liu.seSearch for publications in DiVA
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Estimation-based iterative learning control
Linköping University, Department of Electrical Engineering, Automatic Control. Linköping University, The Institute of Technology. (Automatic Control)
2011 (English)Doctoral thesis, monograph (Other academic)
Abstract [en]

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.

Abstract [sv]

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.

Place, publisher, year, edition, pages
Linköping: Linköping University Electronic Press , 2011. , 180 p.
Series
Linköping Studies in Science and Technology. Dissertations, ISSN 0345-7524 ; 1358
Keyword [en]
Iterative learning control, estimation, industrial robotics, performance
National Category
Control Engineering
Identifiers
URN: urn:nbn:se:liu:diva-64017ISBN: 978-91-7393-255-4 (print)OAI: oai:DiVA.org:liu-64017DiVA: diva2:386643
Public defence
2011-02-11, Visionen, Hus B, Campus Valla, Linköping University, Linköping, 10:15 (English)
Opponent
Supervisors
Available from: 2011-01-13 Created: 2011-01-11 Last updated: 2011-02-22Bibliographically approved

Open Access in DiVA

Estimation-based iterative learning control(2024 kB)2935 downloads
File information
File name FULLTEXT02.pdfFile size 2024 kBChecksum SHA-512
6c7c4a9f2826bb650ab2a7705ee4dd1432c3a964d3f705120224c80f4a03c95780abd26bb3cda11844565eee37557828af462581a4628614cdb20e15fd908732
Type fulltextMimetype application/pdf
Cover(42 kB)89 downloads
File information
File name COVER01.pdfFile size 42 kBChecksum SHA-512
7fdcf0d235d8e3ee062a7463ccf8989ba3b1f8dd719aeef9a0fc600bbac94dd911c9c84bcedcc8ff8709de52e2bcb03e2e575a915c33435ce43d9b8bf1f8ea94
Type coverMimetype application/pdf
errata(179 kB)82 downloads
File information
File name ERRATA01.pdfFile size 179 kBChecksum SHA-512
a8c71814e1c1bd4b3dd14f4577a56bf1ab8f08f1971e13a961e4246aad79c3016c65a75530297a992c46b2bd6603fb316846db47cdd1bc0ee06c7cd09606479e
Type errataMimetype application/pdf

Authority records BETA

Wallén, Johanna

Search in DiVA

By author/editor
Wallén, Johanna
By organisation
Automatic ControlThe Institute of Technology
Control Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 2936 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

isbn
urn-nbn

Altmetric score

isbn
urn-nbn
Total: 2408 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf