永磁同步电机位置伺服系统迭代学习控制

为了解决永磁同步电机位置伺服系统中的高阶非线性、强耦合性以及外部干扰,从而获得期望的跟踪精度,根据永磁同步电机位置伺服系统模型的特殊性提出了一种改进型迭代学习控制方法。有别于传统迭代学习控制方法中对系统误差求一阶导数,改进型迭代学习控制算法对误差求二阶导数后,设计D-型迭代学习控制策略,利用数学知识严格证明了算法收敛性,并推导出其收敛条件。算法解决了传统控制难以实现高精度永磁同步电机位置伺服的问题,利用迭代学习控制策略,使得系统能够达到期望的跟踪精度。仿真和实验结果表明了该算法的有效性。相较于传统方法,迭代学习控制策略误差更小,精度更高。     

一种基于径向基神经网络的PLL控制研究

电网并网时需要控制电流与电网电压同相位.介绍了一种基于人工神经网络的用于相位跟踪的PLL控制方法,即把RBF网络的算法加入锁相环中.具体是将电网电压作为期望输出值,将输入电流作为训练样本,通过神经网络的自我学习,逐步减小样本输出与期望输出之间的误差,实现对期望输出的同步和跟踪.用MALAB电力系统仿真工具箱进行了数字动态仿真,并从仿真结果可以看出,系统跟踪性能很好,并且有较强的自适应能力.     

基于经验模态分解算法的永磁直线同步电机迭代学习控制

在永磁直线同步电机驱动伺服系统的迭代学习控制(ILC)过程中,针对由于每次运行时跟踪误差的累积,导致系统出现收敛速度降低甚至发散的现象,提出一种基于经验模态分解(EMD)算法的迭代学习控制方法。首先设计闭环ILC控制器,然后利用EMD算法分解ILC过程中的跟踪误差,筛选并消除其中发散的分量,保证ILC的收敛性,提高ILC的收敛速度。仿真和实验结果表明,与传统ILC相比,所提出的控制方法能够使系统的跟踪效果更好,且保证了伺服系统的输出轨迹在较少的迭代次数下快速精确地收敛到期望轨迹。     

基于迭代学习与小波滤波器的永磁直线伺服系统扰动抑制

针对迭代学习控制(ILC)算法抑制永磁直线同步电机(PMLSM)周期性扰动时存在非周期分量影响问题,提出一种迭代学习控制算法与小波滤波器相结合的扰动抑制方法。通过重构输入误差信号,剔除非周期分量,从而使设计的PMLSM伺服系统迭代学习控制器快速收敛,减少了迭代次数。提出通过实验确定ILC中L形滤波器参数的方法。实验结果表明,与不带小波滤波器及传统PID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。     

采用RBF网络补偿的直线电动机迭代学习控制

针对垂直提升分段永磁同步直线电动机(PMLSM)提升系统中存在的各种扰动因素,在已建立的分段PMLSM动力学模型下,采用一种径向基(RBF)神经网络非线性补偿和迭代学习控制相结合的方法对其系统进行跟踪控制,通过RBF网络修正反馈环节的控制信号输入,实现系统的误差最小化位置跟踪目标。运用Matlab软件,分别对RBF网络补偿+迭代学习控制、复合迭代学习控制进行仿真。仿真研究表明,前者的跟踪准确度优于后者,并且能够对系统的时不变非线性因素进行更有效的补偿。     

输入受限下非完整轮式移动机器人迭代学习跟踪控制

为了解决输入受限下非完整轮式移动机器人的跟踪控制问题,考虑迭代学习控制方法,设计了一种迭代学习控制律,这里所设计的迭代学习控制律结合了系统的跟踪误差和约束下的上一代控制律.通过应用范数分析理论,对跟踪误差的收敛性进行了理论分析,验证了设计的控制律的有效性.最后,给出了一个仿真实例以证明理论分析结果的正确性,仿真结果表明,在设计的迭代学习控制律作用下,具有输入受限的非完整轮式移动机器人能够获得很好的跟踪控制性能,跟踪误差最终收敛于零的很小邻域内.     

永磁直线同步电机的自适应迭代学习控制

永磁直线同步电机驱动的伺服随动系统,既要对周期性的输入信号具有跟踪能力,又要对周期性的扰动具有抑制能力。对这一问题,从迭代学习控制的本质出发,与自适应算法相结合,提出了一种自适应迭代学习控制策略,解决了伺服系统中对周期性输入信号的跟踪问题,以及对参数摄动和不确定性干扰,尤其是对周期性扰动的抑制问题。在永磁直线同步电机位置控制实验中,将该方法与传统控制进行对比试验,实验结果表明,该方法能够有效地提高系统的位置控制精度。     

基于神经网络内模控制在机械手中的研究

将内模控制与神经网络相结合的方法来解决机械手的控制问题,使机械手沿着一定的期望轨迹运行。神经网络对机械手建模作为内模控制中的模型,训练方法采用前向网络的BP学习算法。单个神经元使用静态模型,输入神经元之间的延迟引入系统的动态。仿真结果表明,该方法具有有效性和实用性。     

混合有源电力滤波器的新型电流迭代学习控制

混合有源电力滤波器可以动态抑制电网谐波电流和补偿容性无功功率,改善电网电能质量。针对传统PI型迭代学习控制算法在并联有源电力滤波器应用中的不足,算法收敛性严重依赖于学习控制的初始输入,迭代学习控制器的参数是定常值,会影响有源滤波系统的控制性能。本文提出一种新型PI迭代学习控制算法,将其应用于混合有源电力滤波器系统的电流反馈控制中,得到了应用迭代算法的收敛性条件,并采用一种改进的Ziegler-Nichols方法对控制器参数进行了优化,以提高系统的控制精度。为了提高系统的动态响应性能,提出一种谐波电流误差的反馈-前馈控制策略,其中电流误差信号的D型前馈控制环节用于实现滤波器系统的电流快速补偿,同时利用一个三层BP神经网络对前馈控制增益进行优化。仿真和实验结果证明了该迭代算法及控制策略的可行性与有效性。     

迭代学习控制在吊车-双摆系统中的应用研究

适用于双摆模型系统的吊车在运送相同批次,相同型号货物,并且在保证搬运货物的轨迹相同的情况下,其运动轨迹具有极高的重复特性。提出了基于迭代学习控制的吊车-双摆系统位置和速度控制方法,建立了吊车-双摆系统的静态模型,设计了关于位置和速度控制的迭代学习控制算法,理论上分析了算法的收敛性。仿真结果表明,在经过80次左右的学习之后,吊车-双摆系统的输出能够可以较好地跟踪上期望轨迹,获得较高的控制精度,验证了控制方法的有效性。     

基于模糊PID迭代学习的隧道通风控制算法研究

针对隧道施工中通风系统的时变性、不确定性和难以建模的问题,提出一种控制算法,实现隧道通风的智能化.首先,利用迭代学习算法来对模糊PID控制的3个参数kp、ki、kd进行自动寻优,实现对模糊PID参数的在线调整.其次,把寻优后的PID控制器的3个参数代入系统中,通过改变输入量和利用计算机强大的存储能力,使输出量不断逼近期望轨迹直到与期望轨迹重合.最后,通过仿真,与模糊PID仿真曲线进行比较.结果表明,模糊PID迭代学习算法的控制曲线收敛速度快,超调量小,控制性能好,能够满足隧道通风的要求,能够应用于隧道通风中,实现智能化.     

An iterative learning control method with application for CNCmachine tools

A proportional, integral, and derivative (PID) type iterative learning controller is proposed for precise tracking control of industrial robots and computer numerical controller (CNC) machine tools performing repetitive tasks. The convergence of the output error by the proposed learning controller is guaranteed under a certain condition even when the system parameters are not known exactly and unknown external disturbances exist. As the proposed learning controller is repeatedly applied to the industrial robot or the CNC machine tool with the path-dependent repetitive task, the distance difference between the desired path and the actual tracked or machined path, which is one of the most significant factors in the evaluation of control performance, is progressively reduced. The experimental results demonstrate that the proposed learning controller can improve machining accuracy when the CNC machine tool performs repetitive machining tasks     

Stability analysis of quantized iterative learning control systems using lifting representation

This paper presents a stability analysis of the iterative learning control for discrete‐time systems with data quantization. Three quantized iterative learning control schemes are considered by using different quantized signals, including system output quantized signal, tracking error quantized signal, and control input quantized signal. The logarithmic quantizer is introduced to decode these signals with a number of quantization levels, and the sector bound method is used to deal with the quantization error. Based on the supervector formulation for iterative learning control systems, some convergence conditions for these iterative learning control laws are given, respectively. It is shown that iterative learning control laws with system output quantized signal and control input quantized signal only guarantee that the tracking error converges to a bound and the bound depending on quantization density and desired trajectory. Thus, the iterative learning control law with tracking error quantized signal can obtain zero tracking error. These results are illustrated by 2 examples.     

Iterative learning control for a class of non‐affine‐in‐input processes in Hilbert space

In this paper, iterative learning control (ILC) of a class of non‐affine‐in‐input processes is considered in Hilbert space, where the plant operators are quite general in the sense that they could be static or dynamic, differentiable or non‐differentiable, continuous‐time or discrete‐time, and so forth. The control problem is first transformed to a problem of solving global implicit function to ensure the uniqueness of desired control input. Then, two contraction mapping‐based ILC schemes are proposed in terms of the continuous differentiability of process model, where the learning convergence condition is derived through rigorous analysis. The proposed ILC schemes make full use of the process repetition, deal with system uncertainties easily, and are effective to infinite‐dimensional or distributed parameter systems. In the end, the learning controller is applied to the boundary output control of a class of anaerobic digestion process for wastewater treatment. The control efficacy is verified by simulation. Copyright © 2013 John Wiley & Sons, Ltd.     

基于闭环回路的非线性系统迭代学习控制

利用状态反馈部分线性化技术，分析了一类非线性系统，首先，设计了一种状态反馈律，然后研究与之形成的闭环系统，给出了经过逐次迭代后，系统输出严格跟踪理论信号的充分条件，且迭代初始状态可由理想信号直接确定，部分初始状态可任意选取，仿真结果表明所得结果是有效的。     

A framework of iterative learning control under random data dropouts: Mean square and almost sure convergence

This paper addresses the iterative learning control problem under random data dropout environments. The recent progress on iterative learning control in the presence of data dropouts is first reviewed from 3 aspects, namely, data dropout model, data dropout position, and convergence meaning. A general framework is then proposed for the convergence analysis of all 3 kinds of data dropout models, namely, the stochastic sequence model, the Bernoulli variable model, and the Markov chain model. Both mean square and almost sure convergence of the input sequence to the desired input are strictly established for noise‐free systems and stochastic systems, respectively, where the measurement output suffers from random data dropouts. Illustrative simulations are provided to verify the theoretical results.     

基于迭代学习的矿井提升系统跟踪控制

矿井提升机在煤矿开采和生产过程中发挥着至关重要的作用。针对矿料提升过程具有较强重复性的特点,提出迭代学习的提升机速度和位置跟踪控制方法。设计了提升机的D型迭代学习控制器,同时考虑运行过程中出现的非重复性干扰设计了带有滤波器型迭代学习控制器。并采用λ范数证明了系统的收敛性,理论结果表明矿井提升机位置与速度跟踪误差可以收敛到0。同时仿真结果表明,经过30次运行后,跟踪误差几乎收敛到0,迭代学习控制算法可利用矿井作业的重复运行特性可以有效提高提升机的跟踪性能,带有滤波器的迭代学习控制算法可较好地抑制了非重复扰动的影响。     

Convergence theory for multi‐input discrete‐time iterative learning control with Coulomb friction,continuous outputs,and input bounds

In this paper we consider the problem of discrete‐time iterative learning control (ILC) for position trajectory tracking of multiple‐input, multiple‐output systems with Coulomb friction, bounds on the inputs, and equal static and sliding coefficients of friction. We present an ILC controller and a proof of convergence to zero tracking error, provided the associated learning gain matrices are scalar‐scaled with a sufficiently small positive scalar. We also show that non‐diagonal learning gain matrices satisfying the same prescribed conditions do not lead to the same convergence property. To the best of our knowledge, for problems with Coulomb friction, this paper represents a first convergence theory for the discrete‐time ILC problem with multiple‐bounded‐inputs and multiple‐outputs; previous work presented theory only for the single‐input, single‐output problem. Copyright © 2004 John Wiley & Sons, Ltd.     

一般非线性离散系统P-D型迭代学习收敛性研究

针对非线性离散系统的控制问题,介绍了当前的研究现状,分析了开环迭代学习控制的不足,将某一类的非线性离散系统推广到了一般的非线性离散系统,对于一般的非线性离散系统,改变了以往只能借助前次的运行信息,提出了基于当前误差和前次运行误差信息的P-D型开闭环迭代学习控制律,使得对系统运行信息的利用更加充分、准确.此外,利用λ范数和归纳法给出了该学习律收敛的充分条件,证明了它的收敛性.仿真结果表明了它的有效性.