[发明专利]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

权利要求书

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；控制系统时变短时延τ_k均小于一个采样周期，即0≤τ_k≤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，t_k表示第k个采样时刻，且t_k+1＝t_k+h；则含有时变短时延τ_k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，采用迭代学习控制ILC+ESO+交叉耦合控制CCC策略，实现高精度网络化轮廓跟踪控制；

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，表示j次迭代时的系统输出误差及其微分；C_ff及C_fb分别表示前馈增益和反馈增益，z_3j(k)为对状态量x_3j(k)的估计。

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[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；z_1j(k)、z_2j(k)、z_3j(k)为对状态量x_1j(k)、x_2j(k)、x_3j(k)的估计；e_zj(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，u_j(k)为j次迭代周期采样时刻k的控制量，e_j(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e_j(t)＝y_d(k)-y_j(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；C_ff及C_fb分别表示前馈增益和反馈增益；b₀为补偿因子；u_wj(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，交叉耦合误差计算如下：

ε＝-c_x·e_x+c_y·e_y (11)

式中，ε为系统轮廓误差，c_x、c_y为交叉耦合控制器增益，e_x、e_y分别为X轴、Y轴跟踪误差。