一种数控机床自学习修正误差系统及方法与流程

本发明涉及伺服系统控制领域，尤其涉及一种数控机床自学习修正误差的方法。

背景技术：

数控机床是现代装备制造业的基础，体现了一个国家的综合科技水平，对国家的航空航天、冶金、矿山、化工、船舶、交通运输、精密器械和医疗设备等各个行业的发展具有极为重要的作用。自1952年世界上第一台数控机床诞生以来，经过60多年的发展，数控机床在硬件软件方面的性能均得到全面提升。目前，数控系统已基本实现加工中的高速度高精度功能，并向着智能化的方向发展。作为数控系统核心的控制算法，目前国内外数控系统基本都是采用PID(比例(proportion)、积分(integration)、微分(differentiation))控制，该算法结构简单、鲁棒性强，因而得到广泛应用。

作为数控机床的其中一个应用，随着智能手机等3C产品的需求逐渐上涨，手机零部件的需求量也越来越多，同一数控机床可能很长时间之内都在加工同一个零件。但目前零件制造使用的都是标准的数控机床，并没有考虑到同一零件的多批量生产问题，也就是说数控机床并没有利用已加工出的零件情况来指导后续的加工，仍然将大批量生产当作单件生产的机械重复，这样就很容易产生次品率，目前的成品率一般在80％以下。成品率的降低使得数控机床整体性能的要求增加，机床购置成本大幅度提高，减少了行业的利润率，不利于行业的发展。

目前，典型数控系统结构如图1所示，1/(Js+B)为电机模型，w为电机输出角速度，θ为电机输出角度，r_g为传动系数，x为系统实际输出。参考输入信号r在轨迹生成模块进行速度规划和插补，将得到的数字信号发送给控制器，控制器为三环控制结构，最内层为电流环，其次是速度环，最外层是位置环。三个控制器均采用PID控制算法。在同一轨迹的重复跟踪过程中，每次运行时的控制量均相同，不会因为运行次数而变化。

技术实现要素：

为解决现有技术中不能根据前次加工误差信息自主学习的问题，本发明提供一种数控机床自学习修正误差系统，还提供了一种基于该系统的修正误差方法。

本发明数控机床自学习修正误差系统包括轨迹生成模块、位置环迭代学习控制器、第二控制器、电机及传动模块，所述轨迹生成模块的输出端与位置环迭代学习控制器的输入端相连，所述第二控制器的输入端与所述位置环迭代学习控制器的输出端相连，所述第二控制器输出端与电机及传动模块输入端相连。

本发明作进一步改进，还包括干扰观测器，所述干扰观测器的输入端分别与所述第二控制器的输出端及电机及传动模块输出端相连，所述干扰观测器的输出端与第二控制器的输出端相连。

本发明作进一步改进，所述干扰观测器包括干扰输入单元、测量噪声输入单元、标称模型生成单元和低通滤波器，所述干扰输入单元输出端通过电机及传动模块与标称模型生成单元输入端相连，所述测量噪声输入单元输出端与标称模型生成单元输入端相连，所述标称模型生成单元输出端与第二控制器的输出端分别与低通滤波器的输入端相连，所述低通滤波器的输出端与第二控制器的输出端相连。

本发明作进一步改进，还包括外层自学习速度规划器，所述外层自学习速度规划器的输入端与电机及传动模块输出端相连，所述外层自学习速度规划器与轨迹生成模块相连。

本发明作进一步改进，所述位置环迭代学习控制器包括第一控制器、迭代学习控制器、存储器，所述轨迹生成模块的输出端与所述第一控制器输入端和存储器输入端相连，所述迭代学习控制器与存储器相连，所述迭代学习控制器输出端和第一控制器的输出端与第二控制器的输入端相连。

本发明还提供了一种基于该系统的修正误差方法，包含如下步骤：

A1：开始，轨迹生成模块给定期望轨迹及运行次数；

A2：位置环迭代学习控制器进行迭代控制，输出位置控制量；

A3：第二控制器输出速度和电流控制量；

A4：电机及传动模块根据位置控制量、速度和电流控制量运行，输出轨迹；

A5：判断是否到达给定运行次数，如果是，结束，如果否，返回执行步骤A2。

本发明作进一步改进，还包括执行随机干扰抑制步骤B，在步骤A2执行后，判断是否存在随机干扰，如果是，利用干扰观测器对随机干扰和测量噪声进行滤除，然后执行步骤A3，如果否，执行步骤A3。

本发明作进一步改进，还包括外层自学习速度规划步骤C：在步骤A4执行完毕后，判断运行一定次数后，输出轨迹与期望轨迹的误差是否减小到设定值，如果是，执行步骤A5，如果否，利用外层自学习速度规划器重新进行速度规划，然后返回执行步骤A1。

本发明作进一步改进，所述速度规划的方法包括梯形速度规划法、S形速度规划法和正弦速度规划法。所述速度规划的原理为：根据输入的实际轨迹与期望轨迹的误差项，确定一个速度规划的优化机制，将超过一定值的误差控制在合适的范围内，在适当区域可作加速处理，实现机床运行时的误差可控和效率最优。

本发明作进一步改进，在步骤A2中，位置环迭代学习控制器中的迭代学习控制器为闭环PD型迭代控制器，所述控制信号的表达式为：其中，k表示系统运行次数，u_k表示第k次运行时系统的控制量输出；u_k+1表示第k+1次运行时系统的控制量输出；Γ_p表示比例项学习增益，Γ_d表示微分项学习增益，e_k+1表示第k+1次运行时系统的误差信号，

所述迭代控制的方法包括如下步骤：

A21：开始，比例项学习增益和微分项学习增益设定为一较大定值；

A22：迭代开始；

A23：判断实际输出轨迹与期望轨迹之间的误差是否小于第一设定值，如果是，执行步骤A24，如果否，返回执行步骤A22；

A24：比例项学习增益和微分项学习增益设定为一较小定值；

A25：继续迭代；

A26：判断实际输出轨迹与期望轨迹之间的误差是否小于第二设定值，如果是，停止迭代，控制量保持不变，结束，如果否，返回执行步骤A25。

与现有技术相比，本发明的有益效果是：内层的位置环迭代学习控制器为控制器方面的学习控制，是实时控制，在施加重复性位置指令时，使输出跟随输入，以输出轨迹与期望轨迹的偏差修正不理想的控制信号，产生新的控制信号，使得系统的跟踪性能得以提升，具有记忆系统与经验修正功能，有效减小了输出轨迹与期望轨迹的误差；通过设计迭代学习控制器，干扰观测器以及变增益条件补偿策略，实现了对期望轨迹的跟踪及加工过程中干扰的抑制；外层自学习速度规划器为规划层面的学习控制，当发现局部误差过大或误差小但速度过小时，启用外层自学习，跟踪误差对轨迹重新进行速度规划，是非实时的过程，有效解决了内层学习控制效果不理想的问题。通过本发明的方法，实现数控系统在重复加工中积累误差经验、自主修正误差的自学习功能，数控机床的加工过程变为自动学习的过程，大大提高了加工的成品率。

附图说明

图1为现有技术数控系统结构示意图；

图2为本发明结构示意图；

图3为本发明前三次输出轨迹与期望轨迹示意图；

图4为输出轨迹与期望轨迹的均方根误差与迭代次数关系示意图；

图5为干扰观测器原理图；

图6为本发明方法流程图；

图7为本发明一实施例方法流程图；

图8为迭代控制的方法流程图；

图9为梯形速度规划法方法流程图；

图10为梯形速度规划法速度与时间关系示意图；

图11 X,Y平台加工不同区域具有相同几何特性段工件示意图；

图12为正八边形跟踪误差示意图；

图13为同一工件置于X,Y平台不同位置加工示意图；

图14为轨迹规划闭环流程图；

图15为外层自学习速度规划器修改性能参数流程图；

图16为拐弯时间为0.02时规划轨迹与实际轨迹对比图；

图17为拐弯时间为0.005时规划轨迹与实际轨迹对比图；

图18为拐弯时间分别为0.02及0.05时实际轨迹与规划轨迹对比图；

图19为外层自学习速度规划器局部S型或滤波机制流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细说明。

如图2所示，本发明为了实现数控系统在重复加工中积累误差经验、自主修正误差的自学习功能，设计了双层自学习结构，在控制器层面和轨迹规划层面均进行了学习校正。

本发明的数控机床自学习修正误差系统包括轨迹生成模块、位置环迭代学习控制器、第二控制器、电机及传动模块，所述轨迹生成模块的输出端与位置环迭代学习控制器的输入端相连，所述第二控制器的输入端与所述位置环迭代学习控制器的输出端相连，所述第二控制器输出端与电机及传动模块输入端相连。

其中，所述位置环迭代学习控制器包括第一控制器、迭代学习控制器、存储器，所述轨迹生成模块的输出端与所述第一控制器输入端相连，所述迭代学习控制器与存储器相连，所述迭代学习控制器输出端和第一控制器的输出端与第二控制器的输入端相连，其中，第一控制器即为现有技术中的位置环控制器。

图2中的ILC为迭代学习控制器，k表示系统运行次数。所谓迭代学习，即在“重复中学习”，指系统多次运行的过程中，通过对系统进行控制尝试，以输出轨迹与期望轨迹的偏差修正不理想的控制信号，产生新的控制信号，使得系统的跟踪性能得以提升，具有记忆系统与经验修正机制。

本发明的位置环迭代学习控制器中的迭代学习控制器为闭环PD型迭代控制器，所述控制信号的表达式为：其中，k表示系统运行次数，u_k表示第k次运行时系统的控制量输出；u_k+1表示第k+1次运行时系统的控制量输出；Γ_p表示比例项学习增益，Γ_d表示微分项学习增益，e_k+1表示第k+1次运行时系统的误差信号。

如图3和图4所示，本例的期望轨迹为：y_d(t)＝20sin(0.73t-0.005t²)，t∈[0,T],T为系统运行一次的时间。

本发明重复运行前三次运行的轨迹与期望轨迹曲线见图3，desired为期望轨迹，可以看出，随着迭代系数的增加，系统输出逐渐接近期望输出，将前三次运行的均方根误差绘制于图4，可以看出，实际输出与期望输出之间的误差逐渐减小，逐渐接近于零。

对于重复性干扰，迭代学习控制器发挥了很好的抑制作用，但是对于非重复性的随机干扰，该控制器并不能保证误差收敛，所以本例还需设计干扰观测器抑制非重复性干扰也就是随机干扰。本例的干扰观测器的输入端分别与所述第二控制器的输出端及电机及传动模块输出端相连，所述干扰观测器的输出端与第二控制器的输出端相连。本例的干扰观测器的原理图如图5所示，所述干扰观测器包括干扰输入单元、测量噪声输入单元、标称模型生成单元和低通滤波器，所述干扰输入单元输出端通过电机及传动模块与标称模型生成单元输入端相连，所述测量噪声输入单元输出端与标称模型生成单元输入端相连，所述标称模型生成单元输出端与第二控制器的输出端分别与低通滤波器的输入端相连，所述低通滤波器的输出端与第二控制器的输出端相连。其中，u_r为输入的控制信号，d为随机干扰，G₀(s)为被控对象，为标称模型生成单元，Q(s)为低通滤波器，ξ为测量噪声。

本发明加入干扰观测器，再给系统增加非重复性干扰，发现系统输出不会偏离期望输出，说明此控制结构无论对于重复性干扰还是非重复性干扰，都具有良好的抑制作用。

此外，本发明还包括外层自学习速度规划器，所述外层自学习速度规划器的输入端与电机及传动模块输出端相连，所述外层自学习速度规划器与轨迹生成模块相连。

如果发现无论迭代学习控制器的增益如何变化，本发明系统收敛效果一直不理想，或是当系统收敛较为理想时，系统的鲁棒性已被严重破坏。则很有可能是轨迹生成模块出现了问题。那这时候，我们就需要通过学习速度规划模块来适当调整速度规划即轨迹生成模块，来从源头上控制误差的产生。又或者我们通过实际轨迹及速度的采集，发现在某些区域误差几乎不存在，可是速度却很小，这个时候我们也可以通过学习速度规划器来适当调整速度规划轨迹生成模块，使得该处的速度适当提高，同时引入可以容忍的较小误差，来达到效率与精度的平衡。本发明介绍两个需要外层自学习速度规划器的情况。

(1)如图9所示，让系统走一个直角弯，如果在转弯处规划速度不降为零，无论迭代控制器学习多少次，走出来的轨迹必定有一个弧度。若拐弯速度过大，那不论控制环做怎样的迭代自学习，也很难将误差削减到合适范围内，所以当类似情况发生的时候，使系统启动外层自学习功能，利用外层自学习速度规划器根据跟踪误差重新进行速度规划。

(2)当待加工零件置于加工平台不同位置时，机床的加工性能可能会存在差异导致加工误差不同，而没有经过外部学习速度规划器的轨迹生成模块输出的则是与工件之于平台位置无关的速度规划，由这个问题引入的误差，在控制模块的自学习过程中，是无法被彻底解决的，只能由外部的学习速度规划器在实际的机床加工中，通过输入的实际轨迹与期望轨迹的误差值通过一系列优化机制，修改源头的速度规划过程，来控制误差。

如图6所示，本发明还提供了一种基于上述数控机床自学习修正误差系统的修正误差方法，包含如下步骤：

A1：开始，轨迹生成模块给定期望轨迹及运行次数；

A2：位置环迭代学习控制器进行迭代控制，输出位置控制量；

A3：第二控制器输出速度和电流控制量；

A4：电机及传动模块根据位置控制量、速度和电流控制量运行，输出轨迹；

A5：判断是否到达给定运行次数，如果是，结束，如果否，返回执行步骤A2。

其中，在步骤A2中，位置环迭代学习控制器中的迭代学习控制器设计过程中，有一个矛盾的问题，就是学习增益和收敛速度及稳定性之间的关系。现有的研究中只是表明增益大时，系统收敛快，但系统鲁棒性降低；增益小时，系统鲁棒性好，但是收敛速度慢，并没有给出定量的描述。而且由于测量装置的延迟性，导致系统虽然满足收敛的条件，但当运行次数足够多时，系统存在发散的风险。针对这两种现象，本发明在步骤A2中的迭代控制方法中增加了变增益条件补偿方法，具体方法流程图如图8所示。

所述迭代控制的方法包括如下步骤：

A21：开始，比例项学习增益和微分项学习增益设定为一较大定值；

A22：迭代开始；

A23：判断实际输出轨迹与期望轨迹之间的误差是否小于第一设定值，如果是，执行步骤A24，如果否，返回执行步骤A22；

A24：比例项学习增益和微分项学习增益设定为一较小定值；

A25：继续迭代；

A26：判断实际输出轨迹与期望轨迹之间的误差是否小于第二设定值，如果是，停止迭代，控制量保持不变，结束，如果否，返回执行步骤A25。

本例在系统刚开始运行时，将比例项学习增益和微分项学习增益(简称学习增益)设置为一个比较大的数值，比如设定为1，系统的收敛速度会很快；当实际输出与期与期望输出之间误差rms小于第一设定值，比如将第一设定值设定为1mm时，将学习增益调小，变为0.1，这样就不会因为增益大而使误差发散，系统继续迭代收敛，只是收敛的速度变慢；当误差继续减小到第二设定值，比如将第二设定值设定为5um时，停止迭代，将变化的控制量补偿部分变为常值补偿，防止系统因为延时而发散。当然，较大定值、较小定值、第一设定值和第二设定值可以根据实际情况设置为其他值。

如图7所示，作为本发明的一个实施例，本发明在原来方法的基础上，还包括执行随机干扰抑制步骤B，在步骤A2执行后，判断是否存在随机干扰，如果是，利用干扰观测器对随机干扰和测量噪声进行滤除，然后执行步骤A3，如果否，执行步骤A3。以消除随机干扰对本方法造成的干扰。

本发明还包括外层自学习速度规划步骤C：如图7所示，在步骤A4执行完毕后，判断运行一定次数后，输出轨迹与期望轨迹的误差是否减小到设定值，如果是，执行步骤A5，如果否，利用外层自学习速度规划器重新进行速度规划，然后返回执行步骤A1。

系统在运行之前，轨迹生成模块给定期望轨迹和运行次数，然后根据期望轨迹进行速度规划，将规划值发给位置环迭代学习控制器(此处的控制器是完整的控制器，包括第一控制器，迭代学习控制器及干扰观测器)，然后再发送给速度环控制器和电流环控制器，系统开始运行，得到第一次输出，根据期望输出和实际输出的误差值计算控制量的补偿值，即计算第二次运行时的控制量，依次重复运行下去，在运行过程中根据误差值调整学习增益的数值，直到实际输出轨迹与期望轨迹之间的误差是否小于第二设定值停止迭代。

由仿真可知，系统一般都会在运行50次以内达到期望值，所以本发明将运行次数设定为50次，如果系统运行50次后，误差还未减少到第一次运行时误差的一半，那此时的速度规划方法一定是失败的，此时我们启动外层自学习速度规划步骤C，关于外层自学习速度规划步骤C的判断条件，可以根据实际确定的期望误差值和运行次数由仿真和实验确定，此处是举例说明。此后系统一直运行下去，直到达到规定的次数。

本发明的轨迹生成模块采用的是传统的速度规划策略，即根据设定的速度规划模式，如梯形速度规划、S型速度规划及正弦速度规划等，然后依据轨迹的几何特性，如转角、曲率及各段长度等对速度进行一系列限制。其算法流程图如图9所示。本发明中我们考虑采用较为简单通用的梯形速度规划模型，梯形速度规划模型的v-t,a-t,j-t的图像如图10所示。

传统的速度规划策略较为简单直观，在仿真实验中确实也可以实现不错的效果，可是在实际的机床加工中，这种开环的速度规划策略却显然存在着明显的缺陷。在做轨迹生成模块的速度规划时考虑的速度限制因素，一般仅仅只为理想轨迹的几何特性以及机床的恒定的性能限制，然而实际机床加工时，影响加工性能的因素却远远不止这些。

下面举出两种可能存在于实际加工中影响因素，对这种开环速度规划器的缺陷进行说明：

(1)工件不同区域相同几何特性段的加工

对于工件而言，很有可能会有在不同区域出现相同几何特性段的情况，如图11所示的段A和段B。x,y坐标系表示加工时的x,y平台。因为段A和段B几何特性相同，在传统的速度规划策略中显然该段的速度规划也会是基本一致的，然而，因为段A和段B位于工件的具体位置不同，导致实际加工时与x,y轴的夹角不同，即x,y轴的单轴进给量不同，而实际机床的x,y轴的运动性能不可能是完全对称的，甚至对于单个x轴或y轴而言，刀心点置于加工平台不同位置时，单轴的加工性能也是有一定区别的。因而在加工段A和段B时，相同的速度规划，却会导致不同的运动误差。即使段A的误差是符合要求的，段B在加工时却很有可能会超出加工误差允许的范围。故这种开环的速度限制只与工件几何特性及机床恒定运行性能有关的速度规划策略，在面对上述加工情况时是存在明显问题的。

以下介绍一个具体实例对此种情况进行说明。

如图12所示，为一个正八边形在实际加工时的误差曲线图。可以很清楚地看到，在误差图中有八处误差急剧增大，很显然这些地方正是八边形的八个拐角处，因为八边形为正八边形，因而拐角大小也相等，在传统的速度规划策略中这些拐角处的速度规划也是一致的，可是很显然，这八个拐角处的误差并不是几乎一致的，而是有着较为显著的区别，突出体现在a,b两拐角处。因此，实际机床运行时误差的大小与各段在工件中的所在区域有关。故开环的传统速度规划策略在上述我们所描述的情境下的缺陷是真实存在的。

(2)工件置于平台不同位置处的加工

实际加工中，工件之于加工平台的位置对加工误差也是有一定影响的。如图13所示，对于同一个工件A，将其放置在x,y平面不同位置a,b两处加工。本发明中的轨迹生成模块的输出显然是一致的，但是，与(1)中所述情况类似，当工件A置于平台a,b位置处时，即使加工的是同一工件A，但是对于x,y轴的实际需求进给却是因工件之于加工平台位置的变化而变化的，且x,y轴的加工性能也是因刀心点的位置不同而有所区别的。因而在工件分别置于平台两位置a,b处加工时，其误差并不一定始终是被控制在我们所预设的范围的。很有可能出现的情况是，即使置于a处时误差被控制在预设范围内，置于b处的误差却超过了可容忍的范围。故开环的速度规划策略在工件置于平台不同位置加工时的误差控制是存在缺陷的。

上述轨迹生成模块采用的传统的速度规划策略的缺陷，究其本质，其实是因为它的开环特性所带来的，为解决此问题，本发明中建构了外层自学习速度规划器，外层自学习速度规划器的存在，使得速度规划不再是一个开环的过程。本发明增加了外层自学习速度规划器后的速度规划部分流程如图14所示，轨迹生成模块先进行传统的速度规划，然后控制环迭代一定次数后，实际轨迹作为外层自学习速度规划器的输入，与轨迹生成模块的输入即理想轨迹进行对比，得到加工误差，判断加工误差是否在可允许的范围内，就能知道之前的速度规划策略是否合理，若存在问题，外层自学习速度规划器即采取一系列的优化机制，对轨迹生成模块的速度规划策略进行修改，经过控制环的数次迭代之后再判断误差是否在可容忍范围，循环往复，形成一种能控制实际加工中误差的闭环结构。

接下来外层自学习速度规划器可以采用的几种优化机制进行详细介绍。

(1)修改机床加工性能参数

一种最为简单且有效的外层自学习速度规划器的设计方法为，依据输入的实际轨迹与理想轨迹的误差，修改误差不符合要求附近的机床性能参数，即上述传统速度规划策略中的速度、加速度等，使机床的性能参数不再是固定的，而是与轨迹有关，与工件之于加工平台的位置有关的。基本思想是，在误差过大处，稍降低机床加工性能参数，而在误差较小速度过低处，稍稍提高机床的加工性能参数。然后再经过插补算法等，得到位置控制环所需要的输入数据。经过控制环的一系列迭代后，收集较为稳定后的实际轨迹与理想轨迹的误差，再次作为外层自学习速度规划器的输入，判断误差是否符合标准，若不符合，则继续修改相应的机床性能参数。直至输出的实际轨迹能稳定在误差可容忍的范围内，其规划方法流程图如图15所示。

机床在加工一个8边形工件时，若速度规划器给出的转弯时间为0.02时，如图16所示，可以看到某拐角处的误差较大，假设其大于所能容忍的误差，而其他位置误差均较小。此类误差显然是轨迹生成模块的速度规划做的不够完美造成的，倘若让控制环通过自学习去削减拐角误差，很有可能出现的结果是：即使迭代很多次也并不能使该拐角处的性能得到较大改善，即使能控制误差，也许也会造成系统鲁棒性损坏或控制效率低。而在引入本发明中的外层自学习速度规划器后，这个问题可以很轻易地得到解决。只需将该拐角处的拐弯时间降低即可。本例中其他位置的性能参数不变，将此拐角处转弯时间降至0.005，如图17所示，可以看到采集回来的实际轨迹(细线)明显更加的贴近规划轨迹(粗线)。加工性能得到了很大程度的提高。图18中给出了拐弯时间为0.02(重色细线)和0.005(浅色细线)时加工该轨迹时的实际轨迹对比图。需注意，本例中修改的是拐弯时间，而在机床加速度性能不变时，拐弯时间与机床通过拐角时的速度成正比。故本例优化策略也可以直观地理解为：当通过外层自学习速度规划器检测到某拐角处误差过大，超出一定值时，通过降低速度，将该拐角处的速度限制至更小，修正轨迹生成模块的速度规划，即能有效地削减误差。可见，本发明中的修改机床加工性能参数的外层自学习速度规划器对于提高机床加工工件时的性能是切实有效的。

(2)修改速度规划策略

本发明轨迹生成模块中速度规划所采用的传统的规划方法中，选用的基本速度规划模式是梯形速度规划法。梯形速度规划法能实现速度的连续变化而且规划简单，因而现在仍被广泛采用。可是梯形速度规划法存在一个不容忽略的缺陷，即该模式下的加速度a并不一定是连续变化的，甚至很有可能会急剧变化，即使通过算法，能将加速度控制在机床性能可达的范围内，加速度的急剧变化却依然会在实际机床加工中带来较大的误差。即使将轨迹生成模块中的速度规划模式改为S型速度规划法，能实现加速度的连续可控，可是jerk(加速度的导数)的急剧变化却依然会给实际机床加工引入误差，而在轨迹生成模块中实现全局的jerk连续可控的速度规划，至今尚不成熟。本发明的外层自学习速度规划器，针对这类加速度、jerk急剧变化引入的误差提出一种局部速度规划优化机制，初步的方案是针对加速度、jerk急剧变化导致的震荡，采用局部s型速度规划或者局部滤波，再进行插补算法，从而在根源上削减震荡、控制误差，基本流程图如图19所示。

综上，本发明的内层位置环迭代学习控制器为控制器方面的学习控制，是实时控制，在施加重复性位置指令时，使输出跟随输入，以输出轨迹与期望轨迹的偏差修正不理想的控制信号，产生新的控制信号，使得系统的跟踪性能得以提升，具有记忆系统与经验修正功能，有效减小了输出轨迹与期望轨迹的误差；通过设计迭代学习控制器，干扰观测器以及变增益条件补偿策略，实现了对期望轨迹的跟踪及加工过程中干扰的抑制；外层自学习速度规划器为规划层面的学习控制，当发现误差收敛情况一直不理想或者局部速度过低时，启用外层自学习，跟踪误差对轨迹重新进行速度规划，是非实时的过程，有效解决了内层学习控制效果不理想的问题。通过本发明的系统和方法，实现数控系统在重复加工中积累误差经验、自主修正误差的自学习功能，数控机床的加工过程变为自动学习的过程，大大提高了加工的成品率。

以上所述之具体实施方式为本发明的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明所作的等效变化均在本发明的保护范围内。