的电机参数优化模型进行训练，并获得各所述训练数据组对应的模型参数组，作为所述待配置的电机参数优化模型对应的经训练获得的模型参数组。
3.根据权利要求2所述的基于神经网络模型的伺服电机组控制方法，其特征在于，对于任意一组训练数据组，根据如下步骤训练获得该训练数据组对应的模型参数组：
将所述训练数据组中的训练目标运行数据和训练实际运行数据输入所述待配置的电机参数优化模型，通过所述待配置的电机参数优化模型生成在所述训练实际运行数据的基础上与所述训练目标运行数据对应的训练目标控制数据；
根据所述训练目标控制数据对训练电机组中的各个训练电机进行同步控制，获取所述训练电机组对应的训练受控运行数据，其中，所述训练电机组对应的电机组合信息与所述训练数据组中对应的训练电机组合信息相同；
根据所述训练目标运行数据和所述训练受控运行数据对所述待配置的电机参数优化模型的模型参数进行调整，并继续执行所述将所述训练数据组中的训练目标运行数据和训练实际运行数据输入所述待配置的电机参数优化模型的步骤，直至满足预设训练条件，以得到所述训练数据组对应的一组模型参数组。
4.根据权利要求1所述的基于神经网络模型的伺服电机组控制方法，其特征在于，所述电机组合信息包括伺服电机数量和伺服电机连接关系；所述目标参数数据包括PID参数、电机参数和电子齿轮比。
5.根据权利要求1-4任意一项所述的基于神经网络模型的伺服电机组控制方法，其特征在于，所述根据所述目标控制数据对所述伺服电机组中的各所述伺服电机进行同步控制，包括：
根据所述目标控制数据分别生成所述伺服电机组中各所述伺服电机对应的控制数据包，其中，一个伺服电机对应的控制数据包中包括该伺服电机对应的目标电流值和目标参数值；
向各所述伺服电机的电机控制器分别发送对应的控制数据包，其中，所述伺服电机与所述电机控制器一一对应；
在接收到所有所述电机控制器反馈的控制数据包接收完成信号后，向各所述电机控制器发送预设的控制触发信号，以触发各所述电机控制器根据其存储的所述控制数据包对各所述伺服电机进行控制。
6.根据权利要求1-4任意一项所述的基于神经网络模型的伺服电机组控制方法，其特征在于，所述根据所述目标控制数据对所述伺服电机组中的各所述伺服电机进行同步控制，包括：
获取控制执行时刻；
根据所述目标控制数据分别生成所述伺服电机组中各所述伺服电机对应的控制数据包，其中，一个伺服电机对应的控制数据包中包括该伺服电机对应的目标电流值和目标参数值；
向各所述伺服电机的电机控制器分别发送对应的控制数据包以及所述控制执行时刻，以触发各所述电机控制器在所述控制执行时刻根据其存储的所述控制数据包对各所述伺服电机进行控制。
7.一种基于神经网络模型的伺服电机组控制系统，其特征在于，所述系统包括：
数据获取模块，用于获取伺服电机组对应的待处理数据，其中，所述待处理数据包括所述伺服电机组对应的电机组合信息、目标运行数据和实际运行数据，所述目标运行数据包括所述伺服电机组中各个伺服电机对应的目标位置信息和目标速度信息，所述实际运行数据包括所述伺服电机组中各所述伺服电机对应的当前位置信息和当前速度信息；
数据处理模块，用于根据所述待处理数据获取已训练的电机参数优化模型，根据所述已训练的电机参数优化模型获取所述伺服电机组对应的目标控制数据，其中，所述电机参数优化模型为神经网络模型；
控制模块，用于根据所述目标控制数据对所述伺服电机组中的各所述伺服电机进行同步控制；
其中，所述目标控制数据包括目标电流数据和目标参数数据，所述数据处理模块具体用于：获取待配置的电机参数优化模型及其对应的多组经训练获得的模型参数组；根据所述伺服电机组对应的电机组合信息，从所述待配置的电机参数优化模型对应的多组模型参数组中获取一组并作为目标模型参数组；根据所述目标模型参数组配置所述待配置的电机参数优化模型的模型参数并获得已训练的电机参数优化模型；将所述目标运行数据和所述实际运行数据输入所述已训练的电机参数优化模型，获取所述电机参数优化模型输出的目标电流数据和目标参数数据。
8.一种智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于神经网络模型的伺服电机组控制程序，所述基于神经网络模型的伺服电机组控制程序被所述处理器执行时实现如权利要求1-6任意一项所述基于神经网络模型的伺服电机组控制方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于神经网络模型的伺服电机组控制程序，所述基于神经网络模型的伺服电机组控制程序被处理器执行时实现如权利要求1-6任意一项所述基于神经网络模型的伺服电机组控制方法的步骤。
CN202211077657.9A 2022-09-05 2022-09-05 基于神经网络模型的伺服电机组控制方法及相关设备 Active CN115149873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211077657.9A CN115149873B (zh) 2022-09-05 2022-09-05 基于神经网络模型的伺服电机组控制方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211077657.9A CN115149873B (zh) 2022-09-05 2022-09-05 基于神经网络模型的伺服电机组控制方法及相关设备

Publications (2)

Publication Number Publication Date
CN115149873A CN115149873A (zh) 2022-10-04
CN115149873B true CN115149873B (zh) 2022-12-02

Family

ID=83415740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211077657.9A Active CN115149873B (zh) 2022-09-05 2022-09-05 基于神经网络模型的伺服电机组控制方法及相关设备

Country Status (1)

Country Link
CN (1) CN115149873B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117478017B (zh) * 2023-12-27 2024-04-09 东莞市天一精密机电有限公司 一种伺服电机的控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013169063A (ja) * 2012-02-15 2013-08-29 Canon Inc モータ制御装置、ロボット装置及びモータ制御方法
CN106877746A (zh) * 2017-03-21 2017-06-20 北京京东尚科信息技术有限公司 速度控制方法和速度控制装置
CN110932609A (zh) * 2019-12-31 2020-03-27 北京理工大学 一种多电机伺服系统自适应递推控制方法和系统
CN114028156A (zh) * 2021-10-28 2022-02-11 深圳华鹊景医疗科技有限公司 康复训练方法、装置及康复机器人

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4085306A1 (en) * 2019-12-30 2022-11-09 AMO Development, LLC Multi-axis motor position compensation in ophthalmic surgical laser system using deep learning
CN111585478A (zh) * 2020-05-26 2020-08-25 佛山金华信智能科技有限公司 伺服电机驱动电压控制方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013169063A (ja) * 2012-02-15 2013-08-29 Canon Inc モータ制御装置、ロボット装置及びモータ制御方法
CN106877746A (zh) * 2017-03-21 2017-06-20 北京京东尚科信息技术有限公司 速度控制方法和速度控制装置
CN110932609A (zh) * 2019-12-31 2020-03-27 北京理工大学 一种多电机伺服系统自适应递推控制方法和系统
CN114028156A (zh) * 2021-10-28 2022-02-11 深圳华鹊景医疗科技有限公司 康复训练方法、装置及康复机器人

Also Published As

Publication number Publication date
CN115149873A (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN115149873B (zh) 基于神经网络模型的伺服电机组控制方法及相关设备
CN107598928A (zh) 基于语义模型的相机与机器人控制系统及其自动适配方法
US20090102411A1 (en) System and method for jerk limited trajectory planning for a path planner
CN111711407A (zh) 一种基于rbf神经网络优化adrc伺服电机控制方法
CN112916987A (zh) 一种电弧增材制造在线监测及实时控制方法和系统
CN109856978A (zh) 一种获取被控对象模型的方法及装置
CN112947296A (zh) 一种五轴速度规划方法、装置、计算机设备和存储介质
CN107491036B (zh) 机床加工能耗控制方法及加工机床
CN109696825A (zh) 舵机的控制响应方法、装置及舵机
Hobbs et al. Perception computing-aware controller synthesis for autonomous systems
CN113119105A (zh) 机器人多机联动控制方法、多机联动控制设备和控制系统
CN109343589A (zh) 用于机器人的速度平滑方法及装置
CN113156862B (zh) 一种位域比例观测器和新型基础控制器系统
CN111293927B (zh) 多电机同步驱动控制方法、装置以及系统
CN109615069B (zh) 一种具有异步传输特性的神经网络的电路结构
CN113703433A (zh) 机器人运动轨迹的速度规划方法及装置
CN117075482B (zh) 一种伺服自适应前馈控制系统
Qu et al. A new suboptimal control design for cascaded non‐linear systems
CN116502473B (zh) 线束电磁兼容性优化方法、装置、电子设备及存储介质
Chen et al. Servo Drive Controller Tuning by Machine Learning Model and Particle Swarm Optimization
CN112462765B (zh) 机器人及其控制方法、装置以及计算机可读存储介质
CN114154352B (zh) 航空成像多执行器协同控制的拓扑结构设计方法与装置
Tavridovich COOMA: an object-oriented stochastic optimization algorithm
CN112987643B (zh) 一种智能调节伺服电机速度的方法及系统
CN113805478B (zh) 车辆pid参数的调试方法及车辆

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