永磁直线同步电机伺服系统的分段变论域模糊迭代学习控制

针对执行重复任务的永磁直线同步电机(PMLSM)在迭代学习过程中易受负载扰动、参数变化等非重复性扰动的影响而难以实现高性能跟踪控制的问题,提出了一种迭代学习控制(ILC)与变论域模糊控制相结合的分段变论域模糊ILC方法。在误差较大的时间段,采用变论域模糊控制实时地改变ILC的学习增益,并智能地调整模糊控制的论域,抑制不确定性因素对系统的影响,提高控制精度;在误差较小的时间段,采用PD型ILC,使学习增益稳定,进一步减小位置误差。实验结果表明,该控制方法可以有效地加快收敛速度,提高位置跟踪精度,并增强系统的鲁棒性。     

基于Smith预估和性能加权函数的永磁直线同步电机鲁棒迭代学习控制

针对永磁直线同步电机(PMLSM)迭代学习控制(ILC)过程中,由于扰动及时间滞后引起的系统不稳定、误差难以收敛及跟踪精度下降等问题,提出一种基于Smith预估和性能加权函数的鲁棒ILC方案。Smith预估器与ILC相结合,可在不需要PMLSM精确数学模型的情况下,减少时间滞后对系统跟踪性能的影响,避免迭代过程中由于时间滞后的累积而引起的系统不稳定。由于系统存在外部扰动、参数变化、端部效应等不确定因素,充分利用性能加权函数的信息设计反馈控制器,在满足鲁棒收敛条件情况下,可使位置误差收敛到期望值。实验结果表明,所提出的控制方案可以提高PMLSM伺服系统的位置跟踪精度,增强系统的鲁棒性。     

基于迭代学习与小波滤波器的永磁直线伺服系统扰动抑制

针对迭代学习控制(ILC)算法抑制永磁直线同步电机(PMLSM)周期性扰动时存在非周期分量影响问题,提出一种迭代学习控制算法与小波滤波器相结合的扰动抑制方法。通过重构输入误差信号,剔除非周期分量,从而使设计的PMLSM伺服系统迭代学习控制器快速收敛,减少了迭代次数。提出通过实验确定ILC中L形滤波器参数的方法。实验结果表明,与不带小波滤波器及传统PID比较,所提出的控制方法能够使系统的跟踪效果更好,且保证了在较少迭代次数下,被控系统的输出轨迹能精确地收敛到期望轨迹。     

永磁直线同步电机分数阶迭代学习精准位置控制

针对永磁直线同步电机(PMLSM)伺服系统在执行重复性任务时会受到参数变化、外部扰动、端部效应等扰动影响而产生跟踪误差的问题,设计了PI~λD~μ分数阶迭代学习控制器(FO-ILC)。首先分析了影响PMLSM性能的不确定性因素,并建立数学模型。其次,利用分数阶微积分理论对PID型迭代学习律进行优化,设计了PI~λD~μ型FO-ILC。FO-ILC新增了两个可调参数,从而扩大了参数的整定范围,实现对被控对象的灵活控制,进而改善伺服系统的动态性能和稳定性。基于DSP的实验结果表明,与PID型ILC相比,所提出的控制方法能够使有效提高系统的动态性能及位置跟踪精度。     

基于周期学习扰动观测器的永磁直线同步电机伺服系统控制

针对永磁直线同步电机(PMLSM)伺服系统执行重复性运动任务时存在周期性扰动的问题,提出了一种新型周期学习扰动观测器(PLDOB)来削弱这些扰动。首先,建立了含有不确定性的PMLSM动态模型,利用扰动观测器(DOB)来估计包括参数变化、未建模动态、摩擦力和推力波动在内的扰动。然后,通过周期学习律来校正每个周期内的扰动。此控制方案无需扰动的数学模型以及模型参数的控制律,直接从扰动的角度设计,并且还可以对DOB中Q-滤波器带宽以外的扰动进行补偿。最后,通过实验验证了该方案是有效可行的,明显提高了系统的跟踪性能和抗扰性能。     

一种基于PLDOB的PMLSM伺服系统长期稳定运行的方法

执行重复性运动任务的永磁直线同步电动机(PMLSM)伺服系统易受参数变化、未建模动态、摩擦力和推力波动等周期性扰动的影响,导致系统无法长期稳定运行,故采用周期性学习扰动观测器(PLDOB)来削弱这些扰动。首先利用扰动观测器(DOB)估计初始周期内的扰动,然后将所估计的扰动作为PLDOB中周期学习律的初始条件,进而校正每个后继周期内的扰动。该方法直接从扰动的角度设计,不仅能在保证系统长期稳定运行的前提下使跟踪误差快速收敛到零,同时还可以补偿DOB中Q-滤波器带宽以外的扰动以及扰动的相位滞后。实验结果表明所提控制方案是有效的,明显提高了系统的跟踪性能和抗扰性能。     

基于经验模态分解算法的永磁直线同步电机迭代学习控制

在永磁直线同步电机驱动伺服系统的迭代学习控制(ILC)过程中,针对由于每次运行时跟踪误差的累积,导致系统出现收敛速度降低甚至发散的现象,提出一种基于经验模态分解(EMD)算法的迭代学习控制方法。首先设计闭环ILC控制器,然后利用EMD算法分解ILC过程中的跟踪误差,筛选并消除其中发散的分量,保证ILC的收敛性,提高ILC的收敛速度。仿真和实验结果表明,与传统ILC相比,所提出的控制方法能够使系统的跟踪效果更好,且保证了伺服系统的输出轨迹在较少的迭代次数下快速精确地收敛到期望轨迹。     

永磁直线电机二维分段复合迭代学习控制

从迭代学习控制二维本质特性出发,研究了二维系统的分段复合迭代学习控制(iterative learning control,ILC)原理。在二维系统鲁棒性分析和设计基础上,提出了基于输入和输出反馈的分段式ILC策略,解决了永磁直线同步电机(permanent magnet linear synchronous motor,PMLSM)系统中扰动的分段补偿问题。在随机扰动主导段,ILC收敛劣化,反馈控制被加强;在重复扰动主导段,ILC成为主导控制。通过永磁直线电机推力仿真实验,验证了该控制策略沿时间轴和迭代轴均能很好地抑制推力波动。在实际电机位置控制实验中,对该策略与反馈控制进行对比研究,实时结果表明该控制方法可以有效提高系统位置控制精度。     

基于全局任务坐标系的直驱XY平台学习互补滑模轮廓控制

针对直驱XY平台在加工高速度和尖角轮廓时精度较差的问题,提出一种在全局任务坐标系(GTCF)中采用迭代学习控制(ILC)和互补滑模控制(CSMC)相结合的轮廓控制方法。首先,利用实际轮廓误差的一阶导数构建轮廓误差模型,并将轮廓误差和轮廓运动轨迹作为控制变量建立GTCF,使系统能够协调运行。然后,采用ILC对轮廓跟踪过程中的未建模动态进行补偿,并利用CSMC抑制直驱XY平台伺服系统中参数变化、外部扰动等不确定性因素的影响。最后,系统实验结果表明,该控制方法具有较强的鲁棒性和快速的轮廓跟踪性,能够实现更精确的控制性能,减小系统的轮廓误差,进而改进直驱XY平台伺服系统的高精度轮廓加工性能。     

迭代学习控制在GTAW焊接过程中的应用研究

针对相同工件的批量焊接,并且焊接轨迹相同的情况下,焊接过程具有极高的重复性。提出了基于迭代学习控制(ILC)的脉冲气体钨极氩弧焊(GTAW)焊接过程跟踪控制方法。根据GTAW焊接的动态过程模型,设计了GTAW焊接过程控制的ILC算法,并对算法的收敛性进行了证明。研究结果表明,ILC可以有效地利用焊接过程中的重复信息,经过60次迭代学习后,焊接系统输出可以较好的达到期望轨迹,并获得较高的控制精度,验证了方法的有效性。与PID控制相比ILC控制器不但可以获得较好的跟踪效果,而且还能有效抑制外部扰动的作用,具有较强的鲁棒性。     

永磁直线同步电动机的自适应学习控制

由于没有传动机构,使永磁直线交流同步电机（PMLSM）控制器设计较为复杂.PMLSM对模型不确定性和外扰更加敏感;推力波动等非线性因素对运动精度影响很大.针对上述问题,用自适应学习方法改善PMLSM的轨迹跟踪性能,并对迭代模式和单次运行模式下算法的收敛性进行了证明,通过实验进行了算法验证.该控制方法基于迭代学习,控制器分为两个部分,通过执行重复任务自适应学习项补偿系统的非线性;另一项用于增强系统的鲁棒性,保证系统在单次运动模式下稳定.实验结果表明,这种控制方法可以有效提高PMLSM轨迹跟踪精度.     

长行程直线电机的迭代学习控制

光刻机工件台在扫描曝光过程中要求纳米级的定位精度，采用长行程直线电机粗动加洛仑兹电机高精密微动补偿的6自由度复合运动系统能满足要求。为减小微动电机的运动范围和加速度，必须提高直线电机的轨迹跟踪精度。提出了一种开闭环D型迭代学习控制律改善永磁直线同步电动机(PMLSM)的轨迹跟踪性能。控制器由三部分组成：PID控制器用来提高系统对扰动和参数变化的鲁棒性；前馈补偿器可提高系统的实时跟踪性能；迭代学习控制器则通过执行重复任务来不断向理想的控制信号逼近。实验结果表明，这种控制方法可以有效提高系统的轨迹跟踪精度。     

基于迭代学习控制的永磁直线同步电机伺服系统

针对永磁直线同步电机伺服系统，采用迭代学习控制策略来实现参考位置信号的跟踪控制。详细分析了迭代学习ILC伺服控制器的模型结构，并给出伺服控制器的迭代学习更新法则。采用高性能DS1103控制器作为控制核心，搭建永磁直线伺服系统。实验结果表明，迭代学习控制下的永磁直线伺服系统具有准确的位置跟踪能力，对外部扰动具有很强的鲁棒性。     

永磁同步直线电动机位置伺服控制系统设计

为使永磁同步直线电动机XY平台具有更精确的跟踪性能,设计了直线电动机位置伺服控制系统.介绍了该系统用模糊神经网络的控制方法来提高系统的动态响应和跟踪精度,并采用动态结构的算法,在学习过程中动态地改变神经网络规则层节点数,不断优化控制性能.实验结果表明,该位置伺服控制系统具有超调量小、定位精度高的优点.     

基于RFNN补偿的直线伺服系统反推控制

针对永磁直线同步电机(PMLSM)伺服系统,在分析影响直线伺服跟踪精度因素的基础上,采用智能反推控制策略对该伺服系统进行有效的补偿控制。考虑参数变化、外部负载扰动和摩擦力等不确定因素对系统伺服性能的影响,设计基于递归模糊神经网络(RFNN)的反推控制器,利用了递归神经网络具有捕获系统动态信息的优点,可实时补偿不确定因素对跟踪性能的影响。仿真结果表明,控制策略明显降低了不确定因素对系统性能的影响,从而显著提高了直线伺服系统的位置跟踪精度。     

永磁直线同步电机的智能增量滑模控制

针对永磁直线同步电机直接驱动伺服系统的位置跟踪精度易受参数变化、外部扰动、端部效应等不确定性因素的影响,提出了一种将小波神经网络(wavelet neural network,WNN)和增量滑模控制器相结合的智能增量滑模控制方法。利用系统先前的状态信息和控制动作作为反馈量,同时选择饱和函数作为切换函数来设计增量滑模控制器,不仅削弱了抖振,而且提高了系统的跟踪性能;利用WNN实时观测和补偿参数变化和外部扰动等影响,并采用改进的粒子群优化算法在线调整WNN的学习率,对不确定因素进行实时估计。从理论上分析证明了此控制器可以保证系统收敛,提高了直线伺服系统的控制性能。通过系统实验,证明了所提出方案的有效性,与滑模控制(sliding mode control,SMC)相比,系统具有强鲁棒性和良好的位置跟踪精度,明显地削弱了抖振现象。     

重复控制算法在转台伺服系统中的应用

针对转台伺服系统中周期性波动力矩扰动抑制问题,利用重复控制算法能以十分简单的控制器形式高精确度地完成跟踪或抑制周期性参考信号或扰动信号的优点,提出了一种基于扰动观测器的鲁棒学习控制算法.给出了基于扰动观测器的转台伺服系统结构图,并将重复控算法引入到基于扰动观测器的扰动补偿策略中.L2稳定性定理证明该方法保证了闭环系统的稳定性和对期望信号的渐近跟踪;仿真结果也表明,该方法较传统方法既有效地抑制了系统周期性波动力矩,又提高了系统运动曲线的跟踪性能.     

直线伺服推力纹波扰动补偿及自适应振动抑制

针对高速运动的直线伺服系统同时存在的扰动与共振问题,建立两个回路分别进行扰动补偿与共振抑制。通过实验方法建立包含推力纹波扰动的直线伺服系统模型结构,采用最小二乘法进行模型参数的迭代辨识,并通过前馈进行扰动补偿;针对直线伺服系统模型结构中存在的共振现象,通过辨识主导振动频率,采用自适应FIR陷波滤波器抑制主导共振频率所带来的影响。在直线伺服运动控制平台上进行的算法验证实验表明:所建立的两个回路能有效补偿推力纹波扰动与抑制共振,提高直线伺服系统的在高速运行过程中的位置跟踪精确度的作用,满足高速、高精确度轨迹控制要求。