CN108303877A - 一种基于eso的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法 - Google Patents

一种基于eso的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法 Download PDF

Info

Publication number
CN108303877A
CN108303877A CN201810020696.2A CN201810020696A CN108303877A CN 108303877 A CN108303877 A CN 108303877A CN 201810020696 A CN201810020696 A CN 201810020696A CN 108303877 A CN108303877 A CN 108303877A
Authority
CN
China
Prior art keywords
control
eso
network
tracking
iterative learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810020696.2A
Other languages
English (en)
Other versions
CN108303877B (zh
Inventor
吴祥
董辉
王瑶为
张圻
朱乾峰
王军晓
张文安
俞立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810020696.2A priority Critical patent/CN108303877B/zh
Publication of CN108303877A publication Critical patent/CN108303877A/zh
Application granted granted Critical
Publication of CN108303877B publication Critical patent/CN108303877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

一种基于ESO的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法，包括以下步骤：1)建立扩张的三阶离散系统模型，利用状态扩张观测器(ESO)对系统干扰进行估计；2)2)针对网络化单轴跟踪控制，采用反馈辅助型开闭环迭代学习控制策略，并结合ESO消除非周期性干扰的影响，实现高精度网络化单轴跟踪控制；3)在单轴跟踪控制的基础上，针对轮廓误差控制，设计PD型交叉耦合控制器，采用ILC+ESO+CCC策略，实现高精度网络化轮廓跟踪控制。本发明在有效提高迭代收敛速度，实现网络化运动控制系统的高精度单轴轨迹跟踪控制和高精度轮廓跟踪控制。

Description

一种基于ESO的网络化运动控制系统迭代学习高精度轮廓跟 踪控制方法
技术领域
本发明涉及一种网络化运动控制系统轮廓跟踪控制方法，尤其是一种基于ESO的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法，属于网络化运动控制领域。
背景技术
在数控机床、工业机械手应用中，高精度轮廓控制是运动控制系统重要的性能指标，一直是运动控制中研究的热点问题。交叉耦合控制(Cross-Coupled Control，CCC)为轮廓跟踪控制中十分有效的方法之一，在单轴跟踪控制基础上考虑其运动的相互影响，将开环的轮廓控制系统变为闭环轮廓控制，从而直接对轮廓误差进行补偿，有效的提高了多轴系统的轮廓跟踪控制精度。高精度的单轴跟踪控制是保证轮廓精度的基础，在工业实际生产应用中，大量运动控制系统或设备是有限时间区间内的周期性重复任务，比如裁割、雕刻、打磨等。迭代学习控制(Iterative Learning Control，ILC)是一种针对重复作业可实现完全跟踪的控制技术。且ILC不基于系统模型，方便在实际生产中应用推广，所以ILC非常适用于具有周期性任务的高精度单轴跟踪控制场合，能在有限时间内完美的跟踪期望轨迹。ILC是一种基于先前经验的前馈学习控制，能对系统中的周期性干扰实现有效的抑制，但是对非周期性干扰却无能为力，标准的ILC中，并没有合理利用干扰的信息，从而限制了ILC在非周期性干扰情形下的性能，对系统干扰进行估计，将其有效信息在ILC中合理利用成为解决问题的有效手段。
随着网络技术的发展和智能制造业的兴起，网络化运动控制(NMCS，NetworkedMotion Control System)已经广泛的应用于数控机床、工业机械手等领域，网络化运动控制取代传统控制方式成为新的发展趋势。将网络引入到运动控制系统中，关键问题在于网络诱导时延的影响，时变网络诱导时延使得控制输入不能实时的传输到控制器中，从而导致控制系统性能得不到有效保障。另一方面，网络时变时延是系统重复运行过程中引起非周期性干扰的主要因素，会导致ILC的跟踪性能变差，无法实现高精度的跟踪控制。如何消除网络时延的影响成为NMCS中亟需解决的首要问题，其中时变短时延的影响为主要问题。目前，常用的时延补偿方法有：切换系统方法、鲁棒控制方法、史密斯预估器方法、模型预测控制方法等，以上方法都要求获得系统部分或者全部精确模型信息，在实际工业应用中往往较为困难。近年，有学者提出了不基于时延模型的通信干扰观测器方法，将网络诱导时延建模为干扰进行有效观测和补偿，但该研究主要针对固定时延场景。
发明内容
为了实现高精度轮廓跟踪控制，克服网络化运动控制系统时变时延带来的不确定性，消除非周期干扰对单轴迭代学习控制跟踪性能的影响，本发明提出了一种基于扩张状态观测器(Extended State Observer，ESO)的开闭环迭代学习控制方法，将时变时延引起的不确定处理为系统总和扰动的一部分，利用ESO对系统总和扰动进行观测估计，在前馈通道中进行有效补偿，进而设计具有补偿功能的开闭环迭代学习控制器，在有效提高迭代收敛速度的同时，实现单轴高精度轨迹跟踪控制，并结合PD-CCC控制器进一步提高轮廓误差控制精度，实现网络化运动控制系统的高精度轮廓跟踪控制。
本发明解决其技术问题所采用的技术方案如下：
一种基于ESO的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法，所述方法包括以下步骤：
1)考虑网络化运动控制系统二阶模型，描述为如下形式
其中，x1(t)、x2(t)为系统的状态量，u(t)为系统控制量输入，y(t)为系统输出，d(t)为系统总和扰动，a1、a2为系统参数；考虑系统的传感器采用时间驱动模式，采样周期为h，控制器和执行器均采用事件驱动模式；控制系统时变网络时延τk均小于一个采样周期，即0≤τk≤h；则在任一采样周期，至多有两个控制输入作用在执行器上，控制量u(t)表示如下：
其中，tk表示第k个采样时刻，且tk+1＝tk+h；则含有时变短时延τk的离散化运动控制系统模型描述为：
将网络时变时延引起的不确定性当作系统总和扰动的一部分，并将其扩张成新
的状态变量x3(t)，即再利用扩张状态观测器(ESO)对其进行观测估计，并在前馈通道中对扰动进行补偿；
2)针对单轴跟踪控制，采用反馈辅助型开闭环迭代学习控制策略，并结合ESO消除非周期性干扰的影响，实现高精度网络化单轴跟踪控制；
3)在单轴跟踪控制的基础上，针对轮廓误差控制，设计PD型交叉耦合控制器，采用ILC+ESO+CCC策略，实现高精度网络化轮廓跟踪控制。
进一步，所述步骤1)中，网络化运动控制系统在有限时间区间[0T]上重复运行，针对每个迭代周期设计的ESO如下：
其中，下标j表示系统重复运行的次数，即系统迭代次数；z1j(k)、z2j(k)、z3j(k)为对状态量x1j(k)、x2j(k)、x3j(k)的估计；ezj(k)为观测误差；w0为状态观测器的增益。
所述步骤2)中，为了避免闭环导数信号无法准确获取的问题，提出一种新形式的反馈辅助型开闭环学习律，具体形式如下。
式中j为系统迭代运行次数，uj(k)为j次迭代周期采样时刻k的控制量，ej(k)、为j次迭代周期采样时刻k的误差及误差微分，跟踪误差定义为ej(t)＝yd(k)-yj(k)，Γ、L1、L2为增益矩阵，且L1、L2特征值均具有正实部。
所述步骤2)中，其中对干扰估计补偿控制输入在时域中需要不断更新，属于迭代学习控制中的反馈控制输入环节，对其不进行迭代域的存储，则开闭环迭代控制形式描述如下：
其中表示j次迭代时的系统输出误差及其微分；Cff及Cfb分别表示前馈增益和反馈增益；b0为补偿因子；uwj(k)为总和扰动估计的补偿控制输入；为施加给运动控制系统最终的控制输入。
所述步骤3)中，在采用ILC+ESO实现高精度单轴跟踪控制的基础上，引入PD-CCC策略，将轮廓误差控制量补偿到单轴，最终发送给单轴执行器的控制量为：
其中，上标i表示运动轴X/Y。
所述步骤3)中，交叉耦合误差计算如下：
ε＝-cx·ex+cy·ey (11)
式中，ε为系统轮廓误差，cx、cy为交叉耦合控制器增益，ex、ey分别为X轴、Y轴跟踪误差。
本发明的有益效果为：(1)将网络化时变时延处理为系统总和扰动的一部分，利用ESO对其估计，并在前馈通道中进行补偿，有效消除迭代学习控制中非周期不确定干扰的影响，保证了单轴跟踪控制的稳定性和高精度性能；(2)采用反馈辅助型开闭环迭代学习控制策略，能有效提高收敛速度，且闭环反馈也能对不确定干扰起到有效抑制作用；(3)所采用方法均可不基于系统模型，可在系统模型完全未知的情况下进行参数调整，实现控制器有效运行，方便了此方法在实际应用中的推广。
附图说明
图1为网络化运动控制系统结构图；
图2为具有时变短时延网络化运动控制系统控制量时序图；
图3为基于ILC+ESO的单轴跟踪器框架图；
图4为基于ILC+ESO+CCC的轮廓跟踪控制器框架图；
图5为网络化运动控制系统时变时延时序图；
图6为单轴跟踪误差控制对比图；
图7为轮廓误差控制效果对比图；
图8为累计轮廓误差对比图。
具体实施方式
下面结合附图对本发明的实施方式作进一步描述。
参照图1～图8，一种基于ESO的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法，所述方法包括以下步骤：
1))考虑网络化运动控制系统二阶模型，描述为如下形式
其中x1(t)、x2(t)为系统的状态量，u(t)为系统控制量输入，y(t)为系统输出，d(t)为系统总和扰动，a1、a2为系统参数。考虑系统的传感器采用时间驱动模式，采样周期为h，控制器和执行器均采用事件驱动模式；控制系统时变网络时延τk均小于一个采样周期，即0≤τk≤h。将系统进行采样离散化，将系统总和扰动扩张新的状态变量，建立扩张的三阶离散系统模型，利用状态扩张观测器(ESO)对系统干扰进行估计。
由图1可知，系统对象基于以太网通信，系统时延主要由控制中心算法计算及程序处理时延τcc、控制中心下发控制指令至执行器的网络时延τca、执行器反馈实时信息至控制中心的网络时延τsc三部分组成。则网络化运动控制系统控制回路总时延为：
τk＝τcc+τca+τsc (2)
由于考虑的是短时延现象，则在任一采样周期，至多有两个控制输入作用在执行器上，故控制量u(t)如图2所示，可表示如下
其中tk表示第k个采样时刻，且tk+1＝tk+h。则含有时变短时延τk的离散化运动控制系统模型为
进一步，对上式指数函数进行泰勒级数展开，并忽略高阶项，则上式可转化如下
将上式中由时变时延引起的随机实时作用量以及系统外部干扰扩张成新的状态变量x3(t)，即为系统的总和扰动，并记则得到网络化运动控制系统三阶离散时间模型如下式所示。
更进一步，采用扩张状态观测器(ESO)对系统总和扰动进行估计，针对系统设计ESO如下
其中下标j表示系统在有限时间区间[0 T]上重复运行的次数，即系统迭代次数；z1j(k)、z2j(k)、z3j(k)为在对状态量x1j(k)、x2j(k)、x3j(k)的估计；ezj(k)为观测误差；w0为状态观测器的增益。
2)采用反馈辅助型开闭环ILC策略，结合ESO实现高精度网络化单轴跟踪控制。
本方法为了避免闭环导数信号无法准确获取的问题，提出一种新形式的反馈辅助型开闭环学习律，具体形式如下。
式中j为系统迭代运行次数，uj(k)为j次迭代周期采样时刻k的控制量，ej(k)、为j次迭代周期采样时刻k的误差及误差微分，跟踪误差定义为ej(t)＝yd(k)-yj(k)，Γ、L1、L2为增益矩阵，且L1、L2特征值均具有正实部。由上式可知，反馈辅助型学习律利用了当前迭代周期的误差信息以及前一次迭代周期的误差和误差微分信息；
本方法利用扩张状态观测器对非周期性不确定干扰进行估计得到z3j(k)，进而对系统总和扰动进行补偿。其中干扰补偿控制输入在时域中需要不断更新，属于反馈控制输入环节，但对其不进行迭代域的存储，则本发明开闭环迭代控制形式可描述如下。
其中表示j次迭代时的系统输出误差及其微分；Cff及Cfb分别表示前馈增益和反馈增益；b0为补偿因子；uwj(k)为干扰信号的估计补偿控制输入；为施加给运动控制系统最终的控制输入。
进一步，本方法设计基于ESO的ILC单轴跟踪控制器结构图如图3所示。
3)采用ILC+ESO+CCC策略，实现高精度网络化轮廓跟踪控制。
本方法在单轴ILC+ESO策略的基础上，采用PD-CCC策略进一步提高轮廓跟踪精度，所设计轮廓跟踪控制器如图4所示，图4中分别表示X轴、Y轴的单轴轮廓误差控制补偿量。
进一步，将交叉耦合控制器的轮廓误差控制量补偿到单轴之后，最终发送给单轴执行器的控制量为
其中上标i表示运动轴X/Y。
交叉耦合误差计算如下：
ε＝-cx·ex+cy·ey (11)
式中，ε为系统轮廓误差，cx、cy为交叉耦合控制器增益，ex、ey分别为X轴、Y轴跟踪误差
为验证所提出方法的有效性及优越性，对本发明进行如下实验。
设定系统期望轨迹及初始状态如下：
xd＝10*cos2πt+150；
yd＝10*sin2πt+150.0≤t≤T
则两轴轮廓轨迹是半径为R＝10，圆心为(150,150)的圆，令系统运行周期T＝8s，采样周期h＝5ms。ESO增益参数给定为w0＝100，补偿因子为b0＝20。给定开闭环迭代学习律参数PD型交叉耦合控制器参数kcp＝5,kcd＝0.5。测得系统时变时延如图5所示，可得知网络化运动控制系统为时变时延属于短时延现象。分别采用ILC、ILC+ESO、ILC+CCC、ILC+ESO+CCC四种策略对系统进行实验，得到单轴跟踪效果如图6所示，轮廓跟踪误差如图7所示，累计轮廓误差对比如图8所示。由图6～图8可知，ESO能有效消除系统不确定干扰的影响，提高单轴跟踪精度；CCC能有效提高轮廓跟踪精度，但是对单轴跟踪精度无明显作用；经对比说明，本发明方法基于ILC+ESO+CCC的控制策略，相对其他三种策略而言能有效提高网络化运动控制系统的轮廓跟踪精度，实现高精度多轴轮廓跟踪控制。

Claims (6)

1.一种基于ESO的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法，其特征在于：所述方法包括以下步骤：
1)考虑网络化运动控制系统二阶模型，描述为如下形式
其中，x1(t)、x2(t)为系统的状态量，u(t)为系统控制量输入，y(t)为系统输出，d(t)为系统总和扰动，a1、a2为系统参数；考虑系统的传感器采用时间驱动模式，采样周期为h，控制器和执行器均采用事件驱动模式；控制系统时变网络时延τk均小于一个采样周期，即0≤τk≤h；则在任一采样周期，至多有两个控制输入作用在执行器上，控制量u(t)表示如下：
其中，tk表示第k个采样时刻，且tk+1＝tk+h；则含有时变短时延τk的离散化运动控制系统模型描述为：
将网络时变时延引起的不确定性当作系统总和扰动的一部分，并将其扩张成新的状态变量x3(t)，即再利用扩张状态观测器(ESO)对其进行观测估计，并在前馈通道中对扰动进行补偿；
2)针对网络化单轴跟踪控制，采用反馈辅助型开闭环迭代学习控制策略，并结合ESO消除非周期性干扰的影响，实现高精度网络化单轴跟踪控制；
3)在单轴跟踪控制的基础上，针对轮廓误差控制，设计PD型交叉耦合控制器，采用ILC+ESO+CCC策略，实现高精度网络化轮廓跟踪控制。
2.如权利要求1所述的一种基于ESO的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法，其特征在于：所述步骤1)中，网络化运动控制系统在有限时间区间[0 T]上重复运行，针对每个迭代周期设计的ESO如下：
其中，下标j表示系统重复运行的次数，即系统迭代次数；z1j(k)、z2j(k)、z3j(k)为对状态量x1j(k)、x2j(k)、x3j(k)的估计；ezj(k)为观测误差；w0为状态观测器的增益。
3.如权利要求1或2所述的一种基于ESO的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法，其特征在于：所述步骤2)中，为了避免闭环导数信号无法准确获取的问题，提出一种新形式的反馈辅助型开闭环学习律，具体形式如下：
式中j为系统迭代运行次数，uj(k)为j次迭代周期采样时刻k的控制量，ej(k)、为j次迭代周期采样时刻k的误差及误差微分，跟踪误差定义为ej(t)＝yd(k)-yj(k)，Γ、L1、L2为增益矩阵，且L1、L2特征值均具有正实部。
4.如权利要求1或2所述的一种基于ESO的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法，其特征在于：所述步骤2)中，其中对干扰估计补偿控制输入在时域中需要不断更新，属于迭代学习控制中的反馈控制输入环节，对其不进行迭代域的存储，则开闭环迭代控制形式描述如下：
其中表示j次迭代时的系统输出误差及其微分；Cff及Cfb分别表示前馈增益和反馈增益；b0为补偿因子；uwj(k)为总和扰动估计的补偿控制输入；为施加给运动控制系统最终的控制输入。
5.如权利要求1或2所述的一种基于ESO的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法，其特征在于：所述步骤3)中，在采用ILC+ESO实现高精度单轴跟踪控制的基础上，引入PD-CCC策略，将轮廓误差控制量补偿到单轴，，最终发送给单轴执行器的控制量为：
其中，上标i表示运动轴X/Y。
6.如权利要求1或2所述的一种基于ESO的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法，其特征在于：所述步骤3)中，交叉耦合误差计算如下：
ε＝-cxex+cyey (11)
式中，ε为系统轮廓误差，cx、cy为交叉耦合控制器增益，ex、ey分别为X轴、Y轴跟踪误差。
CN201810020696.2A 2018-01-10 2018-01-10 一种基于eso的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法 Active CN108303877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810020696.2A CN108303877B (zh) 2018-01-10 2018-01-10 一种基于eso的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810020696.2A CN108303877B (zh) 2018-01-10 2018-01-10 一种基于eso的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法

Publications (2)

Publication Number Publication Date
CN108303877A true CN108303877A (zh) 2018-07-20
CN108303877B CN108303877B (zh) 2020-05-05

Family

ID=62868466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810020696.2A Active CN108303877B (zh) 2018-01-10 2018-01-10 一种基于eso的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法

Country Status (1)

Country Link
CN (1) CN108303877B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109240089A (zh) * 2018-11-01 2019-01-18 上海理工大学 在概率目标约束下随机控制系统跟踪控制器的设计方法
CN111045387A (zh) * 2019-12-20 2020-04-21 哈尔滨工程大学 一种三阶轮廓误差实时估计方法
CN111930072A (zh) * 2020-07-15 2020-11-13 东南大学 一种双轴运动控制系统的轨迹跟踪控制方法
CN112068435A (zh) * 2020-09-09 2020-12-11 北京航空航天大学 基于干扰观测器的康复机械装置迭代学习控制方法及系统
CN112068434A (zh) * 2020-09-09 2020-12-11 北京航空航天大学 基于扩展状态观测器的康复机械装置迭代学习控制方法
CN112720244A (zh) * 2020-12-18 2021-04-30 杭州电子科技大学 基于开环交叉耦合迭代学习的水晶研磨控制方法与系统
CN113341943A (zh) * 2020-03-03 2021-09-03 天津大学 基于总扰动即时观测与迭代学习的重复作业式无人驾驶车辆轨迹跟踪控制算法
CN114185274A (zh) * 2021-12-06 2022-03-15 东北大学 基于迭代学习的钢铁生产过程重复性误差补偿控制方法
CN116560222A (zh) * 2023-03-13 2023-08-08 中国矿业大学 针对时变不确定性间歇过程的交叉耦合迭代学习控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323790A (zh) * 2011-07-15 2012-01-18 浙江工业大学 两轴数控系统的串级型迭代学习交叉耦合轮廓误差控制方法
US20140195013A1 (en) * 2002-04-18 2014-07-10 Cleveland State University Extended active disturbance rejection controller
CN105786024A (zh) * 2016-03-02 2016-07-20 北京航空航天大学 一种基于模型误差补偿的机载光电平台高精度跟踪控制器及其跟踪控制方法
CN107479385A (zh) * 2017-09-07 2017-12-15 南京理工大学 直角坐标机器人迭代滑模交叉耦合控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140195013A1 (en) * 2002-04-18 2014-07-10 Cleveland State University Extended active disturbance rejection controller
CN102323790A (zh) * 2011-07-15 2012-01-18 浙江工业大学 两轴数控系统的串级型迭代学习交叉耦合轮廓误差控制方法
CN105786024A (zh) * 2016-03-02 2016-07-20 北京航空航天大学 一种基于模型误差补偿的机载光电平台高精度跟踪控制器及其跟踪控制方法
CN107479385A (zh) * 2017-09-07 2017-12-15 南京理工大学 直角坐标机器人迭代滑模交叉耦合控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
于海滨等: "基于改进型ADRC的双轴伺服系统摩擦补偿研究", 《合肥工业大学学报（自然科学版）》 *
张冬梅等: "基于观测器跟踪非一致轨迹的迭代学习控制器设计", 《控制理论与应用》 *
赵国勇: "数控系统运动平滑处理、伺服控制及轮廓控制技术研究", 《中国优秀博硕士学位论文全文数据库（博士）工程科技I辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109240089B (zh) * 2018-11-01 2021-11-30 上海理工大学 在概率目标约束下随机控制系统跟踪控制器的设计方法
CN109240089A (zh) * 2018-11-01 2019-01-18 上海理工大学 在概率目标约束下随机控制系统跟踪控制器的设计方法
CN111045387A (zh) * 2019-12-20 2020-04-21 哈尔滨工程大学 一种三阶轮廓误差实时估计方法
CN111045387B (zh) * 2019-12-20 2020-12-22 哈尔滨工程大学 一种三阶轮廓误差实时估计方法
CN113341943A (zh) * 2020-03-03 2021-09-03 天津大学 基于总扰动即时观测与迭代学习的重复作业式无人驾驶车辆轨迹跟踪控制算法
CN111930072A (zh) * 2020-07-15 2020-11-13 东南大学 一种双轴运动控制系统的轨迹跟踪控制方法
CN112068435A (zh) * 2020-09-09 2020-12-11 北京航空航天大学 基于干扰观测器的康复机械装置迭代学习控制方法及系统
CN112068434A (zh) * 2020-09-09 2020-12-11 北京航空航天大学 基于扩展状态观测器的康复机械装置迭代学习控制方法
CN112720244A (zh) * 2020-12-18 2021-04-30 杭州电子科技大学 基于开环交叉耦合迭代学习的水晶研磨控制方法与系统
CN114185274A (zh) * 2021-12-06 2022-03-15 东北大学 基于迭代学习的钢铁生产过程重复性误差补偿控制方法
CN114185274B (zh) * 2021-12-06 2023-07-04 东北大学 基于迭代学习的钢铁生产过程重复性误差补偿控制方法
CN116560222A (zh) * 2023-03-13 2023-08-08 中国矿业大学 针对时变不确定性间歇过程的交叉耦合迭代学习控制方法
CN116560222B (zh) * 2023-03-13 2023-11-21 中国矿业大学 针对时变不确定性间歇过程的交叉耦合迭代学习控制方法

Also Published As

Publication number Publication date
CN108303877B (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
CN108303877A (zh) 一种基于eso的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法
Cao et al. Observer-based dynamic event-triggered control for multiagent systems with time-varying delay
Ma et al. Approximation-based Nussbaum gain adaptive control of nonlinear systems with periodic disturbances
CN107991867A (zh) 一种基于自抗扰控制器的网络化多轴运动控制系统的迭代学习轮廓误差控制方法
Hu et al. GRU-type LARC strategy for precision motion control with accurate tracking error prediction
Yan et al. Quantization-based event-triggered sliding mode tracking control of mechanical systems
CN110376882A (zh) 基于有限时间扩张状态观测器的预定性能控制方法
Riaz et al. A future concern of iterative learning control: A survey
Zhang et al. Fractional‐order iterative sliding mode control based on the neural network for manipulator
Li et al. Event-triggered-based cooperative game optimal tracking control for modular robot manipulator with constrained input
Sheng et al. Predefined-time fractional-order time-varying sliding mode control and its application in hypersonic vehicle guidance law
Dong et al. Barrier function-based asymptotic tracking control of uncertain nonlinear systems with multiple states constraints
Sun et al. Iterative tuning of feedforward controller with precise time‐delay compensation for precision motion system
Dong et al. Performance-Guaranteed Adaptive Optimized Control of Intelligent Surface Vehicle Using Reinforcement Learning
CN104035328A (zh) 一种采用干扰估计器的多运动体跟踪控制方法
Ren et al. Research of NSMDOB-based compound control for photoelectric tracking platform
Coman et al. Combining the MIT and Lyapunov stability adaptive methods for second order systems
Zhang et al. Adaptive nonlinear control for the stabilized platform with disturbance and input saturation
Darío Luis‐Delgado et al. Design of switching hyperplanes for multi‐inputs multi‐outputs discrete‐time linear systems
van Zundert et al. An approach to stable inversion of LPTV systems with application to a position-dependent motion system
Liu et al. Iterative learning tracking control of nonlinear multiagent systems with input saturation
Tian et al. Adaptive optimal trajectory tracking control of nonlinear affine in control system with unknown internal dynamics
Liu et al. Speed control based on ESO for the pitching axis of satellite cameras
Pang et al. Data-driven networked predictive control of a class of nonlinear systems with random packet dropouts
Gao et al. Neural networks-based adaptive tracking control for a class of high-order stochastic nonlinear time-delay systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant