用于二惯量系统振动抑制的扰动抑制引导学习

模型不确定性给多惯量系统的振动抑制带来了重大挑战，因为这些系统常因系统辨识误差或未建模动态而依赖不精确的标称数学模型。观测器，如扩张状态观测器（ESO），能够估计不精确标称模型与真实模型之间的差异，从而通过扰动抑制提升控制性能。传统观测器设计是无记忆的，即一旦其估计的扰动被获取并发送给控制器，该数据即被丢弃。在本研究中，我们提出了ESO与机器学习的无缝集成。一方面，机器学习模型尝试对扰动进行建模。借助关于扰动的先验信息，观测器有望在扰动估计中实现更快的收敛。另一方面，机器学习受益于ESO提供的额外保障层，因为机器学习模型中的任何不完美之处都可以由ESO补偿。我们通过在用于振动研究的二惯量运动控制系统上的仿真和物理测试，验证了这种新颖的面向控制的学习范式的有效性。