【技术实现步骤摘要】
本专利技术涉及机械传动，尤其涉及齿轮多体动力学约束的强化学习补偿方法及系统，用于解决齿轮传动系统中的振动抑制与角度精确补偿问题。
技术介绍
1、齿轮传动系统在机械设备中广泛应用，但齿轮啮合过程中不可避免地产生振动和角度偏差，影响设备精度和使用寿命。传统的振动抑制与角度补偿方法主要包括pid控制、模糊控制等，这些方法虽然在某些工况下表现良好，但在面对复杂的非线性、时变特性和不确定性时，往往难以获得理想的控制效果。
2、随着工业4.0的发展，高精度、高可靠性的齿轮传动系统需求日益增长。现有技术中，基于物理模型的方法通常依赖于精确的系统建模，难以适应复杂工况；基于数据驱动的方法则往往缺乏对系统物理特性的深入理解，难以实现全工况下的最优控制。此外，现有方法普遍存在静态补偿与动态补偿难以有效结合、补偿策略缺乏自适应能力等问题。
3、因此，亟需一种能够结合物理模型和数据驱动优势，具备自适应学习能力的齿轮多体动力学约束补偿方法，以实现齿轮系统的高精度、高可靠运行。
技术实现思路
...
【技术保护点】
1.齿轮多体动力学约束的强化学习补偿方法，其特征在于，包括：
2.根据权利要求1所述的齿轮多体动力学约束的强化学习补偿方法，其特征在于，所述构建基于非线性流形映射的自适应奖励函数，具体包括：
3.根据权利要求2所述的齿轮多体动力学约束的强化学习补偿方法，其特征在于，所述基于深度确定性策略梯度算法对所述多体动力学数字孪生模型进行训练，获取补偿策略，具体包括：
4.根据权利要求3所述的齿轮多体动力学约束的强化学习补偿方法，其特征在于，所述基于深度确定性策略梯度算法对所述多体动力学数字孪生模型进行训练，获取补偿策略，还包括：
...
【技术特征摘要】
1.齿轮多体动力学约束的强化学习补偿方法，其特征在于，包括：
2.根据权利要求1所述的齿轮多体动力学约束的强化学习补偿方法，其特征在于，所述构建基于非线性流形映射的自适应奖励函数，具体包括：
3.根据权利要求2所述的齿轮多体动力学约束的强化学习补偿方法，其特征在于，所述基于深度确定性策略梯度算法对所述多体动力学数字孪生模型进行训练，获取补偿策略，具体包括：
4.根据权利要求3所述的齿轮多体动力学约束的强化学习补偿方法，其特征在于，所述基于深度确定性策略梯度算法对所述多体动力学数字孪生模型进行训练，获取补偿策略，还包括：
5.根据权利要求1所述的齿轮多体动力学约束的强化学习补偿方法，其特征在于，所述将所获取的补偿策略应用于所述多体动力学数字孪生模型，得到最优补偿信号，...
【专利技术属性】
技术研发人员：张玲艳，邱水才，赵喜浩，陈瑜，吕高阳，曹群宜，
申请(专利权)人：常州大学怀德学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。