.png){kind=icon}
返回
Fuzzy Iterative Learning Contouring Control
.png){kind=icon}
PRE
AI
DOI：10.3390/math14101759.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
迭代学习轮廓控制（ILCC）通过等效轮廓误差公式改进多轴运动系统中的轮廓精度。然而，其收敛性强烈依赖于学习增益。过大的增益可能导致过于激进更新和局部发散，降低性能，而较小的增益则导致收敛缓慢。此外，轮廓误差收敛通常沿轨迹不均匀，即使在全局收敛时也可能发生局部发散，特别是在误差饱和区域附近。为解决这些问题，将模糊推理机制集成到在线ILCC框架中，得到具有模糊调节收敛参数的在线ILCC（online ILCCf），实现学习增益的自适应调节。开发了两种调节策略：（i）online ILCCfi，一种独立的多元参数调节方案；（ii）online ILCCfu，一种统一的单参数调节方案。模糊机制根据等效轮廓误差的瞬时幅值在线自适应调整收敛参数。在六轴工业机器人上的实验结果表明，实现了快速收敛并保持满意的轮廓性能。在所有对比案例中，online ILCCfi达到最佳性能，将均方根位置误差从7.26×10⁻¹ mm降低到5.93×10⁻² mm，均方根姿态误差从6.95×10⁻⁴ rad降低到5.64×10⁻⁵ rad，且无振荡或局部发散。进一步的仿真验证了在模型不确定性和测量噪声下的鲁棒性。
Keyword:
motion control
contouring control
iterative learning contouring control
ILC
ILCC
fuzzy
