课程导入：运动控制概述、PID与迭代学习控制的应用背景、课程目标与学习路径

运动控制是现代工业自动化、机器人技术、精密制造与智能装备的核心支撑技术。从伺服电机的转速调节，到机械臂的轨迹跟踪，再到晶圆台纳米级定位，运动控制系统无处不在。理解运动控制的基本架构、核心算法及其适用边界，是每一位从事自动化、机电一体化、机器人或智能制造相关工作的工程师必须掌握的关键能力。本章作为整个课程的导入，将首先梳理运动控制系统的组成与分类，明确PID控制与迭代学习控制在其中的定位与价值，并在此基础上给出本课程的学习目标与路径规划。

1.1 运动控制系统概述

1.1.1 运动控制的定义与系统架构

运动控制（Motion Control）是指对机械运动部件的位置、速度、加速度、力矩等物理量进行精确控制的技术总称。一个典型的运动控制系统由上位控制器（运动控制卡/PLC/嵌入式控制器）、驱动器（伺服驱动器/步进驱动器）、执行器（伺服电机/步进电机/直线电机/音圈电机）和反馈传感器（编码器/光栅尺/霍尔传感器/激光干涉仪）组成。控制器根据给定指令与反馈信号，通过控制算法计算出控制量，经驱动器放大后驱动执行器运动，形成闭环控制回路。

从控制层级来看，运动控制系统通常包含三个层次：轨迹规划层（生成期望运动轨迹）、伺服控制层（实现位置/速度/力矩闭环）和驱动放大层（功率变换与电流控制）。其中伺服控制层是运动控制算法的核心承载层，PID控制与迭代学习控制均主要作用于该层。

1.1.2 运动控制的分类与典型应用

按照运动形式，运动控制可分为点位控制（Point-to-Point，如点焊机器人）、连续轨迹控制（Continuous Path，如弧焊、涂胶）和同步控制（如多轴联动、电子凸轮）。按照执行器类型，可分为旋转运动控制和直线运动控制。按照控制精度要求，又可分为通用运动控制（精度在毫米级）和精密/超精密运动控制（精度在微米甚至纳米级）。

典型应用场景包括：

• 工业机器人：六轴关节机器人的关节伺服控制，要求高动态响应与轨迹跟踪精度。
• CNC数控机床：进给轴的位置闭环控制，要求高刚度、低跟随误差。
• 半导体设备：晶圆台纳米级定位，要求极高的重复定位精度与极短的整定时间。
• 3C电子装配：高速贴片机、固晶机，要求高速高加速下的稳定控制。
• 印刷/包装机械：多轴同步控制，要求各轴间的运动协调。

1.1.3 运动控制的核心挑战

运动控制面临的核心挑战可归纳为：非线性（摩擦、间隙、饱和）、参数不确定性（负载变化、温度漂移）、外部扰动（切削力、重力、惯性力）以及机械谐振（柔性连接、低刚度传动）。这些因素使得单一固定参数的控制器难以在所有工况下保持优良性能，从而催生了自适应控制、鲁棒控制、学习控制等高级算法的应用需求。

1.2 PID控制与迭代学习控制的应用背景

1.2.1 PID控制：工业界的“常青树”

PID（比例-积分-微分）控制自20世纪初提出以来，至今仍是工业运动控制中应用最广泛的反馈控制算法。其核心思想是根据误差的比例、积分和微分三项的线性组合来生成控制量。比例项提供即时响应，积分项消除稳态误差，微分项预测误差变化趋势、增加阻尼。

在运动控制中，PID控制通常以位置环、速度环、电流环三环级联的形式出现。以位置环为例，位置误差经过PID运算后输出速度指令，速度环再对速度误差进行PID运算输出电流指令，电流环最终控制电机转矩。这种级联结构使得每一环的带宽可以独立设计，从而兼顾稳定性与动态性能。

然而，传统PID控制在面对以下场景时存在明显局限：

• 重复性轨迹跟踪：当系统执行周期性重复运动（如晶圆台步进扫描、机器人重复搬运）时，PID只能被动地响应误差，无法利用历史周期的误差信息来主动改善跟踪性能。
• 高精度跟踪要求：对于正弦轨迹或S曲线轨迹，PID的相位滞后和幅值衰减会导致较大的跟踪误差，单纯提高增益又会引发振荡。
• 非线性扰动抑制：摩擦力、齿槽力矩等周期性扰动难以通过固定参数PID完全消除。

1.2.2 迭代学习控制：从重复中学习

迭代学习控制（Iterative Learning Control, ILC）是一种专门针对重复运行过程的控制策略。其基本思想是：系统在相同初始条件下重复执行相同轨迹时，利用前一次或前几次运行的误差信号，修正当前运行的控制输入，使得跟踪误差随着迭代次数增加而逐步减小，直至收敛到期望精度。

ILC的数学表达通常为：

u_{k+1}(t) = Q(q) * [ u_k(t) + L(q) * e_k(t) ]

其中，u_k(t) 为第k次运行的控制输入，e_k(t) 为第k次运行的跟踪误差，L(q) 为学习增益函数，Q(q) 为鲁棒性滤波器（用于抑制高频噪声和模型不确定性）。ILC的核心设计问题在于学习函数L和滤波器Q的选择，这直接决定了收敛速度与鲁棒性。

ILC特别适用于以下场景：

• 晶圆步进光刻机中的晶圆台步进扫描运动（每次曝光轨迹相同）。
• 工业机器人重复搬运、码垛、焊接（轨迹固定）。
• 印刷机滚筒的重复旋转运动。
• 硬盘驱动器（HDD）的磁头寻道运动。

1.2.3 应用背景对比

对比维度	PID控制	迭代学习控制（ILC）
适用场景	任意轨迹、非重复运动	重复轨迹、周期性运动
误差处理方式	实时反馈，被动响应	利用历史误差，主动修正
稳态精度	受限于积分作用与增益	理论上可收敛至零误差
对模型依赖	低（无需精确模型）	中（需要一定模型信息设计学习函数）
鲁棒性	较强（对参数变化不敏感）	需设计Q滤波器保证鲁棒性
实现复杂度	低，工程经验成熟	中高，需要存储历史数据
典型应用	通用伺服、点位控制	晶圆台、机器人重复作业

1.3 课程目标与学习路径

1.3.1 课程总体目标

本课程旨在帮助学习者系统掌握运动控制领域两大核心算法——PID控制与迭代学习控制——的理论基础、工程实现方法与调优技巧。完成本课程后，学习者应能够：

1. 理解运动控制系统的完整架构，能够根据应用需求选择合适的控制方案。
2. 深入掌握PID控制原理，能够独立完成位置环、速度环、电流环的参数整定与优化。
3. 掌握迭代学习控制的设计方法，包括学习函数设计、收敛性分析、鲁棒性处理。
4. 具备复合控制能力，能够将PID与ILC结合，解决实际工程中的高精度轨迹跟踪问题。
5. 熟悉仿真与实验验证方法，能够使用MATLAB/Simulink或Python进行算法验证。

1.3.2 课程内容架构

本课程共30章，分为五个阶段：

• 第一阶段（第1-6章）：运动控制基础与PID控制。涵盖系统建模、PID原理、整定方法、三环设计、抗饱和与抗扰动技术。
• 第二阶段（第7-12章）：前馈控制与复合控制。包括速度前馈、加速度前馈、零相位误差跟踪控制（ZPETC）以及PID+前馈的工程实现。
• 第三阶段（第13-20章）：迭代学习控制。涵盖ILC基本原理、收敛性分析、学习函数设计、Q滤波器设计、鲁棒ILC、点对点ILC等。
• 第四阶段（第21-26章）：先进控制扩展。包括自适应控制、滑模控制、鲁棒控制、非线性补偿（摩擦/间隙）等。
• 第五阶段（第27-30章）：工程实战与综合项目。包括仿真平台搭建、实验调试流程、典型案例拆解与综合项目实践。

1.3.3 学习方法建议

运动控制算法兼具理论深度与工程实践性，建议学习者采用“理论推导 + 仿真验证 + 实验调试”三位一体的学习方法。对于每个算法，先理解其数学原理与物理意义，再通过仿真工具观察参数变化对系统性能的影响，最后在实验平台上进行实际调试，体会理论与工程之间的差距。

1.3.4 案例拆解：从PID到ILC的演进——晶圆台步进扫描控制

为了更好地理解PID与ILC的应用背景，我们以半导体光刻设备中的晶圆台步进扫描运动为例进行说明。

背景与约束：晶圆台需要在极短的时间内（通常小于100ms）完成步进定位，并在扫描阶段以恒定速度（如500mm/s）运动，位置跟踪误差要求小于±10nm。系统采用直线电机驱动，配备纳米级光栅尺反馈。主要扰动来源包括：电缆拖链的扰动力、气浮导轨的气压波动、电机齿槽力以及地面振动。

初始方案与问题：初始采用高增益PID三环控制，经过精心整定后，稳态定位精度可达±50nm，但扫描阶段的跟踪误差达到±200nm，远超规格要求。分析发现，跟踪误差的主要成分是周期性扰动（齿槽力、电缆力）和轨迹跟踪的相位滞后。

分析判断过程：通过频谱分析，发现跟踪误差在运动频率及其谐波处有明显峰值，说明周期性扰动占主导。同时，PID的相位滞后导致速度跟踪存在恒定偏差。此时，单纯提高PID增益会激发机械谐振，无法进一步改善。

解决方案：采用“PID反馈 + 速度/加速度前馈 + ILC前馈”的复合控制结构。首先加入速度前馈和加速度前馈，消除大部分轨迹跟踪的相位滞后；然后设计ILC，利用前几次扫描的误差信号，学习出周期性扰动的前馈补偿量。经过约20次迭代学习，扫描跟踪误差从±200nm降至±8nm，满足规格要求。

结果与复盘：该案例表明，PID提供了稳定的基础控制，前馈解决了轨迹跟踪的固有滞后，而ILC则针对周期性扰动实现了“越做越好”的学习效果。三者缺一不可。复盘经验：在精密运动控制中，应先通过前馈解决已知的动力学耦合，再用ILC处理未知的周期性扰动，最后用PID保证系统的鲁棒稳定性。