永磁直线同步电机自适应PD型迭代学习控制

针对永磁直线同步电机伺服系统易受摩擦力、端部效应和测量扰动等不确定因素影响的问题,提出一种自适应PD型迭代学习控制方法.该控制方法根据误差的大小在线智能地调整学习增益,从而抑制扰动,并在控制器的微分系数上引入指数学习增益,实现收敛速度与跟踪精度之间的折衷;从理论上证明了自适应PD型ILC的收敛性,分析了该控制算法的优越性.结果表明,与传统PD型ILC相比,自适应PD型ILC具有更快的收敛速度和更强的鲁棒性,大大地减小了跟踪误差.     

一类非线性系统自适应迭代组合学习算法研究

为消除或减弱实际工业控制非周期性的系统中存在不确定性的影响,该文针对存在可量测重复性扰动且系统初值在期望初值一定范围内随机变化的一类仿射非线性系统进行算法研究,运用有关自适应控制理论,将自适应控制方法引入到迭代学习控制中来,两者结合成一种组合智能控制算法,即自适应迭代学习控制算法,最后通过与带遗忘因子的开环PD型迭代学...     

输入限幅下的迭代学习控制

基于Ｌｙａｐｕｎｏｖ－ｌｉｋｅ方法,提出在有限作业区间上实现跟踪的带限幅的迭代学习控制器设 计．针对含有非参数化及部分参数化不确定性的非线性系统,设计鲁棒迭代学习控制器,但该方法 不要求已知不确定特性的范数界．针对参数化不确定非线性系统,设计自适应迭代学习控制器．在 系统满足有界输入有界状态（ＢＩＢＳ）假设条件及控制输入饱和限幅作用下,统一对上述三类系统进 行分析．理论分析结果表明：该方案可保证闭环系统中所有变量的有界性,并且跟踪误差能够在整 个作业区间上收敛到零,实现完全跟踪．仿真验证了该算法的有效性．     

基于迭代学习控制的混合误差轮廓控制

针对永磁直线同步电动机直接驱动XY平台系统中存在不确定扰动的问题,单轴上设计了基于干扰观测器的迭代学习控制器.迭代学习控制器可以抑制重复扰动,干扰观测器可以消除非重复扰动的影响,两者结合起来可增强系统对重复和非重复扰动的抑制能力.由于轮廓误差计算模型要求跟踪误差远小于期望轮廓曲率半径,所以设计了混合误差轮廓控制器,跟踪误差较大时只控制各轴位置,跟踪误差足够小时进行轮廓控制.仿真结果表明,该控制方法使直接驱动XY平台具有较强的鲁棒性和较高的轮廓精度.     

基于神经网络的鲁棒自适应滑模迭代学习控制

对一类不确定非线性系统，包括不确定性机器人，提出一种自适应鲁棒迭代学习控制方案，学习控制用于学习周期性的系统不确定性，自适应滑模控制用于抑制非周期性系统不确定性，并且利用RBF神经网络自适应学习系统不确定性的未知上界，对不确定性系统动态和有界输入拢动具有鲁棒性，通过Lyapunov直接方法，确保了对每次迭代闭环系统是一致有界的，并且沿着迭代次数的增加，跟踪误差渐近收敛于零，仿真结果表明了该方案的有效性。     

基于智能PD型迭代学习控制的清扫车路径跟踪控制

针对清扫车在园区固定路段的周期重复性工作特点,提出采用智能PD型迭代学习控制方法的清扫车路径跟踪控制问题.首先,将非线性控制系统转化为紧格式局部线性化数据模型,设计针对清扫车运动学模型的参数更新率,并基于投影算法对未知的梯度参数进行估计,此外,引入迭代差分估计算法,用于估计路面颠簸、车身垃圾重量不断变化等带来的未知扰动...     

初值大偏差分布参数系统迭代学习跟踪控制

利用迭代学习控制算法,研究了一类不确定抛物型线性分布参数系统轨迹跟踪问题.针对学习过程中状态初始值存在大偏差,提出了变增益系数闭环P型迭代学习控制算法,给出了在该迭代学习律作用下对期望轨迹跟踪的充分条件.基于Bellman-Gronwall不等式和算子理论,对迭代误差在L2范数意义下的收敛性进行了完整证明.数值例子说明了算法的可适用性.     

基于PD方法的不确定机器人神经网络变结构控制

针对不确定机器人轨迹跟踪控制,提出基于PD方法自适应神经网络变结构控制律,利用RBF神经网络补偿系统参数不确定性,用滑模变结构控制器消除神经网络的逼近误差.仿真结果表明,该控制律能保证轨迹跟踪误差的快速收敛性及对参数不确定性和外部扰动的鲁棒性.     

工业机器人可变增益自适应迭代学习控制研究

为确保执行重复运动的工业机器人位置、速度的跟踪精度,提出一种可变增益自适应迭代学习控制算法。首先在PD反馈部分增加指数可变增益来加快算法收敛速度,然后在参数自适应部分设计广义误差函数来进一步减小轨迹跟踪误差,增强系统稳定性。通过Lyapunov函数对可变增益自适应迭代学习控制算法的收敛性进行了理论证明,最后利用仿真验证了该控制算法能有效减小机器人轨迹跟踪误差,并加快算法的收敛速度。     

具干扰抑制的线性鲁棒迭代学习控制

针对不确定线性定常系统,考虑频域迭代学习控制器设计及干扰抑制问题.根据提出的闭环迭代学习控制律,推导出跟踪误差收敛的充分条件,并证明了它等价于系统没有采用迭代学习控制时的鲁棒性能条件,但在性能上却得到大大的改善.在完全跟踪不可能实现的情况下,讨论性能权重函数的选取,保证了跟踪误差收敛于实际工程容许的范围内,且参数选择非常简单.基于此性能权重函数,结合鲁棒控制理论,求解满足收敛条件的控制器.给出的仿真结果表明该设计方法的有效性.     

Iterative Learning Controller Design for CNC Machine Tools

数控机床加工中的迭代学习控制器设计

李建刚1,王小东2,陈淼森1,马一鸣1

（1. 哈尔滨工业大学（深圳）机械工程与自动化学院,深圳 518055;2.广东科杰机械自动化有限公司,广东 江门 529030）

创新点说明：

1） 针对迭代学习控制器设计中的误差发散现象,给予了理论性的分析,并提出了滤波型迭代学习机制来解决问题;

2）提出了可切换型滤波器迭代学习机制,用于进一步提高数控加工精度。

研究目的：

在目前工厂的大批量加工模式下,通过迭代学习控制,使得数控机床的加工可以从以前的加工信息中进行学习,从而改善后续加工情况,不断提高加工精度和加工产品的质量。

研究方法：

1）所使用的主要设备和仪器：TIMAX三轴机床以及配套的松下A4系列驱动器,dSPACE控制卡。

2）通过对比不同的迭代学习结构优缺点,采用合适的迭代学习结构进行控制器设计。并进行实验验证。

3）通过实验验证所设计的控制器效果,分析实验结果后发现误差会随着迭代的进行而发散,并称这种现象为不好暂态,通过理论分析说明该现象出现的原因,并提出开关型迭代学习机制和滤波型迭代学习机制解决该问题。

4）经过进一步研究发现,单独使用滤波器型迭代学习机制,可能会使较为复杂的信号丢失掉一部分高频信息,这样会导致误差收敛精度难以进一步提高。针对此现象,对输入信号和误差信号进行时频分析,从而确定有效高频动态存在的时间区段,进行可切换滤波器迭代学习机制的设计,最终通过实验验证该方法可进一步提高收敛性能。

研究结果：

1）采用蝴蝶轨迹的单轴信息进行实验,验证所设计的迭代学习控制器的效果,在一定程度上可以不断降低误差,但是迭代到一定次数会出现不好暂态的现象。

2）通过实验验证滤波型迭代学习控制器的效果,在实验结果中发现,不好暂态的现象消失了,误差可以稳定收敛到一定程度。

3）通过对输入信号和误差信号进行时频分析,选用合适的可切换滤波器,并进行实验验证,误差的收敛程度得到了进一步的提升。

结论：

1） 引入迭代学习控制后,相比传统的速度前馈的方法,误差有很大程度的降低。

2）采用滤波型迭代学习机制,可有效解决不好暂态这种现象,误差可以稳定收敛到一定程度。

3）采用可切换型滤波器迭代学习方法可使收敛精度进一步提高,最大误差保持在0.01mm以内,相比普通的滤波型迭代学习机制,收敛精度有进一步提高。

关键词：迭代学习控制;阶梯迭代学习;可切换迭代机制;滤波器设计;可切换滤波器设计

     

基于模型预测的迭代学习控制器设计

针对具有非重复性干扰项的重复操作过程,提出了基于模型预测的迭代学习控制算法。其中,迭代学习控制器以前馈形式作用于重复过程.算法在时间轴方向基于跟踪误差暂态模型,采用模型预测控制的反馈校正,来抑制当前随机干扰,提高系统的跟踪性能.在重复次序方向利用P型迭代学习控制克服重复干扰.仿真结果表明了该方法的有效性.     

非线性系统开闭环D型迭代学习算法的鲁棒性

研究了系统满足收敛条件时，具有开闭环D型迭代学习控制律的一类非线性系统在动态过程存在干扰的情况下控制算法的鲁棒性问题。理论分析表明，当系统动态过程扰动有界时，开闭环D型迭代学习控制算法是鲁棒的。当满足开闭环学习收敛条件时，控制误差收敛到期望值的某一个邻域，其大小与相邻两次迭代运行中这些干扰的大小有关，而与初始控制输入等无关，当干扰越小时，学习控制过程越接近于期望值。     

基于终点时刻末端误差的柔性臂迭代学习控制

针对柔性臂重复运行的情况,在仅能测量运行终点时刻末端位置的条件下,提出一种新的结合计算力矩法的迭代学习控制（ILC）方法.该方法利用柔性臂的简化动力学模型,给出各关节控制力矩的参数化表示;并依据终点时刻柔性臂末端位置的误差,通过迭代学习算法调整控制力矩的参数,实现精确到达预期末端位置的目标.算法利用ILC不依赖模型的特点,弥补计算力矩法需要精确模型的缺陷;参数的迭代学习主要起到消除模型误差和各种干扰的作用,增强算法的鲁棒性.通过理论分析给出所提算法的收敛条件.最后在柔性臂系统上进行仿真及实际试验.结果表明,所提出的ILC算法能够克服连杆柔性对柔性臂末端误差的影响,显示良好的控制效果.     

移动机器人的可变遗忘因子离散迭代学习控制

为了提高迭代学习控制方法在移动机器人轨迹跟踪问题中的收敛速度,提出了一种带有可变遗忘因子的离散迭代学习控制算法.该算法是在开闭环离散迭代学习控制律基础上,通过可变遗忘因子对上一次的控制量进行调节,并增加了带有可变遗忘因子的初始修正项.通过适当选取学习律中的初始控制输入,带遗忘因子的初始修正项可以避免迭代轨迹的大幅度摆动,从而可以使迭代学习的收敛速度得到显著提高.并利用范数理论对算法的收敛性进行了严格证明,得到了使算法收敛的范数形式的充分条件.最后通过仿真实验验证了所提算法的有效性.