机械系统集散控制综述.docx
- 文档编号:24686804
- 上传时间:2023-05-31
- 格式:DOCX
- 页数:21
- 大小:248.28KB
机械系统集散控制综述.docx
《机械系统集散控制综述.docx》由会员分享,可在线阅读,更多相关《机械系统集散控制综述.docx(21页珍藏版)》请在冰豆网上搜索。
机械系统集散控制综述
机械系统集散控制
——基于神经网络的机器人智能控制研究
作者:
班级:
学号:
指导教师:
目录
1机器人智能控制研究现状2
1.1机器人智能控制的发展2
1.2机器人智能控制现状2
2两轮驱动机器人控制算法分析3
2.1神经网络逆模型控制3
2.1.1机器人神经网络逆模学习控制4
2.1.2神经网络逆模学习控制方法4
2.2机器人神经网络自适应控制6
2.2.1自适应控制系统7
2.2.2自适应神经网络控制7
2.2.3动态回归神经网络结构及其动力学描述8
2.2.4神经网络模型参考自适应控制9
2.3机器人模糊神经网络控制10
2.3.1基于多层前馈神经网络的纯模糊神经网络10
2.3.2神经网络驱动型的模糊神经网络11
2.3.3模糊神经网络在机器人控制中的应用12
3机器人智能控制研究现状13
4参考文献15
一机器人智能控制研究现状
机器人智能控制的发展
机器人(Robot)是自动执行工作的机器装置。
它既可以接受人类指挥,又可以运行预先编排的程序,也可以根据以人工智能技术制定的原则纲领行动。
从机器人诞生到20世纪80年代初,机器人技术发展相对缓慢。
但到了20世纪90年代,随着计算机技术、微电子技术等科学技术的快速发展,机器人技术也取得了巨大的进步。
早期的机器人系统,由于需要完成的任务比较简单,而且对动态特性的要求不高,其系统可看成是机器人各关节控制器简单的组合。
随着机器人技术的发展,机器人控制器对各关节在整个过程中位置、速度及加速度都有一定的要求,因此可采用独立关节控制原则,在各关节构成PID控制。
由于机器人操作臂是一个高度非线性的系统,工业用的低速操作臂应用常规的PID反馈控制可以满足控制要求,但为实现高速运动,要求具有较好的控制品质,PID反馈控制难以取得较好的控制效果。
在传统的控制方法中,它们依赖数学模型。
但是,由于操作臂的参数不能精确得到,模型参数与实际参数不匹配时,便会产生伺服误差。
当机器人工作环境及工作目标的性质和特征在工作过程中随时间发生变化时,控制系统的特性有未知和不定的特性。
这未知因素和不定性使控制系统性能降低。
因此,采用传统的控制方案已不能满足控制要求。
在研究被控对象的模型存在不确定性及未知环境交互作用较强情况下的控制时,智能控制方法得到了成功的应用。
近年来,随着人们对机器人高速高精度要求的不断提高,使得整个机器人系统对其控制部分的要求也越来越高,开发具有智能的机器人已经成为人们研究的热点。
智能机器人的研究作为目前机器人研究中的热门课题,同时也是一门新兴学科,它融合了神经生理学、心理学、运筹学、控制论和计算机技术等多学科思想和技术成果[1],虽然整体研究还处于相对初级的阶段,但其发展前景相当乐观。
在其涉及的诸多领域中,智能控制技术是其中极其重要的一部分。
智能控制的研究主要体现在对基于知识系统、模糊逻辑和人工神经网络的研究,使用这些技术的目的是使智能机器人可以在非预先规定的环境中自行解决问题。
所以智能机器人的技术关键就是自适应和自学习的能力,而以神经网络控制为代表的智能控制技术的应用显示出诸多优势,具有广阔的应用前景。
机器人智能控制现状
由于对机器人的研究越来越热门,近几年机器人智能控制在理论和应用方面都取得了长足的进步。
在模糊控制方面,由J·J·Buckley等人论证了模糊系统的逼近特性;E·H·Mamdan首次将模糊理论运用于一台实际机器人,把模糊控制技术在机器人中的应用得以展现[2]。
而且。
模糊系统在机器人的建模、控制、对柔性臂的控制、模糊补偿控制、以及移动机器人路径规划等各个领域都得到了广泛的应用。
神经网络的研究20世纪60年代,并在20世纪80年代得到了快速的发展。
神经网络在控制应用上具有以下特点:
能够充分逼近任意复杂的非线性系统;能够学习与适应不确定系统的动态特性;有很强的鲁棒性和容错性等。
因此,神经网络对机器人控制具有很大的吸引力。
由Albus提出了一种基于人脑记忆和神经肌肉控制模型的控制机器人关节控制方法,即CMCA法(CerebellaModelControllerArticulation),该方法以数学模块为基础,采用查表方式产生一个以离散状态输入为响应的输出矢量。
在控制中,状态矢量输入来自机器人关节的位置与速度反馈,输出矢量为机器人驱动信号。
也可以利用CMCA模拟机器人动力学方程,计算实现期望运动所需力矩作为前反馈控制力矩,采用自适应反馈控制消除输入扰动及参数变化引起的误差。
CMCA是应用较早的一种控制方法,它的最大特点是实时性好,尤其适应于多自由度操作臂的控制,W·T·Miller等还进行了实验研究,经过仿真实验证明,经过4个控制周期后,控制过程的误差趋近于零验证了该方法的有效性。
F·L·Lewis基于无源理论提出了一类网络利用功能连接神经网络逼近机器人动力学模型,连接权在线调整方法,可保证神经网络自适应控制算法闭环稳定。
由于智能控制,尤其是神经网络在机器人控制中的优势和广泛运用,使得智能机器人得到了充分的理论基础并得以快速发展,本文将主要针对神经网络技术在机器人智能控制中的应用进行介绍与研究。
二两轮驱动机器人控制算法分析
在对机器人的控制中,机器人在完成任务时所要求的运动轨迹一般都是在直角坐标系中给定的,实际的运动却是通过控制安装在关节上的驱动部件来实现的,因此就要将机器人在直角坐标空间中的运动变换到关节空间,此时必须进行逆运动学计算,而机器人逆运动学求解是非常复杂的。
我们可以采用神经网络来自动实现机器人正逆运动学的计算,利用神经网络输出的结果作为控制变量,来实现机器人运动学控制[3]。
这种控制不需要各个变量之间的准确解析关系模型,而只要通过对大量例子进行训练就可以实现。
所以神经网络在机器人运动学控制中应用是很多的。
神经网络逆模型控制
NN直接逆模控制采用受控系统的一个逆模型,它与受控系统串接以便使系统在期望响应(网络输入)与受控系统输出间得到一个相同的映射。
因此,该网络可直接作为前馈控制器,而且受控系统的输出等于期望输出。
此方法已用于机器人跟踪控制,可达到高的精度。
机器人神经网络逆模学习控制
机器人研究的重点之一便是机器人关节运动的控制,即使把控制对象仅看作一个多关节机械手,它的数学模型也相当复杂,是一个与运动学和动力学密切相关的、强藕合、非线性的多变量系统。
同时,在运动过程中,机器人的负载可能变化很大,因而,它又是一个时变的系统。
传统的机器人控制是在求得机器人的数学模型之后采用经典或现代控制方法进行控制,很多方法实现了机器人的快速、精确控制。
但随着机器人运动与系统越来越复杂,机器人的数学模型很难实现精确已知[4]。
因此,在这种情况下,近年来人工神经网络的重新出现,为解决机器人控制中存在的一些问题提供了新的途径。
逆系统方法是通过动态系统的“逆”的概念来研究一般非线性控制系统反馈线性化设计的一种方法。
常规的逆系统方法要求已知受控对象的精确数学模型,这对于大多数工业过程难以做到,即使建立了非线性动力学模型,一般也难以求得逆模型的解析形式。
为了克服逆系统方法在工程应用中的困难,可利用受控对象的输入输出数据建立对象的逆模型。
运用神经网络等模型来建立受控对象的逆模型及其逆模控制己受到过程控制界的关注。
神经网络逆模学习控制方法
一个n自由度的机械手微分形式的动力学方程可以表示为:
(2.1)
其中
为n×n维对称正定惯性矩阵;
为n×1维哥氏力和向心力矩矢量;
为n×l维重力矢量;
为n×1维摩擦力矩变量;
分别为n×1维的机械手关节位置、速度、加速度矢量[5]。
为了简化,这里认为每一个关节只由一个驱动器单独驱动,τ是n×1维的关节力矩矢量。
设基于模型的控制法则为:
(2.2)
(2.3)
其中
分别是n×1维关节位置和速度误差矢量;
分别表示机械手动力学模型
的估计;
分别是n×1维的预期关节位置、度和加速度矢量;Kp和Kv分别是n×n维的位置增益和速度增益矩阵,通常选为定常对角矩阵。
系统的闭环方程为:
(2.4)
当
时,可得误差方程:
(2.5)
其中,
。
以当Kp和Kv为对角阵时,系统就被线性化并且被完全解耦,这样使用分割控制规律就把一个复杂的非线性多变量系统的设计问题转化为n个独立的二阶线性系统的设计问题。
然而,实际上机械手动力学系统的模型复杂,参数时变,难以精确知道时,存在着不确定性,解祸和线性化将难以精确实现。
如果
存在,那么由闭环方程式(2.4)得到的误差方程为:
(2.6)
其中,
表示实际参数与模型参数之间的偏差造成的误差。
为解决这个问题,可以训练一个人工神经网络,让它取代机械
手的逆动力学模型,从而实现上述基于模型的非线性控制。
基于神经网络模型的机器人逆模控制系统如图2.1所示,图中由反馈控制器和神经网络逆模学习器NNC组成。
τc是常规PID反馈控制器用以保证神经网络在线学习期间使控制系统全局渐近稳定,同时起参考模型作用和提供NNC网络学习的误差信号。
这样,网络的学习和控制可同时进行,不需要提供教师信号,也不需要规定网络学习何时开始,何时结束,而在整个学习—控制过程中反馈转矩τc逐渐趋于零,网络权值趋于稳定。
图2-1神经网络逆模学习控制系统
设机器人的动力学方程表示为:
(2.7)
PID反馈控制器:
(2.8)
NNC神经网络模型:
(2.9)
(2.10)
由(2.10)式,可定义τ和τN之间的误差为:
(2.11)
其中,τext为外扰力矩。
为使系统的力矩差τe最小,我们可通过NNC网络的学习(训练网络权值)达到τe→0。
故定义网络NNC的学习误差信号为:
(2.12)
通过上述控制方法将神经网络和传统PID反馈控制相结合构成一种混合型的机器人逆模学习控制方法,结合机器人动力学方程特点,达到机器人快速实时控制的目的。
这种控制方法主要是利用神经网络丰富的学习与自适应能力、联想与概括能力,通过在线边学习边控制,逐渐建立比较精确的机器人系统的逆动力学模型,最终输出实际所需的控制力矩。
机器人神经网络自适应控制
70年代以来,由于空间技术、机器人控制和过程控制的需要,自适应控制的理论和设计方法获得了迅速的发展,它已经成为现代控制理论中的一个十分活跃的重要研究领域。
但是自适应控制器的结构选取和保证整个系统全局稳定的自适应控制问题却一直难于找到相应的数学方法。
神经网络因其学习能力和非线性特性[6],在这方面具有很大的潜力,因此近年来神经网络在自适应控制应用中,发挥着重要的作用。
自适应控制系统
如图2-2所示是自适应控制系统的示意图,其工作过程是首先测量系统的输入输出值,根据这些值辨识出系统的动态特性,再与希望的特性比较,从而在自适应机构中决定如何改变控制器的参数和结构,以保证系统的最优性能,由适应结构输出信一号改变控制方式,使被控对象得到合适的控制。
由此可见,自适应控制的工作特点是:
辨识、决策、控制。
图2-2自适应控制控制系统示意图
自适应控制系统的设计方案很多,目11寸理论上较完整、应用较广泛的自适应控制系统有两种,分别是模型参考自适应控制系统,简称为MRAC(ModelRefereneeAdaptiveSystem)和自校正调节器,简称STR(sel-Tunin;RegulatorS)。
自适应神经网络控制
作为一个控制系统,其稳定性是最基本的要求,而反馈是控制的内核。
在控制对
象与环境愈来愈复杂的情况下,我们希望控制器能够根据对象行为的观测值,自适应
地控制对象至期望要求。
神经网络自适应控制器在这方面显示了独特的优势。
它通过不断学习,获取对象
的知识并适应过程的变化。
通常神经控制器只能利用对象与所期望的输出之差。
神经
控制器的设计也象传统的控制器一样有两条路,一是通过系统辨识获取对象的数学模
型,再根据一定的设计指标即控制要求设计;另一条途径是根据对象的输出误差调节
控制器内部参数以直接达到控制的目的。
自适应律实质上实现的是一种由误差向量到
前置控制器参数向量的非线性映射,而神经网络能够逼近任意复杂的非线性函数。
基于神经网络的自适应控制主要有两种:
直接自适应控制和间接自适应控制,又分别对应于泛化学习与特定学习。
泛化学习实际上就是利用对象的输入输出数据学习对象的逆系统或预报模型。
在训练阶段随意地产生控制器的输出信号,提供给对象,由此信号及对象的真实输出来训练控制器,最终使得控制器能产生正确的控制信一号,使对象的输出尽可能地接近期望的轨迹。
特定学习与此不同,它将控制器的设计直接与控制精度挂钩,利用对象的真实输出与期望输出之差来调整神经网络控制器的权值。
与常规自适应控制一样,神经网络自适应控制也分为两类,即自校正控制(STC)和模型参考自适应控制(MRAC)。
STC和MRAC之间的差别在于:
STC根据受控系统的正和/或逆模型辨识结果直接调节控制器的内部参数,以期能够满足系统的给定性能指标;在MRAC中,闭环控制系统的期望性能是由一个稳定的参考模型描述的,而该模型又是由输入/输出对{r(t),yr(t)}确定的。
控制系统的目标在于使受控装置的输出y(t)与参考模型的输出yr(t)渐近地匹配,即:
(2.14)
其中,ε为一指定常数。
动态回归神经网络结构及其动力学描述
目前,大多数自适应方案均采用多层前向神经网络解决动态控制问题,理论和算
法方面取得了很多成果。
然而,前向神经网络本质上是一个静态网络,不能从根本上
解决动态建模问题;而回归神经网络具有前向神经网络所没有的特性,表现出一种动
态映射,因此动态神经网络的应用受到了重视。
从计算的角度来看,动态神经结构能提供比单纯前向结构更大的计算优越性。
从结构形式上看,回归神经网络形式具有多样性。
下面给出一种具有对角回归神经元的回归网络,并将它应用于机器人的自适应控
制中。
对角回归网络是一种特殊的动态网络,是由choa-cheeKu等首次提出并对其收敛性进行了证明。
它既具有一般动态网络易于处理动态非线性问题的特点,又具有结构简单、容易构造训练算法的优点。
所以,对角回归神经网络在系统辨识与控制器的设计等方面均得到了广泛应用。
对角回归神经网络是一个三层的网络,是一种仅在网络隐层神经元有内部时延自反馈的内回归神经网络,它是全连接内回归神经网络Elman网的一种简化。
由于隐层的每一神经元仅接受自己输出的自反馈,而与其它神经元无反馈连接,因而有比全连接回归神经网络简单得多的结构,如图2-3所示,其中输入层和输出层同静态网络,无回归元,且作用函数为线性函数。
隐层中每一个元作用函数均为S型函数的
图2-3动态回归神经网络结构图
图2-4动态神经网络方框图
网络方框图如图2-4所示。
设Ii(k)为第i个输入,Sj(k)为第j个回归元的输入和,xj(k)为第j个回归元的输出,Oj(k)为网络的输出,WI、WD、WO分别为输入层、对角回归层和输出层的加权阵。
根据图2-3的结构及对角回归元输入输出关系,神经网络动力学模型可描述为:
(2.15)
由此可见,对角回归神经网络由各层神经元之间形成复杂动力学的反馈连接组成,借助于由非线性微分方程定义的神经动力学系统,回归神经网络具有逼近任意连续或离散非线性动态系统的能力,可应用于机器人自适应控制系统中。
神经网络模型参考自适应控制
图2-5为基于神经网络的机器人模型参考自适应控制的结构图,其中,未知机器人系统用一个动态对角神经网络辨识器DRNI进行辨识,用辨识得到的系统代替真实系统,网络采用离线学习、在线运行的方法。
神经网络控制器DRNC也由一个动态对角神经网络组成,其它确定控制信号u(k),使得相同参考输入下对象的输出y(k)与参考模型的输出ym(k)的差不超过给定的误差范围,即
。
ε一个给定的小正数。
常规PID控制器用来消除偏移量以及改善系统的品质。
图2-5神经网络机器人模型参考自适应控制
仍然考虑用式(2.1)描述的n个关节机械手二阶非线性微分方程,根据它的几个基本性质设计控制系统,其参考模型为:
(2.16)
其中
分别是n×1维的预期关节位置、速度和加速度矢量,Kp、Kv和Ka分别是n×n维的位置增益、速度增益和加速度增益矩阵,通常选为定常对角矩阵。
各关节的控制输入力矩为:
(2.17)
为了使辨识神经网络经过学习后,能够建立起机器人的动力学方程,并能精确地
跟踪期望轨迹,定义DRNI的学习评价函数为:
(2.18)
DRNC的在线学习评价函数为:
(2.19)
其中,为yj(k)表示被控对象输出,ymi(k)表示DNKI网络输出,ydi(k)表示参考模型
输出。
本节介绍了自适应控制系统的基本知识,研究了一种基于神经网络的机器人模型
参考自适应控制方法。
此方法采用两个动态对角回归神经网络来实现未知动力学模型
的辨识和控制,消除了常规控制方法中机器人系统的强非线性和不确定带来的影响,实现了机器人误差跟踪的最小误差控制。
机器人模糊神经网络控制
模糊系统是模糊数学在自动控制、信息处理、系统工程等领域中的应用,属于系
统论的范畴;而神经网络是人工智能的一个分支,属于计算机科学。
前者以模糊逻辑为基础,比较适合于表达那些模糊或定性的知识,是一种处理不确定性、非线性和其它不适定问题(ill-posedproblme)的有力工具。
它抓住了人类思维中的模糊性特点,以模仿人的模糊综合判断推理来处理常规方法难以解决的模糊信息处理的难题。
后者以生物神经网络为模拟基础,具有并行计算、分布式信息存储、容错能力强以及具备自适应学习功能等一系列优点。
其试图在模拟推理及自动学习等方面向前发展一步,使人工智能更接近人脑的自组织和并行处理功能,在模式识别、聚类分析和专家系统等多方面己显露出了新的前景和新的思路[7]。
但在当今的智能控制研究与发展的大背景下两种分属不同学科的技术都得到了很大的应用和充分的结合。
基于多层前馈神经网络的纯模糊神经网络
基于多层前馈神经网络的模糊神经网络即为用一多层前馈神经网络来完成模糊映射,即记忆上述模糊模型的各条规则,如图2-6所示。
图2-6基于多层前馈神经网络的模糊神经网络
设输入向量为:
式中
其中
是xi的第j个语言变量值,它是定义在论域Ui上的一个模糊集合。
相应的隶属度函数为
。
设输出向量为:
式中
其中
是yi的第j个语言变量值,它是定义在论域Vi上的一个模糊集合。
相应的隶属度函数为
。
网络的学习可使用自组织算法、BP算法等,当网络训练至其输出非常接近实际输出时,即为该神经网络己记忆住了各条模糊规则。
需要指出的是使用不同的学习算法,神经网络各神经元所表示的意义也不尽相同。
神经网络驱动型的模糊神经网络
虽然T-S模型比常规的模型具有更强的表达能力,但是这两种模型对输入空间的划分都是线性的,即输入变量之间是互相独立的。
当需要把输入空间作非线性划分时,如果要用上述两种模型,必须将输入空问划分得很细刁`能达到要求,这样模型的规则数将急剧增多。
为避免这种情况,高木于1991年提出了神经网络驱动型的模糊推理(NN-drivefuzzyreasoning)系统,此模型可看成是T-S模型的扩展。
模型描述如下:
Rj:
如果
,则gj=fj(x)
其中:
为输入空间分割后得到的部分空间。
当用上式表示模型时,输入变量的隶属函数不能象前两种模型那样独立地给出,但可以利用神经网络来求得前件输入变量的联合隶属函数,同样后件的函数也可以用神经网络来表示,因此可得到如图2-7所示的基于神经网络的模糊系统。
图2-7神经网络驱动型模糊推理系统
图中,共有m+1个神经网络,其中入NN1~NNm分别用来表示m条规则的结论部分中的函数fj(x),而NNmf则是给出侮条规则对于输入x的适用度,而模糊系统的输出由下式决定:
其中,gj为NNj的输出。
建立模糊神经网络系统,主要有以下三大任务:
(1)决定模糊规则数;
(2)获取计算规则适用度的神经网络;
(3)获取生成后件非线性函数的神经网络。
模糊规则数可由聚类方法决定。
神经网络均采用前向型的BP网络,神经元的传递函数为Sigmodi函数,但NNj的输出层采用线性函数,这样可产生任意大小的输出。
模糊神经网络在机器人控制中的应用
随着模糊控制技术和神经网络技术研究的不断深入,将两者进行有机的结合,从而构造出一种可以“自动”处理模糊信息的模糊神经网络(FuzzyNeuralNetwork,FNN)或称自适应模糊系统,已引起越来越多的科技工作者的研究兴趣和关注,成为当前一个重要的研究“热点”。
其中在机器人控制中的应用也取得了很大的进展。
算法方面,由于传统的神经网络学习算法(特别是BP算法)存在着学习周期长,甚至常常陷入局部极小值的缺点。
若在学习算法中引入模糊控制技术,利用对网络学习性能分析过程中获取的适当启发性知识来控制学习算法,就能动态地调整网络的学习过程,加快学习速度,改善算法性能。
张良杰等提出一种基于模糊逻辑与组合插值技术的新型一维全局优化算法,为多维优化算法(含许多神经网络算法)快速获取可靠的搜索方向奠定了一定的基础。
段群杰等探讨了基于模糊神经网络理论的实时局部路径规划问题,并提出了能实现模糊控制规则的基于强化学习的自学习和自调整的规划算法,设计了水下机器人实时运动规划器结构以及规划器操作过程和相应的算法。
控制器设计方而,陈关荣讨论了一种模糊神经网络自适应控制器的设计问题。
设计思想是基于系统的变结构原理,并利用模糊逻辑来处理系统的不确定性,然后使用具有学习功能的神经网络来实现自适应控制。
所设计的控制器应用于一大类高维机器人系统,即使在显著但未知摩擦阻尼的环境中仍能获得十分满意的轨迹跟踪效果。
机器人控制方面,殷跃红、胡盛海、朱剑英等对机器人的力反馈、主动柔顺控制和模糊神经网络进行了综合研究,提出了力/位置并环控制策略,建立了相应的模糊神经网络结构,实施了力/位置并环控制算法。
廖俊,林建亚提出了一种由模糊神经网络实现的自适应模糊控制器,成功地将它应用于两关节液压机器人的实时控制之中。
雷勇、吴江等应用模糊神经网络(FNN)对机器人逆动力学模型进行辨识,求解了冗余度四面体变几何析架(TT-VGT)机器人的逆动力学问题,并在交流伺服电动机驱动的四重四面体变几何析架机器人上进行了位置控制。
移动机器人应用方面,刘治,李春文等将一种新型的模糊神经网络用于5连杆双足机器人混杂控制,集合了模糊神经网络、控制及逆系统方法的优点。
严世榕,曹绍杰等对带有安全装置的一种新型的爬墙式机器人的安全系统的动力学问题及其模糊神经网络控制进行了研究,采用的动力学模糊神经网络控制技术可以较好地解决爬壁式机器人安全系统的摆动和纵向振动问题。
袁光锋,张小红,鞠时光提出一种新型的模糊神经元速度控制器,解决了移动机器人位移转换成速度这个逆运动学问题。
本节主要探讨了神经网络与模糊系统的结合背景及融合方式,介绍了几种典型的模糊神经网络结构。
并对该技术在机器人控制中的应用进行了展望。
相信随着人们对人类智能作更深入的、多层次的研究,神经网络和模糊技术的新发展,模糊神经网络技术将成为最终实现人工智能的一种重要手段,在机器人控制中的应用也会越来越多。
三机器人智能控制研究现状
本文所做的主要工作是研究了几种神经网络智能控制方法在非线性控制中的应用,包括:
把神经网络和传统PID反馈控制相结合构成一种混合型的机器人逆模学习控制。
这种控制方法主要是利用神经网络丰富的学习与自适应能力、联
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 机械 系统 集散 控制 综述