XiaoMi-AI文件搜索系统
World File Search System比例积分
使用...的线路跟踪机器人的设计和开发
学生，Neerja Modi 世界学校 摘要 本文探讨了使用比例-积分-微分 (PID) 反馈控制系统的巡线机器人的设计和开发。巡线机器人是一种广泛采用的自主系统，可以根据传感器数据和实时调整使机器人遵循预定义的路径。本文详细介绍了制造机器人所需的组件、构造和编程，重点介绍了 PID 系统的实施和调整。彻底分析了调整 PID 参数（比例（Kp）、积分（Ki）和微分（Kd））对机器人效率、稳定性和路径精度的影响。这项工作有助于理解如何优化 PID 系统以用于机器人应用，从而实现精确和自适应控制。 关键词：控制系统、巡线机器人、PID、PID 调整、比例积分微分、机器人设计、机器人开发、机器人技术、机电一体化 1. 简介 自主机器人系统的发展彻底改变了现代技术，从工业自动化到消费电子产品。巡线机器人是了解机器人技术和控制系统原理的绝佳示例和学习项目。它还具有实际用途，例如自动化工业任务，例如物料搬运、产品装配和质量控制。它使用传感器检测线路并根据反馈机制实时调整其运动以保持其轨迹。比例、积分、微分 (PID) 控制系统是提高此类机器人准确性和效率的有效方法。通过调整 PID 参数，工程师可以优化机器人对路径偏差的响应并增强其稳定性。本文讨论了采用 PID 控制系统的巡线机器人的设计、开发和实施，包括调整过程和实现最佳性能的挑战。 2. 所需组件 制造巡线机器人所需的组件如下： A) 物理组件 i) 底盘 - 机器人的底盘是 3D 设计的，如图 (2.1) 和图 (2.2) 所示。它已针对最大性能进行了优化。较长的底盘比较短的底盘更好，因为红外传感器阵列的偏差会更大，从而使机器人运行速度更快。
并网光伏系统三相逆变器基于无源性的黎曼刘维尔分数阶滑模控制
由于环境条件多变，光伏 (PV) 系统参数始终是非线性的。在多种不确定性、干扰和时变随机条件的发生下，最大功率点跟踪 (MPPT) 很困难。因此，本研究提出了基于被动性的分数阶滑模控制器 (PBSMC)，以检查和开发 PV 功率和直流电压误差跟踪的存储功能。提出了一种独特的分数阶滑模控制 (FOSMC) 框架的滑动面，并通过实施 Lyapunov 稳定性方法证明了其稳定性和有限时间收敛性。还在被动系统中添加了额外的滑模控制 (SMC) 输入，通过消除快速不确定性和干扰来提高控制器性能。因此，PBSMC 以及在不同操作条件下的全局一致控制效率是通过增强的系统阻尼和相当大的鲁棒性来实现的。所提技术的新颖之处在于基于黎曼刘维尔 (RL) 分数阶微积分的 FOSMC 框架的独特滑动曲面。结果表明，与分数阶比例积分微分 (FOPID) 控制器相比，所提控制技术可在可变辐照度条件下将 PV 输出功率的跟踪误差降低 81%。与基于被动性的控制 (PBC) 相比，该误差降低 39%，与基于被动性的 FOPID (EPBFOPID) 相比，该误差降低 28%。所提技术可使电网侧电压和电流的总谐波失真最小。在不同太阳辐照度下，PBSMC 中 PV 输出功率的跟踪时间为 0.025 秒，但 FOPID、PBC 和 EPBFOPID 未能完全收敛。同样，直流链路电压在 0.05 秒内跟踪了参考电压，但其余方法要么无法收敛，要么在相当长的时间后才收敛。在太阳辐射和温度变化期间，使用 PBSMC，光伏输出功率在 0.018 秒内收敛，但其余方法未能收敛或完全跟踪，与其他方法相比，由于 PBSMC，直流链路电压的跟踪误差最小。此外，光伏输出功率在 0.1 秒内收敛到参考功率
用于对神经系统进行最优控制建模的计算机框架 Rückauer, BJ; Gerven, MAJ van 2023，文章 / 致编辑的信 (Frontiers i
我们提出了一个控制理论框架来研究嵌入在模拟环境中的生物驱动人工神经系统（Sussillo，2014）的稳定性和可控性。从高层的角度来看，这个框架模拟了脑-机-环境的相互作用。我们首先考虑建模一个神经系统在虚拟环境中执行行为任务的问题。用控制理论的语言来说，神经系统与环境过程形成一个闭环反馈控制器。在第二步中，我们模拟神经系统的退化（例如在传感器或执行器处）并添加一个二级控制器（假肢），目的是恢复行为功能。在此过程中，我们考虑了大脑模型中的不确定性、非线性、测量噪声以及可观察状态和可控神经元的有限可用性。神经系统，从单个神经元到大规模群体，都以复杂的动态为特征，建模和控制可能具有挑战性（Ritt and Ching，2015）。经典控制理论（Khalil，2002；Brunton 和 Kutz，2017；Astrom 和 Murray，2020）为设计控制律提供了强大的工具，并在神经技术领域得到广泛应用，例如机械臂或计算机光标的闭环脑机接口 (BMI) 控制（Shanechi 等人，2016）、癫痫发作缓解的模型预测控制（Chatterjee 等人，2020）以及大脑在认知状态之间转换的机制解释（Gu 等人，2015）。闭环控制的一个特别成功的应用是通过深部脑刺激治疗帕金森病。在那里，可以使用基于阈值、比例积分或自调节控制器将病理性 β 波段振荡活动抑制在所需的目标水平（Fleming 等人，2020a、b）。 Schiffi (2011) 建立了一种将控制理论与神经科学和生物医学联系起来的典型方法，其中时空皮质动态模型与卡尔曼滤波器相结合，以估计未观察的状态并跟踪未知或漂移的模型参数。神经形态社区中的团队最近通过实现生物学上合理的操作和学习状态估计和控制规则（Friedrich 等人，2021；Linares-Barranco 等人，2022）以及神经形态 BMI 电路（Donati 和 Indiveri，2023）为这项工作做出了贡献，这有望在低功耗运行时实现更好的生物相容性。在上述许多方法中反复出现的一些挑战是线性（可实现）或低维系统的假设、对底层动态的知识或所需目标状态的可用性（如帕金森病的 DBS）。本文针对这些局限性做出了两项主要贡献。首先，我们建议一致使用动力系统来模拟大脑、环境、和假肢。除了统一方法论之外，这种选择还可以灵活地对不同程度的真实模型进行实验。在这里，我们展示了循环神经网络 (RNN) 作为神经系统和假肢的简单、高度可扩展的构建块的使用。其次，我们逐步消除了线性、系统知识、完全可观测性和监督目标状态的假设，通过使用强化学习 (RL)（Sutton 和 Barto，2020 年）进行系统识别和合成假肢控制器。
应用说明 23：
应用说明 23：Innovate 的“直接数字”宽带技术实现的发动机控制策略 摘要 氧传感器是当今大多数内燃机的关键部件。Innovate 的“直接数字”技术实现了新一代氧传感器，它们比目前最好的宽带氧传感器更快、更准确、更可靠、成本更低。这反过来又实现了发动机控制的新策略。虽然 Innovate 技术最初的商业认可是在性能和赛车市场，但最大的收益将是在 OE 市场，在该市场中，可以设计和编程工厂原始 ECU 以利用直接数字技术。背景：氧化锆氧传感器简史 自 20 世纪 70 年代中期以来，氧化锆传感器就已在量产汽车中使用。第一批传感器是带有 1 或 2 根电线的“非加热顶针”设计。80 年代初引入了“加热顶针”设计，该设计升温更快，并有 3 或 4 根电线。 4 线“平面”传感器于 90 年代末开始使用，目前占所有新平台的 50% 以上，部分原因是成本低且可靠性高。“宽带”5 线传感器（加热、平面、双电池）是最新的，是高性能、直喷、分层充电、灵活燃料、ULEV 和其他要求苛刻的应用所必需的。减缓宽带传感器采用的因素包括高制造成本和可靠性问题。虽然直接数字控制方法最初是为宽带氧气传感器开发的，但最大的突破可能是它实现了新一代传感器，该传感器结合了 4 线平面传感器的低成本和高可靠性，同时匹配精度范围，并超过了当前最佳宽带传感器的响应能力。该技术美国专利 #6,978,655，标题为“用于测量气体氧气浓度的系统、装置和方法”，详细介绍了以下总结的发明。凭借创新测量原理，单个 Nernst 电池可以同时用作泵和参考电池。Direct Digital 不使用常规 PID（比例积分微分）反馈机制来控制宽带传感器。相反，泵电流为正，直到参考显示 < Lambda 1。然后泵电流的极性反转，直到参考显示 > Lambda 1。这是通过一个小的滞后完成的。这样，测量室中的测量气体在化学计量附近以 300-800 Hz 振荡。振荡频率取决于恒定（但极性变化）的泵电流、滞后、传感器本身和 Lambda。频率在 Lambda 1 处达到最大值。这基本上是一个 2 点调节器，或者用数字电子术语来说，是 delta-sigma 模拟到数字转换器的工作原理，除了这里测量的模拟值直接是废气。该振荡的占空比 PWM 用 (t1 - t2) / (t2 + t2) 计算，因此范围为 +/- 1.0。t1 是泵电流正极性的持续时间，t2 是负电流极性的持续时间（均以 16 位精度测量）。使用 PWMair（空气中的占空比），可以直接用 PWM / PWMair 计算泵单元的 O2 流速，因此可以从中计算 Lambda。由于传感器仅用于恒定且相对较高的 Ip，但极性变化，因此 PWM 与 O2 流量完全线性，并且在标准化为 PWMair 后与特定传感器的 Lambda/Ip 曲线无关。由于