[发明专利]一种重组式经验变换型迭代学习控制方法

说明书

本发明公开了一种重组式经验变换型迭代学习控制方法。本发明针对被控系统元件更换或参数改变时内在结构本质特征保持不变的特点，将被控系统改进为重组式的迭代学习控制系统，根据其参数变化的具体情况，通过对原有迭代学习控制所获得经验的继承和适当调整，将之变换重组为新被控系统的初次迭代控制数据，通过重组的方式实现了迭代学习控制经验在新被控系统运行过程中的有效继承和应用，形成初始误差极小的新被控系统初次迭代控制数据，使得达到目标跟踪精度的迭代次数更少，有效的减少了新迭代学习所需要的次数和时间，节约了时间与原材料损耗。

技术领域

本发明属于先进制造领域，具体是一种重组式经验变换型迭代学习控制方法。

背景技术

迭代学习控制是一种对以重复模式工作的系统进行跟踪控制的方法，其基本原理是针对某重复工作的特定被控系统，利用其历史运行数据不断迭代修正控制输出，使得控制精度不断提高。迭代学习控制不依赖于数学模型，可以在给定的时间段内以简单的算法有效地跟踪不确定性非线性动态系统的期望轨迹。目前，在往复运动的机器手、多批次的化工生产过程、循环工作的电机控制等领域已经应用迭代学习控制。在此类迭代学习控制的基本应用中，其适用性的前提条件是：被控系统参数和期望轨迹及其初态保持不变。当此条件不能严格满足的前提下，如何拓展迭代学习控制的适用范围，继续利用前期迭代学习所获得的控制数据，避免反复多次的重新学习，则是一个更具实际意义的问题。

申请号为201810052525.8的文献公开了四轴迭代学习控制的工业机器人设计方法及系统，将被加工部件渐变曲面划分为一组同质轨迹群，提出基于“轨迹轴”的方法，将基准底层轨迹迭代学习控制的经验数据，沿轨迹轴做增益变换和偏移变换，用于下一个临近轨迹迭代学习的控制初值。但是此方案只涉及到了迭代学习控制在跟踪轨迹发生变化或者不确定情况下，如何有效利用前期迭代学习控制所获得经验数据的问题，均没有涉及被控系统本身参数发生变化情况下迭代学习控制经验的继承和应用问题。

如果将旧被控系统已有迭代学习所获控制经验，直接作为新被控系统迭代学习的控制初值，其效果是优于从零初值学习的，但这只是单纯的直接继承，缺少根据新被控系统和旧被控系统之间的具体差异而进行的经验预调整环节，因此其迭代控制初值的设定具有进一步优化的空间。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种重组式经验变换型迭代学习控制方法。

本发明解决所述技术问题的技术方案是，提供一种重组式经验变换型迭代学习控制方法，其特征在于，该方法包括以下步骤：

步骤1、给定一个重复工作的旧被控系统a，已知其历次迭代学习控制经验数据，包括旧被控系统第i次迭代学习的控制经验序列u_a,i；

步骤2、以新被控系统b和旧被控系统a为对象，分别得到新被控系统和旧被控系统的单位阶跃响应曲线；所述新被控系统为旧被控系统因元件更换或参数变化后得到的被控系统，因此，新被控系统与旧被控系统的期望轨迹相同，均用y_d表示；

步骤3、根据新被控系统和旧被控系统单位阶跃响应曲线的惯性时间常数和阻尼特性，将新被控系统和旧被控系统分别进行建模，并进行单位脉冲冲激响应的仿真分析，分别得到旧被控系统单位脉冲冲激响应曲线和新被控系统单位脉冲冲激响应曲线；再分别对旧被控系统单位脉冲冲激响应曲线和新被控系统单位脉冲冲激响应曲线进行离散化，得到旧被控系统单位脉冲冲激响应的经验序列y_a和新被控系统单位脉冲冲激响应的经验序列y_b；

步骤4、将步骤1的旧被控系统第i次迭代学习的控制经验序列u_a,i通过变换重组得到新被控系统初次迭代学习的控制经验序列u_b,0；

步骤5、将步骤4得到的新被控系统初次迭代学习的控制经验序列u_b,0作为新被控系统的输入初值，根据式(6)进行新被控系统的迭代学习控制：