论文部分内容阅读
非线性系统的控制问题一直是控制领域中的热点以及难点问题。众所周知,非线性系统极难控制,即使利用现代控制理论也难以设计适当的控制器。但对于具有重复运动性质的非线性系统,如机械臂的重复操作,迭代学习控制(Iterative Learning Control)是解决这一类系统简单而有效的方法,它能提高被控对象的运动轨迹在有限时间区间上沿整个期望轨迹的跟踪精度。论文针对平面二自由度机械臂这一非线性模型,从改善迭代学习控制的鲁棒性,增强其工程实用性的角度出发,首先应用D型迭代学习控制方法设计学习律,验证了迭代学习控制对于诸如二自由度机械臂系统等具有重复运动性质的被控对象具有很好的控制效果。其次,由于实际系统大都存在初态偏移,并且随着迭代次数的增加,算法自身不能消除初态偏移的影响,系统输出不能跟踪期望轨迹,为此,在原D型学习律的基础上,增加初态学习,设计带初态学习的D型迭代学习控制律,此法虽然消除了初态偏移对轨迹跟踪效果的影响,但是算法收敛速度却受到严重影响,同样限制了其实际应用。在论文最后,考虑指数变增益的D型学习律在收敛速度上的良好表现,再结合初态学习,得到带初态学习的指数变增益D型迭代学习律,在消除初态偏移对跟踪性能影响的同时,又改善了算法的收敛速度。在对迭代学习律进行研究改进的同时,以平面二自由度机械臂为被控对象,应用软件Matlab进行仿真分析,仿真结果中可见,采用D型迭代学习控制,轨迹跟踪误差随着迭代次数的增加而逐渐减少,直至实现完全跟踪;而在人为设定初态偏差后,系统输出虽然随着迭代次数的增加而稳定,但与期望轨迹存在恒值偏差;在采用带初态学习的D型迭代学习控制之后,初态偏移的效果得到很好地抑制,但是算法收敛速度有所下降;综合指数变增益D型学习律和初态学习,设计带初态学习的指数变增益D型学习律,系统不仅在初态偏移的情况下实现期望轨迹的完全跟踪,还加快了收敛速度,增强了迭代学习控制的鲁棒性。