磁悬浮纳米定位系统的数据驱动多目标控制器优化

传统基于模型的控制系统设计方法所达到的性能通常严重依赖于对运动动力学的精确建模。然而，对当今日益复杂的系统的真实动力学进行建模可能是一项极具挑战性的任务；并且通常必要的实际近似往往使自动化系统在非最优条件下运行。在多轴磁悬浮纳米定位系统中，这一问题可能大大加剧，因为完全浮动特性和多轴耦合使得运动动力学的极精确辨识在很大程度上不可能。另一方面，在许多相关的工业自动化应用中，例如使用磁悬浮系统的扫描过程，涉及重复运动，这可能在非最优条件下产生大量运动数据。这些运动数据本质上包含丰富的信息；因此，存在开发智能自动化系统的可能性，从这些运动数据中学习并以数据驱动的方式驱动系统趋向最优运行。沿着这一思路，本文提出了一种数据驱动控制器优化方法，从过去的非最优运动数据中学习，迭代地改善运动控制性能。具体而言，提出了一种新颖的数据驱动多目标优化方法，能够完全基于测量的运动数据自动估计梯度和 Hessian 矩阵；多目标代价函数被恰当地设计以同时考虑平滑和精确的轨迹跟踪。然后在磁悬浮纳米定位系统上进行实验以证明所提方法的有效性，结果相当清楚地显示了我们的方法学对于无精确模型的相关复杂机器人系统的实际吸引力。