关键词:
最优迭代学习
自适应控制
执行器约束
数据驱动
系统辨识
摘要:
迭代学习控制通常应用于具有重复运动特性的被控对象,该控制方法利用系统之前的性能误差相关信息对当前的控制信号进行补偿,实现对期望轨迹的完全跟踪。随着深入地研究,类型不同的迭代学习控制方法被众多的专家学者提出,主要有传统的基于压缩映射的迭代学习控制方法,模最优迭代学习控制方法与自适应最优迭代学习方法。其中,自适应最优迭代学习控制是一种控制方法,主要用于解决重复运动控制系统的不确定性问题。该方法是自适应控制和最优迭代学习控制的结合体,具有瞬态响应快、控制器设计简单、单调收敛性和算法实现方便等优点,且已成功地应用于数控机床、工业机器人、光刻机等精密运动控制场合。尽管该方法已经有了成熟的研究成果,但仍需进一步完善和探究。本文首先深入探讨运动控制系统的控制策略,采取PID反馈控制确保反馈加前馈的二自由度控制策略中系统的稳定性,并且在二自由度控制策略的基础上依照最优控制理论设计迭代学习控制器,并给出了其收敛性要求。其次,为了应对时变系统中模型参数发生摄动对传统最优迭代学习控制的影响,研究并提出了两种自适应最优迭代学习控制算法。第一种算法是基于数据驱动的自适应最优迭代学习控制算法,其可有效地辨识系统名义模型每行非零元素,从而更新控制器,此外,还研究了其跟踪性能与收敛性,以期达到更好的跟踪效果。第二种算法是基于最小二乘辨识的自适应最优迭代学习控制算法,通过迭代域上对被控对象单位脉冲响应辨识来更新控制器,引入了性能指标条件与Butterworth滤波器,可以有效地改善辨识的准确率,从而实现更好的跟踪性能。两种算法即可避免建立准确的模型结构,又能实现良好的跟踪性能。通过比较,可以发现第二种算法在处理时变系统问题上表现更出色,优势在于它的计算量更少,收敛速度更快。之后,为解决当前自适应最优迭代学习控制算法受到执行器约束的困境,提出了两种不同的控制算法。第一种算法基于线性不等式约束,其通过给前馈信号设定一个阈值,间接约束控制信号,可以有效地实现对执行器的约束。第二种算法基于目标函数加权约束,其可以控制前馈信号变化的大小和速度,从而间接约束控制信号,以达到更好的控制效果。通过将两种算法进行比较,发现第二种算法能够更好的处理执行器受到限制的问题,并且能够提供更快的收敛速度与更小的稳态收敛值,收敛效果更优。最后,建立了一个以无刷直流伺服电机运动控制系统的实验平台,采用合理的实验方案,将上述算法进行了验证,并通过大量仿真以及实验证明了算法的正确性以及有效性。