一种参数优化的非线性离散系统鲁棒迭代学习控制方法

针对带有扰动的一类离散非线性系统的鲁棒迭代学习控制问题, 设计一种基于参数优化的迭代学习控制算法. 该算法能够保证在有初始状态误差和状态、输出扰动的情况下使闭环系统具有鲁棒BIBO 稳定性, 系统输出能够单调收敛于给定输出轨迹的邻域内; 在没有初始状态误差和扰动的情况下能够以零稳态误差跟踪给定输出轨迹. 最后通过仿真分析验证了所提出算法的有效性.

     

时变线性系统同时强镇定控制器设计

在套代数框架下, 应用素分解的方法, 设计能同时强镇定两个时变线性系统的稳定控制器, 并给出了所有控制器的参数化. 应用该控制器参数化, 对某类同时鲁棒强镇定问题进行研究, 给出了两个时变线性系统可被同时强鲁棒镇定的充分条件. 针对所得的控制器设计结果给出了数值例子, 数值结果表明了该设计是有效和可行的.

     

基于时变Sigmoid 函数的鲁棒PSO 算法

在样本规模有限的情况下, 为了提高算法的鲁棒优化性能, 提出一种基于时变(随迭代次数变化) Sigmoid 函数的鲁棒粒子群优化算法. 采用拟蒙特卡罗积分方法近似估计有效目标函数, 以时变Sigmoid 函数为基础, 设计各代各样本规模的选取概率. 迭代前期, 样本规模期望值较小, 加快了算法探索速度; 迭代后期, 样本规模期望值较大, 提高了算法的开发精度. 标准测试函数仿真结果显示, 所提出方法具有较优的鲁棒优化性能.

     

存在未知时延和Markov 丢包的网络控制系统故障检测与优化

将网络控制系统(NCSs) 的未知短时延处理成范数有界不确定性, 结合Markov 丢包影响将NCSs 建模为不确定Markov 跳变系统, 设计模态依赖的鲁棒故障检测滤波器. 为了提高检测系统性能, 采用后置滤波器对残差信号进行时域优化, 并以Moore-Penrose 逆形式给出其最优解. 同时, 设计自适应检测阈值, 并给出时变参数阵的迭代方法,降低了计算量. 数值仿真表明, 所提出的方法能够有效地抑制时延和丢包影响, 提高故障检测系统的检测能力和检测速度.

     

基于输入状态稳定的离散广义系统预测控制

针对一类具有持续扰动和输入约束的离散广义系统, 研究其鲁棒预测控制器的设计问题. 将输入状态稳定的概念引入广义系统预测控制, 在quasi-min-max 性能指标下, 提出了广义系统双模鲁棒预测控制器的设计方法, 证明了基于双模鲁棒预测控制器的闭环广义系统输入状态稳定, 且具有正则、因果性. 数值仿真结果验证了所提出方法的有效性.

     

变体飞行器平滑切换LPV 鲁棒控制

针对一类变体飞行器控制问题, 提出一种平滑切换线性变参数(LPV) 鲁棒控制器设计方法. 建立变体飞行器切换LPV 模型, 设计平滑切换控制器, 其中偶数子系统控制器由相邻两个子系统控制器线性插值得到. 给出保证切换LPV 系统指数稳定且具有一定鲁棒性能的充分条件, 由于考虑了调参变量的渐变特性, 所得切换律没有平均驻留时间的限制. 仿真结果表明, 所提出方法使得飞行器系统既具有良好的稳定性和鲁棒性, 又能实现平滑切换.

     

离散重复过程的有限频率范围迭代学习容错控制

针对一类执行器故障不确定离散重复过程, 提出一种有限频率范围的迭代学习容错控制算法. 通过定义故障系数矩阵和输出跟踪系统的等价二维模型, 沿故障系统的时间轴和批次轴设计迭代学习被动容错控制器, 以线性矩阵不等式形式分别给出基于KYP 引理的全频、分频区域重复控制系统稳定的充分必要条件, 同时保证故障系统在时域和频域范围内的容错性能. 最后, 以重复注塑过程的注射速度控制仿真验证了所提出分频控制算法的有效性.

     

执行器饱和不确定NCS 非脆弱鲁棒容错控制

针对存在时变时延和丢包的不确定网络化控制系统(NCS), 同时考虑执行器饱和、控制器参数摄动以及非线性扰动等约束, 研究执行器发生结构性失效故障时系统的鲁棒容错多约束控制问题. 基于时滞依赖Lyapunov 方法和容错吸引域定义, 采用状态反馈控制策略推证出了闭环故障不确定网络化控制系统稳定的少保守性不变集充分条件, 并给出了非脆弱鲁棒容错控制器的设计方法以及最大容错吸引域的估计. 仿真算例验证了所述方法的可行性和有效性.

     

模糊输出反馈实现动态不确定非线性系统的几乎干扰解耦

研究一类单输入单输出动态不确定非线性系统的几乎干扰解耦问题. 首先设计一类新型的模糊高增益观测器估计非线性系统的未知状态; 然后结合自适应模糊backstepping 控制、小增益定理和改变供能函数方法, 给出鲁棒自适应模糊控制器的设计. 所设计的控制器不仅可以保证整个闭环系统在输入到状态实际稳定意义下稳定, 同时抑制了干扰对输出的影响. 仿真结果表明了所提出控制方法的有效性.

     

基于NDO的ROV变深自适应终端滑模控制器设计

针对ROV的深度控制问题, 提出基于非线性干扰观测器的自适应终端滑模控制方法. 详细叙述了控制器的设计过程, 并利用Lyapunov 稳定性判据, 验证了存在模型参数不确定性和外干扰时, 系统的全局渐近稳定性和跟踪误差的收敛性. 仿真实验表明, 所提出的控制器不仅能够很好地估计并克服外干扰和模型不确定性等因素, 具有很好的鲁棒性能, 而且还可以实现在任意规定时刻变深运动的快速收敛.

     

执行器故障重复过程的鲁棒迭代学习容错控制方法及应用

针对具有执行器故障和外界扰动的线性重复过程,给出一种鲁棒迭代学习容错控制策略.首先,基于二维(2D)系统理论,设计鲁棒迭代学习容错控制器,将迭代学习控制系统等效转化为2D模型;然后,利用线性矩阵不等式(LMI)技术,分析和优化控制系统在时间和迭代方向上的容错性能以及对干扰的抑制性能,同时给出系统满足这些性能的充分条件,并进一步通过求解LMI凸优化问题获得控制器参数;最后,通过对旋转控制系统的仿真结果验证了所提出算法的有效性.     

具有网络丢包和时延的网络控制系统设计

为了降低对于网络传输的要求,针对具有固定时延和随机丢包情况的网络系统,采用状态增广以克服时延对网络控制系统分析的影响,进而考虑随机丢包情况,将增广系统转化为切换系统.以此为基础,提出网络鲁棒控制器设计方法.该控制器仅仅基于被控对象的反馈状态,因此对于网络传输的要求较低.最后,通过一个仿真算例验证了该系统的有效性.     

Robust design of feedback feed-forward iterative learning control based on 2D system theory for linear uncertain systems

For a class of linear discrete-time uncertain systems, a feedback feed-forward iterative learning control (ILC) scheme is proposed, which is comprised of an iterative learning controller and two current iteration feedback controllers. The iterative learning controller is used to improve the performance along the iteration direction and the feedback controllers are used to improve the performance along the time direction. First of all, the uncertain feedback feed-forward ILC system is presented by an uncertain two-dimensional Roesser model system. Then, two robust control schemes are proposed. One can ensure that the feedback feed-forward ILC system is bounded-input bounded-output stable along time direction, and the other can ensure that the feedback feed-forward ILC system is asymptotically stable along time direction. Both schemes can guarantee the system is robust monotonically convergent along the iteration direction. Third, the robust convergent sufficient conditions are given, which contains a linear matrix inequality (LMI). Moreover, the LMI can be used to determine the gain matrix of the feedback feed-forward iterative learning controller. Finally, the simulation results are presented to demonstrate the effectiveness of the proposed schemes.     

An iterative learning control design approach for networked control systems with data dropouts

In network‐based iterative learning control (ILC) systems, data dropout often occurs during data packet transfers from the remote plant to the ILC controller. This paper considers the problem of controller design for such ILC processes. Packet missing is modeled by stochastic variables satisfying the Bernoulli random binary distribution, which renders such an ILC system to be a stochastic one. Then, the design of ILC law is transformed into the stabilization of a 2‐D stochastic system described by the Roesser model. A sufficient condition for mean‐square asymptotic stability is established by means of a linear matrix inequality technique, and formulas can be given for the control law design simultaneously. This result is further extended to more general cases where the system matrices also contain uncertain parameters. The effectiveness and merits of the proposed method are illustrated by a numerical example. Copyright © 2015 John Wiley & Sons, Ltd.     

基于反馈增益的AUV稳定神经网络反步变深控制

为解决自主水下航行器的变深控制问题,提出一种基于反馈增益的反步控制方法.首先,通过设计控制器参数消除部分非线性项,在保证系统稳定性的同时设计神经网络控制器来补偿纵倾运动中的模型不确定性;然后,通过自适应鲁棒控制器对神经网络的逼近误差予以消除,以加快神经网络的收敛学习速度,神经网络权值和逼近误差估计的学习律可由李雅普诺夫稳定性理论推导得出,保证了闭环系统的一致最终有界性;最后,通过仿真实验验证了所提出方法的有效性.     

基于自适应重复学习的不确定多涡卷混沌系统同步控制

基于滞环函数提出一种参数可调的多涡卷混沌系统构造方法. 针对复杂不确定性系统, 综合利用自适应神经网络和重复学习控制方法设计一种自适应重复学习同步控制器; 利用自适应重复学习控制方法对周期时变参数化不确定性进行处理; 对函数型不确定性利用神经网络逼近技术进行补偿; 设计鲁棒学习项对神经网络逼近误差和扰动上界进行估计; 通过构造类Lyapunov 复合能量函数证明了同步误差学习的收敛性. 仿真结果验证了所提出方法的有效性.

     

基于约束输入变速吸引律的离散重复控制器设计

针对离散时间线性系统的周期跟踪问题, 提出一种能够约束控制输入变化速度的变速吸引律, 结合干扰抑制措施构造了理想误差动态, 并由此导出离散重复控制器. 分析表明, 该变速吸引律能使跟踪误差在有限时间内单调收敛至零, 且误差收敛速度可控. 为刻画误差动态行为, 推导了有界扰动下的误差单调收敛域、绝对值收敛域和稳态误差带, 并给出了收敛步数. 针对伺服电机系统的仿真与实验结果验证了所提出控制方案的有效性.

     

测量数据丢失的一类非线性系统迭代学习控制

迭代学习控制方法应用于网络控制系统时,由于通信网络的约束导致数据包丢失现象经常发生.针对存在输出测量数据丢失的一类非线性系统,研究P型迭代学习控制算法的收敛性问题.将数据丢失描述为一个概率已知的随机伯努利过程,在此基础上给出P型迭代学习控制算法的收敛条件,理论上证明了算法的收敛性,并通过仿真验证理论结果.研究表明,当非线性系统存在输出测量数据丢失时,迭代学习控制算法仍然可以保证跟踪误差的收敛性.