迭代学习控制(Iterative Learning Control,ILC)适用于具有重复运动性质的被控对象,可实现有限时间区间内的完全跟踪[1]。ILC是在输入信号具有可重复性的前提下执行的,然而在实际的工业过程中总是不可避免地存在不确定干扰或随机噪声扰动,使系统不能实现完全跟踪,严重破坏了系统的控制品质。目前针对迭代学习控制系统中存在随机噪声扰动问题,文献[2-3]提出一种基于信号处理的滤波方法减小控制系统中随机噪声的影响;文献[4]提出了基于改进扩展状态观测器(Extended State Observer,ESO)估计的P型迭代学习控制算法,并利用干扰补偿增益实现干扰从输出中衰减的效果;文献[5]通过对误差中随机部分的分析,从控制器设计的角度出发,设计了最优内部反馈控制器并对迭代学习控制器进行了优化,在一定程度上降低系统的随机噪声产生的影响。上述文献提出的方法,能够在一定程度上消除随机噪声扰动的影响,但都是将控制器设计与滤波方法独立开来解决迭代学习控制系统中的随机扰动问题,且只在设定的批次时获得较好的控制性能,随着迭代次数的增加,随机噪声在批次间叠加使得迭代学习的效果越来越差,严重影响了产品品质。
本文提出一种滤波器与控制器设计相结合的ILC优化设计方法,以解决迭代学习控制系统中的随机扰动问题。本文主要针对单输入单输出 (Single Input Single Output,SISO)的线性时不变离散系统,通过对系统模型设计获得最优内部反馈控制器,并应用文献[6]中提出的基于小波变换的二次实验滤波法对系统的误差信号进行滤波处理,使系统的性能获得了一定程度的改善。但由于基于小波变换的滤波并不能获得明确的解析表达式,无法进一步对迭代学习控制器进行分析设计。所以本文又进一步提出了无限脉冲响应(Infinite Impulse Response,IIR)数字滤波器等效小波滤波的迭代学习控制器优化方案,提高迭代学习控制系统抗随机扰动性能。通过计算和比较不同方法下系统输出误差二范数值随迭代批次增加时的变化情况,进一步说明本文算法的有效性。
1 系统描述本文讨论的迭代学习控制器的系统结构如图 1所示:设每次迭代的初始条件为期望输入,且初始条件并不随着迭代次数的改变而改变。图 1中C为系统内部反馈控制器;T为系统模型;N为系统扰动输入模型;L为外部迭代学习控制律;wki为系统随机噪声,且wki≠wki+1;其中:i=1,2,…为系统的迭代次数,k为系统时间,xki为控制输入;yki为输出;eki输出误差;ykd为期望输出;本文应用一阶PID迭代学习控制律:
$x_{k}^{i}=x_{k}^{i\text{-}1}+Le_{k}^{i\text{-}1}$ | (1) |
由图 1可得到第i次迭代的输出为:
$y_{k}^{i}=G({{q}^{\text{-}1}}){{(z-1)}^{-1}}e_{k}^{i}+{{(1+T({{q}^{\text{-}1}})C({{q}^{\text{-}1}}))}^{-1}}Nw_{k}^{i}$ | (2) |
其中:q为时间前移操作符,即qxki=xk+1i;同理q-1为时间滞后操作符,即q-1xki=xk-1i;z-1为迭代批次的前移项操作符,即z-1xki=xki-1。由此可得到:(z-1) -1eki=xki/L;G(q-1)=(1+TC)-1TCL,为方便书写,后续公式中将省略q-1。
根据图 1给出的系统模型,可得到第i次迭代后的输出误差表达式为:
$\begin{align} & e_{k}^{i}={{(1-G)}^{i-1}}{{[1+TC]}^{-1}}y_{k}^{d}\text{+}{{(1-G)}^{i-2}}G\times \\ & (F+R{{q}^{-d}})w_{k}^{1}+{{(1-G)}^{i-3}}G(F+R{{q}^{-d}})w_{k}^{2}+... \\ & +G(F+R{{q}^{-d}})w_{k}^{i-1}-(F+R{{q}^{-d}})w_{k}^{i} \\ \end{align}$ | (3) |
其中F+Rq-d=(1+TC)-1N由丢番图方程[7]分解得到;由式(3) 可以看出G=1时系统输出误差最小,即迭代学习控制器为系统的逆,而实际过程中由于系统的非最小相位问题等导致系统的逆并不存在,此时系统的控制器设计即为求解最优的控制器C和L的参数问题。由于对控制器的联合设计是一个复杂的非线性规划问题无法获得全局最优解,因此本文应用依次设计内部反馈控制器与外部迭代学习设计控制的方法。
2.1 内部控制器的设计由式(3) 可以看出系统的输出误差由两部分组成,由参考输入产生的确定性误差:
$e_{k}^{i,\det }={{(1-G)}^{i-1}}{{[1+TC]}^{-1}}y_{k}^{d}$ |
由随机噪声产生的非重复误差:
$\begin{align} & e_{k}^{\text{i},sto}={{(1-G)}^{i-2}}G(F+R{{q}^{-d}})w_{k}^{1}+ \\ & \text{ }+G{{(1-G)}^{i-3}}(F+R{{q}^{-d}})w_{k}^{2}+... \\ & \text{ }+G(F+R{{q}^{-d}})w_{k}^{i-1}-(F+R{{q}^{-d}})w_{k}^{i} \\ \end{align}$ |
由丢番图方程可以看出F为内部反馈控制器的独立项,R为其余项。因此系统内部反馈控制器参数可以通过改变随机误差表达式中的R项来获取,从而得到最优的内部反馈控制器。根据图 1可以得到系统第i次随机扰动输出为:
$y_{k}^{i}={{[1+TC]}^{-1}}Nw_{k}^{i}$ | (4) |
将式(4) 与结合扰动模型N=F+$\overset{\bullet }{\mathop{R}}\,{{q}^{-d}}$(其中$\overset{\bullet }{\mathop{R}}\,$为扰动脉冲响应模型的余项),可以得到下式:
$y_{k}^{i}=Fw_{k}^{i}+{{[1+TC]}^{-1}}(\overset{\bullet }{\mathop{R}}\,-T{{q}^{d}}CF){{q}^{-d}}w_{k}^{i}$ | (5) |
根据式(5) 可以得到输出方差表达式为:
$\begin{align} & \operatorname{var}(y_{k}^{i})=\operatorname{var}(Fw_{k}^{i})+ \\ & \text{ }\operatorname{var}({{[1+TC]}^{-1}}(\overset{\bullet }{\mathop{R}}\,-T{{q}^{d}}CF){{q}^{-d}}w_{k}^{i}) \\ \end{align}$ | (6) |
由式(6) 的表达形式可以得到使得随机噪声输出影响最小且内部最优的反馈控制器:
${{C}_{opt}}={{(T{{q}^{d}})}^{-1}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}$ | (7) |
由式(3) 可以看出,系统迭代学习控制器同时影响了迭代学习误差的重复部分与随机部分。因此最优迭代学习控制律参数的选取应满足以下两个要求:1) 满足系统收敛性;2) 使系统的输出误差不确定部分尽量小。由式(3) 及式(7) 可以得到式(8) :即获得内部最优反馈控制器后系统的误差表达式。
$\begin{align} & \underset{{}}{\mathop{e_{k}^{i}}}\,={{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-L)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-1}}\frac{1}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}y_{k}^{d}+ \\ & {{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-L)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-2}}\frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}L}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}\times \\ & (\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{1}+{{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-L)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-3}}\times \\ & \frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}L}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}(\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{2}+...+(\frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}L}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})\times \\ & (\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{i-1}-(\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{i} \\ \end{align}$ | (8) |
由文献[1]可知,迭代学习控制器参数的选择满足收敛条件为‖[1+q-d$\overset{\bullet }{\mathop{R}}\,$F(1-L)]/(1+q-d$\overset{\bullet }{\mathop{R}}\,$F)‖∞ <1,其优化参数指标应满足使系统随机误差的方差尽量小,对于给定的L,其方差为:
$\begin{align} & \operatorname{var}\underset{{}}{\mathop{(e_{k}^{i,sto})}}\,=\operatorname{var}({{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-L)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-2}}\frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}L}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}\times \\ & (\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{1})+\operatorname{var}({{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-L)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-3}}\times \\ & \frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}L}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}(\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{2})\text{+}...+\operatorname{var}((\frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})\times \\ & (\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{i-1})+\operatorname{var}((\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{i}) \\ \end{align}$ | (9) |
针对式(9) 的优化问题,由文献[5]中定理1:
$\begin{align} & \operatorname{var}(y(t))=\int\limits_{-\pi }^{\pi }{\frac{1}{2\pi }{{\left| H({{e}^{-jw}}) \right|}^{2}}\sigma _{w}^{2}}dw \\ & \text{ }=\int\limits_{-\pi }^{\pi }{\frac{1}{2\pi }{{\left| H({{e}^{-jw}}) \right|}^{2}}}d\sigma _{w}^{2}w=\left\| H \right\|_{2}^{2}\sigma _{w}^{2} \\ \end{align}$ |
其中:y(t)=Hw(t)为输出信号,H为离散时间传递函数,w(t)为方差为σw2的白噪声,使系统第i次输出随机误差最小的Lopt的求解可等价地转化为式(10) :
$\begin{align} & {{L}_{opt}}=\arg \underset{L}{\mathop{\min }}\,(\left\| {{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-L)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-2}} \right.\times \\ & \left. \frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}L}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}(\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}) \right\|_{2}^{2}+\left\| {{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-L)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-3}} \right.\times \\ & \left. \frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}L}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}(\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}) \right\|_{2}^{2}+...+\left\| (\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-L)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}) \right.\times \\ & \left. (\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}) \right\|_{2}^{2}+\left\| (\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}) \right\|_{2}^{2}) \\ \end{align}$ | (10) |
由式(10) 可以看出该目标函数实质为输出误差二范数,其参数求解为凸优化问题[8],可应用Matlab优化工具箱求解得到该批次的最优迭代学习控制器。
由式(5) ~(7) 可知最优的内部反馈控制器即最小方差控制器,只消除了噪声中的部分残差项,而独立于反馈控制器的噪声并不能够通过内部控制器的来设计消除,即:式(6) 中只满足[1+TC]-1(R·-TqdCF)q-dwki=0,而前项Fwki始终随着在迭代学习的批次增加而逐渐累积。系统的最优外部控制器的选取只能在限定批次内其误差最小,当学习始终进行时,系统的噪声会随着迭代学习次数的增加不停累积,以至于最终会占据学习系统的性能。对此本文进一步提出基于等效小波变换滤波的IIR数字滤波器的迭代学习控制器的优化设计方案。
3 等效小波滤波的ILC控制器设计 3.1 二次实验法小波滤波本节介绍一种基于离散小波变换[9]的二次实验算法,对于一个迭代批次中的误差信号,其重复部分经小波变换可获得相同的小波系数cr,非重复部分产生不同的小波系数cnr,将两次实验的小波系数的比较可以得到误差信号中的确定部分。通过小波变换的阈值选择获得一组有效小波系数,该系数用于重构滤波后误差信号,即对随机误差的滤波过程[10]。
其滤波的详细过程为:
${{c}_{1}}={{c}_{r}}+{{c}_{nr,{{1}_{{}}}}}$ | (11) |
${{c}_{2}}={{c}_{r}}+{{c}_{nr,2}}$ | (12) |
其中下标表示的是一次迭代的两次实验序号,并不表示不同的迭代批次。将式(11) ~(12) 得到其只包含误差非重复部分的小波系数:
Δc=c1-c2=cnr,1-cnr,2
式(11) +(12) 可得:
=(c1+c2)/2=cr+(cnr,1+cnr,2)/2
其包括小波系数的重复部分与非重复部分的均值。为了获得误差信号中的非重复部分,通过将Δc与做除法得:
SIMc1,c2=Δc/c
选取有效小波系数:
${{C}_{adj}}=\left\{ \overset{{}}{\mathop{\begin{align} & \overset{-}{\mathop{c}}\,,if\left| SI{{M}_{c1,c2}} \right|<\gamma \\ & 0,if\left| SI{{M}_{c1,c2}} \right|\ge \gamma \\ \end{align}}}\, \right.$ | (13) |
其中:γ为阈值,其包括两部分γ=γcγvar:重复程度γc定义了小波系数能够维持有效系数的程度,变化部分γvar由平均功率定义:γvar=rms(c(t))/rms(Δc(t))。经大量仿真实验将γc的范围选取在2%~8%。
由文献[11]可知基于小波变换的滤波并不影响系统的稳定性。基于小波变换的滤波能够进一步地减小随机噪声扰动对迭代学习控制系统的影响,但其也存在以下缺点,基于小波变换的信号滤波过程不能获得明确的解析表达式,进而无法获得输出误差表达式,因此无法设计外部控制器,且每个迭代批次都需要实验两次,同时小波变换阈值选取过程复杂,过小会产生跳变振铃现象,过大则滤波效果不理想[12]。因此本文进一步提出用IIR型数字滤波器逼近二次实验法小波滤波的ILC控制器优化设计的方法。
3.2 基于IIR滤波器的迭代学习控制器设计IIR数字滤波器[13]是一种离散时间系统,其系统函数为:
$\begin{align} & \underset{{}}{\mathop{e_{k}^{i}}}\,={{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-LQ)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-1}}\frac{1}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}y_{k}^{d}+ \\ & {{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-LQ)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-2}}\frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}LQ}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}\times \\ & (\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{1}+{{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-LQ)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-3}}\times \\ & \frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}LQ}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}(\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{2}...+\text{ }(\frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}QL}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})\times \\ & (\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{i-1}-(\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{i} \\ \end{align}$ |
在获得以上信息的条件下,可对系统的外部学习控制器进行优化设计。其算法步骤为:首先设定约束条件为:‖[1+q-d$\overset{\bullet }{\mathop{R}}\,$F-1(1-LQ)]/(1+q-d$\overset{\bullet }{\mathop{R}}\,$F)‖∞≤1,即为满足系统收敛的充分条件,其次要优化的目标函数:
$\begin{align} & {{L}_{opt}}=\arg \underset{L}{\mathop{\min }}\,var({{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-LQ)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-2}}\times \\ & \frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}LQ}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}(\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{1})+ \\ & var({{(\frac{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}(1-LQ)}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})}^{i-3}}\frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}LQ}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}\times \\ & (\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{2})+...+var(\frac{{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,{{F}^{-1}}LQ}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F}\times \\ & (\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{i-1})+\operatorname{var}(\frac{F+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,}{1+{{q}^{-d}}\overset{\bullet }{\mathop{R}}\,F})w_{k}^{i}) \\ \end{align}$ |
由于对输出误差实施了滤波处理,滤波后的误差输出已尽量平稳,此时可选择P型迭代学习控制律。其优化过程见2.2节。
总结以上的分析设计过程,下面给出了系统设计的完整流程,如图 2所示。
针对第2章所描述问题为了验证本文提出方法的效果,本章给出了具体的仿真实验,其系统框图如图 3所示。
例1 针对有色噪声输入的系统模型为:T=(0.9q-2-0.6q-3)/(1-0.7q-1),噪声模型为:N=(1-0.2q-1)/(1-0.9q-1),并设定期望输入为正弦函数。可以求得系统内部最小方差控制器为:Copt=(0.21-0.147q-1)/(0.3-0.29q-1-0.129q-2+0.126q-3)及基于噪声扰动下的优化外部迭代学习律的控制器为:Lopt=(0.789q2-0.118q-0.0078) /(0.63(1+0.143q-1)),应用三层小波分解综合滤波器W,辨识的等效线性滤波器为:
Q(q-1)=(0.00198+0.0039q-1+0.0029q-2+0.00095q-3+0.000117q-4)/(1+0.572z-1+0.1227z-2+0.0117q-3+0.00042q-4)
重新优化的P型迭代学习控制律为:Lopt ′ = 0.0124,对系统分别实施2次迭代、12次迭代输出曲线如图 4(a)、4(b)所示。
由图 4(a)的系统输出曲线对比可以看出,对系统施加基于小波变换的滤波处理,可以进一步地消除随机噪声的影响,但是系统输出在0.1 s、5.7 s及6.7 s附近分别产生了振荡现象。基于等效滤波器的控制器优化设计在同样减小随机噪声的影响的同时,又进一步消除由于小波变换阈值选取过小产生的振铃抖动现象。
由图 4(b)的对比可以看出,原系统中噪声随迭代次数的增加产生了严重的累积现象。针对误差二范数值的指标,在第12个批次内,原系统为28.01,基于小波变换的滤波为2.65,结合等效滤波器的迭代学习控制器设计方法为0.5405;本文较小波滤波方法提高了约7.5%;在批次间,由第2次到第12个批次的过程,原系统误差二范数值增加了27.23,基于小波变换的滤波方法误差二范数增加了2.1,而等效滤波器的优化控制器方法下误差二范数的值增加了0.0189。本文较小波滤波方法提高了约7.7%。为进一步说明结合滤波器的迭代学习控制器设计方法的有效性,此部分给出了迭代次数与系统输出误差二范数的关系曲线以及部分迭代批次下系统输出误差二范数值,分别如图 5和表 1所示。
由图 5、表 1可以看出,基于等效滤波器的迭代学习控制器优化设计,相较只应用基于小波变换的滤波方法,能够更好地消除随着迭代批次增加而累积的噪声,提高了控制系统抗随机扰动的性能。
本文提出了一种滤波器与ILC控制器结合的优化设计算法,该算法应用基于二次实验小波变换滤波下的误差输入输出辨识出等效的线性数字滤波器,并且进一步优化迭代学习控制器。该算法与只基于小波变换的滤波相比,克服了小波滤波产生的振铃现象,并且充分减小了批次过程的噪声过分累积情况。本文也存在一定的不足,由于基于小波变换的滤波效果与其阈值选取有关,而线性滤波器的获取是由小波滤波的输出辨识得到,本文阈值选取范围凭借经验,具有一定主观性。因此,是否可以建立线性滤波器系数与小波变换阈值的数学关系也是进一步的研究方向。
[1] | 孙明轩, 严求真. 迭代学习控制系统的误差跟踪设计方法[J]. 自动化学报, 2013, 39 (3) : 251-262. ( SUN M X, YAN Q Z. Error tracking iterative learning control system design[J]. Acta Automatica Sinica, 2013, 39 (3) : 251-262. doi: 10.1016/S1874-1029(13)60027-0 ) |
[2] | TSAI M S, LIN M T, YAU H T. Development of command-based iterative learning control algorithm with consideration of friction, disturbance, and noise effects[J]. IEEE Transactions on Control Systems Technology, 2006, 14 (3) : 511-518. doi: 10.1109/TCST.2005.860521 |
[3] | YE Y, TAYEBI A, LIU X. All-pass filtering in iterative learning control[J]. Automatica, 2009, 45 (1) : 257-264. doi: 10.1016/j.automatica.2008.07.011 |
[4] | SUN J, LI S, YANG J. Iterative learning control with extended state observer for iteration-varying disturbance rejection[C]//Proceedings of the 201411th World Congress on Intelligent Control and Automation. Piscataway, NJ:IEEE, 2014:1148-1153. |
[5] | FARASAT E, HUANG B. Deterministic vs. stochastic performance assessment of iterative learning control for batch processes[J]. AIChE Journal, 2013, 59 (2) : 457-464. doi: 10.1002/aic.v59.2 |
[6] | MERRY R, VAN DE MOLENGRAFT R, STEINBUCH M. The influence of disturbances in iterative learning control[C]//CCA 2005:Proceedings of 2005 IEEE Conference on Control Applications. Piscataway, NJ:IEEE, 2005:974-979. |
[7] | ÅSTRÖMK J, WITTENMARKB. Computer-Controlled Systems:Theory and Design[M]. North Chelmsford: Courier Corporation, 2013 : 145 -162. |
[8] | 邵言剑, 陶卿, 姜纪远. 一种求解强凸优化问题的最优随机算法[J]. 软件学报, 2014, 25 (9) : 2160-2171. ( SHAO Y J, TAO Q, JIANG J Y. Stochastic algorithm with optimal convergence rate for strongly convex optimization problems[J]. Journal of Software, 2014, 25 (9) : 2160-2171. ) |
[9] | KARAM S, TETI R. Wavelet transform feature extraction for chip form recognition during carbon steel turning[J]. Procedia CIRP, 2013, 12 : 97-102. doi: 10.1016/j.procir.2013.09.018 |
[10] | TORRENCE C, COMPO G P. A practical guide to wavelet analysis[J]. Bulletin of the American Meteorological Society, 1998, 79 (1) : 61-78. doi: 10.1175/1520-0477(1998)079<0061:APGTWA>2.0.CO;2 |
[11] | DAUBECHIES I. The wavelet transform, time-frequency localization and signal analysis[J]. IEEE Transactions on Information Theory, 1990, 36 (5) : 961-1005. doi: 10.1109/18.57199 |
[12] | ELLMAUTHALER A, PAGLIARI C L, DA SILVA E A B. Multiscale image fusion using the undecimated wavelet transform with spectral factorization and nonorthogonal filter banks[J]. IEEE Transactions on Image Processing, 2013, 22 (3) : 1005-1017. doi: 10.1109/TIP.2012.2226045 |
[13] | STORN R. Differential evolution design of an ⅡR-filter[C]//Proceedings of 1996 IEEE International Conference on Evolutionary Computation. Piscataway, NJ:IEEE, 1996:268-273. |
[14] | LIU T, YAO K, GAO F. Identification and autotuning of temperature-control system with application to injection molding[J]. IEEE Transactions on Control Systems Technology, 2009, 17 (6) : 1282-1294. doi: 10.1109/TCST.2008.2006746 |