一种基于Anderson加速的迭代学习控制方法技术

本发明专利技术公开了一种基于Anderson加速的迭代学习控制方法，本发明专利技术采用基于Anderson加速的迭代学习控制方法自建资源库创建适用的计算平台资源，并充分利用资源加快误差收敛速度，并且加速误差收敛具有跳跃性，提高实时轨迹跟踪精度，降低了对计算平台的要求。降低了对计算平台的要求。降低了对计算平台的要求。

【技术实现步骤摘要】
一种基于Anderson加速的迭代学习控制方法


[0001]本专利技术涉及迭代学习控制领域，具体为一种基于Anderson加速的迭代学习控制方法。

技术介绍

[0002]随着我国经济结构转型的需求日益迫切和市场经济全球化的加快，工业智能化已经成为了我国制造业的重要主题。工业机器人是现代自动化生产产业中的重要组成部分，工业机器人的大量使用，改变了原有传统工业对劳动力要求高，效率低下的状况。
[0003]工业机器人广泛应用于塑料工业、汽车工业、电子产品工业、药品工业和食品工业等领域，它的主要职能是搬取零件和装配工作；虽然目前大部分工业机器人的计算平台能够实现实时的在线控制和跟随，但是，仍然存在一些场景中，由于计算平台资源有限或者需要实时处理的数据量过多，导致无法实现实时的控制，出现控制延时的问题，这可能会严重影响产品质量，导致返工，降低生产效率；另一方面，为了达到实时控制的要求，有一部分的工业机器人制造产商使用计算资源足够丰富的设备作为工业机器人的主控器，这不仅提高了成本，而且一定程度上带来了资源浪费的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于Anderson加速的迭代学习控制方法，以解决上述
技术介绍
中提出的计算平台资源有限或者实时处理数据过多导致控制延时，影响产品质量的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案，一种基于Anderson加速的迭代学习控制方法，其特征在于，包括以下步骤：
[0006]S1.设定初始控制量u0，设定预期轨迹T；
[0007]S2.将初始控制量输入到被控系统中，被控系统根据初始控制量做实际输出y
k
，接着根据实际输出结合预期轨迹T得到跟踪误差e
k
；
[0008]S3.根据跟踪误差判断误差是否收敛，若误差收敛，则终止迭代循环；若误差未收敛，则进入S4；
[0009]S4.根据被控系统构造对应的迭代学习控制算法模型，根据迭代学习控制算法模型计算得到迭代学习控制量S
k
，同时计算辅助变量l
k
，并建立资源库，并将l
k
、S
k
依次放入资源库中；
[0010]S5.根据跟踪误差判断是否进行迭代学习控制加速，若进行迭代学习控制加速，则u
k+1
＝s
k
，然后进入S6；若不进行迭代学习控制加速，则u
k+1
＝s
k-1
，然后返回S2；
[0011]S6.设定计数器i，以及设定计数器i的最大取值i
max
，判断计数器i的计数值是否小于i
max
：
[0012]若计数值小于i
max
，则根据资源库的l
k
信息计算得到权重系数α
1...k
，然后根据权重系数α
1...k
计算得到α0，进入S7；
[0013]若计数值大于i
max
，则返回S2；
[0014]S7.设置更新控制阈值α
l
，结合更新控制阈值α
l
和α0...α
k
判断是否满足更新控制条件：
[0015]若满足更新控制条件，计数器i的计数值+1，同时根据资源库中l
k
信息更新u
k+1
，并以更新后的u
k+1
作为新的控制输入，然后返回S6；
[0016]若不满足更新控制条件，则返回S2。
[0017]与现有技术相比，本专利技术的有益效果是：本专利技术采用基于Anderson加速的迭代学习控制方法自建资源库创建适用的计算平台资源，并充分利用资源加快误差收敛速度，并且加速误差收敛具有跳跃性，提高实时轨迹跟踪精度，降低了对计算平台的要求。
[0018]优选的，所述被控系统为根据机器人建立的动力学模型，该动力学模型为：
[0019][0020]其中：
[0021][0022]M
11
＝I
m1
+I1+I3*cos(θ2)cos(θ2)+I7sin(θ2+θ3)
[0023]+I
10
sin(θ2+θ3)cos(θ2+θ3)+I
11
sin(θ2)cos(θ2)
[0024]+I
21
sin(θ2+θ3)sin(θ2+θ3)+2+[I5cos(θ2)sin(θ2+θ3)
[0025]+I
12
cos(θ2)cos(θ2+θ3)+I
15
sin(θ2+θ3)sin(θ2+θ3)
[0026]+I
16
cos(θ2)sin(θ2+θ3)+I
22
sin(θ2+θ3)cos(θ2+θ3)][0027]M
12
＝I4sin(θ2)+I8cos(θ2+θ3)+I9cos(θ2)+I
13
sin(θ2+θ3)-I
18
cos(θ2+θ3)
[0028]M
13
＝I8cos(θ2+θ3)+I
13
sin(θ2+θ3)-I
18
cos(θ2+θ3)
[0029]M
22
＝I
m2
+I2+I6+2[I5sin(θ3)+I
12
cos(θ3)+I
15
+I
16
sin(θ3)][0030]M
23
＝I5sin(θ3)+I6+I
12
cos(θ3)+I
16
sin(θ3)+2I
15
[0031]M
33
＝I
m3
+I6+2I
15
[0032]M
35
＝I
15
+I
17
[0033]M
44
＝I
m4
+I
14
[0034]M
55
＝I
m5
+I
17
[0035]M
66
＝I
m6
+I
23
[0036]M
21
＝M
12'
M
31
＝M
13
andM
32
＝M
23
[0037]上述的符号M为动能矩阵，符号I为惯性常数，符号θ为机械臂关节角，符号τ
i
为作
用在第i个关节的控制力矩，B为科里奥利矩阵，C为离心矩阵，G为重力向量，所述u
k+1
为机器人一组动作的所有关节的关节控制量τ的集合，k表示对应第k次迭代。
[0038]优选的，所述S2中的轨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Anderson加速的迭代学习控制方法，其特征在于，包括以下步骤：S1.设定初始控制量u0，设定预期轨迹T；S2.将初始控制量输入到被控系统中，被控系统根据初始控制量做实际输出y
k
，接着根据实际输出结合预期轨迹T得到跟踪误差e
k
；S3.根据跟踪误差判断误差是否收敛，若误差收敛，则终止迭代循环；若误差未收敛，则进入S4；S4.根据被控系统构造对应的迭代学习控制算法模型，根据迭代学习控制算法模型计算得到迭代学习控制量S
k
，同时计算辅助变量l
k
，并建立资源库，并将l
k
、S
k
依次放入资源库中；S5.根据跟踪误差判断是否进行迭代学习控制加速，若进行迭代学习控制加速，则u
k+1
＝s
k
，然后进入S6；若不进行迭代学习控制加速，则u
k+1
＝s
k-1
，然后返回S2；S6.设定计数器i，以及设定计数器i的最大取值i
max
，判断计数器i的计数值是否小于i
max
：若计数值小于i
max
，则根据资源库的l
k
信息计算得到权重系数α
1...k
，然后根据权重系数α
1...k
计算得到α0，进入S7；若计数值大于i
max
，则返回S2；S7.设置更新控制阈值α
l
，结合更新控制阈值α
l
和α0...α
k
判断是否满足更新控制条件：若满足更新控制条件，计数器i的计数值+1，同时根据资源库中l
k
信息更新u
k+1
，并以更新后的u
k+1
作为新的控制输入，然后返回S6；若不满足更新控制条件，则返回S2。2.根据权利要求1所述的一种基于Anderson加速的迭代学习控制方法，其特征在于，所述被控系统为根据机器人建立的动力学模型，该动力学模型为：其中：M
11
＝I
m1
+I1+I3*cos(θ2)cos(θ2)+I
7 sin(θ2+θ3)+I
10 sin(θ2+θ3)cos(θ2+θ3)+I
11
sin(θ2)cos(θ2)+I
21 sin(θ2+θ3)sin(θ2+θ3)+2+[I
5 cos(θ2)sin(θ2+θ3)+I
12 cos(θ2)cos(θ2+θ3)+I
15 sin(θ2+θ3)sin(θ2+θ3)+I
16 cos(θ2)sin(θ2+θ3)+I
22 sin(θ2+θ3)cos(θ2+θ3)]M
12
＝I
4 sin(θ2)+I
8 cos(θ2+θ3)+I
9 cos(θ2)+I
13 sin(θ2+θ3)-I
18 cos(θ2+θ3)
M
13
＝I
8 cos(θ2+θ3)+I
13 sin(θ2+θ3)-I
18 cos(θ2+θ3)M
22
＝I
m2
+I2+I6+2[I
5 sin(θ3)+I
12 cos(θ3)+I
15
+I
16 sin(θ3)]M
23
＝I
5 sin(θ3)+I6+I

【专利技术属性】
技术研发人员：叶凌箭，朱敏峰，马修水，沈非凡，李英道，钟伟红，李园，
申请(专利权)人：浙江大学宁波理工学院，
类型：发明
国别省市：