CN117335689B - 多伺服驱动采煤机截割部的力矩最优控制方法 - Google Patents
多伺服驱动采煤机截割部的力矩最优控制方法 Download PDFInfo
- Publication number
- CN117335689B CN117335689B CN202311577578.9A CN202311577578A CN117335689B CN 117335689 B CN117335689 B CN 117335689B CN 202311577578 A CN202311577578 A CN 202311577578A CN 117335689 B CN117335689 B CN 117335689B
- Authority
- CN
- China
- Prior art keywords
- motor
- coal mining
- optimal
- load
- torque
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 73
- 238000005065 mining Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000005265 energy consumption Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013016 damping Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 10
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013459 approach Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C31/00—Driving means incorporated in machines for slitting or completely freeing the mineral from the seam
- E21C31/02—Driving means incorporated in machines for slitting or completely freeing the mineral from the seam for cutting or breaking-down devices
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- 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
-
- 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
- H02P5/00—Arrangements specially adapted for regulating or controlling the speed or torque of two or more electric motors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种多伺服驱动采煤机截割部的力矩最优控制方法，涉及采煤机的自动控制技术领域。本发明针对采煤机截割部多电机驱动伺服系统，根据电机输入力矩和采煤机负载所需力矩，分别建立驱动电机和采煤负载的耦合系统模型，给定截割部采煤机系统的综合性能指标，引进神经网络逼近并分别学习驱动电机和多驱动负载各输入的最优指标函数，得到伺服系统和多驱动负载的最优输入力矩。本发明应用了自适应动态规划方法以研究受扰采煤机截割段中多电机驱动齿轮系统的最佳扭矩，以实现采煤机控制的近似最佳效果；使采煤机截割部以稳定、节能的方式工作。
Description
技术领域
本发明涉及采煤机的自动控制技术领域，具体为一种多伺服驱动采煤机截割部的力矩最优控制方法。
背景技术
煤矿开采领域的发展非常迅速。采煤机作为该领域的关键机电设备之一，对其进行研究具有重要意义。齿轮传动系统中的电机和传动齿轮是一个不可分割的整体。在运行过程中，电机与传动齿轮相互作用，物理过程众多，耦合关系复杂。近年来，电机-齿轮传动系统机电耦合动力学的研究受到了一些学者的重视。传统的采煤机驱动方式一直以单电机驱动为主，主要采用电机驱动采煤机进行齿轮切割，进而实现采煤。然而，面对坚硬的煤壁或较低的采煤效率，单一的伺服驱动模型不足以满足生产需求。多驱动采煤机系统可以有效地解决这一物理问题，并在新型采煤机的制造领域得到了广泛的应用。
具有多个驱动电机的新型采煤机截断短程驱动系统在以前的采煤机中没有使用，但类似的机电多驱动系统已应用于其他国防和工业系统，如火炮系统、大型雷达系统、风力涡轮机偏航控制系统。在过去的几年里，人们对这种多功率电机驱动的机电伺服系统进行了大量的研究。然而，新型多电机短程推进系统的最优控制问题在各种文献和专利中较少涉及。因为新型多电机短程推进系统包括一个截断齿轮系统和多个驱动电机模型，这些模型组成了大型复杂耦合系统，需要解决其实现最优控制的难题。
发明内容
本发明为了解决采煤机的新型多电机短程推进系统的最优控制问题，提供了一种多伺服驱动采煤机截割部的力矩最优控制方法。
本发明是通过如下技术方案来实现的：一种多伺服驱动采煤机截割部的力矩最优控制方法，包括如下步骤：
S1：基于动力学机理，建立包括多个电机和截割齿轮系统的煤矿截割部系统，煤炭切割段的多驱动系统建模为：
（1）
其中是电机系统的多个电机模型，其为负载
提供动力；是多输入负载系统；N是驱动电机编号，
和分别表示采煤齿轮的角位置和速度；是采煤齿轮的角加速度；和是多驱动电
机的角位置和角速度；是电动机阻尼，是截割部阻尼系数；是采煤齿轮的转动惯量，是来自第i个电机的输入力矩，和是电机小齿轮和负载大齿轮的转矩圆的半径，是用于煤矿开采的转矩，是第i个电机的转矩；
S2：采煤机截割部多驱动负载模型最优性能指标构建，建立包含驱动电机和负载的综合性能指标，具体如下：
s2-1：针对电机模型，是采煤机齿轮机构的需要输入转矩，是驱动电机
的输入力矩；多驱动电机转矩和速度的性能指标函数表示为，其中
，保证了齿轮和电机状态
的最佳性能，并且能耗最低，、、和为给定的对应矩阵；因为采煤齿轮的性能比电
机的性能更重要，所以电机的权重应该比齿轮的重量小；
s2-2：针对采煤机负载模型，采煤齿轮的扭矩和速度的性能指标函数为：，其中；
S3：根据所建立模型实现神经网络的最佳逼近，在线学习各驱动电机和负载的神经网络性能指标的最佳神经网络权值参数，具体如下：
s3-1：最优性能指标分别定义为：
；
；
s3-2：引入神经网络分别逼近为：
，；
其中，和是激活函数，神经网络参数和的参数估计方法给定如下：
分别设计两个性能指标的哈密尔顿雅克比贝尔曼方程如下：
令和，
和；
则得到如下滤波矩阵：
，；
则和的估计方法设计为：
和；
S4：采煤机截割部多驱动负载系统最优控制设计，根据所学参数和多伺服系统驱动模型，设计各电机的最优求解力矩，具体如下：
最优多驱动采煤机负载输入力矩为：；
每个电机输入力矩为：；
其中先求，根据求得。
本发明所述的最优控制方法，首先构建多电机负载系统的数学模型，包括驱动电机和负载模型两部分；应用神经网络逼近驱动电机和负载的指标函数；基于驱动电机和负载模型的耦合关系，获得最优的驱动电机控制力矩，实现多电机负载系统的综合性能最优。
与现有技术相比本发明具有以下有益效果：本发明所提供的一种多伺服驱动采煤机截割部的力矩最优控制方法，实现采煤机的大功率截割推进效果，可以有效提升采煤效率，增加产量；同时，应用了自适应动态规划方法以研究受扰采煤机截割段中多电机驱动齿轮系统的最佳扭矩，以实现采煤机伺服系统控制的近似最佳效果；使采煤机截割部伺服系统以转速稳定、能耗近似最优的方式工作。
附图说明
图1为本发明实施例所针对的采煤机截割部多电机负载系统结构图。
图2为本发明截割部多驱动负载系统性能指标权重收敛图。
图3为电机1的性能指标权重收敛图。
图4为电机2的性能指标权重收敛图。
图5为电机3的性能指标权重收敛图。
图6为采煤机截割部齿轮角速度镇定效果图。
图7为驱动电机速度镇定效果图。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
一种多伺服驱动采煤机截割部的力矩最优控制方法，采煤机的结构如图1所示，驱动部分由N个伺服电机组成，提供给整个截割部采煤动力，由齿轮变速箱将动力转换传送给切割齿轮，进行采煤作业，具体包括如下步骤：
S1：基于动力学机理，建立包括多个电机和截割齿轮系统的煤矿截割部系统，煤炭切割段的多驱动系统建模为：
（1）
其中是电机系统的多个电机模型，其为负载
提供动力；是多输入负载系统；N是驱动电机编号，
和分别表示采煤齿轮的角位置和速度；是采煤齿轮的角加速度；和是多驱动电
机的角位置和角速度；是电动机阻尼，是截割部阻尼系数；是采煤齿轮的转动惯量，是来自第i个电机的输入力矩，和是电机小齿轮和负载大齿轮的转矩圆的半径，是用于煤矿开采的转矩，是第i个电机的转矩；
S2：采煤机截割部多驱动负载模型最优性能指标构建，建立包含驱动电机和负载的综合性能指标，具体如下：
s2-1：针对电机模型，是采煤机齿轮机构的需要输入转矩，是驱动电机
的输入力矩；多驱动电机转矩和速度的性能指标函数表示为，其中
，保证了齿轮和电机状态
的最佳性能，并且能耗最低，、、和为给定的对应矩阵；因为采煤齿轮的性能比电
机的性能更重要，所以电机的权重应该比齿轮的重量小；
s2-2：针对采煤机负载模型，采煤齿轮的扭矩和速度的性能指标函数为：，其中；
S3：根据所建立模型实现神经网络的最佳逼近，在线学习各驱动电机和负载的神经网络性能指标的最佳神经网络权值参数，具体如下：
s3-1：最优性能指标分别定义为：
；
；
s3-2：引入神经网络分别逼近为：
，；
其中，和是激活函数，神经网络参数和的参数估计方法给定如下：
分别设计两个性能指标的哈密尔顿雅克比贝尔曼方程如下：
令和，
和；
则得到如下滤波矩阵：
，；
则和的估计方法设计为：
和；
S4：采煤机截割部多驱动负载系统最优控制设计，根据所学参数和多伺服系统驱动模型，设计各电机的最优求解力矩，具体如下：
最优多驱动采煤机负载输入力矩为：；
每个电机输入力矩为：；
其中先求，根据求得。
本实施例对上述过程进行仿真，应用三电机驱动的采煤机负载系统进行验证，则
设置，，， kg.m2，，， kg.m2，，，，。采煤机系统为：
仿真中各初值设置为 =。
截割负载的性能指标神经网络激活函数设置为，驱动电机性能指标神
经网络的激活函数设置为 ，学
习参数给定为，。
图2 为截割负载性能指标的神经网络权值收敛图，神经网络权值收敛效果表明截割部齿轮以超调最小、能耗最优的方式工作；图3-5为驱动电机1-3的性能指标神经网络权值曲线，表明在给定负载需求下驱动电机以力矩最佳、性能近似最优的方式工作；图6为采煤截割齿轮转速曲线，说明负载齿轮无超调、且镇定速度快；图7为电机1-3的角速度，该图表明驱动电机以能耗最小、性能最优的方式提供给整个截割系统动力。
本发明要求保护的范围不限于以上具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。
Claims (1)
1.一种多伺服驱动采煤机截割部的力矩最优控制方法，其特征在于：包括如下步骤：
S1：基于动力学机理，建立包括多个电机和截割齿轮系统的煤矿截割部系统，煤炭切割段的多驱动系统建模为：
（1）
其中是电机系统的多个电机模型，其为负载提供动力；/>是多输入负载系统；N是驱动电机编号，/>和/>分别表示采煤齿轮的角位置和速度；/>是采煤齿轮的角加速度；/>和/>是多驱动电机的角位置和角速度；/>是电动机阻尼，/>是截割部阻尼系数；/>是采煤齿轮的转动惯量，/>是来自第i个电机的输入力矩，/>和/>是电机小齿轮和负载大齿轮的转矩圆的半径，/>是用于煤矿开采的转矩，/>是第i个电机的转矩；
S2：采煤机截割部多驱动负载模型最优性能指标构建，建立包含驱动电机和负载的综合性能指标，具体如下：
s2-1：针对电机模型，是采煤机齿轮机构的需要输入转矩，/>是驱动电机的输入力矩；多驱动电机转矩和速度的性能指标函数表示为，其中
，保证了齿轮和电机状态的最佳性能，并且能耗最低，/>、/>、/>和/>为给定的对应矩阵；
s2-2：针对采煤机负载模型，采煤齿轮的扭矩和速度的性能指标函数为：，其中/>；
S3：根据所建立模型实现神经网络的最佳逼近，在线学习各驱动电机和负载的神经网络性能指标的最佳神经网络权值参数，具体如下：
s3-1：最优性能指标分别定义为：
；
；
s3-2：引入神经网络分别逼近为：
；
，/>；
其中，和/>是激活函数，神经网络参数/>和/>的参数估计方法给定如下：
分别设计两个性能指标的哈密尔顿雅克比贝尔曼方程如下：
；
；
；
；
令和/>，和/>；
则得到如下滤波矩阵：
，/>；
则和/>的估计方法设计为：
和/>；
S4：采煤机截割部多驱动负载系统最优控制设计，根据所学参数和多伺服系统驱动模型，设计各电机的最优求解力矩，具体如下：
最优多驱动采煤机负载输入力矩为：；
每个电机输入力矩为：；
其中先求，根据/>求得/>。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311577578.9A CN117335689B (zh) | 2023-11-24 | 2023-11-24 | 多伺服驱动采煤机截割部的力矩最优控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311577578.9A CN117335689B (zh) | 2023-11-24 | 2023-11-24 | 多伺服驱动采煤机截割部的力矩最优控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117335689A CN117335689A (zh) | 2024-01-02 |
| CN117335689B true CN117335689B (zh) | 2024-02-20 |
Family
ID=89279542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311577578.9A Active CN117335689B (zh) | 2023-11-24 | 2023-11-24 | 多伺服驱动采煤机截割部的力矩最优控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117335689B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070073685A (ko) * | 2007-06-12 | 2007-07-10 | 순천대학교 산학협력단 | 유도전동기 최대토크 제어시스템 |
| CN108196446A (zh) * | 2017-12-14 | 2018-06-22 | 北京理工大学 | 模型未知的双电机负载的动态规划最优控制方法 |
| CN109946975A (zh) * | 2019-04-12 | 2019-06-28 | 北京理工大学 | 一种未知伺服系统的强化学习最优跟踪控制方法 |
| CN110707973A (zh) * | 2019-09-24 | 2020-01-17 | 稳力(广东)科技有限公司 | 永磁同步电机效率最优点快速搜索方法及系统 |
| CN115977633A (zh) * | 2022-12-20 | 2023-04-18 | 山东科技大学 | 一种基于多信息融合反馈的射流与截割协同调控的方法 |
| CN116032160A (zh) * | 2023-02-28 | 2023-04-28 | 南京理工大学 | 一种用于双电机伺服系统的自适应变偏置力矩补偿方法 |
| CN116973745A (zh) * | 2023-06-28 | 2023-10-31 | 东风商用车有限公司 | 一种基于神经网络的电机扭矩标定方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7954579B2 (en) * | 2008-02-04 | 2011-06-07 | Illinois Institute Of Technology | Adaptive control strategy and method for optimizing hybrid electric vehicles |
-
2023
- 2023-11-24 CN CN202311577578.9A patent/CN117335689B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070073685A (ko) * | 2007-06-12 | 2007-07-10 | 순천대학교 산학협력단 | 유도전동기 최대토크 제어시스템 |
| CN108196446A (zh) * | 2017-12-14 | 2018-06-22 | 北京理工大学 | 模型未知的双电机负载的动态规划最优控制方法 |
| CN109946975A (zh) * | 2019-04-12 | 2019-06-28 | 北京理工大学 | 一种未知伺服系统的强化学习最优跟踪控制方法 |
| CN110707973A (zh) * | 2019-09-24 | 2020-01-17 | 稳力(广东)科技有限公司 | 永磁同步电机效率最优点快速搜索方法及系统 |
| CN115977633A (zh) * | 2022-12-20 | 2023-04-18 | 山东科技大学 | 一种基于多信息融合反馈的射流与截割协同调控的方法 |
| CN116032160A (zh) * | 2023-02-28 | 2023-04-28 | 南京理工大学 | 一种用于双电机伺服系统的自适应变偏置力矩补偿方法 |
| CN116973745A (zh) * | 2023-06-28 | 2023-10-31 | 东风商用车有限公司 | 一种基于神经网络的电机扭矩标定方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| adaptive optimal controls for multi-driving gear of long-wall shearer;Zhien Li, et al.;《2022 IEEE 11th data driven control and learning systems conference (DDCLS)》;第654-658页 * |
| 基于自适应动态规划的多驱动负载系统跟踪控制;吕永峰，等;太原理工大学学报》;第1-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117335689A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109623810A (zh) | 一种机器人平滑的时间最优轨迹规划的方法 | |
| CN102745320A (zh) | 一种仿鲹科机器鱼倒游运动的控制方法 | |
| CN111267110B (zh) | 基于障碍尺寸同伦策略的机器人轨迹规划最优控制方法 | |
| CN113353799A (zh) | 一种分布质量负载的双摆塔式起重机摆动抑制控制方法 | |
| CN117335689B (zh) | 多伺服驱动采煤机截割部的力矩最优控制方法 | |
| CN113703319B (zh) | 基于强化学习的关节模组不等式约束最优鲁棒控制方法 | |
| CN106143213A (zh) | 一种扭矩安全监控方法以及装置 | |
| CN112379595B (zh) | 非线性严格反馈切换系统复合干扰学习控制方法 | |
| CN106346480A (zh) | 一种基于ug和matlab的多自由度注塑机械臂建模方法 | |
| CN103625462A (zh) | 节能型串联混合动力拖拉机的控制方法 | |
| CN102594245B (zh) | 一种欠驱动双耦合电机的滑模控制方法 | |
| CN115506955B (zh) | 一种风电机组双驱变桨系统及其同步控制方法 | |
| CN109905067B (zh) | 电机驱动系统结构与控制一体优化方法 | |
| CN103625308A (zh) | 拖拉机的电动机高效运行控制方法及系统 | |
| CN107121931A (zh) | 悬挂式六自由度微重力环境模拟系统终端滑模控制方法 | |
| Lin et al. | Optimization design of distributed drive vehicle reducer based on improved particle swarm optimization algorithm | |
| CN110341454A (zh) | 一种双发动机混合动力重型车驱动系统及其使用方法 | |
| CN201568040U (zh) | 单片机为上位机的立式抽油机自动控制系统 | |
| CN114115252A (zh) | 一种基于不等式约束的关节模组鲁棒控制方法 | |
| CN113032901B (zh) | 一种飞机舱门运行功率优化方法 | |
| CN104915481A (zh) | 基于虚拟样机建模和周期性规划的球形电机协同控制 | |
| CN107103146A (zh) | 一种耦合振荡状态下传动齿轮箱振动特性分析方法 | |
| CN215376727U (zh) | 一种新能源汽车控制模型 | |
| CN110197018B (zh) | 一种整车实时仿真系统 | |
| CN202656183U (zh) | 欠驱动机械臂 |
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 |