CN115804918B - 多叶准直器的控制方法及系统 - Google Patents
多叶准直器的控制方法及系统 Download PDFInfo
- Publication number
- CN115804918B CN115804918B CN202211531360.5A CN202211531360A CN115804918B CN 115804918 B CN115804918 B CN 115804918B CN 202211531360 A CN202211531360 A CN 202211531360A CN 115804918 B CN115804918 B CN 115804918B
- Authority
- CN
- China
- Prior art keywords
- collimator
- neural network
- blade
- driving motor
- leaf
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 112
- 230000033001 locomotion Effects 0.000 claims abstract description 94
- 230000001133 acceleration Effects 0.000 claims abstract description 91
- 230000003044 adaptive effect Effects 0.000 claims abstract description 36
- 238000006073 displacement reaction Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000001959 radiotherapy Methods 0.000 abstract description 12
- 230000001276 controlling effect Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229910001080 W alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000027010 neuron recognition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了多叶准直器的控制方法及系统,控制方法包括:自适应神经网络根据接收的多叶准直器叶片的期望位移pin、期望运动速度vin、期望运动加速度ain,控制多叶准直器的叶片驱动电机的运转;监测多叶准直器叶片的实际位移p0、实际运动速度v0和实际运动加速度a0,并反馈至自适应神经网络;自适应神经网络根据多叶准直器叶片的位置比较偏差运动速度比较偏差运动加速度比较偏差分别确定相应的扰动量权重因子计算调节补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动。本发明采用自适应神经网络来解决多叶准直器叶片的动态控制问题,保证其精准和稳定运行,满足各类放疗技术特别是图像引导调强、容积调强等业务的需求。
Description
技术领域
本发明医疗设备技术领域,具体的涉及多叶准直器的控制方法及系统。
背景技术
多叶准直器是医用电子直线加速器的关键部件之一,其核心功能是调节X射线,即在靶区的投影方向上尽可能精确形成与靶区形状一致的照射野;核心性能参数项目包括物理漏射率、叶片运动精度、运动速度等。
在现行主流图像引导放射治疗(Image Guided Radiotherapy,IGRT)、容积调强等的技术实现中,需要考虑不同时刻呼吸运动等情况造成的动态影响还要考虑治疗的效率。因此,要求多叶准直器叶片有很高的运动精度,还要求叶片运动速度能够动态可调,并且要有较高的加速度。
目前,适用的驱动电机功率小,而叶片重量大、数量多,常用控制系统对驱动电机无法做到高速度、高精度、高加速度的稳定控制。
有鉴于此,特提出本发明专利。
发明内容
针对以上阐述的问题,本发明提出能够极大提高多叶准直器的抗干扰能力和控制精度,满足各类放疗技术,特别是动态图像引导调强、容积调强对叶片较高移动精度和速度的需求的多叶准直器的控制方法及控制系统。
具体地,采用如下技术方案:
多叶准直器的控制方法,包括:
自适应神经网络根据接收的多叶准直器叶片的期望位移pin、期望运动速度vin、期望运动加速度ain,控制多叶准直器的叶片驱动电机的运转;
监测多叶准直器叶片的实际位移p0、实际运动速度v0和实际运动加速度a0,并反馈至自适应神经网络;
自适应神经网络根据多叶准直器叶片的位置比较偏差运动速度比较偏差/>运动加速度比较偏差/>分别确定相应的扰动量权重因子/>计算调节补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动。
作为本发明的可选实施方式,本发明的多叶准直器的控制方法中,所述自适应神经网络包括神经网络识别单元和神经网络控制单元,所述自适应神经网络根据多叶准直器叶片的位置比较偏差运动速度比较偏差/> 运动加速度比较偏差/>分别确定相应的扰动量权重因子/>计算调节补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络识别单元识别系统输入的扰动信号,计算扰动量D,扰动量D的扰动方程为:式中,n是样本数,x是输入样本点,y(x)是输出值,而pl(x)是神经元的输出值,其中L是神经元的层数,输出扰动量D;
神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动。
作为本发明的可选实施方式,本发明的多叶准直器的控制方法中,所述神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络控制单元根据比较获得运动速度偏差结合速度权重因子/>计算出速度扰动量Dv和速度调节补偿因子/>使/>和/>的结果近似为零,控制多叶准直器的叶片驱动电机功率输出,使得输出速度维持期望速度稳定。
作为本发明的可选实施方式,本发明的多叶准直器的控制方法中,所述神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络控制单元根据比较获得运动加速度偏差结合权重因子计算出扰动量Da和调节补偿因子/>使/>和/>的结果近似为零,控制多叶准直器的叶片驱动电机功率输出,使得输出加速度维持期望加速度稳定。
作为本发明的可选实施方式,本发明的多叶准直器的控制方法中,所述神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络控制单元根据比较获得运动位置偏差结合权重因子计算出扰动量Dp和调节补偿因子/>使/>和/>的结果近似为零,控制多叶准直器的叶片驱动电机功率输出,使得运动位置维持期望运动位置。
作为本发明的可选实施方式,本发明的多叶准直器的控制方法,包括:
通过电流反馈回路实时反馈多叶准直器的叶片驱动电机的实时电流;通过加速度反馈回路实时反馈多叶准直器的叶片驱动电机的实时加速度;通过速度反馈回路实时反馈多叶准直器的叶片驱动电机的实时速度;和通过位置反馈回路实时反馈多叶准直器的叶片驱动电机的实时位置;
所述神经网络控制单元根据计算的补偿因子C联动控制所述电流反馈回路、加速度反馈回路、速度反馈回路和位置反馈回路,使多叶准直器的叶片驱动电机按期望动态运动。
本发明同时提供多叶准直器的控制系统,包括:
主控模块,输出多叶准直器叶片的期望位移pin、期望运动速度vin、期望运动加速度ain;
自适应神经网络模块,接收主控模块输出的多叶准直器叶片的期望位移pin、期望运动速度vin、期望运动加速度ain,控制多叶准直器的叶片驱动电机的运转;
反馈电路模块,监测多叶准直器叶片的实际位移p0、实际运动速度v0和实际运动加速度a0,并反馈至自适应神经网络模块;
所述自适应神经网络模块根据多叶准直器叶片的位置比较偏差 运动速度比较偏差/>运动加速度比较偏差/>分别确定相应的扰动量权重因子/>计算调节补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动。
作为本发明的可选实施方式,所述的自适应神经网络模块包括神经网络识别单元和神经网络控制单元,所述神经网络识别单元识别系统输入的扰动信号,计算扰动量D,并将扰动量送往神经网络控制单元;所述神经网络控制单元根据输入的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动。
作为本发明的可选实施方式,所述神经神经网络识别单元的识别算法如下:
式中,p代表前一层所有神经元与与之相对应的权重结合后计算得到神经网络识别单元(NNS)的输出结果;Δ代表偏差;w代表权重。右上角的l为神经元所在的层数,右下角的k为l-1层的第k个神经元;右下角的j为l层的第j个神经元。
作为本发明的可选实施方式,所述反馈电路模块包括:
电流反馈回路,实时反馈多叶准直器的叶片驱动电机的实时电流;
加速度反馈回路,实时反馈多叶准直器的叶片驱动电机的实时加速度;
速度反馈回路,实时反馈多叶准直器的叶片驱动电机的实时速度;
和位置反馈回路,实时反馈多叶准直器的叶片驱动电机的实时位置;
所述自适应神经网络模块根据计算的补偿因子C联动控制所述电流反馈回路、加速度反馈回路、速度反馈回路和位置反馈回路,使多叶准直器的叶片驱动电机按期望动态运动。
与现有技术相比,本发明的有益效果:
本发明的多叶准直器的控制方法通过自适应神经网络根据多叶准直器叶片的位置比较偏差运动速度比较偏差/>运动加速度比较偏差进行计算补偿因子C,根据计算的补偿因子C控制多叶准直器的叶片驱动电机运行参数,从而调节多叶准直器叶片能够按照期望的运动状态进行运动。本发明的多叶准直器的控制方法打破常规多叶准直器受限于PI或PID对已知定常的电机控制系统结构和参数对于实际的运行过程中可能的不确定因素,常规PID调节器难以发挥有效作用。本发明的多叶准直器的控制方法可以根据实际需求将具有很强的自学习和自适应能力的人工神经元理论应用于PID控制系统中,增强系统的稳定性,为容积调强等需要光栅叶片快速移动的治疗技术提供支持。
本发明的多叶准直器的控制方法通过自适应神经网络控制驱动叶片驱动电机,在提升准直器叶片速度的同时,还能够进一步提升准直器叶片的控制走位的精准度,提升放射治疗的质量。
因此,本发明的多叶准直器的控制方法通过对多叶准直器的叶片驱动电机控制方法进行扩展创新设计,采用自适应神经网络来解决多叶准直器叶片的动态控制问题,保证其精准和稳定运行。满足各类放疗技术特别是IGRT、容积调强等业务的需求。再经过综合放疗速度的提升,进一步缩小病人放疗时间,提升治疗精度,增加患者的生存期,提高患者生活质量。
附图说明:
图1本发明实施例多叶准直器的控制系统的系统框图;
图2本发明实施例多叶准直器的控制系统的基本控制电路原理图;
图3本发明实施例自适应神经网络模型进行PID调节示意图;
图4本发明实施例自适应神经网络模型的神经元识别、学习、训练示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。
因此,以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的部分实施例。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他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征和技术方案可以相互组合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,这类术语仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本实施例的多叶准直器的控制方法,包括:
自适应神经网络根据接收的多叶准直器叶片的期望位移pin、期望运动速度vin、期望运动加速度ain,控制多叶准直器的叶片驱动电机的运转;
监测多叶准直器叶片的实际位移p0、实际运动速度v0和实际运动加速度a0,并反馈至自适应神经网络;
自适应神经网络根据多叶准直器叶片的位置比较偏差运动速度比较偏差/>运动加速度比较偏差/>分别确定相应的扰动量权重因子/>计算调节补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动。
本实施例的多叶准直器的控制方法通过自适应神经网络根据多叶准直器叶片的位置比较偏差运动速度比较偏差/>运动加速度比较偏差/>进行计算补偿因子C,根据计算的补偿因子C控制多叶准直器的叶片驱动电机运行参数,从而调节多叶准直器叶片能够按照期望的运动状态进行运动。本实施例的多叶准直器的控制方法打破常规多叶准直器受限于PI或PID对已知定常的电机控制系统结构和参数对于实际的运行过程中可能的不确定因素,常规PID调节器难以发挥有效作用。本实施例的多叶准直器的控制方法可以根据实际需求将具有很强的自学习和自适应能力的人工神经元理论应用于PID控制系统中,增强系统的稳定性,为容积调强等需要光栅叶片快速移动的治疗技术提供支持。
本实施例的多叶准直器的控制方法通过自适应神经网络控制驱动叶片驱动电机,在提升准直器叶片速度的同时,还能够进一步提升准直器叶片的控制走位的精准度,提升放射治疗的质量。
因此,本实施例的多叶准直器的控制方法通过对多叶准直器的叶片驱动电机控制方法进行扩展创新设计,采用自适应神经网络来解决多叶准直器叶片的动态控制问题,保证其精准和稳定运行。满足各类放疗技术特别是IGRT、容积调强等业务的需求。再经过综合放疗速度的提升,进一步缩小病人放疗时间,提升治疗精度,增加患者的生存期,提高患者生活质量。
在多叶准直器的工作过程中,由于扰动信号的存在使得叶片驱动电机受到干扰无法按照期望运动状态控制多叶准直器叶片运动,因此,本实施例自适应神经网络在进行补偿因子C计算和调节的时候,需要能够识别并能考虑扰动信号的影响,从而消除因扰动信号所导致的运动偏差。
因此,本实施例所述自适应神经网络包括神经网络识别单元和神经网络控制单元,所述自适应神经网络根据多叶准直器叶片的位置比较偏差 运动速度比较偏差/>运动加速度比较偏差/>分别确定相应的扰动量权重因子/>计算调节补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络识别单元识别系统输入的扰动信号,计算扰动量D,扰动量D的扰动方程为:式中,n是样本数,x是输入样本点,y(x)是输出值,而pl(x)是神经元的输出值,其中L是神经元的层数,输出扰动量D;
神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动。
本实施例的神经网络识别单元通过样本学习训练可以根据输入的期望数据和反馈的实时数据识别出扰动的信号,并计算出扰动量,同时针对不同的扰动信号,自适应神经网络模型通过学习、训练选出相应的权重因子。因此,本实施例的神经网络识别单元可以识别出导致多叶准直器叶片运动偏差的扰动信号并计算出扰动量D,神经网络控制单元基于扰动信号确定相应的权重因子根据扰动量D和权重因子/>叶算出补偿因子,控制叶片驱动电机的运动参数。
具体地,神经网络识别单元包括输入模块、计算训练模块和输出模块,其中:
输入模块的功能:1)读取多叶准直器的主控模块输出的期望值(转矩、速度、位置、加速度等);2)读取反馈电路模块输出的运动实际数据值。读取实际数据的采样周期根据被控多叶准直器叶片驱动电机的特性决定,例如设定在120ms左右。
计算训练模块的功能:1)计算期望值与实际值的偏差即扰动量的大小;2)根据扰动量的大小确定比例神经元是依据扰动量的大小来动作,比例也称为放大系数或增益,当控制量与被控量成正比关系时,增益为正数;当控制量与被控量成反比关系时增益为负数。增益增大可以加快系统响应,减小静差,但系统超调量会加大,稳定性变差。例如设定位置扰动量小于0.1mm,速度、加速度扰动量不大于期望值的5%,训练过程从中间到两边,直至满足期望要求。3)积分神经元是依据扰动量的存在与否来动作,在系统中起着消除静差,使系统稳定性增强。积分神经元是一种修复控制,只要有扰动,会逐渐去往消除偏差的方向控制。在训练时先设定一个较大的积分时间常数的初值,然后逐渐减小时间常数,直至系统出现震荡之后再反过来,逐渐加大时间常数,直至系统震荡减小到满足要求时。记录此时的时间常数Ti。3)微分神经元是依据扰动量的变化速度来动作的,在反馈扰动比较大时可能会使系统震荡。微分神经元可以加快系统响应,减小超调量。在系统中采取超前控制,以扰动的变化率为基准进行控制,训练方法同积分神经元训练方法,初值不震荡时的30%。基本训练过程:先比例、再积分、最后微分的顺序。计算扰动量D,扰动量D的扰动方程为:式中,n是样本数,x是输入样本点,y(x)是输出值,而pl(x)是神经元的输出值,其中L是神经元的层数。
输出模块,输出计算的扰动量D。
具体地,本实施例的多叶准直器的控制方法中,所述神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络控制单元根据比较获得运动速度偏差结合速度权重因子/>计算出速度扰动量Dv和速度调节补偿因子/>使/>和/>的结果近似为零,控制多叶准直器的叶片驱动电机功率输出,使得输出速度维持期望速度稳定。
具体地,本实施例的多叶准直器的控制方法中,所述神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络控制单元根据比较获得运动加速度偏差结合权重因子计算出扰动量Da和调节补偿因子/>使/>和/>的结果近似为零,控制多叶准直器的叶片驱动电机功率输出,使得输出加速度维持期望加速度稳定。
本实施例的多叶准直器的控制方法中,所述神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络控制单元根据比较获得运动位置偏差结合权重因子计算出扰动量Dp和调节补偿因子/>使/>和/>的结果近似为零,控制多叶准直器的叶片驱动电机功率输出,使得运动位置维持期望运动位置。
进一步地,本实施例所述的多叶准直器的控制方法,包括:
通过电流反馈回路实时反馈多叶准直器的叶片驱动电机的实时电流;通过加速度反馈回路实时反馈多叶准直器的叶片驱动电机的实时加速度;通过速度反馈回路实时反馈多叶准直器的叶片驱动电机的实时速度;和通过位置反馈回路实时反馈多叶准直器的叶片驱动电机的实时位置;
所述神经网络控制单元根据计算的补偿因子C联动控制所述电流反馈回路、加速度反馈回路、速度反馈回路和位置反馈回路,使多叶准直器的叶片驱动电机按期望动态运动。
实际治疗过程中,加速器机头旋转步进时间为Δt,则多叶准直器叶片由位置pt-1运动到pt的时间为Δt(恒定值),叶片的行程st=pt-p(t-1),则叶片运动速度速度变化值:Δv=vt-v(t-1),则加速度:/>依据上述推导及转矩公式M=KM*I可知位置闭环调节输出的是速度值,速度闭环调节输出的是加速度值,加速度闭环调节是电流值,四个闭环环环相扣,最内环是电流闭环,其次是加速度闭环,再其次是速度闭环,最外环是位置闭环,而它们反馈的都是电机的实时数据:实时加速度,实时速度,实时位置。
由于位置误差扰动量Pd干扰使输出叶片的位置变化有增大趋势,则其调节过程如下:
位置↑→位置补偿Pc→速度↓→加速度↓→电流↓→转矩↓→位移↓
相反:
位置↓→位置补偿Pc→速度↑→加速度↑→电流↑→转矩↑→位移↑
以此类推,速度闭环、加速度闭环控制过程同理,即四闭环联动电流控制。
因此,本实施例的多叶准直器的控制方法,通过联动控制所述电流反馈回路、加速度反馈回路、速度反馈回路和位置反馈回路,形成联动闭环控制系统,可以更加快速精准的实现叶片驱动电机的控制。
本实施例的叶片驱动电机包括直流伺服电机和驱动直流伺服电机运动的电机驱动模块,自适应神经网络接收多叶准直器叶片的期望位移pin、期望运动速度vin、期望运动加速度ain后将其转化为控制直流伺服电机的脉宽PWM信号和方向PHASE信号输出到电机驱动模块;电机驱动模块通过调节脉宽PWM信号的占空比确定直流伺服电机的旋转方向和转速;直流伺服电机通过丝杆等传动机构拖动叶片前后移动。
参见图1所示,本实施例的多叶准直器的控制系统,包括:
主控模块1,输出多叶准直器叶片7的期望位移pin、期望运动速度vin、期望运动加速度ain;
自适应神经网络模块2,接收主控模块1输出的多叶准直器叶片的期望位移pin、期望运动速度vin、期望运动加速度ain,控制多叶准直器的叶片驱动电机的运转;
反馈电路模块5,监测多叶准直器叶片7的实际位移p0、实际运动速度v0和实际运动加速度a0,并反馈至自适应神经网络模块2;
所述自适应神经网络模块2根据多叶准直器叶片的位置比较偏差 运动速度比较偏差/>运动加速度比较偏差/>分别确定相应的扰动量权重因子/>计算调节补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动。
本实施例的多叶准直器的控制系统,叶片驱动电机包括直流伺服电机4和驱动直流伺服电机4运动的电机驱动模块3,主控模块1输出叶片位置、速度、加速度的期望值;自适应神经网络模块2接收后将其转化为控制直流伺服电机4的脉宽PWM信号和方向PHASE信号输出到电机驱动模块3;电机驱动模块3通过调节脉宽PWM信号的占空比确定直流伺服电机4的旋转方向和转速;直流伺服电机4通过丝杆等传动机构拖动多叶准直器叶片7前后移动;反馈电路模块5,监测多叶准直器叶片7的实际位移p0、实际运动速度v0和实际运动加速度a0,并反馈至自适应神经网络模块2,自适应神经网络模块2结合权重因子控制位置比较偏差运动速度比较偏差/>运动加速度比较偏差自适应控制电机驱动模块驱动直流伺服电机按期望值运动;
参见图2所示,本实施例的多叶准直器的控制系统,自适应神经网络控制模块2不断进行主控模块1期望值(期望的速度、位置、加速度)和实际值(实际速度、位置、加速度)相比较,根据比较获得的误差调节权重因子补偿控制驱动器的输出,通过这种自适应参数调整保证输出速度、位置稳定。
进一步地,本实施例所述的自适应神经网络模块2包括神经网络识别单元(NNS)和神经网络控制单元(NNC),所述神经网络识别单元(NNS)识别系统输入的扰动信号,计算扰动量D,并将扰动量送往神经网络控制单元(NNC);所述神经网络控制单元(NNC)根据输入的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动。
本实施例所述的自适应神经网络模块2采用3x3x1的三层结构,即:三个输入层神经元,分别用于识别三个隐含层神经元,分别为比例神经元、积分神经元和微分神经元,通过数学建模调节神经元权重因子/>空制/> 一个输出层神经元,用来输出计算脉宽PWM信号,进而控制直流伺服电机按计划动态运动。
进一步地,本实施例所述神经神经网络识别单元的识别算法如下:
式中,p代表前一层所有神经元与与之相对应的权重结合后计算得到神经网络识别单元(NNS)的输出结果;Δ代表偏差;w代表权重。右上角的l为神经元所在的层数,右下角的k为l-1层的第k个神经元;右下角的j为l层的第j个神经元。
具体地,神经网络识别单元包括输入模块、计算训练模块和输出模块,其中:
输入模块的功能:1)读取多叶准直器的主控模块输出的期望值(转矩、速度、位置、加速度等);2)读取反馈电路模块输出的运动实际数据值。读取实际数据的采样周期根据被控多叶准直器叶片驱动电机的特性决定,例如设定在120ms左右。
计算训练模块的功能:1)计算期望值与实际值的偏差即扰动量的大小;2)根据扰动量的大小确定比例神经元是依据扰动量的大小来动作,比例也称为放大系数或增益,当控制量与被控量成正比关系时,增益为正数;当控制量与被控量成反比关系时增益为负数。增益增大可以加快系统响应,减小静差,但系统超调量会加大,稳定性变差。例如设定位置扰动量小于0.1mm,速度、加速度扰动量不大于期望值的5%,训练过程从中间到两边,直至满足期望要求。3)积分神经元是依据扰动量的存在与否来动作,在系统中起着消除静差,使系统稳定性增强。积分神经元是一种修复控制,只要有扰动,会逐渐去往消除偏差的方向控制。在训练时先设定一个较大的积分时间常数的初值,然后逐渐减小时间常数,直至系统出现震荡之后再反过来,逐渐加大时间常数,直至系统震荡减小到满足要求时。记录此时的时间常数Ti。3)微分神经元是依据扰动量的变化速度来动作的,在反馈扰动比较大时可能会使系统震荡。微分神经元可以加快系统响应,减小超调量。在系统中采取超前控制,以扰动的变化率为基准进行控制,训练方法同积分神经元训练方法,初值不震荡时的30%。基本训练过程:先比例、再积分、最后微分的顺序。计算扰动量D,扰动量D的扰动方程为:式中,n是样本数,x是输入样本点,y(x)是输出值,而pl(x)是神经元的输出值,其中L是神经元的层数。
输出模块,输出计算的扰动量D。
如图3所示,自适应神经网络控制模块的自适应神经网络识别单元(NNS)识别反馈电路反馈的各种复杂非预期信号通过学习、训练选出高权重信号/>并计算输出扰动量/>和/>最终输出到自适应神经网络控制单元。
如图4所示,自适应神经网络控制模块的自适应神经网络控制单元(NNC)根据扰动量权重因子计算出调节补偿因子/>使和/>的结果近似为零,即调整KP、KI、KD系数使控制器输出预期的PWM信号,使伺服电机达到预期的速度及精度要求。
具体地,速度控制采用速度神经元控制单元使伺服电机保持给定的速度且不受负载变化的影响。为此,在速度神经元内部,设定值(期望速度Vin)不断地和实际值(实际速度Vo)进行比较,根据比较获得的误差结合权重因子/>计算出扰动量Dv,调节补偿因子/>使/>和/>的结果近似为零,控制伺服电机驱动模块功率输出,维持输出速度稳定。
具体地,加速度控制采用加速度神经元控制单元使伺服电机保持给定的加速度且不受负载变化的影响。为此,在加速度神经元内部,设定值(期望加速度ain)不断地和实际值(实际加速度ao)进行比较,根据比较获得的误差 结合权重因子/>计算出扰动量Da,调节补偿因子/>使/>和/>的结果近似为零,控制伺服电机驱动模块功率输出,维持输出加速度稳定。位置控制同理Dp。
进一步地,本实施例的多叶准直器的控制系统,所述反馈电路模块包括:
电流反馈回路,实时反馈多叶准直器的叶片驱动电机的实时电流;
加速度反馈回路,实时反馈多叶准直器的叶片驱动电机的实时加速度;
速度反馈回路,实时反馈多叶准直器的叶片驱动电机的实时速度;
和位置反馈回路,实时反馈多叶准直器的叶片驱动电机的实时位置;
所述自适应神经网络模块根据计算的补偿因子C联动控制所述电流反馈回路、加速度反馈回路、速度反馈回路和位置反馈回路,使多叶准直器的叶片驱动电机按期望动态运动。
实际治疗过程中,加速器机头旋转步进时间为Δt,则多叶准直器叶片由位置pt-1运动到pt的时间为Δt(恒定值),叶片的行程st=pt-p(t-1),则叶片运动速度速度变化值:Δv=vt-v(t-1),则加速度:/>依据上述推导及转矩公式M=KM*I可知位置闭环调节输出的是速度值,速度闭环调节输出的是加速度值,加速度闭环调节是电流值,四个闭环环环相扣,最内环是电流闭环,其次是加速度闭环,再其次是速度闭环,最外环是位置闭环,而它们反馈的都是电机的实时数据:实时加速度,实时速度,实时位置。
由于位置误差扰动量Pd干扰使输出叶片的位置变化有增大趋势,则其调节过程如下:
位置↑→位置补偿Pc→速度↓→加速度↓→电流↓→转矩↓→位移↓
相反:
位置↓→位置补偿Pc→速度↑→加速度↑→电流↑→转矩↑→位移↑
以此类推,速度闭环、加速度闭环控制过程同理,即四闭环联动电流控制。
进一步地,自适应神经网络模块内核采用哈佛结构(哈佛结构是一种将程序指令存储和数据存储分开的存储器结构)。流水线设计(基于工厂流水线形式的CPU设计)对电机驱动模块的若干驱动器采取并行同步控制方式,驱动脉宽调节信号输出和驱动桥式电路调节信号输出,控制所述直流伺服电机的工作,实现驱动叶片高速运动。
进一步地,自适应神经网络模块、电机驱动模块、直流伺服电机组、多叶准直器叶片均采用模块化结构设计,相互之间通过标准接口连接,维护方便。
所述电机驱动模块为用PWM信号的占空比确定直流电机旋转方向和电机转速的双极性PWM直流控制系统。
所述直流伺服电机所包含的若干电机为减速电机,其规格与参数指标可以结合不同叶片驱动力需求进行配置,实现驱动叶片高速精准移动。
本实施例的多叶准直器的控制系统,包括零位校准模块6,所述零位校准模块6为包含独立传感器、模拟放大器、高精度A/D转换的高精密校准器,为复位多叶准直器叶片零点所对应的位置,同时作为控制电路的输入端,保证叶片精准移动的前提条件。
本实施例所述多叶准直器叶片7为钨合金材料,密度大,质量重。
本实施例同时提供一种计算机可读存储介质,存储有计算机可执行程序,所述计算机可执行程序被执行时,实现如所述多叶准直器的控制方法。
本实施例所述计算机可读存储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,其中承载了可读程序代码。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。计算机可读存储介质还可以是可读存储介质以外的任何可读介质,该计算机可读介质可以发送、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。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
本实施例还提供了一种电子设备,包括处理器和存储器,所述存储器用于存储计算机可执行程序,当所述计算机程序被所述处理器执行时,所述处理器执行所述多叶准直器的控制方法。
电子设备以通用计算设备的形式表现。其中处理器可以是一个,也可以是多个并且协同工作。本发明也不排除进行分布式处理,即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体,也可以是多个实体设备的总和。
所述存储器存储有计算机可执行程序,通常是机器可读的代码。所述计算机可读程序可以被所述处理器执行,以使得电子设备能够执行本发明的方法,或者方法中的至少部分步骤。
所述存储器包括易失性存储器,例如随机存取存储单元(RAM)和/或高速缓存存储单元,还可以是非易失性存储器,如只读存储单元(ROM)。
应当理解,本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如,有些电子设备中还包括有显示屏等显示单元,有些电子设备还包括人机交互元件,例如按钮、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤,均可认为是本发明所涵盖的电子设备。
通过以上对实施方式的描述,本领域的技术人员易于理解,本发明可以由能够执行特定计算机程序的硬件来实现,例如本发明的系统,以及系统中包含的电子处理单元、服务器、客户端、手机、控制单元、处理器等。本发明也可以由执行本发明的方法的计算机软件来实现,例如由微处理器、电子控制单元,客户端、服务器端等执行的控制软件来实现。但需要说明的是,执行本发明的方法的计算机软件并不限于由一个或特定个的硬件实体中执行,其也可以是由不特定具体硬件的以分布式的方式来实现。对于计算机软件,软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中,也可以分布式存储于网络上,只要其能使得电子设备执行根据本发明的方法。
以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但本发明不局限于上述具体实施方式,因此任何对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均涵盖在本发明的权利要求范围当中。
Claims (8)
1.多叶准直器的控制方法,其特征在于,包括:
自适应神经网络根据接收的多叶准直器叶片的期望位移pin、期望运动速度vin、期望运动加速度ain,控制多叶准直器的叶片驱动电机的运转;
监测多叶准直器叶片的实际位移p0、实际运动速度v0和实际运动加速度a0,并反馈至自适应神经网络;
自适应神经网络根据多叶准直器叶片的位置比较偏差运动速度比较偏差/>运动加速度比较偏差/>分别确定相应的扰动量权重因子/>计算调节补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动;
所述自适应神经网络包括神经网络识别单元和神经网络控制单元,所述自适应神经网络根据多叶准直器叶片的位置比较偏差运动速度比较偏差运动加速度比较偏差/>分别确定相应的扰动量权重因子/>计算调节补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络识别单元识别系统输入的扰动信号,计算扰动量D,扰动量D的扰动方程为:式中,n是样本数,x是输入样本点,y(x)是输出值,而pl(x)是神经元的输出值,其中L是神经元的层数,输出扰动量D;
神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动。
2.根据权利要求1所述的多叶准直器的控制方法,其特征在于,所述神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络控制单元根据比较获得运动速度偏差结合速度权重因子计算出速度扰动量Dv和速度调节补偿因子/>使/>和/>的结果近似为零,控制多叶准直器的叶片驱动电机功率输出,使得输出速度维持期望速度稳定。
3.根据权利要求1所述的多叶准直器的控制方法,其特征在于,所述神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络控制单元根据比较获得运动加速度偏差结合权重因子/>计算出扰动量Da和调节补偿因子/>使/>和/>的结果近似为零,控制多叶准直器的叶片驱动电机功率输出,使得输出加速度维持期望加速度稳定。
4.根据权利要求1所述的多叶准直器的控制方法,其特征在于,所述神经网络控制单元根据输入的扰动信号的扰动量D,结合通过学习、训练选出的权重因子计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动包括:
神经网络控制单元根据比较获得运动位置偏差结合权重因子/>计算出扰动量Dp和调节补偿因子/>使/>和/>的结果近似为零,控制多叶准直器的叶片驱动电机功率输出,使得运动位置维持期望运动位置。
5.根据权利要求1所述的多叶准直器的控制方法,其特征在于,包括:
通过电流反馈回路实时反馈多叶准直器的叶片驱动电机的实时电流;通过加速度反馈回路实时反馈多叶准直器的叶片驱动电机的实时加速度;通过速度反馈回路实时反馈多叶准直器的叶片驱动电机的实时速度;和通过位置反馈回路实时反馈多叶准直器的叶片驱动电机的实时位置;
所述神经网络控制单元根据计算的补偿因子C联动控制所述电流反馈回路、加速度反馈回路、速度反馈回路和位置反馈回路,使多叶准直器的叶片驱动电机按期望动态运动。
6.多叶准直器的控制系统,其特征在于,包括:
主控模块,输出多叶准直器叶片的期望位移pin、期望运动速度vin、期望运动加速度ain;
自适应神经网络模块,接收主控模块输出的多叶准直器叶片的期望位移pin、期望运动速度vin、期望运动加速度ain,控制多叶准直器的叶片驱动电机的运转;
反馈电路模块,监测多叶准直器叶片的实际位移p0、实际运动速度v0和实际运动加速度a0,并反馈至自适应神经网络模块;
所述自适应神经网络模块根据多叶准直器叶片的位置比较偏差 运动速度比较偏差/>运动加速度比较偏差/>分别确定相应的扰动量权重因子/>计算调节补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动;
所述的自适应神经网络模块包括神经网络识别单元和神经网络控制单元,所述神经网络识别单元识别系统输入的扰动信号,计算扰动量D,扰动量D的扰动方程为:式中,n是样本数,x是输入样本点,y(x)是输出值,而pl(x)是神经元的输出值,其中L是神经元的层数,输出扰动量D,并将扰动量送往神经网络控制单元;所述神经网络控制单元根据输入的扰动量D,结合通过学习、训练选出的权重因子/>计算出补偿因子C,控制多叶准直器的叶片驱动电机按期望动态运动。
7.根据权利要求6所述的多叶准直器的控制系统,其特征在于,所述神经网络识别单元的识别算法如下:
式中,p代表前一层所有神经元与与之相对应的权重结合后计算得到神经网络识别单元(NNS)的输出结果;Δ代表偏差;w代表权重,右上角的l为神经元所在的层数,右下角的k为l-1层的第k个神经元;右下角的j为l层的第j个神经元。
8.根据权利要求6所述的多叶准直器的控制系统,其特征在于,所述反馈电路模块包括:
电流反馈回路,实时反馈多叶准直器的叶片驱动电机的实时电流;
加速度反馈回路,实时反馈多叶准直器的叶片驱动电机的实时加速度;
速度反馈回路,实时反馈多叶准直器的叶片驱动电机的实时速度;
和位置反馈回路,实时反馈多叶准直器的叶片驱动电机的实时位置;
所述自适应神经网络模块根据计算的补偿因子C联动控制所述电流反馈回路、加速度反馈回路、速度反馈回路和位置反馈回路,使多叶准直器的叶片驱动电机按期望动态运动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211531360.5A CN115804918B (zh) | 2022-12-01 | 2022-12-01 | 多叶准直器的控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211531360.5A CN115804918B (zh) | 2022-12-01 | 2022-12-01 | 多叶准直器的控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115804918A CN115804918A (zh) | 2023-03-17 |
CN115804918B true CN115804918B (zh) | 2024-03-22 |
Family
ID=85484643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211531360.5A Active CN115804918B (zh) | 2022-12-01 | 2022-12-01 | 多叶准直器的控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115804918B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118236638A (zh) * | 2024-03-26 | 2024-06-25 | 智维精准(北京)医疗科技有限公司 | 一种叶片防碰撞控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4914603A (en) * | 1988-12-14 | 1990-04-03 | Gte Laboratories Incorporated | Training neural networks |
CN103272338A (zh) * | 2013-05-20 | 2013-09-04 | 清华大学 | 放射治疗设备及具有该放射治疗设备的放射治疗系统 |
CN105184109A (zh) * | 2015-10-27 | 2015-12-23 | 中国人民解放军国防科学技术大学 | 扰动引力作用下弹道助推段状态偏差解析计算方法 |
CN106371149A (zh) * | 2016-11-30 | 2017-02-01 | 上海卫星工程研究所 | 系外类地行星天基高精度探测方法 |
CN106964079A (zh) * | 2017-04-11 | 2017-07-21 | 宋继福 | 一种用于断层放疗和动态调强放疗的多叶准直装置 |
CN111203883A (zh) * | 2020-01-16 | 2020-05-29 | 盐城师范学院 | 面向机器人电子元器件装配的自学习模型预测控制方法 |
CN112258597A (zh) * | 2020-12-18 | 2021-01-22 | 成都理工大学 | 基于神经网络定位算法的快速成像方法及装置 |
CN112512632A (zh) * | 2019-07-22 | 2021-03-16 | 北京市肿瘤防治研究所 | 一种放射治疗出射束监测方法和系统 |
CN113612418A (zh) * | 2021-09-18 | 2021-11-05 | 中国人民解放军海军工程大学 | 一种无刷直流电机基于神经网络前馈补偿的控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6907105B2 (en) * | 2001-09-25 | 2005-06-14 | Bc Cancer Agency | Methods and apparatus for planning and delivering intensity modulated radiation fields with a rotating multileaf collimator |
US8295436B2 (en) * | 2010-09-10 | 2012-10-23 | Varian Medical Systems International Ag | Method and apparatus pertaining to optimizing a radiation-treatment leaf-sequence plan |
CN112399872B (zh) * | 2020-03-12 | 2022-11-22 | 上海联影医疗科技股份有限公司 | 多叶准直器叶片驱动系统和方法 |
-
2022
- 2022-12-01 CN CN202211531360.5A patent/CN115804918B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4914603A (en) * | 1988-12-14 | 1990-04-03 | Gte Laboratories Incorporated | Training neural networks |
CN103272338A (zh) * | 2013-05-20 | 2013-09-04 | 清华大学 | 放射治疗设备及具有该放射治疗设备的放射治疗系统 |
CN105184109A (zh) * | 2015-10-27 | 2015-12-23 | 中国人民解放军国防科学技术大学 | 扰动引力作用下弹道助推段状态偏差解析计算方法 |
CN106371149A (zh) * | 2016-11-30 | 2017-02-01 | 上海卫星工程研究所 | 系外类地行星天基高精度探测方法 |
CN106964079A (zh) * | 2017-04-11 | 2017-07-21 | 宋继福 | 一种用于断层放疗和动态调强放疗的多叶准直装置 |
CN112512632A (zh) * | 2019-07-22 | 2021-03-16 | 北京市肿瘤防治研究所 | 一种放射治疗出射束监测方法和系统 |
CN111203883A (zh) * | 2020-01-16 | 2020-05-29 | 盐城师范学院 | 面向机器人电子元器件装配的自学习模型预测控制方法 |
CN112258597A (zh) * | 2020-12-18 | 2021-01-22 | 成都理工大学 | 基于神经网络定位算法的快速成像方法及装置 |
CN113612418A (zh) * | 2021-09-18 | 2021-11-05 | 中国人民解放军海军工程大学 | 一种无刷直流电机基于神经网络前馈补偿的控制方法 |
Non-Patent Citations (1)
Title |
---|
基于DSP的多叶准直器叶片位置控制精度的研究;靳岚;谢黎明;沈浩;郑威;;中国制造业信息化;20080401(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115804918A (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10824121B2 (en) | Machine learning device, servo motor controller, servo motor control system, and machine learning method | |
US11023827B2 (en) | Machine learning device, servo control device, servo control system, and machine learning method for suppressing variation in position error using feedforward control | |
CN115804918B (zh) | 多叶准直器的控制方法及系统 | |
US11640557B2 (en) | Machine learning device, numerical control system, and machine learning method | |
US11009837B2 (en) | Machine learning device that adjusts controller gain in a servo control apparatus | |
CN101114166A (zh) | 一种复杂轨迹的轮廓控制方法 | |
US11914333B2 (en) | Machine learning device, servo control device, servo control system, and machine learning method | |
US11256220B2 (en) | Machine learning device, control device and machine learning method | |
CN110262219A (zh) | 一种基于bp神经网络的电机pid自整定方法 | |
US20200073343A1 (en) | Machine learning device, control system, and machine learning method | |
JP2019040556A (ja) | 機械学習装置、制御システム、制御装置、及び機械学習方法 | |
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 | |
Abdulla et al. | Roll control system design using auto tuning LQR technique | |
CN111152213B (zh) | 一种基于混合控制的机械臂振动补偿方法及装置 | |
Saleem et al. | An experimental comparison of different hierarchical self-tuning regulatory control procedures for under-actuated mechatronic systems | |
CN116594288A (zh) | 一种基于天牛须模糊pid的控制方法及系统 | |
CN114070165B (zh) | 一种电机驱动方法、系统、装置及介质 | |
Agrawal | Optimal Controller Design for Twin Rotor MIMO System | |
CN116520710B (zh) | 基于负载的驱动控制方法、用于加速器的驱动控制系统 | |
Kirpihnikova et al. | Electric servo drive control system of milling machine with neural network | |
Deniz et al. | Experimental verification of lead-lag compensators on a twin rotor system | |
CN116400584B (zh) | 大载荷电液位置伺服系统快速精确控制系统应用方法 | |
Mapok et al. | Performance comparison of two controllers on a nonlinear system | |
US10901374B2 (en) | Machine learning device, control device, and machine learning method | |
Bian et al. | A GA-Based Parameters Tuning Method for Active Disturbance Rejection Control of Hydraulic Spherical Motion Actuator |
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 |