高加速运动系统复杂非线性摩擦的复合分层极限学习建模与跨尺度补偿方法研究

High accelerated motion platform is unavoidably influenced by scale-effect and surface-effect while working under extreme conditions. Its interfacial friction has inconsistent characteristics when moving in different stages including accelerated macro motion segment and micro motion segment. The project proposes a hierarchical composited extreme learning machine modeling and cross-scale compensation method of complex nonlinear friction based on iterative learning data sets of high acceleration precise trajectory tracking process and data clustering algorithm. Firstly, feed-forward compensation data sets with abundant nonlinear friction characteristic have been obtained by iterative learning control with various trajectories. Then, since the nonlinear friction is related with multiple state variables and has large-span magnitude between macro motion segment and micro positioning segment, data preprocessing based on K-means clustering has been employed to divide themselves into macro and micro scale data clusters. Through this unsupervised learning process, the corresponding multiple state variables are also divided into macro scale and micro scale data clusters to ensure the scale characteristics in each data cluster is consistent. On this basis, the hidden layer of Bidirectional Extreme Learning Machine(B-ELM) is trained with the data by calculating feedback residual error and the self-adaptive judgment layer of B-ELM is designed by calculating the Euclidean metric between multiple state variables of online command trajectory and clusters centroids of data. A hierarchical composited extreme learning machine composed of judgment layer and hidden layer is implemented to realize high precise trajectory tracking performance by cross-scale online compensation of the complex nonlinear friction model.

极限工况下高加速运动平台受尺度效应和表面效应影响，使得系统在宏运动段和微运动段的界面摩擦呈现不同特征。对此，本项目基于系统全行程高速高精度轨迹跟踪的迭代学习前馈数据集，在数据聚类基础上，提出复杂非线性摩擦的复合分层极限学习建模和补偿方法。首先，对多样化轨迹进行迭代学习控制，离线获得丰富的包含系统非线性摩擦特征的前馈补偿数据集。然后，考虑到系统非线性摩擦与多状态变量相关，宏、微尺度量级跨度大的特点，基于K-means方法进行数据聚类，通过无监督学习将其划分为宏、微尺度数据簇，以保证簇内数据尺度特征的一致性。在此基础上，基于网络余差反馈算法进行双端增量型极限学习机隐藏层结构和参数的训练，结合在线指令的多状态变量与各数据簇质心的欧氏距离设计极限学习机的自适应判断层，基于判断层和隐藏层相结合的复合分层结构，建立复杂非线性摩擦的极限学习机模型，以期实现任意指令的跨尺度摩擦补偿与高精度轨迹跟踪。

随着以IC封装为主体的微电子制造业的迅猛发展，制造装备对各类高加速运动系统的跟踪精度、定位精度以及加速度提出了更高的要求。IC封装机器人在实际应用中存在高加速启停运动以及低速过零运动两类极限工况。前者在启停阶段存在摩擦过冲等复杂非线性摩擦，在运动过程中存在库伦摩擦、粘滞摩擦、摩擦滞后等特性，且由于高加速度，会导致多状态变量在宏运动段（高加速度阶段）和微运动段（启动和停止阶段）存在跨尺度特性；后者在低速过零阶段由于相对运动表面关联结的弹塑性变形会引起摩擦滞回特性，且由于其过零阶段速度极低，该工况会出现时快时慢或时走时停的不均匀运动现象，即爬行现象，这严重制约着高加速运动系统轨迹跟踪及定位性能的进一步提升。.本项目首先采用迭代学习控制离线获取模型训练数据集，该数据集包括非线性摩擦补偿以及相应的多维度变量。然后，通过K-means聚类对训练数据集进行预处理，即将该数据集分为宏尺度数据簇和微尺度数据簇，以确保在每一个数据簇内数据集的尺度特征是一致的。通过这一无监督学习过程，宏尺度数据簇、微尺度数据簇和它们的质心被获得。在此基础上，设计包含判断层和隐藏层的复合分层ELM模型。参考I-ELM的隐藏层增量式的训练结构，所提出模型的隐藏层节点通过宏、微尺度数据簇被定向的训练，同时，通过计算在线轨迹的多维度变量和数据簇质心的欧几里得距离，设计判断层，从而实现跨尺度的摩擦补偿和高精度的轨迹跟踪控制。通过在音圈电机实验平台进行对比实验表明，与参数模型、单一I-ELM 和 RNN 相比，所提出模型的均方根误差分别降低57.2%、19.1% 和 27.4% 。本项目的实施为下一代IC封装装备等高加速度运动控制系统的研制提供核心理论与关键技术支撑。