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！

龙图腾网获悉南京理工大学;江苏恒立液压股份有限公司申请的专利一种基于强化学习的液压多路阀智能轴控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：CN120029055B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202510094461.8，技术领域涉及：G05B13/04；该发明授权一种基于强化学习的液压多路阀智能轴控方法是由姚建勇;杨晓伟;邓文翔;周正寿;刘红光;周忠华;哈良;潘红波;张国良设计研发完成，并于2025-01-21向国家知识产权局提交的专利申请。

本一种基于强化学习的液压多路阀智能轴控方法在说明书摘要公布了：本发明公开了一种基于强化学习的液压多路阀智能轴控方法，该轴控方法基于执行‑评价神经网络强化学习框架，融合动态面控制思想，设计考虑未知摩擦动态主动补偿的位置轴控智能控制器。针对液压多路阀位置轴控问题，本发明既能保证对系统未知摩擦动态主动学习补偿，提高系统抗干扰能力与智能化水平，又能避免电液系统传统反步控制中微分爆炸问题，降低测量噪声对控制精度的影响，实现渐近跟踪性能。

本发明授权一种基于强化学习的液压多路阀智能轴控方法在权利要求书中公布了：1.一种基于强化学习的液压多路阀智能轴控方法，其特征在于，包括以下步骤： 步骤1、建立液压多路阀轴控系统的数学模型，转入步骤2； 步骤2、基于液压多路阀轴控系统的数学模型，设计基于强化学习的位置轴控控制器，具体如下： 步骤2-1、为便于设计控制器，定义系统的跟踪误差z1＝x1-xd，x1为中间变量，xd是系统期望跟踪位置指令，设计如下非线性滤波器： 式9，滤波增益τ1＞0，s1表示中间变量x2的虚拟控制，s1f表示s1的滤波信号，s1f与x2的误差z2＝x2-s1f，s1的滤波误差ε1＝s1f-s1；表示s1的一阶导数，表示s1f的一阶导数；增益l1＞0，表示的上界；σt表示恒为正的函数，且满足其中，ν表示积分变量，表示恒正的常数； 对z1求导得 其中，表示xd一阶导数； 设计虚拟控制s1为： 式11，增益k1＞0，则 步骤2-2、对z2求导得 其中，x3表示中间变量，D1为系统未知动态，Fx2表示中间变量； 设计如下非线性滤波器： 式14，滤波增益τ2＞0，s2表示x3的虚拟控制，s2f表示s2的滤波信号，s2f与x3的误差z3＝x3-s2f，s2滤波误差ε2＝s2f-s2，增益l2＞0，表示的上界，表示s2的一阶导数，表示s2f的一阶导数，T表示转置； 设计虚拟控制s2为： 式15，增益k2＞0，s2s表示中间变量，δ2表示恒正的常数，表示Fx2的估计值，的具体形式为： 式16，表示Wa的估计值，Wa表示执行神经网络的权值，表示执行神经网络的激活函数，Xa表示执行神经网络的输入； 相应地，设计强化学习信号Rt为 式17，表示评价神经网络权值Wc的估计值，表示评价神经网络的激活函数，χ表示中间变量，表示χ的一阶导数，Bs表示中间变量，Bs1表示中间变量，Bs2表示中间变量，表示的一阶导数，δ0表示恒正的常数； 则执行-评价神经网络的权值更新律设计为： 式18，表示Wa的一阶导数，Γa表示执行神经网络的权值增益矩阵，表示Wc的一阶导数，Γc表示评价神经网络的权值增益矩阵，Proj·表示不连续映射函数； 将式15～式18代入式13，得： 式19，执行神经网络权值Wa的估计误差εa表示执行神经网络的近似误差； 步骤2-3、对z3求导得 其中，f31、f32、f33均为中间变量，D2为系统未知动态； 根据式20，则阀芯的控制输入，即基于强化学习的位置轴控控制器u为： 式21，增益k3＞0，us表示中间变量，δ3表示恒正的常数； 将式21代入式20中得： 转入步骤3； 步骤3、运用李雅普诺夫稳定性理论进行位置轴控控制器稳定性证明，得到系统跟踪误差渐近稳定的结果。

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南京理工大学;江苏恒立液压股份有限公司，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200号；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。