资源描述：
《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》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、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。2001ElsevierScienceLtd.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
2、)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(1
3、984)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)oBien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(Bien&Xu,1998)。最近，Amann,Owens和Rogers(1996)通过将Ricca
4、ti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
5、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(/)+*(/),0WfWN、&=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(
6、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)=XCR1仿心(/)+/('),(2)/=0r-i力⑴=前心(0)+刀(?才
7、、&)+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
8、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，其中5(1)・必⑵刃=・协(0)敗(1)■"NN-I)•处(N).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kerG
9、T=Oo如果植物，方程(1)具有相对度1,即CB#O,那么G在SISO情况下是可逆的。否则，如果CB二0,则可以按照Amann,Owen和Rogers(1996)和Silverman(1969)的作品中的详细描述进行正规化程序。这种规律性条件确保GTG(或GGT)具有至少一个正特征值。基于这个假设，与Amann,Ow
