Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 海峡建工集团有限公司肖世江获国家专利权

海峡建工集团有限公司肖世江获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉海峡建工集团有限公司申请的专利一种混凝土泵车多节臂末端轨迹偏差优化方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN115613816B

龙图腾网通过国家知识产权局官网在2025-09-30发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202210672289.6,技术领域涉及:E04G21/04;该发明授权一种混凝土泵车多节臂末端轨迹偏差优化方法是由肖世江;郑春林;林新;李峰设计研发完成,并于2022-06-15向国家知识产权局提交的专利申请。

一种混凝土泵车多节臂末端轨迹偏差优化方法在说明书摘要公布了:本发明提供了一种混凝土泵车多节臂末端轨迹偏差优化方法,包括S1:采用雅克比矩阵建立多节臂混凝土泵车规矩追踪系统的非线性三维空间动力学方程;S2:对获得的立体空间的动力学方程采用模糊逻辑的表达方法进行非线性三维空间动力学方程的模糊模型转化;S3:引入积分滑膜函数,采用BP神经网络去近似未知的位置偏差影响,并重构学习算法的求解在离散系统的鲁棒控制框架;S4:设计基于状态反馈控制的BP神经网络优化学习算法;本发明提供的混凝土泵车多节臂末端轨迹偏差优化方法可减小混凝土泵车节臂末端运动轨迹的偏差,使浇筑过程更加安全可靠,适宜进一步推广应用。

本发明授权一种混凝土泵车多节臂末端轨迹偏差优化方法在权利要求书中公布了:1.一种混凝土泵车多节臂末端轨迹偏差优化方法,其特征在于,包括如下步骤: S1:采用雅克比矩阵建立多节臂混凝土泵车规矩追踪系统的非线性三维空间动力学方程;具体包括如下步骤: S1.1:根据空间立体的坐标关系,得到以下四节臂混凝土泵车系统的空间坐标方程: x=l1cosθ1+l2cosθ2+l3cosθ3+l4cosθ4    1y=l1sinθ1+l2sinθ2+l3sinθ3+l4sinθ4    2z=xtanθz    3其中,x,y,z分别表示四节臂混凝土泵车末端的空间坐标X,Y,Z的位置,θ1,θ2,θ3,θ4分别是在坐标X,Y平面投影下第一节臂到第四节臂的夹角,θz是在坐标X,Z平面投影下泵车臂与X轴的夹角,l1,l2,l3,l4分别是第一节臂到第四节臂的长度; S1.2:定义xd,yd,zd分别为混凝土泵车末端参考坐标,那么对方程1‑3两边分别减去参考坐标后,得到: εx=x‑xd=l1cosθ1+l2cosθ2+l3cosθ3+l4cosθ4‑xd,    4εy=y‑yd=l1sinθ1+l2sinθ2+l3sinθ3+l4sinθ4‑yd,    5εz=z‑zd=xtanθz‑zd,    6S1.3:对方程4‑6两边求导,得到: S1.4:定义Nx,Ny,Nz分别为空间坐标X,Y,Z的偏差影响,将方程7‑9改写为如下的系统状态空间表达式: 其中,ε是位置偏差,Bt是系统的输入矩阵,ut是控制输入,N是未知的偏差扰动; S2:对获得的立体空间的动力学方程采用模糊逻辑的表达方法进行非线性三维空间动力学方程的模糊模型转化;具体包括如下步骤: S2.1:获得的立体空间动力学非线性方程,其中变量θ1,θ2,θ3,θ4,θz分别在进行分段线性化,变量x分别在[16米,17米,18米]进行分段线性化,因此获得729个模糊规则,具体如下: 模糊规则Rl:如果θ1是θ2是θ3是θ4是θ5是θ6是那么其中,Rl是第l个模糊规则,是模糊集,Bl是在第l个模糊规则下的输入参数矩阵; S2.2:定义推理的模糊集和归一化的隶属度函数μl,得到: S2.3:通过隶属度函数的组合,获得以下的模糊系统模型: S3:引入积分滑膜函数,采用BP神经网络去近似未知的位置偏差影响,并重构学习算法的求解在离散系统的鲁棒控制框架;S3具体包括如下步骤: S3.1:引入以下的积分滑膜函数: 其中,S表示积分滑膜函数;F滑膜函数映射;是指末端的位置偏差; S3.2:对方程15进行求导,并代入方程14,得到: 故可设计ut如下: 可得到: S3.3:引入BP神经网络去近似未知的位置偏差影响N,定义是N的近似,那么得到BP神经网络的输入输出特性关系: 其中,f是BP神经网络的函数映射,W和V是学习的权重值,σ是有界的函数,是神经网络的输入; S3.4:对方程19进行泰勒展开,得到: 其中,ΔW,ΔV,分别是W,V,的步长增加值; S3.5:由于将方程20两边都减去Nt+1,得到: 其中,S3.6:已知因此可以设计学习率Ut如下: Ut=G∈    22其中,G是待求的控制器映射迭代矩阵; S3.7:将学习率Ut方程22代入BP神经网络系统方程21,得到: 其中,I是单位矩阵; S4:设计基于状态反馈控制的BP神经网络优化学习算法。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人海峡建工集团有限公司,其通讯地址为:350300 福建省福州市福清市东瀚镇太子亭1号-8;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。