کنترل کننده تکرارشونده با یادگیری (Iterative Learning Controller)، در ریاضیات (Mathematics)
انواع کنترل کننده ها (Controller) را در آموزش زیر شرح دادیم :
کنترل کننده تکرارشونده با یادگیری (Iterative Learning Controller) :
یادگیری از تکرارهای قبلی برای بهبود عملکرد
کنترل کننده تکرارشونده با یادگیری یا Iterative Learning Controller (ILC) یک روش کنترل برای سیستم هایی است که یک وظیفه را به صورت تکراری انجام می دهند (مانند ربات ها در خطوط تولید). ILC از اطلاعات تکرارهای قبلی (خطا، ورودی، خروجی) برای تصحیح سیگنال کنترلی در تکرار بعدی استفاده می کند. به این ترتیب، با گذشت زمان و با افزایش تعداد تکرارها، عملکرد سیستم بهبود می یابد و خطا کاهش می یابد.
ایده اصلی:
\[ u_{k+1}(t) = Q(u_k(t) + L e_k(t)) \]، که در آن k شماره تکرار، Q یک فیلتر، و L یک عملگر یادگیری است.
\[ u_{k+1}(t) = u_k(t) + \Gamma e_k(t) \quad \text{(یک قانون ساده ILC)} \]کاربردها: ربات های صنعتی در کارهای تکراری (جوشکاری، رنگ پاشی، مونتاژ)، ماشین های CNC، سیستم های بسته بندی، کنترل موقعیت در کارهای دوره ای، پرینترهای سه بعدی.
✅ مزایا: بهبود چشمگیر عملکرد با افزایش تکرارها، عدم نیاز به مدل دقیق، قابلیت جبران خطاهای سیستماتیک.
⚠️ معایب: فقط برای کارهای تکراری مناسب است، نیاز به حافظه برای ذخیره داده های تکرار قبلی، همگرایی ممکن است کند باشد.
ILC با کنترل تطبیقی متفاوت است. در کنترل تطبیقی، پارامترها در طول زمان تغییر می کنند، اما در ILC، سیگنال کنترلی برای کل یک تکرار اصلاح می شود و این اصلاح بین تکرارها انجام می شود.
مثال: یک ربات جوشکار که هر روز صدها قطعه یکسان را جوش می دهد. روز اول، خطاهای جوش ممکن است زیاد باشد. ILC با استفاده از خطاهای روز اول، سیگنال کنترلی را برای روز دوم تصحیح می کند. این روند ادامه می یابد تا پس از چند روز، جوش ها با دقت بسیار بالایی انجام شوند.
پایداری و همگرایی ILC با تحلیل در حوزه فرکانس یا با استفاده از نرم های عملگری تحلیل می شود.
