1、 迭代学习控制（迭代学习控制（ILC）的应用）的应用 某某某12第1页，共25页。目录010203简单介绍应用总结22022-7-31第2页，共25页。提出人们在研究高速运动的工业机械手的控制问题时，提出了这样一个思想：不断重复一个同样轨迹的控制尝试，并以此修正控制律，可能可以得到非常好的控制效果。Arimoto等人于1984年正式提出了迭代学习控制（iterative learning control,简称ILC）方法。32022-7-31第3页，共25页。数学描述42022-7-31第4页，共25页。期望轨迹输出变量输入变量（控制量）误差 通过对被控系统进行控制尝试，以输出信号与给定目标的
2、偏差修正不理想的控制信号，使得系统的跟踪性能得以提高。新的控制量存入存储器，刷新旧控制量；在施加控制时，需从存储器中取出控制量。可以看到迭代学习控制算法可利用的信息要多余常规的反馈控制算法。基本原理52022-7-31第5页，共25页。实现有限区间上的完全跟踪任务，希望实现被控系统的输出零误差地完全跟踪期望轨迹目标目标具有重复运动特征的被控系统，具有较强的非线性耦合、较高的位置重复精度、难以建模和高精度轨迹跟踪控制要求的动力学系统使用范围使用范围勤奋务实勤奋务实62022-7-31第6页，共25页。在倒立摆控制上的应用在机器人中的应用在生产机械中的应用与其他先进控制技术的结合72022-7-3
3、1第7页，共25页。在倒立摆控制上在倒立摆控制上的应用的应用Part 182022-7-31第8页，共25页。闭环D型迭代学习控制闭环D型迭代学习控制010304倒立摆示意图92022-7-31第9页，共25页。状态空间方程102022-7-31第10页，共25页。应用效果112022-7-31第11页，共25页。在机器人中的应在机器人中的应用用Part 2122022-7-31第12页，共25页。u由于机器人是高度的非线性、强耦合的动力学系统，而且在许多情况下系统的动力学模型是未知的，或者不是完全己知的，因此利用传统的控制理论很难实现对机器人的高精度跟踪控制。近年来，迭代学习控制理论由于在不
4、精确已知受控对象动力学特性的情形下具有综合结构简单、在线计算量小等特点，因此受到了控制界的广泛关注，人们针对各种机器人系统的跟踪控制提出了相应的有效算法。u针对单自由度机器人这样一类非线性时变系统讨论一种同时利用比例和微分作用的开闭环PD型迭代学习律。132022-7-31第13页，共25页。开闭环PD型迭代学习控制142022-7-31第14页，共25页。状态空间方程152022-7-31第15页，共25页。开闭环PD型迭代学习误差曲线应用效果162022-7-31第16页，共25页。应用效果采用开闭环P型学习律的输出曲线采用开闭环PD型学习律的的输出曲线172022-7-31第17页，共2
5、5页。在生产机械中的在生产机械中的应用应用Part 3182022-7-31第18页，共25页。在生产机械中的应用在机械压力机滑块位置控制中的应用：压力机气动系统具有很强的非线性和时滞性，且很难建立精确的数学模型，而压力机滑块位置的调整具有反复性，因此适合采用迭代学习法进行控制，采用适当的迭代算法控制滑块停止位置，可以减少调整次数，提高定位精度。强化优势自我补课在丝杆运动误差控制中的应用：迭代学习控制策略结构与算法简单，參数便于确定，容易实现，不需要对误差进行显式建模，通过学习既能对丝杠运动误差进行预报，又能获取丝杠运动误差特性缓慢变化的信息，从而始终保持良好的运动误差补偿性能。192022-
6、7-31第19页，共25页。在生产机械中的应用强化优势在新型超细粉碎机生产过程中的应用针对粉碎机生产过程，分析了磨机生产工况变化造成的负荷特性的非线性，提出将模糊控制与迭代学习控制相结合用于这一生产过程的控制方法，它克服了常规PID控制中难以适应负荷特性的非线性，不能及时克服系统扰动等缺陷。实验表明，系统的稳态精度和动态性能都得到了改善。在注塑机控制中的应用最优迭代学习控制应用于注塑机这样存在干扰和具有不确定初始设定值的场合，可以使系统达到较好的鲁棒性，并且保证系统的收敛性，从而使系统取得较好的效果。202022-7-31第20页，共25页。与其他先进控制与其他先进控制技术的结合技术的结合Pa
7、rt 4212022-7-31第21页，共25页。管理指导管理指导与最优与最优化原则化原则相结合相结合与模糊控制与模糊控制相结合相结合 迭代学习控制主要问题之一是鲁棒性问题，即实际动态过程中存在着各种不确定的扰动、偏差。由于被控过程的非线性、高阶次、时变性以及随机干扰等因素，造成模糊控制规则或者粗糙或者不完善，而且模糊控制规则是基于人为经验，更决定其存在不完善的地方，这些都会不同程度地影响控制结果。将迭代学习控制及模糊控制相结合以弥补相结合，既提高了鲁棒性又保证了精度。加快迭代学习的学习速度一直是人们追寻的目标，为了使收敛速率最高，人们运用最优方法寻找最优学习律，将最优控制与迭代学习控制相结合
8、，具有加快学习速度，提高鲁棒性等优点。222022-7-31第22页，共25页。管理指导管理指导与滑模变与滑模变结构控制结构控制相结合相结合与神经网络与神经网络控制相结合控制相结合迭代学习神经网络对非线性系统的控制可使未知的非线性特性能被线性参数化渐近仿真模型描述出来。对照早期的全球网络或本地网络，例如RBF神经网络在规定空间内分布的神经元，给出了一个独立的神经网络在时间轴上的轨迹。因而，通过迭代学习控制，轨迹上的每一点的跟踪性能通过多次跟踪相同轨迹能得到改善。且在设计中，每一个本地神经系统网络的学习是独立的。这种结构，使部分学习变成可能。在很多情况中部分学习是非常有用的。变结构控制可以保证控
9、制系统在时间轴方向的收敛性，对系统参数和外部扰动的不变性是其突出的优点，而它的一个明显的缺点是系统存在颤抖。这一明显缺点是由于采用不连续切换控制规律，系统状态会产生高频颤动，颤动的出现是变结构控制应用中的突出障碍，它将影响控制的精确性，因此系统的精度不高。因此考虑把迭代学习和滑模变结构控制方法二者结合起来，设计出一种新的控制方法，使二者充分发挥各自的优点，抑制缺点，使系统控制既保持较高的精度，又具有较强的鲁棒性。232022-7-31第23页，共25页。总结 迭代学习的优点：可以保证控制系统在重复运行方向的收敛性，算法非常简单，精度很高，可以达到以任意精度跟踪给定。迭代学习的缺点：主要问题之一是鲁棒性问题，虽然已从理论上严格地证明了稳定的充分性条件，但条件与动态过程参数有关，且实际动态过程中 存在着各种不确定的扰动、偏差。242022-7-31第24页，共25页。谢谢大家252022-7-31第25页，共25页。
