随着高速高精密加工技术的快速发展，永磁直线同步电机（PMLSM）展现出取代传统运动执行器（如旋转式电机加螺杆或传导丝杠）的趋势。永磁直线同步电机以其高速度、高精度和强推力等优点，在工业机器人、运送传输设备和磁悬浮列车等领域得到广泛应用。然而，由于永磁直线同步电机缺乏机械传动环节，它无法缓冲内部参数变化及外部非线性扰动等因素的影响，这增加了伺服控制的难度。

迭代学习控制（ILC）利用之前迭代的数据，在连续重复任务中改善当前系统的控制输入信号，从而抑制重复性干扰，并实现在有限范围内的完全跟踪。然而，迭代学习控制的积分特性可能放大非重复性扰动，从而影响系统的鲁棒性。

由于系统动态特性的变化或外部扰动的存在，迭代学习控制可能导致误差在每次迭代中逐渐累积，进而对永磁直线同步电机伺服系统的跟踪精度产生不利影响。为了解决这一问题，辽宁科技大学电子与信息工程学院的刘思诺、武志涛，提出一种基于改进经验模态分解（MEMD）的迭代学习控制策略。

图1 自适应迭代学习控制系统框图

图2 迭代学习控制系统框图

首先，研究者设计出一种具有自适应性调节特点的迭代学习位置控制器。然后，提出一种基于三角极值波延拓与互补集合经验模态分解的改进算法，该算法可将各次迭代的跟踪误差进行分解，筛选并剔除影响误差收敛的分量。

他们通过仿真分析并与传统迭代学习控制进行比较，证明了本方法具有更快的收敛速度，位置跟踪误差减少了17.76%，能够以较少的迭代次数实现直线电机的高精度跟踪控制。

本工作成果发表在2024年第4期《电气技术》，论文标题为“基于改进经验模态分解的直线电机伺服系统迭代学习控制”，作者为刘思诺、武志涛。本课题得到国家自然科学基金项目的支持。