外文翻译鲁棒迭代学习控制及其在注塑成型工艺中的应用.docxVIP

中文翻译 鲁棒迭代学习控制及其在注塑成型工艺中的应用 摘要 融合是迭代学习控制(ILC)在批处理过程中的设计和应用中的一个重要 问题。本文提出了一种稳健的迭代学习控制器的设计。以确保BIBO (有界输入 -有界输出)稳定被导出为最优ILC,当跟踪任意有界输岀参考时。--个实际的 方案,加权矩阵的选择过程也提出了不确定的初始复位和干扰，确保系统批次的 性能改进。最后，应用注塑控制演示e5ectiveness算法。2001 Elsevier Science Ltd.保留所有权利。 关键词：迭代学习控制；批量处理；注塑成型 1.简介 迭代学习控制(ILC)的动机是模仿人类学习过程。它最初的开发是为了操 纵需要以高精度重复给定的任务的工业机器人。通过使用过程的重复性，即试验 (或批)指标k从试验到试验，以及经过的时间指数在一步一步的审判中，ILC 逐渐和两次迭代地提高了控制精度控制输入的尺寸。这二维学习结果优于常规饲 料-背部控制技术，只有时间尺寸沿着时间轴进行输入动作。学习控制设计的 关键是提供一种算法，以确保为下一次试验生成控制输入，使得性能随着每次连 续试验而提高。Uchiyama (1978)引入了迭代学习的产生方法，后来由Arimoto, Kawamura和Miyazaki (1984)进行了数学计算。此后,对迭代学习控制的发展 和分析已经有了大量的研究。最近，ILC被应用于许多重复工艺，如间歇式反 应器，分批蒸镭和注射成型(Lee, Bang, Yi, Son, Yoon, 1996; Havlicsck Alleyne, 1999) o Bien和Xu (1998)的参考文献可以找到关于这个问题的综 合文献调查。 传统的ILC方案用作开环前馈补偿器。然而，已经发现，不用于循环反馈的 ILC通常对扰动敏感，系统收敛趋于缓慢(BienXu, 1998)。最近，Amann, Owens和Rogers (1996)通过将Riccati反馈与基于优化原理的典型ILC前馈相 结合，提出了一种新的ILC算法。该方案具有步进自动确定的优点，因此保证了 指数收敛。模拟显示，Amann的最优学习算法非常有效，与传统的ILC方案进行 比较；这提高了对工业设置的更广泛应用的期望。在现实中，流程干扰中总是存 在不确定性，而且，初始化过程很可能不是完全可重复的。这些实际问题对许多 批次工艺是重要的，例如注射成型。这些问题在阿曼的原始文章中没有得到解 决。 本文旨在扩展Amann, Owens和Rogers (1996)的最优迭代学习控制算法, 以应用于具有不确定初始复位的不稳定干扰的通用批处理。Suo确保ILC具有有 界输入有界输出(BIBO)稳定性的必要条件。对成本函数的加权矩阵的选择进行 分析。最后，给出了使用引入的最优迭代学习控制来控制注塑速度的模拟和实验 应用，以证明所提出的算法的效果。 2.最佳学习控制背景 Amann最优学习算法的背景介绍如下。 2. 1问题制定 假设感兴趣的植物由具有干扰的以下采样时间线性系统描述 + 1 )=你(/) +跖(/) + *(/), 0 W f W N、 = 0,1 仝 2,???， yA(/) = Cr*(/) + coA(/X 总 uK € ”€讯卩， (1) 其中下标k表示对应于试验索引的操作的迭代次数，例如，yt (t)是在吋 间t的系统输出的值；在第k个操作。(t)和血k (t)表示有界 状态和外部干扰。注意，方程式的精确状态初始化。(1)对于每次迭代都不是 必需的。木文将讨论初态变化和外部干扰的鲁棒性。状态空间矩阵A, B,为了 简单起见，假设C是不随时间而变的。没有任何技术学科，有可能将本文的所有 结果扩展到时变系统。基于线性系统理论(1)可以推断： 处(f) = XCR 1 仿心(/) + /(), (2) /=0 r-i 力⑴=前心(0) +刀(?才|、) + s(/)? (3) /=0 从上述可以看出，每次试验的初始动作和干扰出现在植物中，将Amann, Owens 和Rogers (1996)的工作扩大到更普遍的情况。在每次试验中，涉及9个时间 间隔。(2)可以以矢量形式通过建立超向量YK作出；uk和〃k从yk (t) ; uk (t)和〃k (t)如下： (4)= Gig + 加， (4) 其中 5(1)? 必⑵ 刃= ? 协(0)敗(1)■ 协(0) 敗(1) ■ NN - I) 超向量都带有参数时间t的遗漏。在实施迭代学习控制期间，以前的试验的yk 和uk需要记住当前试验的uk + 1 (t)的计算。矩阵G,已知为托普利兹矩阵一 个三角形下部块矩阵，可以从第9列来确定。在本文中，由阿曼，欧文斯和罗杰 斯(1996)认定为“规律性条件” 假设ker GT = Oo如果植物，方程