استفاده از پاسخ ضربه در بهبود عملکرد کنترل یادگیری تکرار شونده
الموضوعات : electrical and computer engineering
عاطفه خجسته نژاد
1
,
محمد ملایی امام زاده
2
,
مليحه مغفوری فرسنگی
3
1 - دانشكده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران
2 - دانشكده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران
3 - دانشگاه شهید باهنر کرمان
الکلمات المفتاحية: الگوریتم یادگیری تکرارشونده, پاسخ ضربه, مدل تأخيردار, سرعت همگرایی.,
ملخص المقالة :
اگر چه نظريه کنترل ابزارهای طراحی متعددی برای بهبود پاسخ یک سیستم دینامیکی فراهم میکند، اما بهدلیل وجود دینامیکهای مدلنشده یا عدمقطعیتهای پارامتری، همیشه دستیابی به نتیجه مطلوب ممکن نیست. الگوریتم کنترل یادگیری تکرارشونده (ILC) روشی هوشمند و موثر برای بهبود پاسخ گذرای سیستمهایی است که بهطور مکرر در یک بازه زمانی معین کار میکنند، میباشد که حتی زمانی که مدل نامشخص یا ناشناخته است و ما هیچ اطلاعاتی در مورد ساختار سیستم و غیر خطی بودن آن نداریم، روش ILC میتواند به جواب مناسب برسد منتهی باید در مرحله اول ساختار قانون کنترلی و در مرحله دوم پارامترهای آن بهدرستی انتخاب شوند.یکی از مواردی که ممکن است روش ILC دارای عملکرد مناسبی نباشد، وجود تأخير در سیستمهای مورد بررسی میباشد که روش متداول ILC برای این سیستمها غالباًً ناکارآمد بوده و حتی سبب ناپایداری میشود. در این مقاله پیشنهاد شده است که برای همه سستمها مسأله تأخير در قانون کنترلی لحاظ شود و سپس روشی (مبتنی بر پاسخ ضربه) برای تعین مقدار بهینه تأخير ارایه شده است. ونشان داده شده است که این روش حتی برای سیستمهایی که دارای تأخير خالص نیستند ولی به دلیل عملکرد دینامیکی سیستم، دارای ثابت زمانی (تأخير دینامیکی) میباشند، روش پیشنهادی سبب بهبود عملکرد الگوریتم ILC میشود. روش مورد نظر در شبیهسازیها مورد بررسی قرار گرفته است و مشاهده شده استکه به ازای تأخير تعیینشده پیشنهادی، بهترین نتایج در سرعت همگرایی خروجی سیستم به سمت خروجی مطلوب بهدست میآید.
[1] H. S. Ahn, Y. Chen, and K. L. Moore, "Iterative learning control: Brief survey and categorization," IEEE Trans. on Systems, Man, and Cybernetics, Part C (Applications and Reviews), vol 37, no. 6, pp.1099-1121, Nov. 2007.
[2] M. Ayatinia, M. Forouzanfar, and A. Ramezani, "Robust iterative learning control for linear discrete-time systems with initial state learning," Journal of Vibration and Control, vol. 29, no. 9-10, pp. 2242-2254, May 2023.
[3] P. Gu, S. Tian, and Q. Liu, "Iterative learning control for switched singular time-delay systems," Journal of Vibration and Control, vol. 24, no. 20, pp. 4839-4849, Oct. 2018.
[4] X. Dai, S. Tian, Y. Peng, and W. Luo, "Closed-loop P-type iterative learning control of uncertain linear distributed parameter systems," IEEE/CAA Journal of Automatica Sinica, vol. 1, no. 3, pp. 267-273, Jul. 2014.
[5] Z. Wang, F. Gao, and F. Liu, "Improved high order model-free adaptive iterative learning control with disturbance compensation and enhanced convergence," CMES-Computer Modeling in Engineering & Sciences, vol. 134, no. 1, pp. 343-355, Aug. 2023.
[6] Z. Wang, R. Zhou, C. Hu, and Y. Zhu, "Online iterative learning compensation method based on model prediction for trajectory tracking control systems," IEEE Trans.s on Industrial Informatics, vol. 18, no. 1, pp. 415-425, Jan. 2021.
[7] K. Yovchev and L. Miteva, "Payload-adaptive iterative learning control for robotic manipulators," Mechanical Sciences, vol. 13, no. 1, pp. 427-436, 2022.
[8] A. Vemula, W. Sun, M. Likhachev, and J. A. Bagnell, "On the effectiveness of iterative learning control," in Proc. Learning for Dynamics and Control Conf., pp. 47-58, Stanford, CA, USA, 23-24 Jun. 2022.
[9] Q. Yan, J. Cai, Y. Zhang, and Z. Yang, "Adaptive iterative learning control for robot manipulators with time-varying parameters and arbitrary initial errors," IEEE Access, vol. 9, pp. 166920-166931, 2021.
[10] G. Li, L. Hou, and Y. Lu, "D-type iterative learning control for open container motion system with sloshing constraints," IEEE Access, vol. 9, pp. 136666-136673, 2021.
[11] W.-L. Chu, C.-J. Lin, and Y.-Y. Chen, "Redundant robot with pneumatic artificial muscles for rehabilitation works using iterative learning control," Applied Sciences, vol. 12, no. 17, p. 8419, 2022.
[12] M. Pierallini, et al., "Iterative learning control for compliant underactuated arms," IEEE Trans. on Systems, Man, and Cybernetics: Systems, vol. 53, no. 6, pp. 3810-3822, Jun. 2023.
[13] S. He, et al., "Iterative learning control with data-driven-based compensation," IEEE Trans. on Cybernetics, vol. 52, no. 8, pp. 7492-7503, Aug. 2021.
[14] Y. Chen, W. Jiang, and T. Charalambous, "Machine learning based iterative learning control for non-repetitive time varying systems," International Journal of Robust and Nonlinear Control, vol. 33, no. 7, pp. 4098-4116, May 2023.
[15] R. Zhang, Z. Hou, R. Chi, and H. Ji, "Adaptive iterative learning control for nonlinearly parameterised systems with unknown time-varying delays and input saturations," International Journal of Control, vol. 88, no. 6, pp. 1133-1141, 2015.
[16] X. Yang, X. Ruan, and D. Li, "Iterative learning control for nonlinear switched systems with constant time delay and noise," IEEE Access, vol. 8, pp. 3827-3836, 2019.
[17] C. Wang, X. Dai, K. Li, and Z. Zhou, "Iterative learning consensus control for nonlinear partial difference multiagent systems with Time delay," Complexity, vol. 2021, no. 1, Article ID: 8886945, 15 pp., 2021.
[18] J.-m. Wei, Y.-a. Hu, and M.-m. Sun, "Observer-based adaptive iterative learning control for a class of nonlinear time delay systems with input saturation," Mathematical Problems in Engineering, vol. 2015, pp. 303-312, 2015.
[19] P. Chotikunnan, B. Panomruttanarug, and P. Manoonpong, "Dual design iterative learning controller for robotic manipulator application," Journal of Control Engineering and Applied Informatics, vol. 24, no. 3, pp. 76-85, 2022.
[20] P. Ouyang and P.-i. Pipatpaibul, "Iterative learning control: A comparison study," in Proc. ASME Int. Mechanical Engineering Congress and Exposition, vol. 44458, pp. 939-945, Vancouver, Canada, 12-18 Nov. 2010.
[21] D. Shen, "A technical overview of recent progresses on stochastic iterative learning control," Unmanned Systems, vol. 6, no. 3, pp. 147-164, 2018.
[22] N. Liu and A. Alleyne, "Iterative learning identification/iterative learning control for linear time-varying systems," Journal of Dynamic Systems, Measurement, and Control, vol. 138, no. 10, Article ID:. 101005, 2016.
[23] C. T. Freeman, "Robust ILC design with application to stroke rehabilitation," Automatica, vol. 81, pp. 270-278, 2017.
[24] T. Liu, Y. Ding, P. Wang, K. Zhao, and J. Jia, "Stability control of transport robot based on iterative learning control," Journal of Physics: Conference Series, Article ID: 2173, 8 pp., 2022.
[25] D. C. Burr and M. C. Morrone, "Impulse-response functions for chromatic and achromatic stimuli," JOSA A, vol. 10, no. 8, pp. 1706-1713, 1993.
[26] X. Zhang, M. Li, H. Ding, and X. Yao, "Data‐driven tuning of feedforward controller structured with infinite impulse response filter via iterative learning control," IET Control Theory & Applications, vol. 13, no. 8, pp. 1062-1070, May 2019.
[27] D. Horla and A. Krolikowski, "LQG/LTR control of input-delayed discrete-time systems," Bulletin of the Polish Academy of Sciences Technical Sciences, pp. 1049-1058, 2019.
[28] Y. Dai, Z. Deng, X. Wang, and H. Yuan, "A hybrid controller for a soft pneumatic manipulator based on model predictive control and iterative learning control," Sensors, vol. 23, no. 3, Article ID; 1272, Feb.-1 2023.
