具有未知控制方向的输出反馈自适应学习控制

针对具有未知控制方向的工作于重复条件下的参数化输出反馈高阶非线性系统,提出一种自适应重复学习控制方法.利用连续Nussbaum增益方法解决系统中控制方向即高频增益符号未知的问题.在针对高阶非线性系统的自适应反步控制器设计过程中,使用综合时域自适应以及迭代域自适应的微分-差分自适应律对未知参数进行估计.利用李雅普诺夫稳定理论证明,在所提出的重复学习控制律作用下,系统的输出轨迹沿迭代轴逐点渐近收敛于期望轨迹.数值仿真结果表明,所提出的方法能够在解决控制方向未知问题的同时,保证输出反馈高阶非线性系统的收敛性.     

基于数据驱动高阶学习律的轮式移动机器人轨迹跟踪控制

轮式机器人执行巡逻、播种和工业生产等任务是一个强非线性的间歇过程.针对重复运行的轮式机器人轨迹跟踪问题,本文提出了一种基于数据驱动的高阶迭代学习控制算法.首先,对轮式移动机器人的模型进行推导设计,并对推导得到的状态空间形式的离散时间模型利用基于状态转移的迭代动态线性化方法,将轮式机器人系统转化为线性输入输出数据模型;其...     

离散时间系统自适应迭代学习控制的研究进展

离散自适应迭代学习控制是针对在有限时间区间上运行的不确定非线性离散时间系统提出的一类方法,可有效抵抗系统的不确定性,并放宽了传统迭代学习控制中要求相同初始条件和参考轨迹这两个关键假设。即可在随机初始条件下实现对迭代变化参考轨迹的几乎完全跟踪性能。本研究给出了迭代学习控制方法的分类,对其中的自适应迭代学习控制方法的设计思路和适用背景进行了阐述。重点综述了离散时间系统自适应迭代学习控制方法的发展过程,讨论了所提出离散时间自适应控制方法的特点和适用范围,提出了基于数据驱动的自适应迭代学习控制发展的必然趋势和有待于进一步研究的问题。     

基于遗忘因子的数据驱动最优迭代学习控制算法研究

针对一类有限时间内重复运行的非线性非仿射离散时间系统,本文提出了一种基于遗忘因子的数据驱动最优迭代学习控制方法.首先,引入一种迭代动态线性化方法,将被控非线性系统等效化为线性输入输出增量形式;其次,分析了最优迭代学习控制方法中存在的问题,并针对由历史信息的累积效应所导致的控制输入不能及时响应的问题,设计自适应遗忘因子使算法具有更好的可控性和灵活性.所提出的控制方法是数据驱动的控制方法,设计和分析过程仅依赖于系统的输入输出数据,不包含任何显式模型信息.最后,通过仿真验证了该方法的有效性.     

基于二次型优化的迭代学习控制算法

针对线性时不变系统提出了一种基于优化控制理论设计的迭代学习控制算法,该算法基于二次型优化性能指标,利用梯度下降搜索法来拟合迭代学习控制律,仿真结果表明,该算法具有较快的收敛速度,且系统实际输出能够在较小的迭代次数下快速跟踪给定轨迹。     

期望轨迹可变的非线性时变系统迭代学习控制

针对一类存在扰动的未知非线性时变系统,提出了一种在不同次迭代运行过程中期望轨迹可变的迭代学习控制算法.该算法首先构造含未知参数项的系统逆控制,然后利用小波级数逼近逆系统的未知非线性参数,其最佳逼近系数与系统的期望轨迹无关,最后在迭代过程中通过学习的方法修正小波逼近系数,并采用变结构技术抑制系统干扰的影响,设计了在期望轨迹变化情况下的鲁棒迭代学习控制律.算法的收敛性分析表明,随着迭代次数的增加,逼近系数与最佳系数的差异减小.针对机械臂系统的仿真表明轨迹跟踪误差逐次减小并收敛,说明了算法的有效性.     

未知相对度系统的一阶D型迭代学习控制

针对未知相对度系统,提出了一种一阶D型迭代学习控制律的设计方法。通过对具有未知相对度的被控系统串连和并联一个一阶子系统,可构造一个相对度为1的虚拟系统。该虚拟系统在一阶D型迭代学习控制律的作用下,能够完全跟踪期望轨迹。从而实现被控系统在一定误差范围内给定轨迹的渐近跟踪,D型迭代学习控制律的增益不依赖于被控系统的参数。仿真实例验证了方法的可行性与有效性。     

移动机器人的可变遗忘因子离散迭代学习控制

为了提高迭代学习控制方法在移动机器人轨迹跟踪问题中的收敛速度,提出了一种带有可变遗忘因子的离散迭代学习控制算法.该算法是在开闭环离散迭代学习控制律基础上,通过可变遗忘因子对上一次的控制量进行调节,并增加了带有可变遗忘因子的初始修正项.通过适当选取学习律中的初始控制输入,带遗忘因子的初始修正项可以避免迭代轨迹的大幅度摆动,从而可以使迭代学习的收敛速度得到显著提高.并利用范数理论对算法的收敛性进行了严格证明,得到了使算法收敛的范数形式的充分条件.最后通过仿真实验验证了所提算法的有效性.     

基于迭代学习的永磁直线同步电动机扰动抑制

针对永磁直线同步电动机中存在的周期性扰动问题,提出了一种闭环迭代学习控制算法.该算法通过上次迭代时的输入信息和输出跟踪误差的PID校正项来获得本次迭代的控制输入.基于迭代学习控制思想并结合PID控制,设计出应用于直线电动机运动系统的迭代学习控制器.仿真结果表明,与传统的PID控制相比较,所提出的控制方法能够使系统的跟踪效果更好,且保证了在较少迭代次数下,被控系统的输出轨迹能精确地收敛到期望轨迹.     

一种基于非光滑切换曲面的控制设计

为了提高控制设计的灵活性,针对一类二阶不确定系统提出一种基于非光滑切换曲面的控制设计方法.该方法基于控制系统自稳定域的概念,首先构造以线性Lipschitz曲面作为边界的自稳定域,然后设计反馈控制律,利用微分方程解与空间非光滑曲面的关系判据,证明在该控制律的作用下系统轨迹将在有限时间内到达所设计的自稳定域边界并进入其内部.结果表明:该方法放宽了对自稳定域边界光滑性的要求,提高了设计的灵活性.数值算例验证了设计的正确性和有效性.     

基于模型预测的迭代学习控制器设计

针对具有非重复性干扰项的重复操作过程,提出了基于模型预测的迭代学习控制算法。其中,迭代学习控制器以前馈形式作用于重复过程.算法在时间轴方向基于跟踪误差暂态模型,采用模型预测控制的反馈校正,来抑制当前随机干扰,提高系统的跟踪性能.在重复次序方向利用P型迭代学习控制克服重复干扰.仿真结果表明了该方法的有效性.     

基于克隆选择算法的非线性优化迭代学习控制

为实现对模型不确定的有约束非线性系统在特定时间域上输出轨迹的有效跟踪,将改进的克隆选择算法用于求解迭代学习控制中的优化问题。提出基于克隆选择算法的非线性优化迭代学习控制。在每次迭代运算后,一个克隆选择算法用于求解下次迭代运算中的最优输入,另一个克隆选择算法用于修正系统参考模型。仿真结果表明,该方法比GA-ILC具有更快的收敛速度,能够有效处理输入上的约束以及模型不确定问题,通过少数几次迭代学习就能取得满意的跟踪效果。     

离散时变系统的自适应迭代学习控制

针对一类有限区间上重复运行的离散时变SISO系统,分别采用带饱和函数和死区修正的投影算法进行参数估计,提出自适应迭代学习控制方案.关键技术引理在分析离散自适应控制系统时起到了关键作用,文中把这一引理推广至迭代域,用于建立离散自适应迭代学习控制系统的稳定性和收敛性.理论证明,即使每次迭代存在初始偏差,跟踪误差沿着迭代轴仍能收敛于零,且闭环系统的所有信号有界;当存在外部扰动时,跟踪误差收敛于一邻域内,其半径为干扰的界.在直线伺服系统上的应用结果验证了所提出的学习控制方法的有效性.     

基于神经网络的迭代控制研究

利用迭代学习控制过程记忆的期望控制ud(t)、期望轨迹yd(t)以及跟踪误差ek 1(t),提出了用迭代学习控制理论进行系统控制律设计的方法,并基于神经网络的拟合算法拟合出控制系统PID控制器的参数,实现了对系统的迭代学习控制.研究表明,这种方法实现的PID控制器结构简单,作用于系统可获得较佳的动态特性和较强的鲁棒性.仿真实例表明了这种方法具有很好的可行性和实用性.     

高相对度非正则离散抛物分布参数系统迭代学习控制

对一类具有高相对度的非正则离散抛物型分布参数系统的迭代学习控制问题进行了研究.首先将集中参数系统高相对度的定义相应的推广到离散分布参数系统.基于本文的非正则离散分布参数系统,设计了一类带有相对度为p的离散分布式迭代学习控制算法.然后由偏差分方程解的一般形式,将该分布参数系统降维处理为一般的离散线性系统,给出了在适当初边值条件下迭代跟踪误差沿迭代轴收敛的充要条件.用线性系统稳定性理论证明了本文所设计的分布式学习控制算法的收敛性.数值例子说明了所给算法的有效性.     

均热炉温度模糊滑模迭代学习控制算法

针对具有不确定性的重复非线性均热炉温度控制系统,提出基于模糊滑模迭代学习控制算法。该算法以系统的滑模函数作为模糊控制器的输入,以模糊控制器的输出作为迭代学习控制的控制增量。将滑模控制算法引入到迭代学习控制中能够加速迭代学习控制的收敛速度,利用模糊控制能够减小滑模控制所引起的抖动问题。通过仿真可以看出,模糊滑模迭代学习控制算法能够实现系统快速收敛,该算法比单纯反馈控制具有更好的控制效果。     

非线性系统开闭环D型迭代学习算法的鲁棒性

研究了系统满足收敛条件时，具有开闭环D型迭代学习控制律的一类非线性系统在动态过程存在干扰的情况下控制算法的鲁棒性问题。理论分析表明，当系统动态过程扰动有界时，开闭环D型迭代学习控制算法是鲁棒的。当满足开闭环学习收敛条件时，控制误差收敛到期望值的某一个邻域，其大小与相邻两次迭代运行中这些干扰的大小有关，而与初始控制输入等无关，当干扰越小时，学习控制过程越接近于期望值。     

基于几何分析的改进迭代学习控制算法

针对非线性系统提出了一种基于几何分析的改进迭代学习控制算法。该算法在控制律中引入了遗忘因子,对前一次控制输出和它的变化量进行弱化,增强迭代学习控制的鲁帮性。并对提出的算法做了一致收敛性分析。数值仿真结果验证了此算法的有效性。     

基于H∞方法的鲁棒迭代学习控制设计

针对不确定的线性系统,研究鲁棒梯度型迭代学习控制的设计问题.通过分析系统不确定性对反馈闭环控制和前馈学习控制的影响,给出了保证迭代学习控制在有限时间段上鲁棒收敛的充分条件.依据此条件,将迭代学习控制的设计问题转化为H∞设计问题,提出了一种兼具反馈与前馈作用的鲁棒迭代学习控制律.迭代学习控制的设计过程分为两步进行:先基于H∞方法设计反馈控制器,再采用固定步长的梯度法设计前馈控制器.仿真结果表明了该设计方法的可行性.     

非线性系统开闭环PI型迭代学习控制的鲁棒性

对于完成重复轨迹跟踪任务的系统,迭代学习控制是一种能有效地改进其跟踪性能的技术。研究并给出了一类非线性系统开闭环PI型迭代学习控制的鲁棒条件,证明了系统在状态干扰、输出干扰和初态干扰有界的情况下跟踪误差有界收敛,在所有干扰渐近重复的情况下可以完全地跟踪给定的期望轨迹．从鲁棒条件式看出,迭代学习控制的鲁棒性与学习控制律中的积分系数无关。