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.     

非线性系统开闭环PI型迭代学习控制的鲁棒性

对于完成重复轨迹跟踪任务的系统,迭代学习控制是一种能有效地改进其跟踪性能的技术。研究并给出了一类非线性系统开闭环PI型迭代学习控制的鲁棒条件,证明了系统在状态干扰、输出干扰和初态干扰有界的情况下跟踪误差有界收敛,在所有干扰渐近重复的情况下可以完全地跟踪给定的期望轨迹．从鲁棒条件式看出,迭代学习控制的鲁棒性与学习控制律中的积分系数无关。     

迭代学习模型预测控制算法在锅炉过热汽温中的应用

为提高锅炉经济有效且安全运行,采用一种模型预测控制融入到迭代学习控制的算法,不仅能够迅速准确地完成对期望轨迹的完全跟踪任务,而且具有实时抗外界干扰的能力,加快过热汽温稳定,控制跟踪速度,提高锅炉运行效率。     

基于高阶内模的非线性离散系统迭代学习控制

针对一类工作于重复条件下的一阶非正则离散时间非线性系统追踪迭代域非严格重复的参考轨迹问题,提出基于高阶内模(HOIM)的迭代学习控制方法.利用高阶内模,描述系统输出追踪参考轨迹的迭代域变化规律问题.在针对非线性系统的迭代学习控制律设计过程中,根据内模原理,将高阶内模与D型迭代学习控制律相结合,设计合适的学习增益.从理论上严格证明,在所提出的基于高阶内模的迭代学习控制律的作用下,系统跟踪误差的迭代域收敛性.对机械手离散时间模型的仿真结果表明了该迭代学习控制方法的有效性.     

基于RBF神经网络的自主水下航行器模型预测路径跟踪控制

针对自主水下航行器(AUV)的模型不确定性和多约束的特点，设计了基于径向基(RBF)神经网络的模型预测控制器。在使用模型预测控制(MPC)进行路径跟踪控制的基础上，利用实时测量数据在线训练RBF神经网络，对AUV模型不确定性进行补偿，抑制了模型不确定性对模型预测控制器的干扰，减小了系统的超调量和跟踪误差。仿真结果表明，基于RBF-MPC路径跟踪控制算法与经典的MPC算法相比，具有更好的暂态和稳态性能。     

离散时变系统的自适应迭代学习控制

针对一类有限区间上重复运行的离散时变SISO系统,分别采用带饱和函数和死区修正的投影算法进行参数估计,提出自适应迭代学习控制方案.关键技术引理在分析离散自适应控制系统时起到了关键作用,文中把这一引理推广至迭代域,用于建立离散自适应迭代学习控制系统的稳定性和收敛性.理论证明,即使每次迭代存在初始偏差,跟踪误差沿着迭代轴仍能收敛于零,且闭环系统的所有信号有界;当存在外部扰动时,跟踪误差收敛于一邻域内,其半径为干扰的界.在直线伺服系统上的应用结果验证了所提出的学习控制方法的有效性.     

基于强化学习的机器人曲面恒力跟踪研究

针对机器人末端执行器和曲面工件接触时难以得到恒定接触力的问题,建立机器人末端执行器与曲面工件的接触模型.构建曲面接触力坐标系与机器人传感器测量坐标系之间的关系,利用基于概率动力学模型的强化学习（PILCO）算法对模型输出参数与接触状态的关系进行学习,对部分接触状态进行预测,强化学习根据预测的状态优化机器人位移输入参数,得到期望跟踪力信号. 实验中,将强化学习的输入状态改为一段时间内的状态平均值以减少接触状态下信号的干扰. 实验结果表明,利用PILCO算法在迭代8次后能够得到较稳定的力,相比于模糊迭代算法收敛速度较快,力误差绝对值的平均值减少了29%.     

基于T-S模糊模型的直接自适应预测控制

提出一种基于T-S模糊模型的直接自适应预测控制算法。该算法利用加权递推最小二乘法在线辨识T-S模糊模型的后件参数。用已经辨识好的参数,进行直接迭代计算,直接得到模型的预测输出。此算法很好地解决了非线性预测控制中,建模与优化两大难题,为非线性系统的高精度控制提供了保证。计算机仿真表明,该算法具有较好的跟踪性能。     

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.     

基于数据驱动高阶学习律的轮式移动机器人轨迹跟踪控制

轮式机器人执行巡逻、播种和工业生产等任务是一个强非线性的间歇过程.针对重复运行的轮式机器人轨迹跟踪问题,本文提出了一种基于数据驱动的高阶迭代学习控制算法.首先,对轮式移动机器人的模型进行推导设计,并对推导得到的状态空间形式的离散时间模型利用基于状态转移的迭代动态线性化方法,将轮式机器人系统转化为线性输入输出数据模型;其次,设计高阶迭代优化目标函数得到控制律,并利用参数更新律估计线性输入输出数据模型中的未知参数.控制器的设计和分析只使用系统的输入输出数据,不包含任何显式的模型信息.通过采用高阶学习控制方法,在控制律中利用更多之前迭代的控制输入信息,提高了控制性能.最后,仿真结果验证了该方法在轮式机器人轨迹跟踪控制中的有效性.     

迭代学习PMLSM跟踪控制

在具有重复运动轨迹跟踪系统中,为了抑制永磁同步直线电机系统模型的不确定性、外部扰动,提高跟踪精度,提出用前馈-反馈结构来控制PMLSM的运动过程。重复迭代学习前馈控制可以提高系统轨迹跟踪性能,而IP反馈控制对参数变化和外部扰动有很好的抑制作用,提高系统的稳定性。Matlab仿真结果验证了方法的有效性。     

永磁直线同步电机自适应内模控制研究

为了解决永磁直线同步电机（PMLSM）运行过程中对系统参数摄动及负载扰动等不确定因素敏感的问题,结合内模控制和模型参考自适应控制各自的优点,设计了PMLSM自适应内模控制器（AIMC）.仿真结果表明,自适应内模控制器同常规PI控制器相比,具有更好的动态稳定性和跟踪性能,对外界干扰具有较强的鲁棒性.     

永磁同步电机伺服系统自适应迭代学习控制

针对执行重复性任务的永磁同步电机伺服系统,由于参数摄动、随机扰动等不确定因素影响导致的跟踪精度下降,误差发散问题,提出一种自适应迭代学习控制方法.该方法在PD型反馈控制的基础上增加自适应迭代项对控制律中未知参数进行迭代学习,减少不确定因素对系统性能的影响.建立了含有不确定性扰动的系统模型和PMSM自适应迭代学习控制系统,并且基于Lyapunov稳定性理论,分析了该方案的收敛性.结果表明,与传统PD型ILC相比,该方法收敛速度更快,跟踪精度更高,可有效改善系统的性能.     

基于神经网络优化的迭代学习控制方法的研究及应用

聚合反应的动态特性具有时变性、非线性等特点,应用传统的控制方法已不能满足实际的控制要求,且达不到需要的控制精度,急需提出一种先进的控制方法.本文提出了一种新的基于神经网络优化的迭代学习控制方法,介绍了由迭代学习控制理论设计迭代学习控制器,提出用神经网络对控制器参数进行优化计算,找出最优的学习增益;并将该方法应用于ABS树脂聚合反应过程的温度控制中,仿真结果表明了该方法的有效性,且能在较少的迭代次数下,以最快的收敛速度、较高的跟踪精度逼近期望轨迹.     

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.     

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

     

Path tracking for vehicle parallel parking based on ADRC controller

A novel path tracking controller for parallel parking based on active disturbance rejection control (ADRC) was presented in this paper. A second order ADRC controller was used to solve the path tracking robustness, which can estimate and compensate model uncertainty caused by steering kinematics and disturbances caused by parking speed and steering system delay. Collision-free path planning technology was adopted to generate the reference path. The simulation results validate that the performance of the proposed path tracking controller is better than the conventional PID controller. The actual vehicle tests show that the proposed path tracking controller is effective and robust to model uncertainty and disturbances.     

基于迭代学习控制的原子力显微镜成像

原子力显微镜（AFM）在成像过程中要求纳米级的定位精度,利用压电陶瓷扫描器能满足要求。该文针对压电陶瓷的非线性及外部环境干扰带来的不利影响,设计一种基于迭代学习算法的AFM扫描成像控制器。通过将水平平面内的扫描运动转换为路径跟踪控制问题,在跟踪过程中对前一迭代周期的误差信息进行非因果学习,保证输出沿迭代轴的快速收敛性,以获得理想的跟踪性能。路径跟踪仿真和实际系统成像实验表明该算法可以有效改善系统非线性和外部环境干扰带来的不利影响,显著提高原子力显微镜的成像质量。     

基于扰动观测器的机械臂阻抗复合控制研究

针对机械臂系统模型中存在未知扰动的问题,提出了基于扰动观测器的机械臂阻抗复合控制方法.针对二阶阻抗动态模型,采用由扰动观测器(DOB)、阻抗控制器和位置控制器构成的复合控制策略,其中扰动观测器用来估计机械臂模型中的未知扰动,阻抗控制器用于修正输入角度,位置控制器对修正后的角度进行跟踪控制.复合控制保证阻抗误差可以收敛到一个小的邻域,最终实现期望二阶阻抗模型的动态跟踪.仿真算例验证了该控制方法的有效性.