33工程研究Engineering research■ 王成忠机械手控制中迭代学习法的应用摘要：机械手在工业现场具有效率高、精度高等优势，为了对机械手能准确、精确控制，采用迭代学习法，利用系统的速度、位置等信号来改进每次迭代的输入，通过输出反馈将轨迹跟踪误差限制在某一区域之内，而区域则被用来证明学习控制算法的收敛性。关键词：机械手；迭代学习；控制机械手在工业现场因其具有较高的生产率、质量精度和强大的柔性生产能力，在当前工业生产中越来越被人们重视。通过多年的研究、发展，在机械手控制算法上有了一定的成果，但仍有一定的缺陷，在实际应用过程中，难以达到满意的效果。迭代学习控制是由Uchiyama于1978年首先提出，后在1984年，Arimoto等人用英文介绍了该方法，引起研究人员的重视。对于线性时变系统，他们提出了通用的学习算法，并发展成一种迭代学习算法。1什么是迭代学习控制迭代学习控制，它区别于其他控制的主要特点是“重复往返学习修正”，通过反复的迭代，修正输入，达到改善控制效果的目的。迭代学习控制是根据系统前次运行所得到的输出误差信息，在控制过程中采用反馈输入的方法，使得控制效果不断修正完善。随着迭代的运行，逐步的修正下一步控制策略，使得控制效果越来越好。迭代学习控制对于处理一些不可预测的、重复的系统，有着较好的控制策略。从过程来看，第+1次输入与第n次以前的信息无关，仅与第次的输入、输出和期望输出轨迹有关，具有一定的实时性的。经迭代学习控制后，得到的新的输入信号比前一次的输入信号具有更好的控制策略，即随着迭代的进行，输出误差逐渐减小，并逐渐达到控制预期效果。迭代学习控制的算法其工作过程如下：在设定并存储期望轨迹以及初始控制数值情况下，通过初始定位操作、初始状态复位，使得在系统运行时，将输出采样储存，并计算误差，并存储新的控制输入。2机械手运动控制系统硬件方案设计机械手是现代生产过程中发展起来的一种新型自动化装置，其运动控制系统需要具有强大处理能力来完成算法处理和精确控制，所以因考虑以下几点：一是采用通用的外部通信接口与PC进行通信，提高控制的灵活度，以便分析控制手运动情况。二是采用专用的控制器，使系统具备独立的数据处理功能，能够独立控制机械手。三是选择合适的测量元件与控制电机，尽可能减少系统运行中非线性因素，提高控制效果。四是针对多关节控制，可以实现从单轴到多轴，单自由度多自由度控制，提升系统的可扩展性。其运动控制系统的构架设计如图3所示。改方案采用STM32F4系统控制器，具有较高的性价比外，可以进行复杂的计算机和控制，并且可以通过RS232接口与PC进行通信。在驱动驱动装置方面，根据工作环境和控制需求，要考虑的是电机类型的选择问题。运动控制系统中常用的驱动装置有步进电机、直流伺服电机和交流伺服电机等。交流伺服电机因具有较好的动态响应特性和控制特性，在大功率、高精度和高可靠性运动控制中，成为首选，得到广泛应用。电机类型也会根据实际应用情况而定，如：工业机械手选用交流伺服电机，精度要求高的机械手则大多采用简单易控制的直流伺服电机。在设计时，还要考虑重量和最大载荷等问题，需要综合考虑。本机械手使用台达的ASDA-B系列伺服驱动器和ECMA系列伺服电机[2]。3机械手的运动学分析为了建立机器人的运动学方程，先要讨论相邻连杆的运动关系，本次研究对象为一个五自由度水平多关节的机械手，由一系列连杆通过转动顺次串联而成，模拟机械手具有个平动自由度和转动自由度，关节是转动关节和是移动关节，在同一方向上运动,可以等效变换为一个自由度，可以在有限的空间内进行运动运动，具有良好的顺从性和旋转刚度。而在实际应用中关节很少会运动,平常只是起立柱的作用,计算时可以忽略。机械手一端固定在导轨型工作台上，另一端安装末端执行器，各个关节由固定器驱动，带动机械手进行相对运动变化，从而完成操作作业。在讨论这种关系时首先要引入机器人学中的重要参数—Denevie-Hartenberg参数，简称为D—H参数，建立水平多关节机械手各连杆的空间坐标系。根据连杆参数，利用D-H法的连杆变换矩阵的一般表达式，得到各个连杆变换矩阵，机械手的运动方程推导如下：假设机械手手爪相对于末端连杆变换矩阵为，基坐标系相对于参考坐标系的变换矩阵定为，则可得机械手的运动学方程为：。由于连杆坐标系的不唯一性，因此，相应的手臂变换矩阵和连杆变换矩阵也具有不唯一性。4机械手动力学分析本机械手具有多个关节和多个连杆组成，输入、输出较多，之间也存在着复杂的联系，为便于分析，可通过建立拉格朗日方程来确定机械手动力学模型。结合连杆1、连杆2、连杆3的动能方程，系统的动能方程可描述为：其中，T1、T2、T3分别表示连杆1、2、3的动能方程[3]。5机械手迭代学习控制结合机械手的动力学方程和分析，机械手的迭代学习控制可以使用类牛顿迭代学习。当机械手的模型动力学方程不精确或者误差比较大时，可通过增加反馈环以改善迭代学习控制系统的性能。为了使机械手系统的稳定性增加，通过放宽类牛顿学习律的前提条件，给该学习律加上反馈环。或考虑到建模困难，对算法进行简化，得到新的算法。通过建模、仿真对比，得出算法的优劣[4]。本文对机械手硬件和运动学、动力学方面进行了介绍，提出了一种应用于机械手的迭代算法控制研究。通过该方法，在保证系统的稳定性的前提下，能够在系统模型存在不确定性的情况下，随着操作次数的增加而逐步地减少跟踪误差，并提高系统稳定性和精确性。（作者单位：苏州大学）作者简介：王成忠（1983～），男，在职研究生，讲师，研究方向为控制工程。参考文献[1]迭代学习控制综述.李仁俊,韩正之.控制决策[J].2005,20-9 （61-62）[2]李林鑫.基于迭代学习的机械手运动控制系统设计[D]浙江大学.2013（22）[3]齐进凯.气动机械手的结构设计分析 及控制的研究[D].2003（22-23）[4]姚远.机械手迭代学习控制算法的应用研究.浙江大学.2004（16-17）
基于迭代学习控制的投料机称重控制系统设计
摘要：由于现有沥青拌和站投料设备的称重控制系统加料精度不稳定，故无法适应不同类型的物料。利用OPC实现Matlab与PLC之间的通讯，突破了PLC编程语言的限制，将迭代学习控制算法应用在PLC中，采用PI型学习控制律，分析了不同增益参数对系统性能的影响。结果表明：将迭代学习控制算法应用在称重控制系统中，能明显降低投料误差，改善其鲁棒性。
关键词：投料机；OPC；称重控制系统；迭代学习控制
中图分类号：U415.5文献标志码：B 文章编号：1000033X（2016）06010103
0引言
中国经济快速发展，交通量日趋增长，如何对沥青路面进行高效率、低成本的维护成为了亟需解决的问题。据统计，车辙是当前沥青路面结构最主要的破坏形式之一[12]。因此，在沥青混合料生产过程中，越来越多的施工单位使用抗车辙剂提升沥青混合料的高温稳定性[34]。
现有的沥青拌和站没有添加抗车辙剂的功能，多使用配套的自动化投料设备。抗车辙剂多为颗粒状，投料设备大多采用气力输送系统输送物料。这种设备通常利用电子称、可编程控制器（PLC）、变频器及螺旋输送机组成的称重控制系统进行抗车辙剂的定量投放，具有投放速度快、生产效率高等特点[5]。
笔者所在单位自主研发的智能投料机已成功应用在吉河高速建设项目。然而，在实际使用过程中发现，这种称重控制系统的精度受很多因素的影响，比如物料颗粒尺寸、设备机械机构、PLC控制程序等。如果称重控制系统存在较大误差，对施工质量将造成巨大影响。当抗车辙剂添加不足时，对沥青混合料的高温稳定性有较大影响；当添加过多时，会稀释沥青，无法正常摊铺。
试验研究表明，螺旋输送机的稳定性与准确性与物料颗粒尺寸有直接关系。螺旋出料口与计量仓之间有高度落差，即螺旋关闭时仍有一部分物料没有进入计量仓内，若关闭时机不当，则会造成较大的加料误差[6]；虽然可以通过在加料过程后期降低螺旋转速、调整螺旋并关闭提前量来降低误差，但是每次加料时间间隔短（小于1 min），且气力输送过程时间长，称重过程时间就很短，因此采用上述方法很难获得很好的效果。
中国石油大学（华东）本科毕业设计（论文）
摘 要
本文首先分析了迭代学习控制的特点及其应用场合：迭代学习控制(Iterative Learning Control简称ILC)是智能控制理论的一个重要分支，其结构简单，跟踪效果好，不需要模型，或对模型的先验知识要求不高。对诸如：具有非线性、强耦合、难建模且对控制精度要求高的机器人、注塑等周期性运动或间歇重复生产过程的对象，迭代学习控制的研究具有重要的意义。其次，基于Matlab软件，进行了迭代学习控制系统仿真实验。以注塑机生产过程为背景，进行了注射速度迭代学习控制实际应用仿真；最后，对离散系统的迭代学习控制系统进行了PID参数的优化、对迭代学习控制系统的学习律PID参数整定问题进行了研究，探讨了两种整定方法：利用广义逆阵拟合PID参数、利用神经网络拟合PID参数。
关键词:迭代学习控制；注塑机；注射速度；PID参数整定
中国石油大学（华东）本科毕业设计（论文）
ABSTRACT
This paper first analyzes the characteristics of iterative learning control and
its applications：iterative learning control(ILC) is an important branch of the
intelligent control．Its main strategies are simple structure，perfect trajectory
tracking，less prior knowledge of model．The research of ILC is significant for
plants which are nonlinear, strong coupling, difficult to model，and the remand of
第７卷第２期 ２００２年６月 集美大学学报（自然科学版）
Ｊｏｕｒｎａｌ ｏｆ Ｊｉｍｅｉ Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ） Ｖ０１．７ Ｎｏ．２ Ｊｕｎ．２００２
［文章编号］１００７—７４０５（２００２）０２—００９５—０４
迭代学习控制与等效的反馈控制
许顺孝 ，杨富文
（１．集美大学信息工程学院，福建厦门３６１０２１；２．福州大学电气工程系，福建福州３５０００２）
［摘要］基于算子理论推导迭代学习控制（ＩＬＣ）收敛的充分条件和跟踪误差．研究表明对于任何因果时 不变线性系统（ＬＴＩ）的ＩＬＣ都存在等效反馈控制，可获得相同的跟踪误差，并且反馈控制器的参数仅与ＩＬＣ 的参数有关而与系统参数无关．即使被控系统未知，ＩＬＣ方法也没有比传统反馈控制有更大的优越性． ［关键词］迭代学习；反馈控制；线性算子 ［中图分类号］ＴＰ ｌ８ ［文献标识码］Ａ
０ 引言
迭代学习控制方法首先由Ａｒｉｍｏｔｏ等人提出时域的Ｄ型控制算法，并给出算法收敛的充分条 件 】，现已发展为动态广义Ｄ型控制算法 】．由于微分作用，Ｄ型算法对误差信号的高频干扰敏 感，这问题可由Ｐ型控制算法加以解决［３】．迭代学习控制属于前馈控制，系统必须要有反馈控制［４】， 才能镇定系统，避免在刚学习阶段时出现太大的跟踪误差，提高学习收敛的速度和系统跟踪的性能． 反馈控制在Ｐ型和Ｄ型算法中的作用见文献［５，６］．前面讨论的算法仅适于相对阶不大于１的系 统，对于相对阶大于１的系统有基于相对阶（度）概念的高阶Ｄ型算法 和基于算子理论的算法［８］， 但前者对误差信号的高频干扰敏感，后者的控制结果是系统跟踪误差不为零．本文不限于在时域讨论 学习控制算法，而是基于文献［８］的思路即在算子理论框架下来研究时不变线性系统的迭代学习控 制算法．
１迭代学习控制算法
不确定时不变性受控系统的算子描述为： Ｙ１＝Ｐｕｆ＋Ｙｏｆ （１） 其中，ｉ为迭代次数，ｕｉ∈ ［Ｏ，Ｔ］，Ｙ ∈Ｌ Ｏ，Ｔ］分别为系统的输入和输出，因果的系统算子为
