-
公开(公告)号：CN105404157A
公开(公告)日：2016-03-16
申请号：CN201610007124.1
申请日：2016-01-06
Applicant: 北京理工大学
IPC: G05B13/04
CPC classification number: G05B13/041
Abstract: 本发明公开的一种基于规定性能参数估计的自适应控制方法，涉及一种用于电机伺服系统的基于规定性能参数估计自适应控制方法，属于机电控制技术领域。本发明的方法实现步骤如下：建立含非线性摩擦和扰动电机伺服系统的模型；设计带有收敛率、最大超调量和稳态跟踪误差的性能规定性能函数；采用高阶神经网络逼近系统的非线性扰动，根据建立的含非线性摩擦和扰动电机伺服系统的模型、规定的性能函数和基于参数估计误差的参数估计方法设计有限时间自适应控制器u，根据控制器u对电机伺服系统实现控制。本发明要解决的技术问题是实现电机伺服系统的参数估计，克服摩擦和扰动额外扰动等非线性的影响，进一步提高电机伺服系统的瞬态性能和稳定跟踪性能。
-
公开(公告)号：CN104850131A
公开(公告)日：2015-08-19
申请号：CN201510190847.5
申请日：2015-04-21
Applicant: 北京理工大学
IPC: G05D1/10
Abstract: 本发明提供一种基于位置估计的机器人编队控制方法，具体过程为：首先，针对不同的机器人系统设计相应的位置估计器；其次，基于一阶系统的位置估计器，设计一阶系统位置控制器；再次，根据一阶系统位置控制器，实现对机器人编队的控制。本发明结合位置估计器，分别作用在多机器人形成的不同系统模型中，可以实现有效的编队运动，达到期望的编队队形，且编队过程开始时，机器人的位置可以任意，都可以形成期望的编队效果。
-
公开(公告)号：CN104638999A
公开(公告)日：2015-05-20
申请号：CN201410425147.5
申请日：2014-08-27
Applicant: 北京理工大学
IPC: H02P21/00
Abstract: 本发明涉及一种基于分段神经网络摩擦模型的双电机伺服系统控制方法，属于机电控制技术领域。首先对含摩擦的双电机驱动伺服系统进行分析，并按照机理建模方法，根据电机的结构和物理定律，建立含摩擦的双电机驱动伺服系统的数学模型。然后对模型中的摩擦项fi进行分析，并利用分段神经网络建立摩擦非线性fi的摩擦模型。得到的分段神经网络摩擦模型，利用终端滑模控制算法得到电机速度同步控制律，根据控制律完成对双电机伺服系统进行同步跟踪控制。本发明方法能够消除摩擦对双电机系统的影响，能使双电机系统具有较好瞬态性能，有效提高了双电机伺服系统的跟踪响应速度，能够保证双电机系统的快速同步。
-
公开(公告)号：CN119839852A
公开(公告)日：2025-04-18
申请号：CN202510062919.1
申请日：2025-01-15
Applicant: 北京理工大学
IPC: B25J9/16
Abstract: 本发明公开了一种基于神经网络的柔性机械臂自适应变阻抗控制方法，涉及柔性关节机械臂控制技术领域，能够利用神经网络对于模型不确定性做出估计补偿，能够在与人或物体进行交互时保持柔顺，从而确保人员和设备的安全。为达到上述目的，本发明的技术方案包括如下步骤：针对二自由度柔性机械臂的四阶标称模型，采用奇异摄动将所述的四阶标称模型，分解为两个二阶子系统。设计神经网络估计系统中的包括摩擦力在内的模型不确定部分，用改进最优有界椭圆算法训练神经网络。针对未知的高阶角速度，利用神经网络的训练成果设计观测器来进行观测以得到它们的观测值。针对慢子系统设计变刚度的阻抗控制控制器，其中刚度根据接触力自适应调节。针对快子系统设计滑模控制器，并最终给出总体控制器设计。
-
公开(公告)号：CN119519520A
公开(公告)日：2025-02-25
申请号：CN202411532153.0
申请日：2024-10-30
Applicant: 北京理工大学
Abstract: 本发明公开了针对多电机驱动系统的基于奇异摄动的预设性能控制方法，实现对慢速和快速状态的有效控制，且在存在奇异扰动的情况下保证系统的性能和稳定性。该方法步骤如下：针对多电机驱动系统进行动力学建模，采用奇异摄动系统将系统的动态方程分解为快慢两个子系统；利用预设性能边界对跟踪误差进行转换，并得到转换误差的动态方程；通过误差转换，将原始的受限跟踪误差转换为不受限的跟踪误差，将原本受限的跟踪控制问题转换为不受限的跟踪控制问题，并保证转化后的跟踪误差有界，则原始的跟踪误差保持在预设的性能边界内；设计滑模面和干扰观测器，对系统所受到的外部扰动进行估计；设计滑模控制器，利用估计得到的外部扰动进行补偿控制。
-
Patent Agency Ranking
公开(公告)号：CN115877716A
公开(公告)日：2023-03-31
申请号：CN202211641858.7
申请日：2022-12-20
Applicant: 北京理工大学
IPC: G05B13/04
Abstract: 本发明公开了一种转台伺服系统的滑模时间最优控制方法，涉及机电控制技术领域，在快速跟踪参考信号的同时克服系统的抖振。为达到上述目的，本发明的技术方案包括如下步骤：获取转台伺服系统视觉跟踪下被控对象的二阶标称模型，根据所述二阶标称模型确定系统状态关系式。采用改进的最小二乘法逼近拟合系统状态关系式，得到转台伺服系统的时间最优控制的最优状态轨迹。将滑模变结构控制趋近律中常用的符号函数替换为连续函数，获得新的滑模变结构趋近律。根据所述最优状态轨迹以及所述新的滑模变结构趋近律设计滑模时间最优控制器。
-
公开(公告)号：CN108832850B
公开(公告)日：2020-05-05
申请号：CN201810884740.4
申请日：2018-08-06
Applicant: 北京理工大学
Abstract: 本发明公开了一种四电机伺服系统的基于最优分散鲁棒控制方法，具体方案为：针对四电机伺服系统，采用齿隙的死区模型，建立系统的状态空间方程；依据四电机互联系统状态方程，取其标称互联系统；针对每个电机设计最优分散鲁棒控制器，使得每个电机的输出跟踪参考信号，并且使得性能指标最小；对于标称互联系统，建立不含互联项的孤立单电机系统；针对孤立单电机系统，建立最优反馈控制器。本发明将不确定性系统的保性能控制器的设计问题转化为标称互联系统的最优分散鲁棒控制器的设计问题；针对标称互联系统的最优分散鲁棒控制器的设计问题，先从孤立系统出发，设计了最优跟踪控制器，进而构建了互联系统的最优分散鲁棒控制器。
-
公开(公告)号：CN108196446B
公开(公告)日：2020-04-17
申请号：CN201711337500.4
申请日：2017-12-14
Applicant: 北京理工大学
IPC: G05B13/04
Abstract: 本发明公开了模型未知的双电机负载的动态规划最优控制方法，能够应用神经网络逼近方法和自适应算法，计算得到对模型未知双电机伺服系统的最优控制。该方法包括如下步骤：建立针对双电机负载系统的神经网络模型，估计所述双电机负载系统的神经网络模型的权重参数。建立针对性能指标函数的神经网络模型，结合哈密尔顿‑雅克比‑贝尔曼HJB方程，估计所述性能指标函数的神经网络模型的权重参数。结合所述双电机负载系统的神经网络模型以及所述性能指标函数的神经网络模型采用HJB方程求解最优控制，获得每个电机的最优输入力矩。根据所述最优输入力矩对相应电机的参数进行调节。
-
公开(公告)号：CN108092560B
公开(公告)日：2020-04-17
申请号：CN201810037942.5
申请日：2018-01-16
Applicant: 北京理工大学
IPC: H02P5/46
Abstract: 本发明公开了一种双电机伺服系统的保性能鲁棒分散控制方法，能够针对含齿隙互联项的双电机伺服系统，在解决负载电机间耦合因素的影响下实现系统的负载跟踪和电机同步。包括如下步骤：对含齿隙的双电机伺服系统进行分析，采用齿隙的死区模型，建立双电机伺服系统的状态空间表达式。针对双电机伺服系统，在负载端未知非线性满足李氏条件下，利用线性二次型跟踪器设计最优状态反馈，并结合鲁棒控制器构造基于保性能的鲁棒分散跟踪控制器。在假定每个电机未知非线性均一致的情况下，设计最优积分滑模控制器实现两个电机之间的同步。结合保性能的鲁棒分散跟踪控制器与电机的最优积分滑模控制器构造每个电机的实际控制器对电机进行同步控制。
-
公开(公告)号：CN105867136A
公开(公告)日：2016-08-17
申请号：CN201610322184.2
申请日：2016-05-16
Applicant: 北京理工大学
IPC: G05B13/04
CPC classification number: G05B13/042
Abstract: 本发明涉及一种基于参数辨识的多电机伺服系统同步与跟踪控制方法，包括：步骤1，对含未知参数的多电机驱动伺服系统进行分析，根据电机的结构和物理定律，建立含未知参数的多电机驱动伺服系统的数学模型；步骤2，对步骤1中所建立的负载模型进行分析，并利用变增益自适应参数辨识法对负载中的未知参数进行估计；步骤3，根据步骤2所得参数辨识结果，利用神经网络积分滑模控制算法，对多电机伺服系统进行同步跟踪控制。该控制方法能够保证同步和跟踪的稳态精度，有效地保证参数估计的瞬态和稳态性能，减少算法设计的复杂度和计算量，有效提高多电机驱动伺服系统的响应速度和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.028 seconds)
