神经网络增强的迭代学习控制用于补偿带可变扰动的运动控制系统摩擦力
系统与控制
2025-11-18 v1 系统与控制
摘要
本文提出一种鲁棒控制策略，将迭代学习控制(ILC)与简单横向神经网络集成，以提高线性洛伦兹力执行器在摩擦力和模型不确定性下的轨迹跟踪性能。ILC补偿非线性摩擦力效应，而神经网络估计不同参考命令下的非线性ILC effort。通过动态调整ILC effort，该方法适应于时变摩擦力，减少参考变更时的误差，并加快收敛速度。与使用复杂神经网络的先前方法相比，该方法简化了在线训练和实现，使其适用于实时应用。实验结果确认了其在不同参考轨迹的多个任务中实现精确跟踪的有效性。
引用
@article{arxiv.2511.11850,
title = {Neural Network-Augmented Iterative Learning Control for Friction Compensation of Motion Control Systems with Varying Disturbances},
author = {Ali Mashhadireza and Ali Sadighi},
journal= {arXiv preprint arXiv:2511.11850},
year = {2025}
}
备注
6 pages, 10 figures, conference paper to be submitted to IEEE Conference on Control Systems