CN117272846A - 一种两自由度回转俯仰运动机构动态响应预测算法 - Google Patents
一种两自由度回转俯仰运动机构动态响应预测算法 Download PDFInfo
- Publication number
- CN117272846A CN117272846A CN202311560408.XA CN202311560408A CN117272846A CN 117272846 A CN117272846 A CN 117272846A CN 202311560408 A CN202311560408 A CN 202311560408A CN 117272846 A CN117272846 A CN 117272846A
- Authority
- CN
- China
- Prior art keywords
- pitching
- model
- angle
- rotation
- slewing
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 55
- 230000004044 response Effects 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011089 mechanical engineering Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及机械工程动力学技术领域，具体地涉及一种两自由度回转俯仰运动机构动态响应预测算法，包括：获取指令回转和俯仰角度；机理模型接收指令角度，计算理论回转俯仰角度；Stacking集成学习模型，以指令回转和俯仰角度和机理模型的计算数据作为输入，以机理模型计算的理论回转和俯仰角度与指令回转和俯仰角度之间的差值作为输出，将机理模型的计算数据作为Stacking集成学习模型的训练数据，使机理模型融入到集成学习模型中，以补偿指令角度与理论回转俯仰角度之间的残差；将残差与机理模型计算的理论回转俯仰角度相加得到预测的回转俯仰运动机构的动态响应。本发明能够对回转俯仰角实时预测，同时提高了预测精度和稳定性。
Description
技术领域
本发明涉及机械工程动力学技术领域，具体地涉及一种两自由度回转俯仰运动机构动态响应预测算法。
背景技术
在机械系统中，回转俯仰运动机构的动态响应预测对于设计和控制具有重要意义。然而，为了提高预测精度，可通过回转俯仰运动机构进行动力学建模，同时进行动力学模型仿真。然而现有的动力学模型存在复杂物理过程难以用解析形式的数学模型描述、非线性拟合能力不强等问题。还可以采用机理与数据混合驱动的建模方法，该建模方法均采用了单一的神经网络模型，不合理的模型结构和超参数容易导致过拟合或欠拟合，限制了模型的预测精度和稳定性。
发明内容
本发明的目的在于克服现有技术存在的缺点，提出设计一种两自由度回转俯仰运动机构动态响应预测算法，实现了回转俯仰角的实时预测，提高了预测精度和稳定性。
本发明解决其技术问题所采取的技术方案是：
一种两自由度回转俯仰运动机构动态响应预测算法，包括：
步骤1、获取指令回转和俯仰角度p t ；
步骤2、机理模型接收指令回转和俯仰角度，计算出理论回转俯仰角度pʹ t ；
步骤3、选取Stacking集成学习模型，以指令回转和俯仰角度和机理模型的计算数据作为输入，以机理模型计算的理论回转和俯仰角度与指令回转和俯仰角度之间的差值作为输出，将机理模型的计算数据作为Stacking集成学习模型的训练数据，使机理模型充分的融入到集成学习模型中，以补偿指令回转和俯仰角度与理论回转俯仰角度之间的残差e t ；
步骤4、将残差与机理模型计算的理论回转俯仰角度相加得到预测的回转俯仰运动机构的动态响应p t * ：
p t * =pʹ t +e t 。
进一步的，所述机理模型包括伺服系统模型和动力学模型；所述伺服系统模型用于计算电机的位置、速度、力矩等；所述动力学模型用于计算回转俯仰运动机构的回转和俯仰角度、速度等。
进一步的，所述伺服系统模型采用永磁同步电机（PMSM，Permanent MagnetSynchronous Motor）的交流伺服系统，包括电流环、速度环和位置环组成的三环嵌套控制结构，最内环为电流环，包含电流控制器以及坐标变换、空间矢量脉宽调制（SVPWM，SpaceVector Pulse Width Modulation）。中间环和最外环分别为速度环和位置环，分别包含速度环控制器和位置环控制器。
进一步的，所述动力学模型包括：
回转运动部分，包括回转运动部分转动惯量J_r、回转角度θ_r、回转角速度ω_r、回转角加速度α_r、施加在回转部分上的扭矩T_r，其中，J_r*α_r=T_r；
俯仰运动部分，包括俯仰运动部分转动惯量J_p、俯仰角度θ_p、俯仰角速度ω_p、俯仰角加速度α_p、施加在俯仰部分上的扭矩T_p、阻尼力D_p、重力力矩G_p，其中，J_p*α_p=T_p-D_p-G_p；
联立运动部分，回转运动部分和俯仰运动部分之间存在耦合，耦合系数为K，回转角度和俯仰角度之间的相对运动角度为θ_rp，其中，K*(θ_r-θ_p-θ_rp)=0。
进一步的，所述Stacking集成学习模型包括三个基学习器：卷积神经网络（CNN，Convolutional Neural Networks）、长短期记忆网络（LSTM，Long Short-Term Memory）、LightGBM（LightGradient Boosting Machine）。本发明Stacking集成学习模型通过组合多个具有弱学习能力的基学习器以构建强学习器，以及通过迭代使用基学习器来补偿上一个基学习器的预测残差，并将各基学习器的预测结果加权作为集成模型的整体输出，能够有效的提高整体模型的精度。
进一步的，Stacking集成学习模型训练阶段：使用已标注的训练数据集，对所述Stacking集成学习模型进行训练，通过优化算法和反向传播，调整模型参数，使其能够预测出对应指令回转和俯仰角度下的残差；Stacking集成学习模型预测阶段：将指令回转和俯仰角度以及机理模型的计算数据输入至Stacking集成学习模型，由Stacking集成学习模型输出预测的残差。
本发明的技术效果：
与现有技术相比，本发明提出以机理模型为主体，以Stacking集成学习方法为补充，使机理模型充分的融入到集成学习模型中，能够补偿指令回转和俯仰角度与理论回转俯仰角度之间的残差，提高了预测精度和稳定性。
附图说明
图1为本发明两自由度回转俯仰运动机构动态响应预测算法流程图；
图2为本发明伺服系统模型结构示意图。
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，下面结合说明书附图，对本发明实施例中的技术方案进行清楚、完整地描述。
实施例1：
如图1所示，本实施例涉及的一种两自由度回转俯仰运动机构动态响应预测算法，包括：
步骤1、获取指令回转和俯仰角度p t ；
步骤2、机理模型接收指令回转和俯仰角度，计算出理论回转俯仰角度pʹ t ；
步骤3、选取Stacking集成学习模型，以指令回转和俯仰角度和机理模型的计算数据作为输入，以机理模型计算的理论回转和俯仰角度与指令回转和俯仰角度之间的差值作为输出，将机理模型的计算数据作为Stacking集成学习模型的训练数据，这种非端到端的数据集形式，使机理模型充分的融入到集成学习模型中，以补偿指令回转和俯仰角度与理论回转俯仰角度之间的残差e t ；
步骤4、将残差与机理模型计算的理论回转俯仰角度相加得到预测的回转俯仰运动机构的动态响应p t * ：
p t * =pʹ t +e t 。
所述机理模型包括伺服系统模型和动力学模型；所述伺服系统模型用于计算电机的位置、速度、力矩等；所述动力学模型用于计算回转俯仰运动机构的回转和俯仰角度、速度等。
所述伺服系统模型采用永磁同步电机（PMSM，Permanent Magnet SynchronousMotor）交流伺服系统，其简化所述伺服系统模型如图2所示，包括电流环、速度环和位置环组成三环嵌套控制结构。最内环是电流环，包含电流控制器以及坐标变换、空间矢量脉宽调制（SVPWM，Space Vector Pulse Width Modulation）。中间环和最外环分别为速度环和位置环，分别包含速度环控制器和位置环控制器。
其中，θ d 为电机转动角度给定值，θ m 为电机实际转动角度，ω d 为转速给定值，ω m 为电机实际转速，i q * 为电流给定值，i q 为实际加载到电机的电流值，U d * 为定子绕组电压给定值，U d 为加载定子绕组的实际电压值，T m 为电机输入转矩，T L 为电机受到的负载转矩。各环路控制器多采用PID控制策略。位置环采用P控制器，速度环、电流环采用 PI控制器。
；
；
；
其中，J m 为电机转子转动惯量，B m 为粘滞摩擦因数，L q 为电感，R电机电阻，K T 是电机转矩常数，U q 为q轴的实际电压值，P n 为极对数，λ PM 为磁链，s用作拉普拉斯变换中的复变量。
在电流控制过程中，SVPWM逆变器一般简化为一阶惯性环节，传递函数为：
；
其中，K PWM 是逆变器放大倍数，T PWM 是逆变器的开关周期。
所述动力学模型包括：
回转运动部分，包括回转运动部分转动惯量J_r、回转角度θ_r、回转角速度ω_r、回转角加速度α_r、施加在回转部分上的扭矩T_r，其中，J_r*α_r=T_r；
俯仰运动部分，包括俯仰运动部分转动惯量J_p、俯仰角度θ_p、俯仰角速度ω_p、俯仰角加速度α_p、施加在俯仰部分上的扭矩T_p、阻尼力D_p、重力力矩G_p，其中，J_p*α_p=T_p-D_p-G_p；
联立运动部分，回转运动部分和俯仰运动部分之间存在耦合，耦合系数为K，回转角度和俯仰角度之间的相对运动角度为θ_rp，其中，K*(θ_r-θ_p-θ_rp)=0。
所述Stacking集成学习模型包括卷积神经网络（CNN，Convolutional NeuralNetworks）、长短期记忆网络（LSTM，Long Short-Term Memory）、LightGBM（LightGradientBoosting Machine）三个基学习器。CNN是卷积神经网络，特别适合用于提取特征。LSTM模型则通过时空建模以捕捉高维特征，用于处理图像、自然语言等问题。LightGBM是一种基于梯度提升决策树的机器学习模型，通过迭代地训练多个决策树，每颗树都是在前一棵树的残差上进行训练，以逐步提高模型的准确性。
Stacking集成学习模型训练阶段：使用已标注的训练数据集，对所述Stacking集成学习模型进行训练，通过优化算法和反向传播，调整模型参数，使其能够预测出对应指令回转和俯仰角度下的残差；Stacking集成学习模型预测阶段：将指令回转和俯仰角度以及机理模型的计算数据输入至Stacking集成学习模型，由Stacking集成学习模型输出预测的残差。在所述训练数据集上使用蒙特卡洛方法生成回转俯仰运动机构的随机轨迹，能够增加训练数据的多样性和涵盖性，从而进一步提高模型的预测准确性和泛化能力。
本发明能够对两自由度回转俯仰角的预测，首先利用机理模型计算出一个理论回转俯仰角度，其次，借助集成学习方法去补偿指令回转和俯仰角度与理论角度之间的残差。集成学习方法通过组合多个具有弱学习能力的基学习器以构建强学习器，相比于常见的单一CNN、LSTM 等深度神经网络模型（Deep Neural Networks, DNN），集成学习通过迭代使用基学习器来补偿上一个基学习器的预测残差，并将各基学习器的预测结果加权作为集成模型的整体输出，能够有效的提高整体模型的精度，捕获大范围数据，提高预测精度和稳定性。
上述具体实施方式仅是本发明的具体个案，本发明的专利保护范围包括但不限于上述具体实施方式，任何符合本发明权利要求书且任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应落入本发明的专利保护范围。
Claims (6)
1.一种两自由度回转俯仰运动机构动态响应预测算法，其特征在于，包括：
步骤1、获取指令回转和俯仰角度p t ；
步骤2、机理模型接收指令回转和俯仰角度，计算出理论回转俯仰角度pʹ t ；
步骤3、选取Stacking集成学习模型，以指令回转和俯仰角度和机理模型的计算数据作为输入，以机理模型计算的理论回转和俯仰角度与指令回转和俯仰角度之间的差值作为输出，将机理模型的计算数据作为Stacking集成学习模型的训练数据，使机理模型融入到集成学习模型中，以补偿指令回转和俯仰角度与理论回转俯仰角度之间的残差e t ；
步骤4、将残差与机理模型计算的理论回转俯仰角度相加得到预测的回转俯仰运动机构的动态响应p t * ：
p t * =pʹ t +e t 。
2.根据权利要求1所述的两自由度回转俯仰运动机构动态响应预测算法，其特征在于，所述机理模型包括伺服系统模型和动力学模型；所述伺服系统模型用于计算电机的位置、速度、力矩；所述动力学模型用于计算回转俯仰运动机构的回转和俯仰角度、速度。
3.根据权利要求2所述的两自由度回转俯仰运动机构动态响应预测算法，其特征在于，所述伺服系统模型采用永磁同步电机的交流伺服系统，包括电流环、速度环和位置环组成的三环嵌套控制结构，最内环为电流环，包含电流控制器以及坐标变换、空间矢量脉宽调制；中间环和最外环分别为速度环和位置环，分别包含速度环控制器和位置环控制器。
4.根据权利要求2所述的两自由度回转俯仰运动机构动态响应预测算法，其特征在于，所述动力学模型包括：
回转运动部分，包括回转运动部分转动惯量J_r、回转角度θ_r、回转角速度ω_r、回转角加速度α_r、施加在回转部分上的扭矩T_r，其中，J_r*α_r=T_r；
俯仰运动部分，包括俯仰运动部分转动惯量J_p、俯仰角度θ_p、俯仰角速度ω_p、俯仰角加速度α_p、施加在俯仰部分上的扭矩T_p、阻尼力D_p、重力力矩G_p，其中，J_p*α_p=T_p-D_p-G_p；
联立运动部分，回转运动部分和俯仰运动部分之间存在耦合，耦合系数为K，回转角度和俯仰角度之间的相对运动角度为θ_rp，其中，K*(θ_r-θ_p-θ_rp)=0。
5.根据权利要求1所述的两自由度回转俯仰运动机构动态响应预测算法，其特征在于，所述Stacking集成学习模型包括三个基学习器：卷积神经网络、长短期记忆网络、LightGBM。
6.根据权利要求1-5任一项所述的两自由度回转俯仰运动机构动态响应预测算法，其特征在于，Stacking集成学习模型训练阶段：使用已标注的训练数据集，对所述Stacking集成学习模型进行训练，通过优化算法和反向传播，调整模型参数，使其能够预测出对应指令回转和俯仰角度下的残差；Stacking集成学习模型预测阶段：将指令回转和俯仰角度以及机理模型的计算数据输入至Stacking集成学习模型，由Stacking集成学习模型输出预测的残差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560408.XA CN117272846A (zh) | 2023-11-22 | 2023-11-22 | 一种两自由度回转俯仰运动机构动态响应预测算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560408.XA CN117272846A (zh) | 2023-11-22 | 2023-11-22 | 一种两自由度回转俯仰运动机构动态响应预测算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117272846A true CN117272846A (zh) | 2023-12-22 |
Family
ID=89218192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311560408.XA Pending CN117272846A (zh) | 2023-11-22 | 2023-11-22 | 一种两自由度回转俯仰运动机构动态响应预测算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272846A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222279A (zh) * | 2021-05-28 | 2021-08-06 | 国网浙江桐乡市供电有限公司 | 一种考虑需求响应的短期负荷预测方法 |
| CN113919558A (zh) * | 2021-09-28 | 2022-01-11 | 三一重机有限公司 | 产品销量预测方法及装置 |
| CN116822091A (zh) * | 2023-07-10 | 2023-09-29 | 山东建筑大学 | 一种融合参数化模型与机器学习的机床进给轴位置预测方法 |
| CN117086886A (zh) * | 2023-10-18 | 2023-11-21 | 山东建筑大学 | 基于机理数据混合驱动的机器人动态误差预测方法及系统 |
-
2023
- 2023-11-22 CN CN202311560408.XA patent/CN117272846A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222279A (zh) * | 2021-05-28 | 2021-08-06 | 国网浙江桐乡市供电有限公司 | 一种考虑需求响应的短期负荷预测方法 |
| CN113919558A (zh) * | 2021-09-28 | 2022-01-11 | 三一重机有限公司 | 产品销量预测方法及装置 |
| CN116822091A (zh) * | 2023-07-10 | 2023-09-29 | 山东建筑大学 | 一种融合参数化模型与机器学习的机床进给轴位置预测方法 |
| CN117086886A (zh) * | 2023-10-18 | 2023-11-21 | 山东建筑大学 | 基于机理数据混合驱动的机器人动态误差预测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 张悦 等: "基于混合模型和Stacking框架的循环水出口温度预测", 《计算机仿真》 * |
| 李伟 等: "干扰速率补偿式火炮线自稳定跟踪控制建模与仿真", 《兵工学报》 * |
| 杨游云 等编: "《Python广告数据挖掘与分析实战》", 机械工业出版社, pages: 133 - 134 * |
| 黄华 等: "基于混合驱动的进给系统数字孪生模型自适应更新法", 《计算机集成制造系统》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101917150B (zh) | 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法 | |
| CN101520857B (zh) | 一种基于神经网络的永磁球形电动机逆运动学求解方法 | |
| CN107179682A (zh) | 一种被动式负载模拟器及多余力矩抑制方法 | |
| CN106788028B (zh) | 无轴承永磁同步电机强化学习控制器及其构造方法 | |
| CN107276473A (zh) | 五自由度无轴承永磁同步电机模糊神经网络解耦控制器 | |
| CN105186958B (zh) | 基于神经网络逆系统的五相容错永磁电机内模控制方法 | |
| CN104200724A (zh) | 大型风电机组电动变桨距实验台及其模拟试验方法 | |
| Mingxue et al. | Variable universe fuzzy control of adjustable hydraulic torque converter based on multi-population genetic algorithm | |
| Chatri et al. | Integral-type terminal sliding mode control approach for wind energy conversion system with uncertainties | |
| CN104767452B (zh) | 基于非线性滤波器的无轴承异步电机自适应逆解耦控制方法 | |
| CN117272846A (zh) | 一种两自由度回转俯仰运动机构动态响应预测算法 | |
| Cheng et al. | Dynamic optimization of rotor-side PI controller parameters for doubly-fed wind turbines based on improved recurrent neural networks under wind speed fluctuations | |
| Wang et al. | Trajectory tracking of robot based on fractional order fuzzy pi controller | |
| Zhang et al. | Wave heave compensation based on an optimized backstepping control method | |
| Çakar et al. | Design Of A Model Reference Adaptive Pid Controller For Dc Motor Position Control: Compared With Pid And Fuzzy Controllers | |
| Schulte et al. | Estimation of multiple faults in hydrostatic wind turbines using Takagi-Sugeno sliding mode observer with weighted switching action | |
| Sahin et al. | Position control of a DC motor used in solar panels with artificial neural network | |
| Zhang et al. | Time-optimal and minimum-jerk trajectory planning of 3-DOF PM spherical motor | |
| Muñoz-Palomeque et al. | MPPT Control in an Offshore Wind Turbine Optimized with Genetic Algorithms and Unsupervised Neural Networks | |
| CN105467841A (zh) | 一种类人机器人上肢运动的类神经控制方法 | |
| Chaoui et al. | Nonlinear power control of doubly fed induction generator wind turbines using neural networks | |
| Ni et al. | Research on the fuzzy neural network PID control of load simulator based on friction torque compensation | |
| Pajchrowski et al. | Adaptive neural speed controller for direct drive with PMSM | |
| Cao et al. | Double motor coordinated control based on hybrid genetic algorithm and CMAC | |
| Wang et al. | Particle swarm optimization of fuzzy PI control for PMSMs |
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 |