Resumen

El Control de Aprendizaje Iterativo (CAI) es uno de los mtodos de control de seguimiento ms populares para sistemas que ejecutan repetidamente la misma tarea. Por lo general, se utiliza un modelo del sistema en el anlisis y diseo del CAI. El CAI basado en modelos generalmente resulta en una rpida convergencia y un buen rendimiento. Sin embargo, las incertidumbres del modelo y las perturbaciones no repetitivas dificultan sus aplicaciones prcticas. Una de las soluciones comnmente utilizadas es la introduccin de un filtro pasa bajos, conocido como filtro . Sin embargo, en este documento se indica que las configuraciones de filtro existentes comprometen el rendimiento del servomecanismo, aunque mejoran la robustez. Motivado por la combinacin de rendimiento y robustez, se presenta en este documento una nueva configuracin de filtro en el CAI. Se proporcionan algunas consideraciones prcticas, como la configuracin del CAI en un sistema de control de retroalimentacin, la compensacin por retardo temporal y el coeficiente de aprendizaje, en la implementacin

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Control iterativo del aprendizaje; ILC basado en modelos; Filtro pasa bajos; Rendimiento del servomecanismo; Robustez; Sistema de control de retroalimentación
• Keywords:Iterative learning control; Model-based ILC; Low-pass filter; Servo performance; Robustness; Feedback control system