数据驱动的高速高精度定位操作的广义点对点迭代学习控制及应用

It is one of the most important scientific and technological problems in advanced electronic industries to achieve high-precision positioning control for the high-speed motion systems in the chip packaging processes. However, it is most difficult to achieve an exact mathematical model for the high-speed motion system. It is generally known that iterative learning control (ILC) is a data-driven control approach in nature and can learn from repetitions to achieve perfect tracking. This project will present a series of data-driven generalized point-to-point iterative learning control for high-precision positioning operation of the high-speed motion systems by utilizing the repeatability of the chip packaging process. First, the data-driven terminal iterative learning control (TILC) will be proposed to attain the optimal acceleration switching point. And then two data-driven generalized point-to-point ILC will be provided for the high-precision positioning operation, where the standard ILC is to achieve the perfect tracking of the desired motion trajectory which passes the optimal acceleration switching point and the desired positioning point, and the multiple point-to-point ILC (MPTP-ILC) is to track both the optimal acceleration switching point and the desired positioning point directly, instead of the target trajectory. The energy-efficient property and control performance of the above proposed ILC and MPTP-ILC will be compared and accessed in order to provide a higher performance and lower energy-consumption control scheme finally in the positioning operation of the high-speed motion system. The robust design and analysis data-driven generalized point-to-point ILC will be extensively explored for more general time-iteration-varying systems under non-strictly repeatable conditions to achieve better tracking performance in the presence of the uncertainties of system structure and parameters, initial errors, iteration-varying tracking tasks and random disturbances. And the anti-windup generalized point-to-point ILC methods with input saturation will be developed to deal with actuator and transducer constraints. Finally, the efficiency and applicability of all the schemes to be proposed will be tested on the linear motor driven X-Y positioning table.

芯片封装平台高速高精度定位是先进电子制造业的重要科学技术问题，而建立高速运动系统精确模型非常困难。迭代学习控制具有重复中学习的能力，属于数据驱动控制方法，可实现高精度跟踪性能。本项目拟利用封装过程的重复性，在数据驱动的框架下，首先提出TILC方法确定高速运动的最优加速度切换点，然后提出高精度定位操作的两种学习控制方法，其中标准ILC目标于跟踪通过最优加速度切换点和精确定位点的期望运动轨线，而MPTP-ILC则直接跟踪最优加速度切换点和精确定位点，而非期望轨线，并对这两种方法的能耗情况和控制性能进行评价，给出高性能低能耗控制策略；讨论初始误差、跟踪目标变化、系统结构参数不确定性、随机扰动等因素的鲁棒性设计及执行器传感器饱和等问题，最终提出一套数据驱动的高速运动系统精确定位操作的广义点对点ILC方法及其收敛性和鲁棒性分析。基于直线电机X-Y平台设计半实物仿真实验，验证所提出方法的有效性。

高速运动系统精确模型的建立非常困难。迭代学习控制（ILC）具有重复中学习的能力，属于数据驱动控制方法。本项目主要目标是提出一套数据驱动的高速运动系统精确定位操作的广义点对点ILC 方法及其收敛性和鲁棒性分析。本项目按照计划已全面完成，取得了一些进展。（1）提出了数据驱动最优迭代学习控制方法设计和分析的统一框架，讨论了跟踪完整参考轨迹、跟踪参考轨迹上某些数据点和仅跟踪参考轨迹最终点的三类控制任务，分别给出了跟踪整个轨迹的数据驱动最优ILC、跟踪关键点的数据驱动最优点到点ILC及跟踪运行终点期望值的数据驱动最优TILC方法。（2）讨论了数据驱动广义最优ILC方法设计和实用中遇到的随机初始条件、随机扰动、迭代变化参考轨迹等不确定性问题，分别给出了基于初值补偿的，基于神经网络学习的，基于高阶内模的等一系列的数据驱动自适应ILC和自适应TILC方法。（3）研究了被控系统的受限问题，包括状态受限、输入受限、输出受限、输入输出变化率受限以及延时等问题，分别提出了受限的自适应ILC和数据驱动最优ILC等方法。（4）探讨了利用更多控制知识提高控制性能的可能性，提出了系列的高阶控制律、基于分块区间滚动优化的点到点ILC、基于在线输入信号的增强型终端ILC，基于动态预测模型的数据驱动最优TILC以及基于遗忘因子的TILC等方法。（5）对数据驱动的周期自适应控制方法、有效降低系统存储和计算量的采样ILC方法、以及状态扰动的迭代学习估计和无模型自适应切换控制等问题进行了研究。（6）应用方面，具体讨论了以直线电机为例的高速运行过程、复杂城市交通系统、列车运行控制、工业间歇过程、网络传输过程以及电机伺服系统等实际过程和问题的数据驱动控制和学习控制策略，提出了具有严谨的数学分析保障的、不依赖系统精确数学模型的、可实际应用的数据驱动与学习控制理论和方法，为现代工业自动化提供了理论支持和方法保障。