机械工程学报

作者：杨亮亮, 袁锐, 史伟民, 鲁文其

单位：1. 浙江理工大学浙江省现代纺织装备技术重点实验室 杭州 310018;2. 杭州汇萃智能科技有限公司 杭州 310000

关键词：迭代学习,收敛性,伺服系统,辨识,最优控制,数据驱动；

基金：浙江省自然科学基金（LY18E050016）和国家重点研发计划（2017YFB1304000）资助项目。

传统最优迭代学习控制（Traditional optimal iterative learning control，TOILC）可以有效提高伺服系统的跟踪性能，但系统在运行过程中可能存在参数摄动，其参数在不断地缓慢变化，导致TOILC收敛性变差，进而会使系统的跟踪性能严重恶化。因此，针对系统时变特性，将非参数模型辨识与TOILC相结合提出一种基于数据驱动的自适应最优迭代学习控制（Data-driven adaptive optimal iterative learning control，DDAOILC）算法，在迭代过程中根据输入输出信号对系统名义模型进行辨识从而更新最优迭代学习控制器，该算法不需要事先获取精确的系统模型信息，弥补了TOILC的不足；仿真和试验结果表明，DDAOILC可以有效应对伺服系统时变特性，当系统有参数摄动时，仍具有较高的跟踪性能。

来源：2021年第17期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2021年第17期