基于鲁棒迭代学习的永磁直线电机控制

针对永磁直线电机速度和位置迭代学习跟踪控制中,由测量扰动引起的跟踪误差有界收敛问题,提出一种带有衰减因子的鲁棒迭代学习控制算法.采用λ范数方法分析鲁棒迭代学习控制算法的收敛性,理论结果表明,鲁棒迭代学习控制算法可以保证跟踪误差收敛到零,而P型迭代学习控制算法仅保证直线电机速度和位置的跟踪误差收敛到一个与扰动信号上界有关的域内.仿真结果表明,所提出的鲁棒迭代学习控制算法可以有效抑制测量扰动,获得较好的跟踪性能.带有衰减因子的迭代学习控制方法是一种抑制非重复测量扰动的有效方法.     

基于迭代学习的矿井提升系统跟踪控制

矿井提升机在煤矿开采和生产过程中发挥着至关重要的作用。针对矿料提升过程具有较强重复性的特点,提出迭代学习的提升机速度和位置跟踪控制方法。设计了提升机的D型迭代学习控制器,同时考虑运行过程中出现的非重复性干扰设计了带有滤波器型迭代学习控制器。并采用λ范数证明了系统的收敛性,理论结果表明矿井提升机位置与速度跟踪误差可以收敛到0。同时仿真结果表明,经过30次运行后,跟踪误差几乎收敛到0,迭代学习控制算法可利用矿井作业的重复运行特性可以有效提高提升机的跟踪性能,带有滤波器的迭代学习控制算法可较好地抑制了非重复扰动的影响。     

存在始误差的三维桥式起重机位置迭代控制

桥式起重机在运输货物样式相同、运输路线固定的情况下具有较强的重复性,而实际运输过程中,由于货物堆放位置不完全重叠,运输堆放位置临近的货物时有固定的初始误差。针对桥式起重机重复性工作且有固定初始误差的情况,采用迭代学习控制方法研究桥式起重机位置跟踪问题。建立了桥式起重机的三维数学模型,设计了桥式起重机位置跟踪的迭代学习控制算法,证明了算法的收敛性。仿真结果表明,迭代学习控制可有效利用桥式起重机运行的重复信息,经过一定次数的迭代学习后,起重机位移输出曲线可以精确跟踪位移期望曲线,达到预期的运行速度。     

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。     

基于开闭环迭代学习位置调节的直线伺服系统

针对磁场定向矢量控制下的永磁直线同步电机伺服系统,提出开闭环迭代学习位置调节器,实现参考位置信号的准确跟踪控制。详细分析了开闭环迭代学习位置调节下的直线伺服系统结构与数学模型。给出直线伺服系统位置调节器结构及带有遗忘因子的开闭环迭代学习位置调节算法。方波位置跟踪及突加负载实验结果表明,开闭环迭代学习控制具有系统响应速度快,位置跟踪准确的特点,同时可以有效保证受扰状态下的鲁棒性能。     

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。     

永磁同步电机位置伺服系统迭代学习控制

为了解决永磁同步电机位置伺服系统中的高阶非线性、强耦合性以及外部干扰,从而获得期望的跟踪精度,根据永磁同步电机位置伺服系统模型的特殊性提出了一种改进型迭代学习控制方法。有别于传统迭代学习控制方法中对系统误差求一阶导数,改进型迭代学习控制算法对误差求二阶导数后,设计D-型迭代学习控制策略,利用数学知识严格证明了算法收敛性,并推导出其收敛条件。算法解决了传统控制难以实现高精度永磁同步电机位置伺服的问题,利用迭代学习控制策略,使得系统能够达到期望的跟踪精度。仿真和实验结果表明了该算法的有效性。相较于传统方法,迭代学习控制策略误差更小,精度更高。     

桥式起重机位置跟踪及防摆的迭代学习控制

桥式起重机运行时,小车移动引起的货物摆动影响了运输效率,容易引发事故,桥式起重机的定位及防摆问题引起了众多专家的关注。针对桥式起重机重复运动的情况,采用迭代学习控制策略来实现位置跟踪及角度控制。根据拉格朗日方程建立了桥式起重机的三维数学模型。设计了桥式起重机角度控制的迭代学习控制算法,并证明了算法的收敛性。研究表明,迭代学习控制可有效利用桥式起重机运行的重复信息,经过一定次数的迭代学习后,位置跟踪误差为0,摆角抑制在7°以内。仿真示例验证了方法的有效性。     

低频线振动台系统的鲁棒自适应重复学习控制

由于没有传动机构,永磁直线同步电机(PMLSM)作为低频线振动台的驱动部件对扰动和参数不确定性很敏感,摩擦力及纹波推力扰动等非线性因素严重影响了PMLSM的运动精确度.针对上述问题,提出一种鲁棒自适应重复学习控制方法,用于提高低频线振动台系统的精度.所设计的控制律由参数自适应控制、积分滑模控制、重复学习控制组成.参数自适应控制用来估计未知的模型参数并予以补偿;积分滑模控制用来镇定低频线振动台系统,抑制非周期扰动;重复学习控制用来抑制周期性扰动,提高对周期性位置信号的跟踪性能.采用Lyapunov理论设计的鲁棒自适应重复学习控制律能够保证闭环系统的渐近稳定性和位置跟踪性能.仿真结果表明,鲁棒自适应重复学习控制方法明显提高了系统的跟踪性能,改善了加速度失真度.     

永磁直线同步电动机的改进型迭代学习控制

针对永磁直线同步电动机在跟踪过程中出现的诸多非线性因素,提出一种改进型的迭代学习控制算法,该算法将迭代控制律看成时间轴与迭代轴的叠加,通过在时间轴中引入一个初始控制量和一个自适应因子,增加了新的信息,实现了永磁直线电机的快速跟踪控制.给出了控制算法收敛性与收敛速度优越性的证明.仿真结果表明,在此种方法下永磁直线同步电动机跟踪速度和跟踪精度较传统的迭代学习控制算法有了较大的提高.     

An adaptive iterative learning algorithm for boundary control of a flexible manipulator

In this study, we consider the boundary control problem of a flexible manipulator in the presence of system parametric uncertainty and external disturbances. The dynamic behavior of the flexible manipulator is represented by partial differential equations (PDEs). Based on the Lyapunov method, we propose an adaptive iterative learning control scheme for trajectory tracking and vibration suppressing of a flexible manipulator. The proposed control scheme is designed using both a proportional‐derivative feedback structure and an iterative term. The learning convergence of iterative learning control is achieved through rigorous analysis without any simplification or discretization of the PDE dynamics. Finally, the results are illustrated using numerical simulations for control performance verification. Copyright © 2016 John Wiley & Sons, Ltd.     

基于非线性终端滑模的码垛机械臂轨迹跟踪控制

针对码垛机械臂的轨迹跟踪控制,提出了一种基于数据驱动的非线性终端滑模控制方法.首先,利用牛顿-欧拉法推导出码垛机械臂的动力学模型,进而将模型等效成离散形式;接着,设计非线性终端滑模面来加快关节角的收敛速度,引人等效趋近律来抑制系统的抖振效应;同时,在萤火虫寻优算法的帮助下解决控制器参数整定问题,以便获得最优的控制性能;最后,通过仿真和试验对所提控制方法的有效性进行了验证.结果表明,该控制方法比积分滑模控制控制具有更高的跟踪精度,能保证码垛机械臂较好地跟踪上参考轨迹,具有一定的工程应用价值.     

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。     

Iterative learning control for non‐repetitive trajectory tracking of robot manipulators with joint position constraints and actuator faults

In this work, we present a novel iterative learning control (ILC) scheme for a class of joint position constrained robot manipulator systems with both multiplicative and additive actuator faults. Unlike most ILC literature that requires identical reference trajectory from trail to trail, in this work the reference trajectory can be non‐repetitive over the iteration domain without assuming the identical initial condition. A tan‐type Barrier Lyapunov Function is proposed to deal with the constraint requirements which can be both time and iteration varying, with ILC update laws adopted to learn the iteration‐invariant system uncertainties, and robust methods used to compensate the iteration and time varying actuator faults and disturbances. We show that under the proposed ILC scheme, uniform convergence of the full state tracking error beyond a small time interval in each iteration can be guaranteed over the iteration domain, while the constraint requirements on the joint position vector will not be violated during operation. An illustrative example on a two degree‐of‐freedom robotic manipulator is presented to demonstrate the effectiveness of the proposed control scheme. Copyright © 2016 John Wiley & Sons, Ltd.     

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。     

基于自适应迭代学习的机械手轨迹跟踪控制研究

针对具有初始误差的机械手轨迹跟踪控制问题,设计了一种带初态学习的模糊自适应迭代学习控制策略。控制策略中引入了初态学习控制律,放宽了系统初始状态严格重复的限制,利用Lyapunov函数对系统进行收敛性分析,克服了系统全局Lipschitz连续条件的约束,同时设计了模糊控制器对增益以及自适应律参数进行整定,最后将算法应用到机械手控制中,通过与传统自适应迭代学习控制对比,前者收敛速度和精度明显提高,验证了控制策略的有效性。     

Non-linear learning control of robot manipulators without requiring acceleration measurement

A new class of non-linear learning control laws is introduced for a robot manipulator to track a given trajectory in performing a series of tasks. The learning control scheme is applicable to robots with both resolute and prismatic joints, requires only position and velocity feedback, and removes the acceleration measurement required by the existing results. It has been shown that under the proposed learning control the tracking errors are always guaranteed to be asymptotically stable with respect to the number of trials. The proposed control is robust in the sense that exact knowledge about the non-linear dynamics is not required except for bounding functions on the magnitudes. In addition, the new learning scheme can be used without assumptions such as repeatability of robot motion, repeatability of tasks and resetting of initial tracking errors.