|
作者： 于国栋
|
|
2005-06-03 |
|
硬盘驱动器是一种重要的数据存储设备。用于读写数据的读/写（R/W）磁头是硬盘的关键部件。因此，要使磁头以最小的误差定位在目标磁道上，控制系统——磁头定位伺服机制（HPS）就起着关键的作用。HPS有两个主要的功能：寻址磁道和跟踪磁道。最近几年，随着硬盘的容量和磁道密度飞速增长，需要更高HPS的控制精度以克服任何扰动。围绕着增强HPS的两个主要功能，人们已经进行了大量的研究工作。在影响磁头的所有扰动中，周期性的偏离(RRO)吸引了研究领域中非常多的注意。出现了许多RRO补偿的方法，如窗口过滤补偿（notch filtering compensation），校准反馈寻道（adaptive feedback），等等。这些“在线技术”，只能达到渐进收敛（asymptotic convergence），也就是说，对实际的RRO值的预估收敛值只是无限的逼近。RRO是一种初始条件相同、间隔有限的周期性的信号，而RRO补偿实际是一个周期性的控制环境。其中迭代学习控制（Iterative learning control,ILC）在学习后，在有限时间间隔的条件下可以取得完美的寻道性能。 大多数ILC方法可以分类为预周期学习（Previous cycle learning,PCL），即时周期学习（Current cycle learning,CCL）或者他们的结合。下面我们将比较PCL和CCL的性能表现。 硬盘的模型可以简化为一个双积分。从控制系统的输入到硬盘的输出（定位）具有两个数量级的相关，即分母比分子高两次。以六个频率已知幅度未知的谐波作为输入到硬盘的扰动。唯一可以测量的信号是硬盘的输出。RRO补偿的目标是减少或完全消除RRO谐波的影响。 PCL方法实质上是基于预周期信息，包括预周期寻道误差和存储在存储器中的控制器输出。PCL需要0次的相关性，换句话说，PCL所需的寻道误差的加速度信号必须满足收敛条件。如果不知道加速度信息，PCL方法就不能收敛于任何频率。实际上，硬盘的加速度信号只有通过对硬盘的输出信号进行两次微分才可以获得。不过，测量噪声将不可避免的与采样周期的平方的倒数成比例的放大。因此，实际系统中，学习控制方法需要选用相关性为1次。 为了克服PCL的缺点，引入了CCL方法。CCL方法是基于当前的周期反馈和存储在存储器中的以前的控制器输入，它可以立即响应寻道误差，并在相关性为一次时正常工作。CCL方法可以收敛于某一频率范围内，因此可以通过选择适当的比例系数和增益来进行校准。在硬盘的RRO补偿中，它可以有效的通过选择增益来覆盖RRO的六个谐波。  
图1 白噪声环境下的PCL （a）时域 （b）频域
 
图2 白噪声环境下的CCL （a）时域 （b）频域
上面的仿真是在噪声环境下进行的。时域响应和频域响应的分析都显示CCL方法的寻道误差可以收敛于受噪声影响较小的范围（见图二），而PCL方法的寻道误差不能收敛于零（见图一）。
|
|
最近更新 ( 2007-11-27 )
|
