[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

说明书

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。

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