用于控制机器操作的模型预测控制系统和方法

    公开(公告)号:CN110462531A

    公开(公告)日:2019-11-15

    申请号:CN201880019199.9

    申请日:2018-02-08

    Abstract: 一种用于根据机器动力学模型来控制机器操作的模型预测控制(MPC)系统在约束的情况下在时间范围上优化成本函数,以产生控制机器在时间范围上的状态的控制输入的序列。机器使用序列中的第一控制输入来控制。成本函数包括由MPC的目的限定的第一项和对机器的状态与满足机器的动力学方程的值的偏差进行惩罚的第二项。

    用于控制机器操作的模型预测控制系统和方法

    公开(公告)号:CN110462531B

    公开(公告)日:2022-09-06

    申请号:CN201880019199.9

    申请日:2018-02-08

    Abstract: 一种用于根据机器动力学模型来控制机器操作的模型预测控制(MPC)系统在约束的情况下在时间范围上优化成本函数,以产生控制机器在时间范围上的状态的控制输入的序列。机器使用序列中的第一控制输入来控制。成本函数包括由MPC的目的限定的第一项和对机器的状态与满足机器的动力学方程的值的偏差进行惩罚的第二项。

    用于控制系统的预测控制器、车辆及方法

    公开(公告)号:CN111670415B

    公开(公告)日:2021-03-23

    申请号:CN201880088336.4

    申请日:2018-07-26

    Abstract: 一种用于控制系统的预测控制器,该系统受到包括对系统的状态变量和控制变量的等式约束和不等式约束,该预测控制器包括:估计器,其使用系统的输出的测量值来估计系统的当前状态;以及控制器,其在每个控制步骤求解必要最优条件的矩阵方程式,以生成控制解并且使用控制解来控制系统,以改变系统的状态。矩阵方程式包括具有系统的等式约束的约束Jacobian矩阵的块结构矩阵。控制器使用包括第一级迭代的两级迭代来迭代地确定控制解,第一级迭代针对控制时程内的每个时间点选择有效的不等式约束,利用针对有效的不等式约束的集合中的改变的低秩更新来更新约束Jacobian矩阵,以包括等式约束和有效的不等式约束,以及响应于约束Jacobian矩阵的低秩更新,利用低秩因子分解更新来更新预处理矩阵。第二级迭代使用更新后的预处理矩阵来求解具有更新的约束Jacobian矩阵的矩阵方程式,以生成控制解。

    用于检测实时序列中的异常的方法

    公开(公告)号:CN105320727A

    公开(公告)日:2016-02-10

    申请号:CN201510329969.8

    申请日:2015-06-15

    Abstract: 用于检测实时序列中的异常的方法。通过首先确定多对正常时间序列数据之间的成对相似性的相似性矩阵来检测实时序列中的异常。将谱聚类过程应用于相似性矩阵,以将表示时间序列数据的维度的变量分割为互斥的组。针对每个组估计正常行为的模型。然后,针对实时序列数据,使用针对每个组的模型确定异常分数,并且将该异常分数与预定的阈值进行比较,以通报异常。

    用于控制系统的预测控制器、车辆及方法

    公开(公告)号:CN111670415A

    公开(公告)日:2020-09-15

    申请号:CN201880088336.4

    申请日:2018-07-26

    Abstract: 一种用于控制系统的预测控制器,该系统受到包括对系统的状态变量和控制变量的等式约束和不等式约束,该预测控制器包括:估计器,其使用系统的输出的测量值来估计系统的当前状态;以及控制器,其在每个控制步骤求解必要最优条件的矩阵方程式,以生成控制解并且使用控制解来控制系统,以改变系统的状态。矩阵方程式包括具有系统的等式约束的约束Jacobian矩阵的块结构矩阵。控制器使用包括第一级迭代的两级迭代来迭代地确定控制解,第一级迭代针对控制时程内的每个时间点选择有效的不等式约束,利用针对有效的不等式约束的集合中的改变的低秩更新来更新约束Jacobian矩阵,以包括等式约束和有效的不等式约束,以及响应于约束Jacobian矩阵的低秩更新,利用低秩因子分解更新来更新预处理矩阵。第二级迭代使用更新后的预处理矩阵来求解具有更新的约束Jacobian矩阵的矩阵方程式,以生成控制解。

    用于检测实时序列中的异常的方法

    公开(公告)号:CN105320727B

    公开(公告)日:2020-03-17

    申请号:CN201510329969.8

    申请日:2015-06-15

    Abstract: 用于检测实时序列中的异常的方法。通过首先确定多对正常时间序列数据之间的成对相似性的相似性矩阵来检测实时序列中的异常。将谱聚类过程应用于相似性矩阵,以将表示时间序列数据的维度的变量分割为互斥的组。针对每个组估计正常行为的模型。然后,针对实时序列数据,使用针对每个组的模型确定异常分数,并且将该异常分数与预定的阈值进行比较,以通报异常。

Patent Agency Ranking