Due to the highly nonlinear,time-varying,and uncertain working environment of robotic arms,their dynamic behavior is complex.Traditional control methods often encounter problems such as large joint position angle errors and poor stability during the control process.Therefore,a control method based on the improved Deep Deterministic Policy Gradient(DDPG)is proposed.Firstly,a kinematic model of intelligent loading and unloading machinery equipment is established;secondly,a loading and unloading action control model based on the DDPG algorithm is established;thirdly,u the Actor network(strategy network)and Critic network(value network)are used to improve the loading and unloading action control process in DDPG;finally,the reward function is optimized to train the Actor network and Critic network.and achieve loading and unloading machinery equipment control.The experimental results show that the actual motion trajectory of intelligent loading and unloading machinery equipment is very close to the ex-pected trajectory,and the joint position error is always less than 5.0 cm,and the attitude angle error is al-ways less than 1.00°.This can effectively control the joint position and attitude angle.The proposed im-proved DDPG algorithm has a good control effect.
To solve the position control problem of the induction motor with parameter perturbations, load disturbances, and modeling errors, a predefined-time position tracking optimization control method with prescribed performance is proposed. In practice, the rotor flux linkage of the induction motor can't be measured, and a predefined-time sliding mode observer (PTSMO) is applied to accurately estimate it. Additionally, predefined-time disturbance observers (PTDOs) are employed to identify the uncertainties in the motor system. The position and flux linkage controllers are then designed by integrating the predefined-time control approach with the prescribed performance function method, realizing accurate tracking control of the induction motor within a predefined time. Next, the adaptive genetic algorithm (AGA) and the improved particle swarm optimization (IPSO) technique are combined to optimize the designed controllers, enhancing the convergence rate and steady-state accuracy of the induction motor. Finally, comparative analyses through simulations and dSPACE simulated experiments validate the efficacy of the proposed control method, highlighting its applicability in practical motor systems.
In this paper, the requirements of field debugging of intelligent gateway of power distribution are studied, and the on-site simulation cloud testing technology and signal injection method of different types of terminals are proposed. According to the results we got, the automatic closed-loop debugging of "End, Edge and Cloud" is realized through the field debugging. For the field debugging of primary and secondary fusion DTU/FTU, an independent electromagnetic/ electronic signal output channel and high-precision output technology are designed, and the automatic closed-loop debugging is conducted in cooperation with the analog power distribution master station. The software architecture of debugging tool and the automatic test flow of intelligent terminal are also described in this paper in detail. The debugging tool based on this technology has been tested on site and proofed it is with high-performance.
在多因素耦合作用下桥梁结构会产生振动,以毫米波雷达技术为测量手段,提出桥梁索杆振动检测及自动控制方法.分析在恒载作用下桥梁索杆静止状态与振动状态的应变能,结合动能、势能和恒载做功等建立索杆平面内与平面外的振动特征描述方程.通过发送多周期连续毫米波雷达探测信号,取得同周期回波信号.根据回波信号与对应瞬时相位得到单频差拍信号及瞬时相位,检测出索杆振动幅值.利用半正定矩阵和正定矩阵等函数,建立令振动幅值达到最小值的桥梁索杆振动自动控制模型.实验结果表明,所提方法检测精准度较高,自动控制效果较好,并有效抑制了振动幅度,具备良好的应用性能.
机器人的惯性参数辨识是基于动力学模型控制器设计的基础,除了需要辨识机器人自身的惯性参数外,还需要快速准确地辨识负载的惯性参数.针对需要更换负载的工作场景,提出了 一种快速辨识负载的激励轨迹,该轨迹不需要经过优化,即可在短时间内覆盖更多的机器人运动状态,从而获得更为全面的采样参数集,提高了辨识效率的同时增强了辨识模型的泛化能力.实验表明,辨识的结果与负载模型的CAD参数符合,机器人关节理论力矩能较好地拟合实际驱动力矩,验证了负载参数的正确性.
为了提升特种起重机伸缩臂控制精度,提出基于模糊PID融合的特种起重机伸缩臂自动控制方法.针对特种起重机伸缩臂的整体结构,对伸缩臂受力展开了分析.以受力分析结果为基础建立伸缩臂数学模型,对该模型进行推导后获取伸缩臂传递函数,将其与设计的模糊PID融合控制器相结合,实现对特种起重机伸缩臂自动控制.实行位移响应测试、末端姿态位置与末端作用力测试,测试结果表明,所提方法所得结果与期望值基本一致,说明该方法的精度高、可靠性强.
受灭菌条件和手术操作空间限制,手术器械采用钢丝绳传动.受钢丝绳迟滞和柔性,以及电机齿轮箱齿系影响,且手术器械末端无法安装角度传感器,手术器械末端运动不能形成闭环控制,导致手术器械末端精度低进而影响手眼协调控制一致性.针对这一问题,提出基于Autogluon算法绳驱动手术器械运动补偿控制算法.搭建单自由度钢丝绳驱动手术器械平台,开展基于机器学习方法的位置估计,将该位置估计作为器械末端执行器反馈形成运动补偿控制.为验证该算法有效性,将该算法与线性回归、决策树、支持向量机、神经网络和高斯过程方法对比,该算法的均方误差、平均绝对误差、最大误差和标准差指标最小,基于该算法位置跟踪精度最高.
密封圈在受到单侧的介质压力时会发生明显的单向变形,摩擦力因此表现出关于速度的不对称特性.为描述摩擦力的不对称性,提出改进的非对称Stribeck密封圈摩擦力模型,并构造带约束的最小二乘优化问题,使用信赖域法求解参数辨识问题.最后,使用基于无摩擦气缸的密封圈摩擦力测试台测量不受压和单侧受压时的摩擦力,验证了所提不对称摩擦力模型与辨识方法的有效性.
针对极限学习机(ELM)在功放建模中普遍存在误差变化大、精度低的问题,提出一种改进鲸鱼优化算法(IWOA)优化ELM的功放模型.该算法利用Logistic混沌映射初始化鲸鱼算法的种群,通过非线性收敛因子增强鲸鱼算法在各阶段的搜索能力,从而实现对ELM输入权重和偏差的优化.利用电子设计领域内的2款EDA软件(AWR和SILVACO)对2 W的AB类功放进行分析,通过两者的迭代计算获取功放对应输入下的输出性能参数以及结温数据.基于IWOA-ELM模型,以输入功率和结温作为模型输入,对3种输出特性参数(输出功率、功率增益和功率附加效率)进行预测.结果表明,该模型具有更高的精度和较低的时间成本,可以准确地模拟功放的输出特性.
针对电梯导轨安装过程中繁多的钻孔操作,使用钻孔机器人代替人工作业.为提高钻孔机器人的作业效率和减少作业过程中的冲击振动,提出一种使用多目标遗传算法来优化钻孔机器人关节空间轨迹的方法.首先,使用七阶B样条曲线在钻孔机器人关节空间中进行插值;其次,以时间和冲击性能为优化目标,通过使用带约束处理的NSGA-Ⅱ算法对B样条的插值轨迹进行优化;最后,设计一种"综合比较算子"的轨迹方案选择标准来获取综合最优解.结果表明,使用带约束处理的NSGA-Ⅱ的轨迹优化方法获得的Pareto解集分布性和收敛性较好.与时间性能最优解和冲击性能最优解相比,综合最优解分别在冲击性能和时间性能上提升了66.7％和22.26％,表明使用综合比较算子获得的最优解在时间性能和冲击性能上都较为优良.
针对工业现场散乱堆叠、零件位姿难以准确检测的问题,提出一种基于改进YOLO6D的工业零件位姿检测算法.首先,对原始YOLO6D网络结构进行改进.以Darknet53作为主干网络,并在其残差块内部引入坐标注意力机制,强化神经网络对坐标信息的表达能力;利用空洞空间金字塔池化捕获多尺度上下文信息,实现底层坐标信息与高层语义信息的特征融合;采用Mish函数作为激活函数,增强神经网络的鲁棒性.在此基础上,采用改进YOLO6D网络检测工业零件6D位姿.以工业零件图像作为改进YOLO6D网络的输入,直接回归输出目标零件3D边界框的9个关键点,利用2D-3D空间中的映射关系,采用PnP算法计算目标零件的6D位姿.最后,进行工业零件位姿检测实验验证.实验结果表明,所提算法具有较高的准确性和鲁棒性,为三维空间内工业零件的位姿检测提供了一种有效的思路.
为克服现有电磁驱动球型关节各自由度间电磁耦合和力学耦合关系复杂及建模困难等难题,提出一种新型电磁变刚度球型手腕,通过万向节输出端所构成随动机构内置的径向磁化永磁体,在三轴正交组合线圈生成的空间万向旋转磁场同轴随动磁矩直接驱动下可实现侧摆、俯仰二自由度转动.针对电磁变刚度球型手腕对高集成度和高能量输出密度的实际需求,采用2组鞍形线圈和1组亥姆霍兹线圈的正交组合线圈驱动方案,建立线圈内部的磁场模型和球型手腕输出力矩模型,通过遗传算法对三轴正交组合线圈进行结构设计和参数优化.仿真结果表明,对比三轴亥姆霍兹线圈,优化后三轴正交组合线圈磁场均匀度更高,具有更高能量输出密度,结构紧凑,更满足球型手腕的需求.
为有效处理电网故障中存在的不确定性,提出一种基于改进差分进化Takagi-Sugeno模糊神经网络的电网故障诊断模型.该模型基于分布式并行处理的思路,根据配置的继电保护和断路器对每个元件而非整个电网建立相应故障诊断模型.为提高诊断模型的准确性,对差分进化算法的缩放因子和交叉率进行自适应改进,并将改进算法用于优化各模型的前件参数和后件参数.仿真结果表明,与其他神经网络相比,该模型能够成功诊断存在拒动、误动的复杂故障,提高了电网故障诊断的容错性.
脉冲耦合神经网络模型参数众多,在应用时通常根据经验或实验设置.针对模型参数影响应用等问题,采用群体智能优化算法PSO优化简单脉冲耦合神经网络模型的关键参数,如耦合系数、时间衰减因子和脉冲输出的乘积系数.通过仿真实验,评价智能优化算法学习模型参数的有效性,比较分析了不同参数PCNN模型在图像分割中获得的轮廓、细节和纹理等存在差异性.
燃煤火电机组脱硝过程中的数据样本较多,导致燃煤火电机组脱硝自动控制难度增加,因此提出基于RBF神经网络的燃煤火电机组脱硝自动控制方法.将燃煤火电机组脱硝入口烟气氮氧化物浓度、喷氨量、烟气入口温度和机组负荷作为数据样本训练RBF神经网络.通过敏感度法,分析输入数据样本值对其相应输出值的影响,优化RBF网络结构.将数据样本输入至优化后的RBF网络中,输出脱硝喷氨量计算结果,结合脱硝喷氨量完成燃煤火电机组脱硝自动控制.实验表明:火电机组负荷匀速变化状况下利用该方法可有效自动控制脱硝装置,降低出口氮氧化物浓度、喷氨量和氨气逃逸量,提升脱硝率;在不同负荷扰动情况下,该方法依旧能够有效控制脱硝装置,喷氨量和氨气逃逸量等均未超过设定值,证明该方法具有较优的脱硝自动控制效果.
为研究弱撞击式对接机构(LIDM)在捕获阶段中的多约束精度优化问题,提高弱撞击式对接机构的运动传递性能与对接精度,综合建立运动学模型与误差传递模型,并根据误差传递模型研究工作空间中弱撞击对接机构的精度分布特征.为探求最优机械构型以进一步提高对接精度,建立精度传递性能评判标准,并利用改进后的遗传算法计算出在工作行程中的最优构型参数.利用MATLAB搭建运动学误差传递模型进行数值仿真,验证了该最优构型参数与误差传递模型的合理性与正确性.研究过程为研究空间对接机构的结构优化与工程应用提供了依据,具有一定的工程应用价值.
在自动化航电联调联试检测系统中,为解决航电系统操纵杆在自动化检测中存在环境复杂、开关密集紧凑和待检测方位较多等问题,设计了基于电动气动联合方案的操纵杆检测装置,并提出了基于转矩观测器的柔性控制方法,以检测航电系统中操纵杆上的多方位开关.操纵杆检测装置的设计通过电机与气缸的有效组合,可以在紧凑的环境中完成操纵杆上四方位拨杆、八方位按钮等开关全部功能的检测.此外,针对操纵杆检测装置建立机器人关节动力学模型,引入永磁同步电机模型、动态LuGre摩擦模型和关节刚度模型,基于广义动量观测关节力矩并实现柔性控制.通过在模拟平台和实际联调环境下进行参数辨识和开关操作实验,证明了该操纵杆检测装置及控制算法能够有效检测操纵杆,并提高了开关检测的安全性和效率.
为了保证实验室测量数据的真实性,减少计量设备检定误差,提出实验室计量设备检定误差智能预测方法.利用工控机、相控阵换能器等设计信息采集系统,采用模糊聚类算法确定聚类中心,设置隶属度矩阵对采集到的数据做聚类处理.结合设备状态数据建立实验室计量设备状态评估模型.结合设备状态评估结果,利用构建长短期记忆网络搭建实验室计量设备检定误差智能预测模型,利用粒子群算法对模型求解,得到预测结果.实验结果表明,所提方法的预测结果和实际误差相符,适用于实验室中的计量设备检定误差预测,实际应用效果好.
为使机组叶片具有更好的控制效果,提出一种风力发电机械中机组叶片小翼三维场数值模拟方法.计算风机效率上限,对动能与风能的能量转换,对叶片三维建模,计算扭矩大小,保证在阻力最小的前提下,得到最大的电功率,并对压力修正,实现三维流场控制.实验结果表明,所提方法具有较高的模拟准确性,在控制后叶尖处的线速度有所增大,正负压力面产生的压差有所减小.该方法不仅提高了准确性,还提高了流场控制效果.
提出了一种基于自适应电流预测模型的零序环流抑制策略,该策略适用于共直流母线的并联运行的三电平逆变器.首先构建了零序环流等效模型,分析证明了并联系统的中点电位差和共模电压差为零序环流激励源;随后提出了一种基于预测模型的零共模电压控制方法,兼顾了中点电位平衡的控制效果并改善了并网电流质量,同时对并联系统之间的零序环流进行了有效抑制;其次设计了一种自适应电流预测模型,提高了在参数失配下并网电流的跟踪性能,减少了误差;最后通过MATLAB/Simulink平台搭建仿真模型,验证了所提控制策略的可行性和有效性.
