本文由浙江工业大学特种装备制造与先进加工技术教育部重点实验室的Wei Jiang、Gang Zhu和Ying Zheng*合作完成，于2021年11月29日发表在期刊《Machines》上，标题为《Iterative Learning Control for AGV Drive Motor Based on Linear Extended State Observer》（基于线性扩张状态观测器的AGV驱动电机迭代学习控制）。研究针对自动导引车（AGV）工作流程中的重复性和非重复性干扰问题，提出了一种结合线性扩张状态观测器（LESO）和迭代学习控制（ILC）的新型控制策略，以提高AGV驱动电机的控制精度。

学术背景

AGV技术在智能物流设备中广泛应用，其工作流程具有重复性，但运输货物的质量不一致会导致非重复性干扰。此外，低速时车轮与地面的摩擦具有强非线性，传统PID控制难以应对变负载情况。因此，研究高性能控制策略以提高AGV的定位精度和物流效率具有重要意义。

迭代学习控制（ILC）最初由Uchiyama于1978年提出，适用于重复性任务的跟踪控制，但对非重复性和随机干扰的抑制能力有限。为此，研究结合线性扩张状态观测器（LESO），通过实时估计和补偿非重复性干扰，优化控制性能。

研究流程

1. 建立AGV驱动伺服系统数学模型

   • 基于Coulomb摩擦模型（库仑摩擦模型），分析驱动电机的负载特性，并推导电机系统的数学模型。
     
   • 采用永磁同步电机（PMSM）作为研究对象，其参数如表2所示。通过忽略电枢电感并采用id=0的矢量控制方法，建立系统的三阶扩张状态方程。
     

2. 设计线性扩张状态观测器（LESO）

   • 将系统未知部分视为额外状态变量，设计LESO以估计系统状态及总扰动。LESO的带宽ωo通过调试确定为100，以优化补偿效果。
     

3. 设计迭代学习控制器（ILC）

   • 采用闭环PD型学习律，通过迭代过程减小跟踪误差。迭代控制律参数kp和kd分别设定为20和5，以平衡收敛速度和稳定性。
     

4. 仿真与实验验证

   • 在MATLAB/Simulink环境中建立仿真模型，验证LESO+ILC算法的性能。目标曲线为θref=2sin(t)，负载转矩随机设定在0.12至0.49 N·m之间。
     
   • 实验平台由PMSM、控制器、智能功率模块（IPM）、上位机和测功机组成，通过不同负载条件（额定负载、半载、空载）验证控制器的有效性。
     

主要结果

1. 仿真结果

   • ILC在初始迭代中存在较大跟踪误差，经过9次迭代后误差收敛。LESO+ILC显著减少初始误差，并加速收敛过程。
     
   • 在非重复性干扰下，LESO+ILC表现出更强的鲁棒性，误差波动更小。
     

2. 实验结果

   • 额定负载条件下，LESO+ILC的峰值误差较ILC降低约30%，调节时间缩短。
     
   • 半载和空载条件下，误差进一步减小，验证了LESO对负载变化的适应性。
     

结论与价值

研究提出的LESO+ILC控制策略有效解决了AGV驱动伺服系统中重复性与非重复性干扰共存的问题，显著提高了系统的定位精度和抗干扰能力。其科学价值在于结合了ILC的迭代优化和LESO的扰动补偿，为复杂工业环境下的伺服控制提供了新思路。实际应用中，该策略可提升AGV的物流效率和稳定性。

亮点

1. 创新性方法：首次将LESO与ILC结合，用于AGV驱动电机的控制，解决了非重复性干扰问题。
   
2. 实验验证全面：通过仿真和不同负载实验，验证了算法的普适性和鲁棒性。
   
3. 工程应用价值：为AGV及其他重复性任务的伺服系统提供了高性能控制方案。