CN115576208A - 自适应模糊控制方法、系统、设备及介质 - Google Patents

自适应模糊控制方法、系统、设备及介质 Download PDF

Info

Publication number
CN115576208A
CN115576208A CN202211416723.0A CN202211416723A CN115576208A CN 115576208 A CN115576208 A CN 115576208A CN 202211416723 A CN202211416723 A CN 202211416723A CN 115576208 A CN115576208 A CN 115576208A
Authority
CN
China
Prior art keywords
adaptive
fuzzy
control
control law
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.)
Granted
Application number
CN202211416723.0A
Other languages
English (en)
Other versions
CN115576208B (zh
Inventor
陆新江
徐博文
许都
柏昀旭
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202211416723.0A priority Critical patent/CN115576208B/zh
Publication of CN115576208A publication Critical patent/CN115576208A/zh
Application granted granted Critical
Publication of CN115576208B publication Critical patent/CN115576208B/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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

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

本公开实施例中提供了一种自适应模糊控制方法、系统、设备及介质，属于数据识别技术领域，具体包括：步骤1，设计基于线性反馈的控制律；步骤2，根据基于线性反馈的控制律得到T‑S模糊模型；步骤3，利用预设公式推导T‑S模糊模型对应的控制律；步骤4，根据T‑S模糊模型对应的控制律推导铸造机器人磨抛装置的自适应控制律；步骤5，选择鲁棒项，并推导滑膜面的一阶导数；步骤6，将系统模型、一阶导数和自适应控制律代入铸造机器人末端打磨系统，构建机器人磨抛过程的闭环控制回路；步骤7，重复步骤4至6，对铸造机器人的实际磨抛过程进行自适应稳定控制。通过本公开的方案，提高了对非线性系统控制的适应性和鲁棒性。

Description

自适应模糊控制方法、系统、设备及介质
技术领域
本公开实施例涉及数据处理技术领域，尤其涉及一种自适应模糊控制方法、系统、设备及介质。
背景技术
目前，在传统非线性系统的控制过程中，通常要考虑两个关键的问题：1）系统本身的非线性未知动态对模型精度的影响；2）建立合适的控制律在确保控制精度的同时，尽可能地降低控制器造成的抖振。这两个问题在控制器设计时是需要综合考虑的，尤其是对基于模型的控制策略。
虽然，传统不依赖模型的控制算法在很多情况下能取得较为理想的效果，但需要消耗大量的精力进行参数整定，并且这类算法鲁棒性较差，它们不能根据系统外部情况的变化做出适应性调整，严重时甚至导致算法失效。基于模型的控制方法中，比较常用的算法是滑膜控制，该算法通过引入鲁棒项实现对外部扰动的有效抑制，但不能有效解决由模型未知结构导致的控制失效问题。针对这一问题虽然提出了基于模糊的自适应控制策略，但这些控制器基本以单值模糊为主，无法有效描述系统的非线性行为，影响模型对实际系统的逼近精度，并进一步影响到控制器的执行效果。
可见，亟需一种解决系统在内部非线性未知动态及外部扰动下的鲁棒控制问题的自适应模糊控制方法。
发明内容
有鉴于此，本公开实施例提供一种自适应模糊控制方法、系统、设备及介质，至少部分解决现有技术中存在适应性和鲁棒性较差的问题。
第一方面，本公开实施例提供了一种自适应模糊控制方法，包括：
步骤1，针对铸造机器人的磨抛过程，设计基于线性反馈的控制律；
步骤2，根据基于线性反馈的控制律，建立机器人磨抛装置对应的非线性动态的自适应模糊模型，并将其简化，得到T-S模糊模型；
步骤3，基于T-S模糊模型，利用预设公式推导T-S模糊模型对应的控制律；
步骤4，根据T-S模糊模型对应的控制律推导铸造机器人磨抛装置的自适应控制律；
步骤5，选择鲁棒项，并推导滑膜面的一阶导数；
步骤6，将系统模型、一阶导数和自适应控制律代入铸造机器人末端打磨系统，构建机器人磨抛过程的闭环控制回路，按照预定的轨迹对铸件表面的自适应打磨控制；
步骤7，重复步骤4至6，对铸造机器人的实际磨抛过程进行自适应稳定控制。
根据本公开实施例的一种具体实现方式，所述基于线性反馈的控制律的表达式为
Figure 775387DEST_PATH_IMAGE001
其中，
Figure 161369DEST_PATH_IMAGE002
和
Figure 144368DEST_PATH_IMAGE003
为关于变量
Figure 775463DEST_PATH_IMAGE004
和时间
Figure 58677DEST_PATH_IMAGE005
的未知非线性函数；
Figure 615560DEST_PATH_IMAGE006
和
Figure 617014DEST_PATH_IMAGE007
表示跟踪误差及误差的一阶导数，
Figure 284756DEST_PATH_IMAGE006
定义为
Figure 688056DEST_PATH_IMAGE008
，
Figure 415840DEST_PATH_IMAGE009
为状态变量的目标值；
Figure 639011DEST_PATH_IMAGE010
为与跟踪误差
Figure 110444DEST_PATH_IMAGE006
相关的变量，满足
Figure 102671DEST_PATH_IMAGE011
,并有
Figure 266936DEST_PATH_IMAGE012
且
Figure 242982DEST_PATH_IMAGE013
为目标状态的二阶导数；
Figure 219903DEST_PATH_IMAGE014
为鲁棒项，
Figure 597795DEST_PATH_IMAGE015
为鲁棒增益系数，是一个正实数；
Figure 401803DEST_PATH_IMAGE016
为连续函数，满足
Figure 865145DEST_PATH_IMAGE017
,并有变量
Figure 412801DEST_PATH_IMAGE018
满足
Figure 645199DEST_PATH_IMAGE019
，
Figure 885688DEST_PATH_IMAGE020
为滑模面，满足
Figure 570747DEST_PATH_IMAGE021
,
Figure 187673DEST_PATH_IMAGE022
为比例系数且
Figure 8999DEST_PATH_IMAGE023
，参数
Figure 199151DEST_PATH_IMAGE024
均为正实数。
根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
建立模糊规则并结合自适应思想和基于线性反馈的控制律，建立机器人磨抛装置对应的未知非线性函数的自适应模型；
定义模糊模型中参数的约束条件并将其简化，得到T-S模糊模型。
根据本公开实施例的一种具体实现方式，所述预设公式为
Figure 105927DEST_PATH_IMAGE025
，其中，
Figure 260965DEST_PATH_IMAGE026
为与跟踪误差
Figure 467956DEST_PATH_IMAGE006
相关的变量，
Figure 50247DEST_PATH_IMAGE027
和
Figure 709898DEST_PATH_IMAGE028
分别为
Figure 668627DEST_PATH_IMAGE029
和
Figure 198965DEST_PATH_IMAGE030
的近似模型，并满足
Figure 952158DEST_PATH_IMAGE031
，
Figure 99105DEST_PATH_IMAGE032
，
Figure 861525DEST_PATH_IMAGE033
和
Figure 777528DEST_PATH_IMAGE034
为自适应模糊系数，
Figure 934578DEST_PATH_IMAGE035
与
Figure 568821DEST_PATH_IMAGE036
为与模糊相关的向量。
根据本公开实施例的一种具体实现方式，所述自适应控制律的表达式为
Figure 869353DEST_PATH_IMAGE037
，
Figure 639863DEST_PATH_IMAGE038
,其中，
Figure 734858DEST_PATH_IMAGE039
和
Figure 590818DEST_PATH_IMAGE040
分别为自适应模糊系数
Figure 695040DEST_PATH_IMAGE033
和
Figure 54478DEST_PATH_IMAGE034
的一阶导数,
Figure 585953DEST_PATH_IMAGE041
和
Figure 929210DEST_PATH_IMAGE042
表示自适应律，
Figure 571544DEST_PATH_IMAGE043
为滑模面，满足
Figure 818111DEST_PATH_IMAGE044
,
Figure 254908DEST_PATH_IMAGE045
，且
Figure 85461DEST_PATH_IMAGE046
均为正实数。
根据本公开实施例的一种具体实现方式，所述步骤5具体包括：
定义Lyapunov函数并选择鲁棒项，据此推导滑膜面的一阶导数。
第二方面，本公开实施例提供了一种自适应模糊控制系统，包括：
设计模块，用于针对铸造机器人的磨抛过程，设计基于线性反馈的控制律；
简化模块，用于根据基于线性反馈的控制律，建立机器人磨抛装置对应的非线性动态的自适应模糊模型，并将其简化，得到T-S模糊模型；
第一计算模块，用于基于T-S模糊模型，利用预设公式推导T-S模糊模型对应的控制律；
第二计算模块，用于根据T-S模糊模型对应的控制律推导铸造机器人磨抛装置的自适应控制律；
第三计算模块，用于选择鲁棒项，并推导滑膜面的一阶导数；
构建模块，用于将系统模型、一阶导数和自适应控制律代入铸造机器人末端打磨系统，构建机器人磨抛过程的闭环控制回路，按照预定的轨迹对铸件表面的自适应打磨控制；
控制模块，用于重复步骤4至6，对铸造机器人的实际磨抛过程进行自适应稳定控制。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的自适应模糊控制方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的自适应模糊控制方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的自适应模糊控制方法。
本公开实施例中的自适应模糊控制方案，包括：步骤1，针对铸造机器人的磨抛过程，设计基于线性反馈的控制律；步骤2，根据基于线性反馈的控制律，建立机器人磨抛装置对应的非线性动态的自适应模糊模型，并将其简化，得到T-S模糊模型；步骤3，基于T-S模糊模型，利用预设公式推导T-S模糊模型对应的控制律；步骤4，根据T-S模糊模型对应的控制律推导铸造机器人磨抛装置的自适应控制律；步骤5，选择鲁棒项，并推导滑膜面的一阶导数；步骤6，将系统模型、一阶导数和自适应控制律代入铸造机器人末端打磨系统，构建机器人磨抛过程的闭环控制回路，按照预定的轨迹对铸件表面的自适应打磨控制；步骤7，重复步骤4至6，对铸造机器人的实际磨抛过程进行自适应稳定控制。
本公开实施例的有益效果为：
1）针对未建模动态，提出了一种基于T-S模糊的自适应建模方法，实现了对二阶非线性中未知非线性动态的自适应建模。
2）为了得到简单有效地控制律，采用了基于线性化反馈原理的控制律设计方法，基于自适应模糊模型推导了具有强一致收敛的自适应控制律。
3）针对自适应控制器在迭代过程中收敛慢的问题，在自适应律的推导过程中，融合了滑膜变结构控制在未达到稳定状态下的指数收敛特性，提高了该自适应控制器的收敛速度。
4）利用自适应律和鲁棒控制律，兼顾了系统内部不确定性和外部扰动，具有很好的鲁棒性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，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它的附图。
图1为本公开实施例提供的一种自适应模糊控制方法的流程示意图；
图2为本公开实施例提供的一种自适应模糊控制方法的算法原理示意图；
图3为本公开实施例提供的一种自适应模糊控制系统的结构示意图；
图4为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种自适应模糊控制方法，所述方法可以应用于非线性系统控制过程。
参见图1，为本公开实施例提供的一种自适应模糊控制方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
步骤1，针对铸造机器人的磨抛过程，设计基于线性反馈的控制律；
进一步的，所述基于线性反馈的控制律的表达式为
Figure 531486DEST_PATH_IMAGE047
其中，
Figure 865515DEST_PATH_IMAGE002
和
Figure 738793DEST_PATH_IMAGE003
为关于变量
Figure 791063DEST_PATH_IMAGE004
和时间
Figure 775199DEST_PATH_IMAGE005
的未知非线性函数；
Figure 494894DEST_PATH_IMAGE006
和
Figure 539073DEST_PATH_IMAGE007
表示跟踪误差及误差的一阶导数，
Figure 78639DEST_PATH_IMAGE006
定义为
Figure 866466DEST_PATH_IMAGE008
，
Figure 673623DEST_PATH_IMAGE009
为状态变量的目标值；
Figure 888704DEST_PATH_IMAGE010
为与跟踪误差
Figure 915566DEST_PATH_IMAGE006
相关的变量，满足
Figure 241505DEST_PATH_IMAGE011
,并有
Figure 670212DEST_PATH_IMAGE012
且
Figure 56194DEST_PATH_IMAGE013
为目标状态的二阶导数；
Figure 570352DEST_PATH_IMAGE014
为鲁棒项，
Figure 699982DEST_PATH_IMAGE015
为鲁棒增益系数，是一个正实数；
Figure 717616DEST_PATH_IMAGE016
为连续函数，满足
Figure 540079DEST_PATH_IMAGE017
,并有变量
Figure 541533DEST_PATH_IMAGE018
满足
Figure 710740DEST_PATH_IMAGE019
，
Figure 582881DEST_PATH_IMAGE020
为滑模面，满足
Figure 576244DEST_PATH_IMAGE021
,
Figure 64995DEST_PATH_IMAGE022
为比例系数且
Figure 270848DEST_PATH_IMAGE023
，参数
Figure 528654DEST_PATH_IMAGE024
均为正实数。
具体实施时，以二阶单输入单输出为例，对于以下的非线性系统：
Figure 692919DEST_PATH_IMAGE048
(1)
其中，
Figure 137807DEST_PATH_IMAGE049
和
Figure 412930DEST_PATH_IMAGE050
为未知非线性函数，
Figure 525243DEST_PATH_IMAGE051
为状态变量，
Figure 329251DEST_PATH_IMAGE052
为状态变量的二阶导数。
根据线性反馈化技术，将控制律设计为：
Figure 291128DEST_PATH_IMAGE053
(2)
其中，
Figure 838784DEST_PATH_IMAGE054
和
Figure 71183DEST_PATH_IMAGE055
为关于变量
Figure 46092DEST_PATH_IMAGE051
和时间
Figure 996730DEST_PATH_IMAGE056
的未知非线性函数；
Figure 348077DEST_PATH_IMAGE006
和
Figure 434982DEST_PATH_IMAGE007
表示跟踪误差及误差的一阶导数，
Figure 111951DEST_PATH_IMAGE006
定义为
Figure 18727DEST_PATH_IMAGE008
，
Figure 173765DEST_PATH_IMAGE009
为状态变量的目标值；
Figure 115176DEST_PATH_IMAGE010
为与跟踪误差
Figure 198932DEST_PATH_IMAGE006
相关的变量，满足
Figure 858584DEST_PATH_IMAGE011
,并有
Figure 551733DEST_PATH_IMAGE012
且
Figure 613230DEST_PATH_IMAGE013
为目标状态的二阶导数；
Figure 366422DEST_PATH_IMAGE014
为鲁棒项，
Figure 513370DEST_PATH_IMAGE015
为鲁棒增益系数，是一个正实数；
Figure 744631DEST_PATH_IMAGE016
为连续函数，满足
Figure 660634DEST_PATH_IMAGE017
,并有变量
Figure 584728DEST_PATH_IMAGE018
满足
Figure 218972DEST_PATH_IMAGE019
，
Figure 519503DEST_PATH_IMAGE020
为滑模面，满足
Figure 522969DEST_PATH_IMAGE021
,
Figure 883543DEST_PATH_IMAGE022
为比例系数且
Figure 5083DEST_PATH_IMAGE023
，参数
Figure 578147DEST_PATH_IMAGE024
均为正实数。
通过定义Lyapunov函数
Figure 203163DEST_PATH_IMAGE057
，可以证明该控制器是一致收敛稳定的。
步骤2，根据基于线性反馈的控制律，建立机器人磨抛装置对应的非线性动态的自适应模糊模型，并将其简化，得到T-S模糊模型；
在上述实施例的基础上，所述步骤2具体包括：
建立模糊规则并结合自适应思想和基于线性反馈的控制律，建立机器人磨抛装置对应的未知非线性函数的自适应模型；
定义模糊模型中参数的约束条件并将其简化，得到T-S模糊模型。
具体实施时，在公式（1）中，
Figure 734639DEST_PATH_IMAGE049
和
Figure 77895DEST_PATH_IMAGE050
为未知非线性函数，因此需要对该部分未知动态进行自适应建模。Takagi-Sugeno模糊，是用于复杂非线性系统建模的一种有效方法，其主要特点为：规则前提根据系统的输入/输出之间是否存在局部线性关系来进行划分，规则结论则由一个线性方程来表达。通过多个规则间的线性组合，实现对非线性系统的全局近似输出。通常在机电领域，如机器人、无人机、模锻装备等具有较多应用，实现对系统非线性动态的有效建模，考虑到T-S模糊在非线性建模方面的优势，这里结合自适应思想，建立
Figure 720229DEST_PATH_IMAGE058
和
Figure 465331DEST_PATH_IMAGE059
的自适应模糊模型。
首先分别建立模糊规则如下：
规则p：If
Figure 902129DEST_PATH_IMAGE060
is
Figure 732682DEST_PATH_IMAGE061
and
Figure 913127DEST_PATH_IMAGE062
is
Figure 2482DEST_PATH_IMAGE063
and … and
Figure 875760DEST_PATH_IMAGE064
is
Figure 928030DEST_PATH_IMAGE065
,
Then
Figure 912166DEST_PATH_IMAGE066
规则q：If
Figure 631860DEST_PATH_IMAGE060
is
Figure 410461DEST_PATH_IMAGE067
and
Figure 215606DEST_PATH_IMAGE062
is
Figure 3433DEST_PATH_IMAGE068
and … and
Figure 312055DEST_PATH_IMAGE064
is
Figure 261556DEST_PATH_IMAGE069
,
Then
Figure 288418DEST_PATH_IMAGE070
其中，
Figure 378471DEST_PATH_IMAGE071
表示前件变量的模糊集,
Figure 807179DEST_PATH_IMAGE064
和
Figure 927581DEST_PATH_IMAGE072
表示在建立
Figure 707319DEST_PATH_IMAGE058
和
Figure 571369DEST_PATH_IMAGE059
的模糊规则时，原始样本分别被分成了m类和n类，并有
Figure 854583DEST_PATH_IMAGE073
,
Figure 677046DEST_PATH_IMAGE074
和 d 为模糊规则的数量。p 和 q 分别表示类别数量，通常可以利用聚类算法得到。 [Ap, Bp] 和 [Eq, Fq] 表示模糊系数，通常可利用最小二乘法得到。
因此，开发了以下基于模糊的时间模型来重建非线性热动力学：
Figure 412921DEST_PATH_IMAGE075
(3)
Figure 80662DEST_PATH_IMAGE076
(4)
这里，
Figure 218383DEST_PATH_IMAGE077
,
Figure 211746DEST_PATH_IMAGE078
为所构建的模糊模型，它们表示对未知非线性
Figure 434917DEST_PATH_IMAGE058
和
Figure 407815DEST_PATH_IMAGE059
的近似。此外，模型中的参数满足以下条件：
Figure 665621DEST_PATH_IMAGE079
其中，
Figure 564307DEST_PATH_IMAGE080
和
Figure 274774DEST_PATH_IMAGE081
分别表示
Figure 549897DEST_PATH_IMAGE058
和
Figure 599893DEST_PATH_IMAGE059
的第p和第q个规则的隶属度。具体如下：
Figure 669480DEST_PATH_IMAGE082
(5)
Figure 867243DEST_PATH_IMAGE083
(6)
这里，
Figure 946058DEST_PATH_IMAGE084
,
Figure 411412DEST_PATH_IMAGE085
为隶属度函数，通常可以用径向基函数表示。
为了表示方便，定义以下的变量：
Figure 651900DEST_PATH_IMAGE086
,
Figure 602539DEST_PATH_IMAGE087
Figure 953886DEST_PATH_IMAGE088
,
Figure 40790DEST_PATH_IMAGE089
其中，A和B是r维的向量，E和F 是d维的向量；
Figure 186601DEST_PATH_IMAGE090
和
Figure 358956DEST_PATH_IMAGE091
为自适应模糊系数；
Figure 513994DEST_PATH_IMAGE092
与
Figure 455405DEST_PATH_IMAGE093
为与模糊相关的向量。
然后，公式（3）和（4）进一步转化为：
Figure 37696DEST_PATH_IMAGE094
,
Figure 697348DEST_PATH_IMAGE095
(7)
步骤3，基于T-S模糊模型，利用预设公式推导T-S模糊模型对应的控制律；
进一步地，所述预设公式为
Figure 157541DEST_PATH_IMAGE096
，其中，
Figure 953459DEST_PATH_IMAGE097
为与跟踪误差
Figure 706651DEST_PATH_IMAGE098
相关的变量，
Figure 588020DEST_PATH_IMAGE099
和
Figure 350439DEST_PATH_IMAGE100
分别为
Figure 863DEST_PATH_IMAGE101
和
Figure 190536DEST_PATH_IMAGE102
的近似模型，并满足
Figure 824780DEST_PATH_IMAGE103
，
Figure 859732DEST_PATH_IMAGE104
，
Figure 630242DEST_PATH_IMAGE105
和
Figure 725237DEST_PATH_IMAGE106
为自适应模糊系数，
Figure 79733DEST_PATH_IMAGE107
与
Figure 918376DEST_PATH_IMAGE108
为与模糊相关的向量。
具体实施时，对于式（7）中两种模糊模型，以参数
Figure 808971DEST_PATH_IMAGE109
为例，其最优值
Figure 340447DEST_PATH_IMAGE110
满足：
Figure 418124DEST_PATH_IMAGE111
(8)
其中，
Figure 60458DEST_PATH_IMAGE112
，
Figure 805560DEST_PATH_IMAGE113
为
Figure 242358DEST_PATH_IMAGE114
近似误差且有
Figure 72911DEST_PATH_IMAGE115
。令
Figure 253356DEST_PATH_IMAGE116
，有：
Figure 118544DEST_PATH_IMAGE117
(9)
同理，令
Figure 991822DEST_PATH_IMAGE118
，有
Figure 279977DEST_PATH_IMAGE119
且
Figure 529693DEST_PATH_IMAGE120
为
Figure 983808DEST_PATH_IMAGE121
近似误差且有
Figure 27988DEST_PATH_IMAGE122
。
当采用公式（7）的模糊系统逼近公式（2）中的
Figure 567553DEST_PATH_IMAGE058
和
Figure 355381DEST_PATH_IMAGE059
时，可得控制律如下：
Figure 664002DEST_PATH_IMAGE123
(10)
Figure 879083DEST_PATH_IMAGE124
,
Figure 905945DEST_PATH_IMAGE125
(11)
其中，
Figure 231884DEST_PATH_IMAGE109
和
Figure 926171DEST_PATH_IMAGE126
为自适应模糊系数，
Figure 545108DEST_PATH_IMAGE127
与
Figure 59266DEST_PATH_IMAGE128
为与模糊相关的向量。
步骤4，根据T-S模糊模型对应的控制律推导铸造机器人磨抛装置的自适应控制律；
进一步的，所述自适应控制律的表达式为
Figure 188896DEST_PATH_IMAGE037
，
Figure 472110DEST_PATH_IMAGE038
,其中，
Figure 28993DEST_PATH_IMAGE039
和
Figure 764868DEST_PATH_IMAGE040
分别为自适应模糊系数
Figure 698189DEST_PATH_IMAGE033
和
Figure 835910DEST_PATH_IMAGE034
的一阶导数,
Figure 563694DEST_PATH_IMAGE041
和
Figure 786865DEST_PATH_IMAGE042
表示自适应律，
Figure 523877DEST_PATH_IMAGE043
为滑模面，满足
Figure 781683DEST_PATH_IMAGE044
,
Figure 927973DEST_PATH_IMAGE045
，且
Figure 904019DEST_PATH_IMAGE046
均为正实数。
具体实施时，在得到T-S模糊模型对应的控制律后，可以根据T-S模糊模型对应的控制律和自适应控制律的公式推导得到自适应控制律。
步骤5，选择鲁棒项，并推导滑膜面的一阶导数；
在上述实施例的基础上，所述步骤5具体包括：
定义Lyapunov函数并选择鲁棒项，据此推导滑膜面的一阶导数。
具体实施时，在非线性系统控制中，Lyapunov函数通常被构建以用于判定非线性系统的稳定性，通常用V表示,则可以定义Lyapunov函数如下
Figure 179143DEST_PATH_IMAGE129
(12)
可得
Figure 25876DEST_PATH_IMAGE130
(13)
其中，
Figure 361043DEST_PATH_IMAGE131
为最小建模误差，根据模糊逼近原理，
Figure 293227DEST_PATH_IMAGE131
为是一个非常小的实数；k为非负实数；
Figure 372041DEST_PATH_IMAGE132
为连续函数，用来抑制平衡点附近的抖振。在公式（13）中
Figure 338860DEST_PATH_IMAGE132
满足
Figure 579348DEST_PATH_IMAGE133
,且变量
Figure 264408DEST_PATH_IMAGE134
，
Figure 615755DEST_PATH_IMAGE135
为滑模面，满足
Figure 201194DEST_PATH_IMAGE044
,为比例系数且
Figure 612584DEST_PATH_IMAGE136
，参数
Figure 784940DEST_PATH_IMAGE137
均为正实数。
上述参数满足以下关系：
Figure 205557DEST_PATH_IMAGE138
(14)
Figure 881389DEST_PATH_IMAGE139
(15)
Figure 729259DEST_PATH_IMAGE140
(16)
Figure 388910DEST_PATH_IMAGE141
(17)
设计控制律如下：
Figure 82060DEST_PATH_IMAGE142
，
Figure 143557DEST_PATH_IMAGE143
(18)
此时，公式（13）可转化为：
Figure 631170DEST_PATH_IMAGE144
(19)
步骤6，将系统模型、一阶导数和自适应控制律代入铸造机器人末端打磨系统，构建机器人磨抛过程的闭环控制回路，按照预定的轨迹对铸件表面的自适应打磨控制；
在实际使用过程中，该控制过程可分为三个步骤：1）通过模锻装置的力传感器得到实时的接触力，然后，根据机器人磨抛装置的力-位移状态模型，得到目标轨迹所需的接触力，作为闭环控制系统的参考输入，并将参考输入与实时接触力对比得到实时的跟踪误差；2）对铸造机器人磨抛末端装置的状态模型进行变换，将其转化为前述的二阶状态模型（1），将其高阶项或未知项，用所设计的T-S模糊模型近似表达；3）将实时跟踪误差及T-S模糊模型代入所设计的鲁棒控制律计算公式（10）及自适应律计算公式（18）中，并将控制律作为末端装置的控制输入，按照预定的轨迹，实现对铸件表面的自适应打磨控制。
步骤7，重复步骤4至6，对铸造机器人的实际磨抛过程进行自适应稳定控制。
具体实施时，在进行控制时，可以不断重复步骤4至6，按照预定轨迹，以使得对铸造机器人的实际磨抛过程进行控制。具体控制的算法原理如图2所示。
本实施例提供的自适应模糊控制方法，通过对系统的未知非线性项进行建模，该模型采用T-S模糊算法构建模糊规则，每个规则里面根据变量所属模糊集建立非线性方程，通过权重系数对模糊输出合并，以实现对系统未知非线性项的重构；然后，基于反馈线性化技术，通过构建多项式方程设计线性反馈控制律。在此基础上，根据滑膜控制的思想，引入鲁棒项，并利用Lyapunov稳定条件，推导得到自适应律和自适应鲁棒控制律，实现对系统未知非线性动态的跟踪和目标的稳定控制。
与上面的方法实施例相对应，参见图3，本公开实施例还提供了一种自适应模糊控制系统30，包括：
设计模块301，用于针对铸造机器人的磨抛过程，设计基于线性反馈的控制律；
简化模块302，用于根据基于线性反馈的控制律，建立机器人磨抛装置对应的非线性动态的自适应模糊模型，并将其简化，得到T-S模糊模型；
第一计算模块303，用于基于T-S模糊模型，利用预设公式推导T-S模糊模型对应的控制律；
第二计算模块304，用于根据T-S模糊模型对应的控制律推导铸造机器人磨抛装置的自适应控制律；
第三计算模块305，用于选择鲁棒项，并推导滑膜面的一阶导数；
构建模块306，用于将系统模型、一阶导数和自适应控制律代入铸造机器人末端打磨系统，构建机器人磨抛过程的闭环控制回路，按照预定的轨迹对铸件表面的自适应打磨控制；
控制模块307，用于重复步骤4至6，对铸造机器人的实际磨抛过程进行自适应稳定控制。
图3所示系统可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图4，本公开实施例还提供了一种电子设备40，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的自适应模糊控制方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的自适应模糊控制方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的自适应模糊控制方法。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备40可以包括处理装置（例如中央处理器、图形处理器等）401，其可以根据存储在只读存储器（ROM）402中的程序或者从存储装置408加载到随机访问存储器（RAM）403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种自适应模糊控制方法，其特征在于，包括：
步骤1，针对铸造机器人的磨抛过程，设计基于线性反馈的控制律；
步骤2，根据基于线性反馈的控制律，建立机器人磨抛装置对应的非线性动态的自适应模糊模型，并将其简化，得到T-S模糊模型；
步骤3，基于T-S模糊模型，利用预设公式推导T-S模糊模型对应的控制律；
步骤4，根据T-S模糊模型对应的控制律推导铸造机器人磨抛装置的自适应控制律；
步骤5，选择鲁棒项，并推导滑膜面的一阶导数；
步骤6，将系统模型、一阶导数和自适应控制律代入铸造机器人末端打磨系统，构建机器人磨抛过程的闭环控制回路，按照预定的轨迹对铸件表面的自适应打磨控制；
步骤7，重复步骤4至6，对铸造机器人的实际磨抛过程进行自适应稳定控制。
2.根据权利要求1所述的方法，其特征在于,所述基于线性反馈的控制律的表达式为
Figure DEST_PATH_IMAGE001
其中，
Figure 760710DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE003
为关于变量
Figure 103836DEST_PATH_IMAGE004
和时间
Figure DEST_PATH_IMAGE005
的未知非线性函数；
Figure 838574DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
表示跟踪误差及误差的一阶导数，
Figure 447410DEST_PATH_IMAGE006
定义为
Figure 542274DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
为状态变量的目标值；
Figure 552955DEST_PATH_IMAGE010
为与跟踪误差
Figure 458594DEST_PATH_IMAGE006
相关的变量，满足
Figure DEST_PATH_IMAGE011
,并有
Figure 554726DEST_PATH_IMAGE012
且
Figure DEST_PATH_IMAGE013
为目标状态的二阶导数；
Figure 453281DEST_PATH_IMAGE014
为鲁棒项，
Figure DEST_PATH_IMAGE015
为鲁棒增益系数，是一个正实数；
Figure 256152DEST_PATH_IMAGE016
为连续函数，满足
Figure DEST_PATH_IMAGE017
,并有变量
Figure 395009DEST_PATH_IMAGE018
满足
Figure DEST_PATH_IMAGE019
，
Figure DEST_PATH_IMAGE021
为滑模面，满足
Figure 165388DEST_PATH_IMAGE022
,
Figure DEST_PATH_IMAGE023
为比例系数且
Figure 618366DEST_PATH_IMAGE024
，参数
Figure DEST_PATH_IMAGE025
均为正实数。
3.根据权利要求2所述的方法，其特征在于,所述步骤2具体包括：
建立模糊规则并结合自适应思想和基于线性反馈的控制律，建立机器人磨抛装置对应的未知非线性函数的自适应模型；
定义模糊模型中参数的约束条件并将其简化，得到T-S模糊模型。
4.根据权利要求3所述的方法，其特征在于,所述预设公式为
Figure 338060DEST_PATH_IMAGE026
，其中，
Figure DEST_PATH_IMAGE027
为与跟踪误差
Figure 834769DEST_PATH_IMAGE006
相关的变量，
Figure 905494DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE029
分别为
Figure 614692DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE031
的近似模型，并满足
Figure 923314DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
，
Figure 607236DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE035
为自适应模糊系数，
Figure 634098DEST_PATH_IMAGE036
与
Figure DEST_PATH_IMAGE037
为与模糊相关的向量。
5.根据权利要求4所述的方法，其特征在于,所述自适应控制律的表达式为
Figure 412567DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE039
,其中，
Figure 28225DEST_PATH_IMAGE040
和
Figure DEST_PATH_IMAGE041
分别为自适应模糊系数
Figure 414207DEST_PATH_IMAGE034
和
Figure 662786DEST_PATH_IMAGE035
的一阶导数,
Figure 792416DEST_PATH_IMAGE042
和
Figure DEST_PATH_IMAGE043
表示自适应律，
Figure 59318DEST_PATH_IMAGE044
为滑模面，满足
Figure DEST_PATH_IMAGE045
,
Figure 616201DEST_PATH_IMAGE046
，且
Figure DEST_PATH_IMAGE047
均为正实数。
6.根据权利要求5所述的方法，其特征在于,所述步骤5具体包括：
定义Lyapunov函数并选择鲁棒项，据此推导滑膜面的一阶导数。
7.一种自适应模糊控制系统，其特征在于，包括：
设计模块，用于针对铸造机器人的磨抛过程，设计基于线性反馈的控制律；
简化模块，用于根据基于线性反馈的控制律，建立机器人磨抛装置对应的非线性动态的自适应模糊模型，并将其简化，得到T-S模糊模型；
第一计算模块，用于基于T-S模糊模型，利用预设公式推导T-S模糊模型对应的控制律；
第二计算模块，用于根据T-S模糊模型对应的控制律推导铸造机器人磨抛装置的自适应控制律；
第三计算模块，用于选择鲁棒项，并推导滑膜面的一阶导数；
构建模块，用于将系统模型、一阶导数和自适应控制律代入铸造机器人末端打磨系统，构建机器人磨抛过程的闭环控制回路，按照预定的轨迹对铸件表面的自适应打磨控制；
控制模块，用于重复步骤4至6，对铸造机器人的实际磨抛过程进行自适应稳定控制。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-6中任一项所述的自适应模糊控制方法。
9.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-6中任一项所述的自适应模糊控制方法。
CN202211416723.0A 2022-11-14 2022-11-14 自适应模糊控制方法、系统、设备及介质 Active CN115576208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211416723.0A CN115576208B (zh) 2022-11-14 2022-11-14 自适应模糊控制方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211416723.0A CN115576208B (zh) 2022-11-14 2022-11-14 自适应模糊控制方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN115576208A true CN115576208A (zh) 2023-01-06
CN115576208B CN115576208B (zh) 2023-03-10

Family

ID=84589887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211416723.0A Active CN115576208B (zh) 2022-11-14 2022-11-14 自适应模糊控制方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115576208B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116339154A (zh) * 2023-05-30 2023-06-27 湖南工商大学 空间机器人捕获卫星操作的智能容错控制方法及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080065257A1 (en) * 2006-09-13 2008-03-13 Jianmin He Controlled material removal rate (CMRR) and self-tuning force control in robotic machining process
CN105846727A (zh) * 2016-03-18 2016-08-10 浙江工业大学 一种基于模糊自抗扰和自适应滑模的相邻耦合型多电机速度跟踪和同步控制方法
CN106444383A (zh) * 2016-10-27 2017-02-22 哈尔滨工业大学 前件不匹配的tsfmb时滞系统控制方法
FR3052861A1 (fr) * 2016-06-20 2017-12-22 Ixblue Procede de compensation des couples de coriolis, centrifuges et de gravite dans un simulateur de mouvements, systeme a simulateur de mouvements
CN108897228A (zh) * 2018-09-06 2018-11-27 中南大学 一种用于锻造过程的在线控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080065257A1 (en) * 2006-09-13 2008-03-13 Jianmin He Controlled material removal rate (CMRR) and self-tuning force control in robotic machining process
CN105846727A (zh) * 2016-03-18 2016-08-10 浙江工业大学 一种基于模糊自抗扰和自适应滑模的相邻耦合型多电机速度跟踪和同步控制方法
FR3052861A1 (fr) * 2016-06-20 2017-12-22 Ixblue Procede de compensation des couples de coriolis, centrifuges et de gravite dans un simulateur de mouvements, systeme a simulateur de mouvements
CN106444383A (zh) * 2016-10-27 2017-02-22 哈尔滨工业大学 前件不匹配的tsfmb时滞系统控制方法
CN108897228A (zh) * 2018-09-06 2018-11-27 中南大学 一种用于锻造过程的在线控制方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BINBAI: "Application of integrated factor evaluation–analytic hierarchy process–T-S fuzzy fault tree analysis in reliability allocation of industrial robot systems", 《APPLIED SOFT COMPUTING》 *
RUPAK DATTA: "Dissipative Control for Single Flexible Joint Robotic System via T–S Fuzzy Modelling Approach", 《IFAC-PAPERSONLINE》 *
郑天奇: "六轴机器人的动力学分析及其滑模变结构控制" *
郑天奇: "六轴机器人的动力学分析及其滑模变结构控制", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
隋昊: "基于误差均值与方差最小化的鲁棒T-S 模糊建模方法", 《浙江大学学报(工学版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116339154A (zh) * 2023-05-30 2023-06-27 湖南工商大学 空间机器人捕获卫星操作的智能容错控制方法及设备

Also Published As

Publication number Publication date
CN115576208B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
Kim et al. Approximation‐based adaptive control of uncertain non‐linear pure‐feedback systems with full state constraints
WO2023092792A1 (zh) 联邦学习建模优化方法、电子设备、存储介质及程序产品
Haiek Badreddine et al. New approach to robust observer‐based control of one‐sided Lipschitz non‐linear systems
CN110674019A (zh) 一种预测系统故障的方法、装置及电子设备
CN115576208B (zh) 自适应模糊控制方法、系统、设备及介质
CN114253140B (zh) 基于库普曼模型的明渠系统预测控制方法、系统及设备
CN113635892B (zh) 车辆控制方法、装置、电子设备和计算机可读介质
Xing et al. Robust adaptive output feedback control for uncertain nonlinear systems with quantized input
You et al. Comprehensive design of uniform robust exact disturbance observer and fixed‐time controller for reusable launch vehicles
CN116703131B (zh) 电力资源分配方法、装置、电子设备和计算机可读介质
Saad et al. Robust integral sliding mode‐control of one‐sided Lipschitz non‐linear systems
US20230139187A1 (en) Method and apparatus for determining information, electronic device and storage medium
Pan et al. Robust adaptive control of non‐linear time‐delay systems with saturation constraints
Liu et al. Robust stabilisation for constrained discrete‐time switched positive linear systems with uncertainties
Zhu et al. Lyapunov‐based adaptive model predictive control for unconstrained non‐linear systems with parametric uncertainties
He et al. Adaptive boundary control for a class of inhomogeneous Timoshenko beam equations with constraints
Ovalle et al. Robust output‐feedback control for the cart–pole system: a coupled super‐twisting sliding‐mode approach
CN115319760B (zh) 机械臂末端抖动抑制方法、装置、电子设备及存储介质
Chen et al. Finite‐time adaptive neural dynamic surface control for non‐linear systems with unknown dead zone
Hegedűs et al. Implementation and design of ultra-local model-based control strategy for autonomous vehicles
CN115086375A (zh) 网联车辆运动状态信息延时补偿方法、装置、系统和介质
Muñoz‐Vázquez et al. Generalised conformable sliding mode control
CN112792808A (zh) 基于变结构滤波器的工业机器人在线轨迹规划方法及装置
Hashikura et al. Exosystem‐observer approach to H2 control with output regulation constraint
CN114595634A (zh) 火电机组控制系统建模方法、装置、设备及介质

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