同步发电机励磁控制器设计

针对基于开环迭代学习控制的同步发电机励磁控制器存在稳定性差、易受干扰影响、不能完全跟踪期望轨迹的问题,设计了一种基于开闭环PID迭代学习控制与电力系统稳定器结合的同步发电机励磁控制器;在开环迭代学习控制的基础上,引入闭环反馈控制,将上一次的输入和输出误差及当前的输出误差作为当前的控制输入,从而构成开闭环PID型迭代学习控制;同时,利用电力系统稳定器提供的附加正阻尼信号来改善同步发电机励磁控制系统的电压稳定性和功角稳定性。仿真结果表明,该励磁控制器具有较强的鲁棒性,提高了系统稳定性。     

非线性系统迭代跟踪控制的批次遗忘学习算法

针对P型迭代学习算法对初始偏差和输出误差扰动敏感,以及PD型迭代学习算法容易放大系统噪声,降低系统鲁棒性的问题,研究了具有任意有界扰动及期望输出的重复运行非线性时变系统的PD型迭代学习跟踪控制算法.利用迭代学习过程记忆的期望轨迹、期望控制以及跟踪误差,给出基于变批次遗忘因子的学习控制器设计,并借助λ范数理论和Bellman-Gronwall不等式,讨论保证闭环跟踪系统批次误差有界的学习增益存在的充分必要条件,及分析控制算法的一致收敛性.本算法改善了系统的鲁棒性和动态特性,单关节机械臂的跟踪控制仿真验证了方法的有效性.     

基于迭代学习控制的网络协同电液振动台研究

大量的结构抗震试验需要使用单自由度振动台;将振动台纳入互联网中,可实现远程控制;振动台试验中,由于台体、构件的影响,以及作动器的非线性,传统PID控制已经达不到控制要求;提出在激励源(作动器)经典PID闭环控制的基础上,通过在台面上配置反馈通道,构建一个外部的控制闭环,组成双闭环控制系统,外部闭环控制采用离线迭代学习算法;对振动台控制系统进行了MATLAB仿真,达到了理想的控制效果;应用迭代控制理论来改造单自由度振动台控制系统,有很大的理论和实际意义。     

非线性系统开闭环PID型迭代学习控制算法的鲁棒性

针对非线性时变系统的迭代学习控制问题提出了一种开闭环PID型迭代学习控制律,并证明了系统满足收敛条件时,具有开闭环PID型迭代学习律的一类非线性时变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.分析表明,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.     

输出重定义下的非线性非最小相位系统迭代学习控制

讨论非线性非最小相位系统实现完全跟踪的迭代学习控制方法, 适于在有限作业区间上重复运行的受控系统. 在控制器设计时, 通过输出重定义以使非最小相位系统的零动态变成渐近稳定特性. 分别采用部分限幅和完全限幅两种学习算法设计控制器, 理论分析表明两种算法能够保证学习系统中所有变量的有界性和跟踪误差在整个作业区间上渐近收敛于零. 数值仿真验证了两种迭代学习控制系统的跟踪性能.     

分域设计迭代学习控制器抑制非重复性扰动

为了抑制迭代方向上已知重复样式的非重复性输出扰动,提出了迭代学习控制(Iterative Learning Control,ILC)的分域算法。时间域内设计传统PID型迭代学习控制器,并且优化其参数;迭代域内利用内模原理抑制非重复性输出扰动,跟踪期望轨迹;利用加权思想将两者相结合,得到迭代学习控制器的分域设计算法。相对于已有算法,建立了针对一般扰动的设计框架,并且合理配置了算法的参数,使收敛速度及精度有所提高。仿真结果说明了该算法的有效性。     

加速抑制随机初态误差影响的迭代学习控制

针对一类具有不确定性的多输入多输出非线性系统,提出一种迭代学习控制算法.该算法具有的特点是:针对任意初态情形,结合开环 D型迭代学习控制器的优点,在时间轴上设计了一个随迭代次数增加而缩短的时间段.在该时间段上,控制算法对状态偏差进行修正,以使系统输出在此段时间后跟踪期望输出,且系统跟踪误差收敛到一个界内.这个界仅由系统自身不确定性和不确定的外界干扰决定,与初态误差无关.当外界扰动为0,以及迭代次数趋于无穷时,经过上述时间段后,系统输出精确跟踪期望输出.理论证明和仿真结果都说明了该算法的有效性.     

一类输出饱和系统的学习控制算法研究

传感器饱和是控制系统中较为常见的一种物理约束. 本文针对一类含饱和输出的受限系统, 提出了两种学习控制算法. 具体而言, 首先, 对于重复运行的被控系统, 设计了开环P型迭代学习控制器, 实现在有限时间区间内对期望轨迹的完全跟踪, 并在λ范数意义下分析了算法的收敛性, 给出了含饱和输出的迭代学习控制系统的收敛条件. 进而, 针对期望轨迹为周期信号的被控系统, 提出了闭环P型重复学习控制算法, 并分析了这类系统的收敛性条件. 最后, 通过一个仿真实例验证了本文所提算法的有效性.     

基于预测型间接迭代学习的SCARA机器人轨迹跟踪控制

SCARA机器人是一个强耦合、多输入多输出的非线性系统,运行时较易受外界干扰的影响,而且传统比例-积分-微分(PID)反馈控制器的轨迹跟踪精度较低。针对上述问题,设计具有前馈作用的预测型迭代学习控制器(A-ILC)。利用运行批次在采样时刻t+Δ处的误差输出信息,优化调整下次运行在采样时刻t处双闭环PID反馈控制器的角度。仿真结果表明,与仅采用双闭环PID反馈控制器相比,采用所设计的控制器能明显减小机器人末端的轨迹跟踪误差。     

迭代学习在PID控制中的应用

利用迭代学习过程记忆的期望控制、期望轨迹以及跟踪误差,提出了拟合控制系统的PID控制器参数的方法。用这种方法实现的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。     

高频角振动测试转台的迭代学习控制

为了提高角振动转台在陀螺高频特性测试时对周期性期望轨迹的跟踪精度,该文在PID型迭代学习控制的基础上,针对转台控制系统的稳定性和迭代学习的收敛性进行解耦设计,得到一种复合迭代学习控制器,并从频域角度给出了其收敛性条件,最后用MatlabSimulink工具箱对该设计进行了仿真研究.仿真结果表明,与常规比例-积分-微分控制相比较,这种设计改善了系统输出跟踪周期性正弦信号输入的精度,提高了系统带宽,并对系统消除周期性干扰有所裨益.结论表明这种复合迭代控制器可以应用于高频角振动转台的控制.     

非正则线性系统的闭环P型迭代学习控制

迭代学习控制是改善具有重复运行性质过程的跟踪性能的有效方法。开环迭代学习控制学习周期长，在迭代学习的初期容易出现不稳定和高增益的现象。对非正则系统的迭代学习控制，需要采用高阶微分学习律。该文针对一类非正则线性定常连续系统，讨论了闭环P型迭代学习控制律，给出并证明了闭环P型迭代学习控制律的收敛性条件的两个定理，解决了非正则系统的P型迭代学习控制问题。仿真实例说明闭环迭代学习律的有效性和快速性。     

振动与力加载耦合的电液伺服控制

振动与力加载耦合的电液伺服系统具有集成模拟被测试件在振动与加载耦合工况下动态性能的优势,针对振动模拟对力加载系统产生的干扰多余力问题,提出了一种力干扰观测器,以提高加载力跟踪精度.首先,建立了振动与力加载耦合的电液伺服控制系统的数学仿真模型;其次,利用递推增广最小二乘算法辨识了力加载系统闭环传递函数;然后,利用零相差跟踪技术设计了力加载系统的前馈逆模型;最后,设计了力干扰观测器,搭建了水平向振动与力加载耦合的电液伺服系统实验台,仿真和实验验证了提出的力干扰观测器可有效降低由于振动扰动而产生的干扰多余力.     

高相对阶连续时间系统的间接迭代学习控制

本文提出了一类高相对阶线性连续时间系统的间接迭代学习控制算法,该算法相对独立于系统局部控制器,因此可以应用于已有局部反馈控制器的系统.采用具有极点配置的H∞鲁棒控制器作为系统的内环控制,而在外环通过迭代学习控制调整内环系统的指令信号.通过引入拉氏变化,构建了迭代学习系统的2-D Roesser模型,推导了系统渐近收敛条件,并研究了存在有界初始条件偏移和迭代变化外部干扰时算法的鲁棒性能.最后,利用空中加油对接控制的算例进一步验证了算法的有效性.     

非线性迭代学习算法在机器人上肢康复中的应用

针对上肢康复机器人轨迹跟踪控制中存在的患者痉挛扰动非线性及不确定性问题, 结合康复机器人系统执行具有重复性的特点以及迭代学习算法特有的性质, 提出一种非线性迭代学习控制算法, 改进了机器人常用的线性动力学控制系统, 使得在模型信息不精确以及只有角度信息可测的情况下, 也能获得良好的轨迹跟踪性能; 应用Lyapunov 稳定性理论和LaSalle 不变性原理证明了闭环系统的全局渐近稳定性. 仿真结果表明, 所提出的非线性迭代学习控制具有良好的控制性能.

     

Real-Time Iterative Compensation Framework for Precision Mechatronic Motion Control Systems

With regard to precision/ultra-precision motion systems, it is important to achieve excellent tracking performance for various trajectory tracking tasks even under uncertain external disturbances. In this paper, to overcome the limitation of robustness to trajectory variations and external disturbances in offline feedforward compensation strategies such as iterative learning control (ILC), a novel real-time iterative compensation (RIC) control framework is proposed for precision motion systems without changing the inner closed-loop controller. Specifically, the RIC method can be divided into two parts, i.e., accurate model prediction and real-time iterative compensation. An accurate prediction model considering lumped disturbances is firstly established to predict tracking errors at future sampling times. In light of predicted errors, a feedforward compensation term is developed to modify the following reference trajectory by real-time iterative calculation. Both the prediction and compensation processes are finished in a real-time motion control sampling period. The stability and convergence of the entire control system after real-time iterative compensation is analyzed for different conditions. Various simulation results consistently demonstrate that the proposed RIC framework possesses satisfactory dynamic regulation capability, which contributes to high tracking accuracy comparable to ILC or even better and strong robustness.      

基于2_D系统理论的变初始条件线性系统的开闭环学习控制

对于具有重复运动特性的系统,迭代学习控制是一种简便且行之有效的方法.考虑到系统每次运行初始值的不确定性,利用二维系统理论设计了开闭环迭代学习控制器,并给出了控制收敛的充分条件.用仿真试验验证其有效性.     

迭代学习控制与二维分析

本文探讨了在学习时间有限和元情形下用二维系统方法分析迭代学习控制的可能性，给出线性离散系统在开环与闭环学习中各种学习律下的稳定与收敛的充要条件，并比较了各种学习律的收敛速度，指出随着学习次数的增加，在一定条件下，Ｐ型学习与其它类型的学习算法具有相同的收敛速度。     

结合前馈调参与迭代学习的数据驱动控制方法

在前馈控制中, 需要尽可能的去除前馈控制器对系统模型的需求, 同时保证高精度和鲁棒性. 本文提出了 一种数据驱动的将迭代前馈调参与迭代学习控制进行结合的方法, 通过引入基函数参数化的前馈控制器和输入整 形滤波器, 使用梯度下降法求解最优系统前馈控制器, 消除期望轨迹引入的扰动; 通过迭代学习控制, 消除系统重复 性扰动, 进一步提高控制精度. 算法具有不依赖系统模型, 高精度, 适用于变轨迹任务的优点. 文中给出了相应的仿 真, 并应用到一个直线电机系统, 通过实验验证了算法的有效性.