In many applications industrial robots perform the same motion repeatedly. One way of compensating the repetitive part of the error is by using iterative learning control (ILC). The ILC algorithm makes use of the measured errors and iteratively calculates a correction signal that is applied to the system. The main topic of the thesis is to apply an ILC algorithm to a dynamic system where the controlled variable is not measured. A remedy for handling this difficulty is to use additional sensors in combination with signal processing algorithms to obtain estimates of the controlled variable. A framework for analysis of ILC algorithms is proposed for the situation when an ILC algorithm uses an estimate of the controlled variable. This is a relevant research problem in for example industrial robot applications, where normally only the motor angular positions are measured while the control objective is to follow a desired tool path. Additionally, the dynamic model of the flexible robot structure suffers from uncertainties. The behaviour when a system having these difficulties is controlled by an ILC algorithm using measured variables directly is illustrated experimentally, on both a serial and a parallel robot, and in simulations of a flexible two-mass model. It is shown that the correction of the tool-position error is limited by the accuracy of the robot model. The benefits of estimation-based ILC is illustrated for cases when fusing measurements of the robot motor angular positions with measurements from an additional accelerometer mounted on the robot tool to form a tool-position estimate. Estimation-based ILC is studied in simulations on a flexible two-mass model and on a flexible nonlinear two-link robot model, as well as in experiments on a parallel robot. The results show that it is possible to improve the tool performance when a tool-position estimate is used in the ILC algorithm, compared to when the original measurements available are used directly in the algorithm. Furthermore, the resulting performance relies on the quality of the estimate, as expected. In the last part of the thesis, some implementation aspects of ILC are discussed. Since the ILC algorithm involves filtering of signals over finite-time intervals, often using non-causal filters, it is important that the boundary effects of the filtering operations are appropriately handled when implementing the algorithm. It is illustrated by theoretical analysis and in simulations that the method of implementation can have large influence over stability and convergence properties of the algorithm. / Denna avhandling behandlar reglering genom iterativ inlärning, ILC (från engelskans iterative learning control). Metoden har sitt ursprung i industrirobottillämpningar där en robot utför samma rörelse om och om igen. Ett sätt att kompensera för felen är genom en ILC-algoritm som beräknar en korrektionssignal, som läggs på systemet i nästa iteration. ILC-algoritmen kan ses som ett komplement till det befintliga styrsystemet för att förbättra prestanda. Det problem som särskilt studeras är då en ILC-algoritm appliceras på ett dynamiskt system där reglerstorheten inte mäts. Ett sätt att hantera dessa svårigheter är att använda ytterligare sensorer i kombination med signalbehandlingsalgoritmer för att beräkna en skattning av reglerstorheten som kan användas i ILC-algoritmen. Ett ramverk för analys av skattningsbaserad ILC föreslås i avhandlingen. Problemet är relevant och motiveras utifrån experiment på både en seriell och en parallel robot. I konventionella robotstyrsystem mäts endast de enskilda motorpositionerna, medan verktygspositionen ska följa en önskad bana. Experimentresultat visar att en ILC-algoritm baserad på motorpositionsfelen kan reducera dessa fel effektivt. Dock behöver detta inte betyda en förbättrad verktygsposition, eftersom robotmotorerna styrs mot felaktiga värden på grund av att modellerna som används för att beräkna dessa referensbanor inte beskriver den verkliga robotdynamiken helt. Skattningsbaserad ILC studeras både i simulering av en flexibel tvåmassemodell och en olinjär robotmodell med flexibla leder, och i experiment på en parallell robot. I studierna sammanvägs motorpositionsmätningar med mätningar från en accelerometer på robotverktyget till en skattning av verktygspositionen som används i ILC-algoritmen. Resultaten visar att det är möjligt att förbättra verktygspositionen med skattningsbaserad ILC, jämfört med när motorpositionsmätningarna används direkt i ILC-algoritmen. Resultatet beror också på skattningskvaliteten, som förväntat. Slutligen diskuteras några implementeringsaspekter. Alla värden i uppdateringssignalen läggs på systemet samtidigt, vilket gör det möjligt att använda icke-kausal filtering där man utnyttjar framtida signalvärden i filteringen. Detta gör att det är viktigt hur randeffekterna (början och slutet av signalen) hanteras när man implementerar ILC-algoritmen. Genom teoretisk analys och simuleringsexempel illustreras att implementeringsmetoden kan ha stor betydelse för egenskaperna hos ILC-algoritmen.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:liu-64017 |
Date | January 2011 |
Creators | Wallén, Johanna |
Publisher | Linköpings universitet, Reglerteknik, Linköpings universitet, Tekniska högskolan, Linköping : Linköping University Electronic Press |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | English |
Type | Doctoral thesis, monograph, info:eu-repo/semantics/doctoralThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | Linköping Studies in Science and Technology. Dissertations, 0345-7524 ; 1358 |
Page generated in 0.0016 seconds