CN115422698A - 一种伺服驱动变周期在线惯量辨识方法 - Google Patents
一种伺服驱动变周期在线惯量辨识方法 Download PDFInfo
- Publication number
- CN115422698A CN115422698A CN202210594830.6A CN202210594830A CN115422698A CN 115422698 A CN115422698 A CN 115422698A CN 202210594830 A CN202210594830 A CN 202210594830A CN 115422698 A CN115422698 A CN 115422698A
- Authority
- CN
- China
- Prior art keywords
- inertia
- identification
- moment
- average value
- current
- 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
Images
Classifications
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供一种伺服驱动变周期在线惯量辨识方法,包括:获取伺服驱动系统每个时刻的测量转速;当k+i时刻的测量转速与k时刻的测量转速的差值大于设定的最大测量误差时,计算从k时刻待(k+i)时刻之间的测量转速平均值ωavg和测量电流平均值iqavg;将测量转速平均值ωavg和测量电流平均值iqavg代入FFRLS算法中,计算得到从k时刻到(k+i)时刻,伺服驱动系统的辨识惯量。本发明通过增大计算周期和均值滤波的方式提高数据信噪比,避免惯量辨识值发散,变周期的辨识策略使惯量辨识算法在不同加速度大小的工况下,均有较好的适应性。
Description
技术领域
本发明涉及伺服驱动系统的惯量辨识领域,更具体地,涉及一种伺服驱动变周期在线惯量辨识方法。
背景技术
交流伺服系统的负载惯量受负载重心位置影响,特别是在长行程设备中负载重心的大跨度导致负载惯量变化明显,对基于系统模型的控制算法性能造成影响。
递推最小二乘法(Recursive Least Square,RLS)通过对历史数据的拟合,使得惯量辨识值的误差最小。由于RLS算法对所有历史数据都同等对待,随数据量增加,辨识结果主要受历史数据影响,与当前时刻输入无关,该现象被称为数据饱和。数据饱和导致RLS在辨识时变参数时后期的更新能力差,因此不适用于在线辨识。
发明内容
本发明针对现有技术中存在的技术问题,提供一种伺服驱动变周期在线惯量辨识方法,包括:
获取伺服驱动系统每个时刻的测量转速;
当k+i时刻的测量转速与k时刻的测量转速的差值大于设定的最大测量误差时,计算从k时刻待(k+i)时刻之间的测量转速平均值ωavg和测量电流平均值iqavg;
将测量转速平均值ωavg和测量电流平均值iqavg代入FFRLS算法中,计算得到从k时刻到(k+i)时刻,伺服驱动系统的辨识惯量。
本发明提供的一种伺服驱动变周期在线惯量辨识方法,只有当前后相邻两次的测量转速的差值大于设定的最大测量误差时,才会计算伺服驱动系统的辨识惯量,通过增大计算周期和均值滤波的方式提高数据信噪比,避免惯量辨识值发散,变周期的辨识策略使惯量辨识算法在不同加速度大小的工况下,均有较好的适应性。
附图说明
图1为本发明提供的一种伺服驱动变周期在线惯量辨识方法流程图;
图2为最小二乘算法框图;
图3为FFRLS辨识系统惯量流程图;
图4为变周期在线惯量辨识流程图;
图5为考虑惯量限幅的惯量辨识流程图;
图6为固定周期与变周期加速度计算结果对比图;
图7为定周期和变周期的惯量辨识曲线示意图,其中,7(a)为指令转速和反馈转速曲线示意图,7(b)为定惯量辨识曲线示意图,7 (c)为变计算辨识曲线示意图;
图8为正弦速度指令下一组定惯量辨识仿真结果示意图,其中,8 (a)为指令转速和反馈转速曲线示意图,8(b)为电磁转矩曲线示意图,8(c)为FFRLS算法计算周期曲线示意图,8(d)为辨识惯量曲线示意图;
图9为正弦速度指令下二组定惯量辨识仿真结果示意图,其中,9 (a)为指令转速和反馈转速曲线示意图,9(b)为电磁矩阵曲线示意图,9(c)为FFRLS算法计算周期曲线示意图,8(d)为辨识惯量曲线示意图;
图10为正弦速度指令下辨识时变惯量仿真结果示意图,其中,10 (a)为指令转速和反馈转速曲线示意图,10(b)为电磁矩阵曲线示意图,10(c)为FFRLS算法计算周期曲线示意图,10(d)为辨识惯量曲线示意图;
图11为方波速度指令下一组定惯量辨识仿真结果示意图,11(a) 为指令转速和反馈转速曲线示意图,11(b)为电磁矩阵曲线示意图, 11(c)为FFRLS算法计算周期曲线示意图,11(d)为辨识惯量曲线示意图;
图12为方波速度指令下二组定惯量辨识仿真结果示意图,12(a) 为指令转速和反馈转速曲线示意图,12(b)为电磁矩阵曲线示意图,12(c)为FFRLS算法计算周期曲线示意图,12(d)为辨识惯量曲线示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一
为了克服现有技术中不适用伺服驱动系统的惯量在线辨识的缺陷,提供一种伺服驱动变周期在线惯量辨识方法,参见图1,该在线惯量辨识方法主要包括以下步骤:
S1,获取伺服驱动系统每个时刻的测量转速。
可以理解的是,为了克服现有技术的惯量辨识方法不适用于在线辨识的缺陷,本发明实施例采用具有遗忘因子λ的FFRLS算法,具体的FFRLS算法构建过程如下:
其中,ω为电机机械角速度,Js为系统惯量,Te为电机电磁转矩, B为系统阻尼系数,Tl为负载转矩。
其中,Ts为算法的离散计算步长,ωk为离散的第k个周期的机械角速度,整理伺服系统运动微分方程(0-1)和离散化方程(0-2)得到(0-3):
其中,Kt为扭矩系数,iq为q轴反馈电流,Te=Ktiq。
把状态方程(0-3)改写为矩阵形式yk=θk Tψk,其中各项满足式 (0-4):
其中,yk为输出,θk为系数,ψk为输入。
将状态方程(0-4)带入FFRLS算法中,计算当前时刻的增益矩阵Lk,如式(0-5):
Lk=Pk-1ψk[λ+ψk TPk-1ψk]-1 (0-5);
计算当前时刻的协方差矩阵Pk,如式(0-6):
计算当前时刻的先验误差ek,如式(0-7):
式(0-4)到式(0-8)构建了FFRLS算法方程,给定初始值和P0以及当前时刻的观测器输入值(主要包括测量转速和测量电流),就可以对下一周期的估计值进行预测。将惯量辨识问题转化为了由已知式(0-1) 中运动微分方程的输入输出,拟合方程系数的问题,FFRLS的算法框图(基于最小二乘法)如图2所示。
FFRLS的输入为电磁转矩Te和反馈转速ω,根据最小二乘递推等式计算得到系统惯量Js,根据FFRLS的算法原理,绘制FFRLS辨识系统惯量的流程图,如图3所示,根据初始值和P0以及当前时刻的观测器输入值(主要包括测量转速和测量电流),更新yk和ψk,并基于FFRLS算法计算当前时刻的增益矩阵Lk、协方差矩阵Pk、先验误差 ek,并更新当前时刻的估计值根据更新的估计值计算出待辨识惯量,判断伺服驱动系统是否停止运动,如果未停止,则计算下一周期的系统惯量。
在理想情况下,FFRLS算法的输入输出严格满足伺服驱动系统的运动微分方程,通过对系统模型的拟合,可以辨识得到准确的系统惯量。但是实际系统中,对输入信号的测量如编码器数据采集、电流采样存在的测量噪声,会对辨识结果造成影响,对式(0-1)离散化得到式 (0-10):
其中,Nk是k时刻的测量噪声,当加速度趋近于零时有ωk≈ωk-1,此时式(0-10)的分母项主要与两次测量转速噪声差值Nk-Nk-1的大小有关。此时,由测量噪声导致的辨识结果误差无法忽略,进而还会导致辨识惯量值发散。
针对此问题,提出了一种基于变周期的在线惯量辨识策略,用于解决加速度趋近于零时辨识结果发散的问题。当加速度大时,测量数据变化迅速,此时数据信噪比高,扰动和量化误差可以忽略,减小计算周期能够提高辨识精度。反之当加速度小时,测量数据变化平稳,此时数据信噪比低,扰动和量化误差无法忽略,通过增大计算周期和均值滤波的方式提高数据信噪比,避免辨识值发散,变周期的辨识策略使算法在不同加速度大小的工况下,均有较好的适应性。
为此,步骤S1中针对每一个固定间隔周期,获取每一个时刻,伺服驱动系统的测量转速和测量电流。
S2,当k+i时刻的测量转速与k时刻的测量转速的差值大于设定的最大测量误差时,计算从k时刻待(k+i)时刻之间的测量转速平均值ωavg和测量电流平均值iqavg。
作为实施例,选择相邻两次测量转速的差值与最大测量误差的关系作为是否执行惯量计算的判断依据,如式(0-11)所示。
|ωk+i-ωk|≥ξmax (0-11);
其中,i表示变周期数,ξmax表示设定的最大测量误差。
可以理解的是,对于k时刻的测量转速,计算(k+1)时刻的测量转速与k时刻测量转速之间的差值|ωk+1-ωk|,如果|ωk+1-ωk|<ξmax,则计算(k+2)时刻测量转速与k时刻测量转速之间的差值|ωk+2-ωk|,继续判断|ωk+2-ωk|与最大测量误差之间的大小,直到|ωk+i-ωk|≥ξmax,此时的变周期数为i,即i个固定间隔时间为此时的变周期。
当k+i时刻的测量转速与k时刻的测量转速满足式(0-11)时,表示两次测量转速的差值较大,此时计算得到的辨识惯量较为准确。为了进一步提高抑制信号中的噪声,提高计算精度,将从k时刻到k+i时刻之间的测量转速和测量电流值代入式(0-12)中进行平均滤波处理。
当k+i时刻的测量转速与k时刻的测量转速不满足式(0-11)时,表示两次测量转速接近,此时输入信号的信噪比低,采用此信号计算得到的辨识惯量误差较大。因此仅将测量转速和测量电流进行保存,而不进行计算,直到出现满足条件的测量转速出现。
本发明实施例通过调节变周期在线惯量辨识策略中的最大测量误差ξmax,可以实现对FFRLS计算周期的调节。
S3,将测量转速平均值ωavg和测量电流平均值iqavg代入FFRLS算法中,计算得到从k时刻到(k+i)时刻,伺服驱动系统的辨识惯量。
可以理解的是,将计算得到的ωavg和iqavg代入FFRLS算法方程中进行计算,得到当前时刻伺服驱动系统的辨识惯量,由此可以得到基于变周期策略的FFRLS在线辨识流程,如图4所示:FFRLS算法初始化最大测量误差ξmax,更新输入参数,包括每一个时刻的测量转速和测量电流,判断是否满足|ωk+i-ωk|≥ξmax,如果满足,则计算从k时刻到(k+i)时刻之间的测量转速平均值ωavg和测量电流iqavg平均值。将测量转速平均值ωavg和测量电流平均值iqavg代入FFRLS算法方程中,计算当前时刻伺服驱动系统的辨识惯量。需要说明的是,将k时刻到 (k+i)时刻的测量转速平均值ωavg和测量电流平均值iqavg代入FFRLS 算法方程中,计算当前时刻伺服驱动系统的辨识惯量的过程中,其中,k时刻到(k+i)时刻的测量转速平均值ωavg为ωk-1,(k+i)时刻到(k+i’) 时刻的测量转速平均值ωavg'为ωk。
可以理解的是,考虑伺服驱动系统运动初期,辨识惯量还未收敛,直接输入控制器中会导致伺服驱动系统不稳定。所以还需要设定惯量阈值,当辨识惯量未收敛,超出阈值后,进行限幅,具体为,当伺服驱动系统的辨识惯量令 如果则不作处理。将伺服驱动系统的辨识惯量进行限幅,避免惯量导致系统不稳定,考虑惯量限幅的惯量辨识流程如图5所示。
其中,对固定周期和变周期计算的加速度进行了对比,如图6所示,实线所标识的a为真实加速度方向,虚线所标识的a1、a2、a3、a4、a5为固定周期下计算的加速度方向,可以看出,当测量误差在测量转速中占比较大不可忽略时,此时计算的加速度与真实加速度可能存在较大误差。点线所标识的aeq1、aeq2、aeq3为不同周期下计算的加速度方向,可以看出,随着设定测量误差的放宽,计算得到的加速度更接近真实加速度。
为了验证在低加速度工况下,输入信号信噪比较低时,采用变周期策略的最小二乘法的辨识效果。在Simulink中搭建了仿真模型,在反馈转速和反馈电流中加入噪声,使信噪比为60dB,对比定周期和变周期的辨识结果。采用500rpm的阶跃信号辨识定惯量,系统总惯量为 3.183×10-3kg.m2,辨识结果曲线如图7所示。
从图7的图(a)、图(b)可以看出,转速稳定在500rpm后,定周期的辨识惯量存在较为明显的波动约为1.2%。而采用变计算周期策略时,仅当测量转速差大于最大测量误差ξmax时进行惯量辨识计算。从图(c) 中可以看出在0.48s左右,由于此时计算的测量转速差大于ξmax,故缩短了计算周期进行最小二乘计算,同时均值滤波也使得测量噪声不会使辨识结果出现较大的波动,稳态波动约为零。
综上,变周期算法的引入能够提高惯量辨识算法在低加速度下的辨识精度,有较好的辨识效果,证明了策略的有效性。
为了验证本发明提出的在线惯量辨识算法的有效性,在Simulink 中搭建了基于最小二乘法的变周期在线惯量辨识模型,采用卡尔曼滤波算法(KF算法)作为对比,进行惯量辨识的仿真验证。
仿真中选择了正弦和方波两种速度信号进行惯量辨识:①通过速度时变的正弦速度信号模拟加工中变速运行的场景,验证算法在变速场景下的辨识效果;②通过存在匀速阶段的方波速度信号模拟加工中匀速运行的场景,验证算法在匀速场景下的辨识效果。伺服系统控制模型包含PI速度控制器、PI电流控制器、FFRLS在线惯量辨识算法、坐标变换模块、逆变器及二质量系统模型等。
仿真对比了变周期FFRLS和KF两种算法的辨识惯量结果,设置两种算法参数,①变周期FFRLS参数,p=0.01,m=600,d=1200, g=0.99;②KF参数,Q=[10-5,10-5,5×10-3],R=10,算法离散步长和速度环周期一致,Ts=100us。
(1)正弦速度下惯量辨识仿真:为了模拟加工中伺服系统变速运行的场景,选择频率为10Hz,峰峰值为500rpm的正弦速度信号进行仿真,分别对定负载惯量和时变负载惯量进行了辨识,通过对定负载惯量的辨识验证算法的辨识精度,通过对时变负载惯量的辨识验证算法的跟踪性能。分析实际工况中的负载惯量比,分别采用了负载惯量比为2和3的两组定负载惯量,仿真中所使用的电机惯量和负载惯量如表1所示。
表1二质量系统仿真惯量参数
1)正弦速度信号下辨识定惯量参数。
仿真中对两组不同的定惯量进行了辨识,仿真结果如图8和9所示。在正弦速度信号下对定惯量进行辨识,变周期FFRLS和KF算法都能够收敛到真实值附近。根据对仿真数据的分析得到稳态误差、稳态波动和收敛时间,如表2和表3所示。
表2正弦速度指令一组定惯量辨识算法对比表
表3正弦速度指令二组定惯量辨识算法对比表
由图8、图9和表2、表3可知:①在辨识精度方面,在两组定惯量的辨识中,两种算法的的辨识结果稳态误差均在1%以下。当负载惯量增加后由于模型简化导致的系统误差占比减小,此时辨识精度有所提高。从两组辨识结果可以看出,变周期FFRLS算法的辨识精度高于KF算法。②在收敛速度方面,变周期FFRLS算法的收敛速度更快,收敛时间约为KF算法的三分之一。可以看出当转速变化平稳时,由于 FFRLS算法中引入了变计算周期的算法,为了减小计算误差增加了计算周期,与期望结果一致。
2)正弦速度信号下辨识变惯量参数。
仿真中对时变惯量进行了辨识,仿真结果如图10所示。由图10 的(a)、(b)、(c)和(d)可知,受正弦变化的负载惯量影响,电机电磁转矩幅值也随之成正弦变化。在辨识精度方面,两种算法都存在一定的辨识波动。变周期FFRLS算法辨识误差低于KF算法,前者误差约5%,后者误差约7%。在跟踪性能方面,变周期FFRLS算法和 KF算法的最大相位延时分别为32ms和115ms,前者是后者的约四分之一。
由正弦信号下对定惯量和时变惯量的辨识结果可以看出,在伺服系统变速运行的场景中,变周期FFRLS算法优于KF算法,更适用于惯量的在线辨识。
(2)方波速度下惯量辨识仿真:为了模拟加工中伺服系统匀速运行的场景,选择频率为10Hz,峰峰值为500rpm的方波速度信号进行仿真。分别对定负载惯量和时变负载惯量进行了辨识,通过定负载惯量的辨识验证算法的辨识精度,通过时变负载惯量的辨识验证算法的跟踪性能。分析实际工况中的负载惯量比,分别采用了负载惯量比为2 和3的两组定负载惯量,仿真中所使用的电机惯量和负载惯量如上表1 所示。
仿真对比了变周期FFRLS和KF两种算法的辨识惯量结果,两种算法的参数设置和正弦速度仿真中的参数一致。
1)方波速度信号下辨识定惯量参数。
仿真中对两组不同的定惯量进行了辨识,仿真结果如图11和图12 所示;根据仿真数据分析得到稳态误差、稳态波动和收敛时间,如表4 和表5所示。
表4方波速度指令一组定惯量辨识算法对比表
表5方波速度指令二组定惯量辨识算法对比表
由图11、图12、表4、表5可知:①在辨识精度方面,由于方波速度指令中的转速突变会导致电机转矩和转速的振荡,造成惯量辨识结果波动。因此相对于连续的正弦速度指令,方波下的惯量辨识精度降低。比较两组不同惯量下的辨识结果,当惯量增加后,由于系统动态性能受到影响,辨识误差也有所增加。从两组辨识结果可以看出,变周期FFRLS算法辨识精度高于KF算法。②在收敛速度方面,由于方波信号的加速度相比于正弦信号速度更大,因此在方波信号下两种算法的收敛速度更快,变周期FFRLS算法的收敛时间约为KF算法的二分之一。同时因为FFRLS算法中引入了变计算周期的算法,当转速变化平稳时,计算周期增加,与期望结果一致。
2)方波速度信号下辨识变惯量参数。
仿真中对时变惯量进行了辨识,在辨识精度方面,两种算法都存在算法波动。当惯量较小时,由于系统动态性能好,辨识结果波动小;当惯量较大时,系统动态性能变差,辨识结果波动增大。变周期FFRLS 算法的辨识误差低于KF算法,前者误差约8%后者误差约11%。在跟踪性能方面,变周期FFRLS算法和KF算法的最大相位延时分别为 41ms和77ms,前者是后者的约二分之一。
由方波信号下对定惯量和时变惯量的辨识结果可以看出,在伺服系统匀速运行的场景中,变周期FFRLS算法也有较好的收敛及跟随性,更适用于惯量的在线辨识。
本发明提供的一种伺服驱动系统在线惯量辨识方法,用于解决加速度趋近于零时辨识结果发散的问题。当加速度大时,测量数据变化迅速,此时数据信噪比高,扰动和量化误差可以忽略,减小计算周期能够提高辨识精度。反之当加速度小时,测量数据变化平稳,此时数据信噪比低,扰动和量化误差无法忽略,通过增大计算周期和均值滤波的方式提高数据信噪比,避免辨识值发散。变周期的辨识策略使算法在不同加速度大小的工况下,均有较好的适应性。
需要说明的是,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细描述的部分,可以参见其它实施例的相关描述。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (7)
1.一种伺服驱动变周期在线惯量辨识方法,其特征在于,包括:
获取伺服驱动系统每个时刻的测量转速;
当k+i时刻的测量转速与k时刻的测量转速的差值大于设定的最大测量误差时,计算从k时刻待(k+i)时刻之间的测量转速平均值ωavg和测量电流平均值iqavg;
将测量转速平均值ωavg和测量电流平均值iqavg代入FFRLS算法方程中,计算得到从k时刻到(k+i)时刻,伺服驱动系统的辨识惯量。
2.根据权利要求1所述的在线惯量辨识方法,其特征在于,还包括构建EERLS算法方程:
构建伺服驱动系统运动微分方程:
其中,ω为电机机械角速度,Js为系统惯量,Te为电机电磁转矩,B为系统阻尼系数,Tl为负载转矩;
其中,Ts为算法的离散计算步长,ωk为离散的第k个周期的机械角速度,整理伺服系统运动微分方程(0-1)和离散化方程(0-2)得到:
其中,Kt为扭矩系数,iq为q轴反馈电流,Te=Ktiq;
将状态方程(0-3)改写为矩阵形式yk=θk Tψk,其中各项满足式(0-4):
其中,yk为输出,θk为系数,ψk为输入;
将状态方程(0-4)带入FFRLS算法中,计算当前时刻的增益矩阵Lk,如式(0-5):
Lk=Pk-1ψk[λ+ψk TPk-1ψk]-1 (0-5);
计算当前时刻的协方差矩阵Pk,如式(0-6):
计算当前时刻的先验误差ek,如式(0-7):
6.根据权利要求5所述的在线惯量辨识方法,其特征在于,通过调节所述最大测量误差ξmax,调节变周期数i。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210594830.6A CN115422698A (zh) | 2022-05-27 | 2022-05-27 | 一种伺服驱动变周期在线惯量辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210594830.6A CN115422698A (zh) | 2022-05-27 | 2022-05-27 | 一种伺服驱动变周期在线惯量辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115422698A true CN115422698A (zh) | 2022-12-02 |
Family
ID=84196703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210594830.6A Pending CN115422698A (zh) | 2022-05-27 | 2022-05-27 | 一种伺服驱动变周期在线惯量辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422698A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117614334A (zh) * | 2024-01-17 | 2024-02-27 | 中智电气南京有限公司 | 一种基于智能模型的伺服电机转动惯量控制系统及方法 |
-
2022
- 2022-05-27 CN CN202210594830.6A patent/CN115422698A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117614334A (zh) * | 2024-01-17 | 2024-02-27 | 中智电气南京有限公司 | 一种基于智能模型的伺服电机转动惯量控制系统及方法 |
CN117614334B (zh) * | 2024-01-17 | 2024-03-26 | 中智电气南京有限公司 | 一种基于智能模型的伺服电机转动惯量控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5144549A (en) | Time delay controlled processes | |
CN107193211B (zh) | 基于自抗扰和反演技术的单臂机械手控制器及其设计方法 | |
CN110824921B (zh) | 基于蝙蝠算法的交流伺服调速系统控制参数自整定方法 | |
JP7272112B2 (ja) | サーボシステムのパラメータ同定方法 | |
CN115422698A (zh) | 一种伺服驱动变周期在线惯量辨识方法 | |
CN110941183A (zh) | 一种基于神经网络的工业机器人动力学辨识方法 | |
Huang et al. | Position/force control of uncertain constrained flexible joint robots | |
Wang et al. | LED chip accurate positioning control based on visual servo using dual rate adaptive fading Kalman filter | |
CN116991068A (zh) | 基于分布式预设时间梯度下降法的电机控制方法及系统 | |
Qian et al. | Youla parameterized adaptive vibration control against deterministic and band-limited random signals | |
CN111872933B (zh) | 一种基于改进二次型迭代学习控制的scara机器人轨迹跟踪控制方法 | |
Wu et al. | Desired compensation adaptive robust control of electrical-optical gyro-stabilized platform with continuous friction compensation using modified LuGre model | |
CN112255920A (zh) | 一种基于数据驱动的自适应最优迭代学习控制方法 | |
CN113641181A (zh) | 基于在线性能评估飞行器增益自适应姿态控制方法和系统 | |
CN108227479B (zh) | 一种多关节机器人的pid控制方法及pid控制系统 | |
CN114516050B (zh) | 基于位形雅可比条件数优化的机器人外力估计方法及系统 | |
CN115473467A (zh) | 基于模糊观测器的柔性关节机械臂指令滤波反步控制方法 | |
CN110788859B (zh) | 一种控制器参数全域自适应调节系统 | |
CN114454150A (zh) | 一种基于复合学习的臂式机器人控制方法及机器人系统 | |
Chang et al. | Active Disturbance Rejection Control Tuned by Whale Optimization Algorithm for Electric Loading System | |
CN113341702B (zh) | 一种飞机舵机电动伺服系统复合控制方法 | |
CN117484499B (zh) | 一种机械臂鲁棒轨迹跟踪的scara机器人 | |
CN112147898B (zh) | 一种仅依赖控制方向信息的刚体系统抗扰控制方法及系统 | |
CN117706910B (zh) | 基于滑模控制的不同最大速度的机器人集群覆盖方法及系统 | |
JP7107496B2 (ja) | 制御系設計方法及び試験システムの制御パラメータ決定方法 |
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 |