Computational efficient implementation of iterative learning control on a programmable logic controller

Abstract

Um den Durchsatz von Automatisierungsanlagen zu erhöhen, werden häufig Industrieroboter oder andere Handhabungsgeräte eingesetzt. Eine genaue Pfadfolgeregelung kann sich jedoch als schwierig erweisen. Repetitive Störungen oder schleichend ändernde Modellparameter wie eine Zunahme der Reibung beeinträchtigen das Ergebnis. Um dem entgegenzuwirken, kann eine Iterativ Lernende Steuer- und Regelung (ILSR), welche die Tatsache der Wiederholbarkeit ausnutzt, angewendet werden. Herstellerspezifische Roboter haben des öfteren eine herstellerspezifische Hard- und Software, was eine Veränderung der Steuerung und Reglung nahezu unmöglich macht. Eine Speicherprogrammierbare Steuerung (SPS) ist robust, flexibel und modular aufgebaut, und eignet sich hervorragend für den Einsatz in einer Fabrik. Sie bietet standardisierte Programmiersprachen und Software-Schnittstellen, um die Wartungszeit und Wartungskosten niedrig zu halten. Aufgrund der geringen Rechenleistung sind jedoch komplexe Kontrollstrategien schwierig zu implementieren. In dieser Arbeit wird eine rechnerisch effiziente Implementierung für eine normoptimale ILSR verwendet. Der Algorithmus kann in drei Phasen gruppiert werden: offline, um alle benötigten Parameter zu berechnen und die gewünschte Trajektorie zu generieren, inbetween trials zum Berechnen des neuen Eingangs, und online, wo der berechnete Eingang aufgeschaltet wird. Die implementierte Berechnung des neuen Eingangs hat eine Ordnung von Operationen von O(N), wobei N die Länge der Trajektorie ist, welche sich für die Berechnung auf einer SPS eignet. Die Auswertung dieses Algorithmus wurde auf einem Portalroboter mit drei Freiheitsgraden durchgeführt, wobei die normoptimale ILSR auf einer Soft-SPS ausgeführt wird.

To increase the throughput of automation systems, industrial robots or other handling systems are often used. Accurate path tracking however can prove to be challenging when dealing with repeating disturbances or gradually changing model parameters like an increase in friction. To counteract this, Iterative Learning Control (ILC), which takes advantage of repeatability, can be applied. Vendor-specific robots often only supply vendor-specific hardware and software, which makes altering the controlling nearly impossible. A Programmable Logic Controller (PLC), with its robust, sturdy, flexible and modular nature, is perfectly suited for a factory. It offers standardized programming languages and software interfaces to keep engineering time and maintenance costs low. Due to the low computational power however, complex control strategies prove difficult to implement. In this thesis a computational efficient implementation for a normoptimal ILC is presented. The algorithm can be grouped in three phases: offline, to calculate all needed parameters and generate the desired trajectory, inbetween trials, to calculate the update for the next input, and online, where the updated input is applied. The implemented update law has an order of operations of O(N), with N being the length of the trajectory, is suitable for calculations on a PLC. The evaluation of this algorithm have been conducted on a gantry robot with three degrees of freedom, where the normoptimal ILC is executed on a Soft-PLC.