基于自适应概率学习的配电网故障辨识技术

为了提升配电网故障辨识准确率,提出了一种基于自适应概率学习的早期故障诊断方法。该方法通过波形分解和最大化特征相似性找到最佳线性映射,将仿真数据和真实数据映射至同一特征空间,且在此空间中两者分布差异最小,之后即可使用仿真数据训练模型并对真实数据进行分类,从而解决配电网故障辨识中样本量不足这一重要问题。基于系统仿真数据和现场实际数据表明:所提方法对于自适应学习条件下早期故障诊断的可靠性和准确率,远优于同等条件下的卷积神经网络、支持向量机和K邻近算法等常用分类模型;为自适应学习条件下的配电网故障辨识技术提供了一种新的思路。

机器人柔性关节前馈力/位混合控制策略研究

针对机器人关节柔性引起的轨迹跟踪误差问题和末端执行器残余振动现象,在PD反馈控制律基础上,提出一种基于柔体动力学模型的前馈力矩补偿控制算法和后置多模态自适应输入整形算法前馈力/位混合控制策略。建立六轴工业机器人柔体动力学简化模型,在不附加关节编码器和外设的情况下进行柔体动力学参数辨识,再将动力学模型改写为力矩计算方程,经计算得到前馈力矩并加入控制律中进行补偿;计算前馈力矩所用的期望轨迹需经过输入整形器处理,考虑机器人系统的时变性问题,采用后置多模态自适应输入整形算法对期望输入位移信号进行命令整形,从而抑制末端的残余振动现象。结果表明:所提出的前馈力/位混合控制策略能有效减少轨迹跟踪误差,抑制机器人末端的残余振动现象。