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RBF神经滑模的XY平台迭代交叉耦合控制

永磁同步直线电机(PMLSM)直接驱动XY平台的轮廓加工精度会受负载扰动、双轴参数不匹配以及周期性轮廓误差的影响.针对这一问题,采用RBF神经滑模与迭代交叉耦合控制相结合的方式对两轴运动进行协调控制.设计RBF神经滑模控制器用以削弱负载扰动对加工系统的影响.采用实时轮廓误差法估算出轮廓误差模型,并且将轮廓误差作为控制器的输入,设计迭代交叉耦合控制器用以削弱双轴参数不匹配和周期性轮廓误差对加工性能的影响,实现跟踪误差与轮廓误差的同时减小.仿真结果表明,所设计控制系统具有较强的鲁棒性和较高的轮廓精度.     

直线电机XY平台交叉耦合迭代学习控制

针对直线电机XY平台进行周期性轮廓加工时产生的周期性轮廓误差,设计了将迭代学习控制与交叉耦合控制相结合的交叉耦合迭代学习控制器.利用实时轮廓误差估计模型估算出轮廓误差,通过迭代学习控制器削弱周期性轮廓误差,按交叉耦合增益的关系来分配X、Y轴的补偿量,实现对周期性轮廓误差的实时补偿.理论推导与仿真结果表明,该方案不仅有效减小了直线电机XY平台的轮廓误差,而且增强了系统的鲁棒性.     

三轴运动平台改进型交叉耦合轮廓控制

为了削弱负载扰动及复杂轮廓误差模型对轮廓精度的影响,在单轴中采用比例控制作为位置环控制器,采用PDFF控制作为速度环控制器,以保证单轴跟踪精度.三轴间采用一种轮廓误差估算法来建立轮廓误差模型,运算更为简单.通过改进的交叉耦合控制结构进行轮廓控制器的设计,将轮廓误差的补偿量置于位置控制器前,能够实现跟踪误差与轮廓误差同时减小,以满足三轴运动平台的高精度加工要求.结果表明,改进后的三轴运动平台控制系统具有较高的轮廓精度和较强的抗扰性.     

基于实时位置补偿直接驱动XY平台轮廓控制

永磁直线同步电机驱动XY平台系统在跟踪自由曲线时轮廓精度会受轨迹时变性的影响,系统中存在的周期性扰动也会降低轮廓加工精度.针对上述问题,采用适用于多轴非线性轮廓控制的实时轮廓误差计算算法,建立可用于自由曲线跟踪的XY平台的实时轮廓误差模型.利用实时位置补偿与交叉耦合控制相结合的控制方法减小轮廓误差.单轴系统采用IP积分-比例控制与速度前馈控制相结合的复合控制器.理论推导与仿真结果表明,该方案能够有效地提高系统的轮廓精度,同时能较好地抑制系统周期性扰动的影响.     

基于遗传算法的直驱XY平台变增益交叉耦合控制

对于永磁直线同步电机驱动的XY平台,轮廓加工精度易受到系统动态非线性、不确定性因素以及曲线轨迹的轮廓误差模型相对复杂等问题的影响.为了削弱以上影响,实现XY平台的高精度轮廓跟踪控制,设计了变增益交叉耦合控制器来补偿X、Y轴的耦合误差,并采用遗传算法对其中的PID控制器参数进行寻优,利用基因突变的能力,避免其陷入局部最佳解,从而快速准确地找到全局最佳解,使得系统轮廓误差达到要求的精度范围.理论推导与仿真结果表明,所设计的控制系统能有效提高XY平台的轮廓加工精度.     

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。     

基于模糊CMAC神经网络的XY平台交叉耦合控制

针对永磁直线同步电机(PMLSM)驱动的XY平台系统的负载扰动、任意加工曲线轮廓误差模型复杂及双轴参数不匹配等会影响加工精度的问题,XY平台单轴采用了能反映人脑认知模糊性和连续性的模糊小脑模型关节控制器(FCMAC)设计速度控制器,在两轴之间采用实时轮廓误差估计模型和交叉耦合控制(CCC)进行轮廓控制器的设计,可同时减小跟踪误差和轮廓误差.FCMAC可准确及时地抑制负载扰动,交叉耦合控制削弱了双轴参数不匹配的影响.仿真结果表明,所设计的XY平台控制系统具有较高的轮廓精度和较强的鲁棒性.     

基于迭代学习的永磁直线同步电动机扰动抑制

针对永磁直线同步电动机中存在的周期性扰动问题,提出了一种闭环迭代学习控制算法.该算法通过上次迭代时的输入信息和输出跟踪误差的PID校正项来获得本次迭代的控制输入.基于迭代学习控制思想并结合PID控制,设计出应用于直线电动机运动系统的迭代学习控制器.仿真结果表明,与传统的PID控制相比较,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.     

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.     

一类无重置条件的机械臂加速抑制初态误差 迭代学习控制方法

针对任意初态误差,在时间轴上设计一段随迭代次数增加而缩短的修正区间。结合迭代学习控制算法,机械臂在每次迭代时无需重置初始条件,经过多次迭代学习后,实现跟踪误差渐近收敛于零。在λ范数意义下,证明迭代学习控制算法的收敛性,仿真结果验证该方法的可行性和有效性。     

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.     

基于分数阶线性系统初态学习的PDα-型迭代学习控制

为了消除任意初始状态对系统的影响,针对一类具有任意初始状态的分数阶线性连续系统,提出了一种具有初始状态学习的开环和开闭环PDα-型分数阶迭代学习控制算法.在Lebesgue-p范数的意义下,利用卷积积分的广义Young不等式在迭代域中给出具有抗干扰的PDα-型算法收敛的充分条件.实验结果表明,该算法能够保证跟踪误差的收...     

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.     

直接驱动XY平台位置域轮廓跟踪控制

针对直接驱动XY平台轮廓误差近似模型建立困难的问题,提出一种提高轮廓跟踪性能的位置域轮廓跟踪控制方法.通过将双轴运动系统等效为主-从运动方式,主动轴(X轴)以位置量作为自变量,将从动轴(Y轴)的运动描述为不同轮廓跟踪要求的X的函数.通过从时域到位置域的一一映射,得到双轴运动系统的位置域动态模型.提出了位置域PD控制策略,主动轴运动以自身为参考产生的位置跟踪误差为零,仅有从动轴的运动跟踪误差影响到了最后的轮廓误差.仿真结果表明,位置域轮廓控制相比时域轮廓控制能够获得更好的跟踪精度.     

一种改进的机器人迭代学习控制方法

本文利用学习推理的思想提出了一种改进的迭代学习方法，目的在于改善单纯迭代学习在机器人轨迹控制中对系统负载的依赖性。能对周期性重复工作的机器人轨迹控制在系统模型和负载完全未知的条件下经一周期的试运行后达到准确轨迹跟踪，仿真研究表明，对于Ｐｕｍａ－５６０机械手的轨迹控制精度可达到１％，而且整个控制算法计算量少，完全能满足实时控制要求。     

基于定理反馈理论迭代学习的液压角振动台控制策略

针对控制系统的鲁棒性以及迭代学习的收敛性,进行了定量反馈理论(Quantitative feedback theory,QFT)复合迭代学习控制算法设计,并从频域角度给出了其收敛性条件。将仿真结果与实验数据进行对比分析,验证了此控制策略的有效性。该QFT迭代学习控制策略不仅拓宽了系统频带,改善了系统输出对期望信号输入的跟踪精度,同时可以很好地跟踪随机振动信号功率谱,为液压角振动台高性能实时控制开辟了新途径。     

高相对度非正则离散抛物分布参数系统迭代学习控制

对一类具有高相对度的非正则离散抛物型分布参数系统的迭代学习控制问题进行了研究.首先将集中参数系统高相对度的定义相应的推广到离散分布参数系统.基于本文的非正则离散分布参数系统,设计了一类带有相对度为p的离散分布式迭代学习控制算法.然后由偏差分方程解的一般形式,将该分布参数系统降维处理为一般的离散线性系统,给出了在适当初边值条件下迭代跟踪误差沿迭代轴收敛的充要条件.用线性系统稳定性理论证明了本文所设计的分布式学习控制算法的收敛性.数值例子说明了所给算法的有效性.     

一种可用于线性动态延迟控制系统的闭环比例型一阶给定超前迭…

讨论了迭代学习控制的基本概念，并给出了一种可用于线性动态延迟系统的比例型一阶给定超前迭代学习控制算法。理论分析证明，这种控制算法对于跟踪重复运动的轨迹具有良好的效果。     

一种使用输出误差的离散迭代学习控制算法的渐近收敛性分析

本文对M.Togai等人提出的一种离散迭代学习控制算法进行了改进,使其可以使用系统的输出误差.同时,通过引入适当的范数,简化了系统输出误差渐近收敛的充分条件.