Resumen

Los motores lineales de imanes permanentes (MLIP) están ganando un interés creciente en escenarios de movimiento de ultra precisión y largo recorrido, como el escenario de retícula y oblea de escáner para litografía de semiconductores. Sin embargo, las actuaciones de los MLIP se ven fuertemente afectadas por la ondulación de fuerza inherente. Se han estudiado varios métodos de compensación para resolver su influencia en la precisión del sistema. Sin embargo, con el objetivo de algunas aplicaciones, las características del sistema limitan el diseño del controlador. En este documento, se propone una nueva estrategia de compensación basada en el control iterativo de aprendizaje del modelo inverso y un observador robusto de perturbaciones para suprimir la influencia de la ondulación de fuerza. El método de compensación propuesto aprovecha al máximo no solo la alta precisión de seguimiento alcanzable del control iterativo de aprendizaje del modelo inverso, sino también la mayor robustez y mejor velocidad de aprendizaje iterativo mediante el uso de un observador robusto

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Imán; Motores lineales; Ondulación de fuerza; Métodos de compensación; Control iterativo de aprendizaje de modelo inverso; Observador robusto de perturbaciones
• Keywords:Magnet; Linear motors; Force ripple; Compensation methods; Inverse model iterative learning control; Robust disturbance observer