划片机作为电子元器件封装的关键设备,目前的误差补偿方法多采用机理建模的形式,然而在实际运行过程中造成误差的因素有很多,所以对于误差源测量与建模难度很大。划片机运动形式是一种大批量生产重复过程,在运行的过程中产生大量的数据,而以往的方法都忽略大批量重复运动过程,没有充分的利用这些数据,造成数据的浪费。随着全球智能化、信息化、数据的发展,数据将扮演着更重要的角色,所以有效的利用数据对于提高制造业生产效率成为一种发展趋势。针对划片机划切过程中,由于存在误差因素可能会造成无法到达准确的划切点,影响划切运动的定位精度。然而对于误差补偿建模难、误差源考虑不全等因素,很难建立一个包含所有误差源的模型,基于此,利用数据驱动的思想,通过输入输出数据进行误差补偿。本文在现有数据驱动控制算法的基础上,利用数据驱动中迭代学习控制算法与神经网络结合的形式提出了神经网络迭代学习误差补偿方法。此方法即利用了迭代学习控制算法适用于大批量重复运动过程中在线运行形式,又利用了神经网络适用于处理复杂的非线性系统的能力,具备非线性映射、自适应以及泛化性等功能,可以保证划片机运动控制系统的稳定性与鲁棒性。本文将神经网络迭代学习误差补偿方法应用在划片机运行控制系统中,设计了误差补偿控制器,通过应用此方法将以往产生的数据信息通过控制律应用到当前运动过程中,对当前运动过程进行误差补偿,提高当前划切操作的定位精度。本文利用Matlab对所提方法进行仿真分析,首先对PD型迭代学习误差补偿方法进行仿真分析,效果不理想,然后对无模型自适应迭代学习误差补偿方法进行仿真分析,通过对比可知该方法能够弥补PD型迭代学习误差补偿方法固定的学习律而造成抗干扰性不足以及补偿效果较差的缺点。然而无模型自适应迭代学习误差补偿方法无法保证一直收敛下去,并且重复定位精度还无法满足对于划切精度高的材料。针对以上问题,给出了神经网络迭代学习误差补偿方法,该方法能够保证收敛性,进一步提高重复定位精度。将该方法与前两次方法进行仿真对比分析,验证了该方法的补偿效果更佳。最后将上述方法通过划片机平台进行分析,验证了本文所给方法的可行并且有效。本文所给方法不依赖于传统机理模型,仅利用输入输出数据,计算量简单易于分析,是迭代学习控制算法应用于划片机运动定位误差补偿的一个很好的尝试。