TW201314472A - 採用經驗模式分解技術之重覆學習控制方法及重覆學習控制器 - Google Patents

Abstract

本發明係一種採用經驗模式分解技術之重覆學習控制方法及重覆學習控制器，主要用於具有高重複性動作系統上，如工業上元件的加工、產品的檢測等與重複路徑相關動作的系統，藉以增進命令追蹤性能；於實體應用上，本方法係以經驗模式分解技術(Empirical Mode Decomposition;EMD)將系統中之重覆學習控制器產生的輸出追蹤誤差訊號進行分解，進而判斷出需要被濾除的誤差訊號成分，並於重新進行的學習程序時，濾除該追蹤誤差訊號所含之必須被濾除之誤差訊號成分，之後即可產生重覆學習控制器所需要的高準確度的修正量，有助於提升系統較佳的命令追蹤性能。

Description

採用經驗模式分解技術之重覆學習控制方法及重覆學習控制器

本發明係關於一種用於如加工機等具有高重覆動作之系統所採用之重覆學習控制方法，尤指一種採用經驗模式分解技術之重覆學習控制方法及重覆學習控制器。

按，隨著高科技產業的蓬勃發展，在電子、資訊、通訊、汽車、航太、生科等相關產業的競爭日益激烈，為了提高競爭力，如何降低成本、提高品質、技術升級與開發高附加價值的產品，乃是維持其市場競爭力的重要因素。其中，高速、高精度之工具機與光電半導體製程與檢測設備無疑是本國主要發重點之一。此外，新興的研究方向則有醫療或娛樂的機器人等。綜觀這些產業可發現其共通之處在於其過程中有高度重複性的動作存在，而此一重複性的動作，則是經由控制器所加以驅動與控制。由於是為一重複性的動作，因此此次運動過程中所得到的誤差，則可用以作為改變下次動作命令的修正量，對伺服誤差、背隙、干擾、摩擦或結構共振加以補償進而改進性能得到較少的誤差量。而此種的概念，在控制的概念上一般慣稱為重複學習控制方法，而將其實現於一控制器上則稱此控制器為重複學習控制器，為一智能化的控制器。

現有重複學習控制方法是以追蹤誤差作為學習的修正量，其主要目的在於經由對此次動作追蹤誤差加以學習，進而改善下次動作追蹤誤差性能。主要好處在於只要能擷取到輸出訊號即能加以學習。請參閱圖4所示，實現此一重複學習控制方法的重複學習控制器包含有：一記憶單元50，係儲存本次軌跡輸入命令r_k，以供一閉迴路伺服器系統20的命令輸入端連接；其中該閉迴路伺服器系統20接收此一軌跡輸入命令r_k後即於輸出端輸出一對應的輸出訊號y_k；一低通濾波器51，其輸入端透過一減法器511連接該閉迴路伺服器系統20的輸出端及一實際需要軌跡訊號輸入端，以取得輸出訊號y_k與實際需要軌跡訊號y_d的追蹤誤差訊號e_k，並將此一追蹤誤差訊號e_k的高頻訊號成份予以濾除後輸出；一學習增益器52，其輸入端係連接至該低通濾波器51的輸出端，以獲得追蹤誤差訊號，依據追蹤誤差訊號調整一修正增益值，而輸出端則透過一加法器521連接至該記憶體50；其中該加法器521係將記憶體50的本次軌跡輸入命令加上該修正增益值，以獲得下次軌跡輸入命令r_k+1。

雖然上述重覆學習控制器確實可藉由追蹤誤差作為學習的修正量，並經由對此次動作追蹤誤差加以學習，進而改善下次動作追蹤誤差性能，但對於如加工機的學習控制器控來說，其輸出追蹤誤差訊號包含了振動訊號成份，若以包含有振動訊號成份之追蹤誤差訊號進行學習進而產生新的修正量，則結果將會更加激發系統的振動，而破壞學習程序；是以，有必要就學習過程中再進一步濾除不必要的誤差訊號，更提升系統較佳的命令追蹤性能。

有鑑於上述現有技術缺點，本發明主要目的係一種採用經驗模式分解技術之重覆學習控制方法，主要用於具有高重複性動作系統上，如工業上元件的加工、產品的檢測等與重複路徑相關動作的系統，藉以增進命令追蹤性能。

欲達上述目的所使用的主要技術手段係令該重覆學習控制方法係包含有：以滿足學習控制收斂條件的學習增益與學習函數，執行數次的學習控制程序；將每次得到的輸出追蹤誤差訊號以經驗模式分解技術(Empirical Mode Decomposition；以下稱EMD技術)進行分解；將不同學習次數下所分解追蹤誤差訊號的相同本質模式模型訊號(Intrinsic mode model；以下簡稱IMF訊號)進行比較，若所得到IMF訊號的均方根值(RMS)隨著學習次數的增加而有變大的趨勢，則該本質模式模型的分量則為視為必須被濾除的誤差訊號成分；重新開始執行學習控制程序，並於每次學習控制程序所得到的追蹤誤差訊號扣除誤差訊號成分，以產生用於下次學習控制程序的新修正量。

至於本發明另一目的係提供一種重覆學習控制器，其包含有：一記憶單元，係儲存本次軌跡輸入命令，以供一閉迴路伺服器系統的命令輸入端連接；其中該閉迴路伺服器系統接收此一軌跡輸入命令後即於輸出端輸出一對應的輸出訊號；一經驗模式分解模組，其輸入端透過一第一減法器連接該閉迴路伺服器系統的輸出端及一實際需要軌跡訊號輸入端，以取得輸出訊號與實際需要軌跡訊號的追蹤誤差訊號，並將此一第一追蹤誤差訊號的以EMD技術予以分解，產生IMF訊號；一低通濾波器，其輸入端透過一第二減法器連接該第一減法器及該經驗模式分解模組的輸出端，以取得扣除IMF訊號的第二追蹤誤差訊號，將此第二追蹤誤差訊號的高頻訊號成份予以濾除後輸出；一學習增益器，其輸入端係連接至該低通濾波器的輸出端，以獲得第二追蹤誤差訊號，依據第二追蹤誤差訊號調整一修正增益值，而輸出端則透過一加法器連接至該記憶體；其中該加法器係將記憶體的本次軌跡輸入命令加上該修正增益值，以獲得下次軌跡輸入命令。

上述本發明可在學控控制程序中，確實將學習控制程序中所學習到的追蹤誤差訊號的不必要誤差訊號成分予以扣除，而於下次學習控制程序中獲得更高準確度的新修正量；以應用於加工機的學習控制器控來說，本發明即可藉由EMD技術找出追蹤誤差訊號的振動訊號成份，並將其自下次追蹤誤差訊號中濾除，避免下次以包含有振動訊號成份之追蹤誤差訊號進行學習所產生新的修正量激發系統的振動，而破壞學習程序。

首先請參閱圖1所示，係本發明採用經驗模式分解技術之重覆學習控制方法以一重覆學習控制器加以實現的架構圖，該重覆學習控制器係連接一閉迴路伺服系統進行重覆學習控制方法；其中該重覆學習控制器係包含有：一記憶單元10，係儲存本次軌跡輸入命令r_k，以供一閉迴路伺服器系統20的命令輸入端連接；其中該閉迴路伺服器系統20接收此一軌跡輸入命令r_k後即於輸出端輸出一對應的輸出訊號y_k；一經驗模式分解模組11，其輸入端透過一第一減法器111連接該閉迴路伺服器系統20的輸出端及一實際需要軌跡訊號輸入端，以取得輸出訊號y_k與實際需要軌跡訊號y_d的追蹤誤差訊號e_k，並將此一第一追蹤誤差訊號e_k的以EMD技術予以分解，產生IMF訊號；一低通濾波器12，其輸入端透過一第二減法器121連接該第一減法器111及該經驗模式分解模組11的輸出端，以取得扣除IMF訊號的第二追蹤誤差訊號e_k ^’，將此第二追蹤誤差訊號e_k ^‘的高頻訊號成份予以濾除後輸出；一學習增益器13，其輸入端係連接至該低通濾波器12的輸出端，以獲得第二追蹤誤差訊號，依據第二追蹤誤差訊號調整一修正增益值，而輸出端則透過一加法器131連接至該記憶體10；其中該加法器131係將記憶體10的本次軌跡輸入命令加上該修正增益值，以獲得下次軌跡輸入命令r_k+1。

由上述重覆學習控制器架構可得知本發明重覆學習控制方法係包含有以下步驟，並請配合參閱圖2所示：以滿足學習控制收斂條件的學習增益與學習函數，執行數次的學習控制程序S11；將每次得到的輸出追蹤誤差訊號以經驗模式分解技術(EMD技術)進行分解S12；將不同學習次數下所分解追蹤誤差訊號的相同IMF訊號進行比較，若所得到IMF訊號的均方根值(RMS)隨著學習次數的增加而有變大的趨勢，則該IMF訊號的分量則為視為必須被濾除的誤差訊號成分S13；重新開始執行學習控制程序，並於每次學習控制程序所得到的追蹤誤差訊號扣除誤差訊號成分，以產生用於下次學習控制程序的新修正量S14。

請進一步配合參閱圖3所示，係為上述經驗模式分解模組以EMD技術對追蹤誤差訊號的詳細流程圖，詳如下述：

首先取得第一追蹤誤差訊號E(t)S21，再對此第一追蹤誤差訊號E(t)分別求出最大值與最小值所組合而成的最大值包絡線及最小值包絡線S22，再以需進行分解的訊號減去最大值包絡線與最小值包絡線的平均訊號S23，並進一步判斷所剩下的訊號是否滿足IMF訊號的條件S24；若所剩下的訊號不滿足IMF訊號的條件，則以此剩下的訊號為新的待分解訊號重新進行上述程序；反之，若滿足IMF訊號的條件，則此剩下的訊號為此待分解訊號的一個IMF訊號分量C_i。再將待分解訊號r_n扣除此IMF訊號分量C_i，再判斷扣除後的IMF訊號分量r_n是否為一單調函數S25；若是，則此扣除後的訊號為待分解訊號的一個餘函數，則訊號分解完成；若否，則以此扣除後的訊號為一新的待分解訊號，重新進行分解程序。

上述需進行分解的訊號包含第一次的第一追蹤誤差訊號E(t)，以及第二次以後被視滿足IMF訊號的條件的更新訊號ui,k或是rn。

綜上所述，當本發明應用於如加工機的學習控制器來說，本發明的學習控制器可在學習過程中有效分解出不需要被學習的訊號(振動訊號成份)，並加以濾除之；如此，即可以不包含有振動訊號成份的追蹤誤差訊號作為下次重新學習產生而產生之正確修正量，對於加工機來說，能避免激發系統的振動所破壞學習程序之缺陷。

10．．．記憶單元

11．．．經驗模式分解模組

111．．．第一減法器

12．．．低通濾波器

121．．．第二減法器

13．．．學習增益器

131．．．加法器

20．．．閉迴路伺服系統

50．．．記憶單元

51．．．低通濾波器

511．．．減法器

52．．．學習增益器

521．．．加法器

圖1：係本發明重覆學習控制與一閉迴路伺服系統連接的系統架構圖。

圖2：係本發明採用經驗模式分解技術之重覆學習控制方法的流程圖。

圖3：係本發明經驗模式技術的分解詳細流程圖。

圖4：係既有重覆學習控制與一閉迴路伺服系統連接的系統架構圖。

10．．．記憶單元

11．．．經驗模式分解模組

111．．．第一減法器

12．．．低通濾波器

121．．．第二減法器

13．．．學習增益器

131．．．加法器

20．．．閉迴路伺服系統

Claims (6)

1. 一種採用經驗模式分解技術之重覆學習控制方法，係包含有：以滿足學習控制收斂條件的學習增益與學習函數，執行數次的學習控制程序；將每次得到的輸出追蹤誤差訊號以經驗模式分解技術進行分解；將不同學習次數下所分解追蹤誤差訊號的相同IMF訊號進行比較，若所得到IMF訊號的均方根值隨著學習次數的增加而有變大的趨勢，則該IMF訊號的分量則為視為必須被濾除的誤差訊號成分；重新開始執行學習控制程序，並於每次學習控制程序所得到的追蹤誤差訊號扣除誤差訊號成分，以產生用於下次學習控制程序的新修正量。
2. 如申請專利範圍第1項所述重覆學習控制方法，上述經驗模式技術分解各追蹤誤差訊號包含以下步驟：首先取得追蹤誤差訊號；再對該追蹤誤差訊號分別求出最大值與最小值所組合而成的最大值包絡線及最小值包絡線；以需進行分解的訊號減去最大值包絡線與最小值包絡線的平均訊號；判斷所剩下的訊號是否滿足IMF訊號的條件；若所剩下的訊號不滿足IMF訊號的條件，則以此剩下的訊號為新的待分解訊號重新進行上述程序；反之，若滿足IMF訊號的條件，則此剩下的訊號為此待分解訊號的一個IMF訊號分量；將待分解訊號扣除此IMF訊號分量；判斷扣除後的IMF訊號分量是否為一單調函數；若是，則此扣除後的訊號為待分解訊號的一個餘函數，則訊號分解完成；若否，則以此扣除後的訊號為一新的待分解訊號，重新進行分解程序。
3. 如申請專利範圍第2項所述之重覆學習控制器，上述需進行分解的訊號包含第一次的第一追蹤誤差訊號，以及第二次以後被視滿足IMF訊號的條件的更新訊號。
4. 一種採用經驗模式分解技術之重覆學習控制器，係包含有：一記憶單元，係儲存本次軌跡輸入命令，以供一閉迴路伺服器系統的命令輸入端連接；其中該閉迴路伺服器系統接收此一軌跡輸入命令後即於輸出端輸出一對應的輸出訊號；一經驗模式分解模組，其輸入端透過一第一減法器連接該閉迴路伺服器系統的輸出端及一實際需要軌跡訊號輸入端，以取得輸出訊號與實際需要軌跡訊號的追蹤誤差訊號，並將此一第一追蹤誤差訊號的以EMD技術予以分解，產生IMF訊號；一低通濾波器，其輸入端透過一第二減法器連接該第一減法器及該經驗模式分解模組的輸出端，以取得扣除IMF訊號的第二追蹤誤差訊號，將此第二追蹤誤差訊號的高頻訊號成份予以濾除後輸出；一學習增益器，其輸入端係連接至該低通濾波器的輸出端，以獲得第二追蹤誤差訊號，依據第二追蹤誤差訊號調整一修正增益值，而輸出端則透過一加法器連接至該記憶體；其中該加法器係將記憶體的本次軌跡輸入命令加上該修正增益值，以獲得下次軌跡輸入命令。
5. 如申請專利範圍第4項所述之重覆學習控制器，其中該經驗模式分解模組分解第一追蹤誤差訊號係包含有以下步驟：首先取得第一追蹤誤差訊號；再對該第一追蹤誤差訊號分別求出最大值與最小值所組合而成的最大值包絡線及最小值包絡線；以需進行分解的訊號減去最大值包絡線與最小值包絡線的平均訊號；判斷所剩下的訊號是否滿足IMF訊號的條件；若所剩下的訊號不滿足IMF訊號的條件，則以此剩下的訊號為新的待分解訊號重新進行上述程序；反之，若滿足IMF訊號的條件，則此剩下的訊號為此待分解訊號的一個IMF訊號分量；將待分解訊號扣除此IMF訊號分量；判斷扣除後的IMF訊號分量是否為一單調函數；若是，則此扣除後的訊號為待分解訊號的一個餘函數，則訊號分解完成；若否，則以此扣除後的訊號為一新的待分解訊號，重新進行分解程序。
6. 如申請專利範圍第5項所述之重覆學習控制器，上述需進行分解的訊號包含第一次的第一追蹤誤差訊號，以及第二次以後被視滿足IMF訊號的條件的更新訊號。