迭代学习控制的分析与仿真

迭代学习控制适合于具有重复运动性质的被控对象,通过迭代修正达到某种控制目标的改善。本文论述了迭代学习控制的基本原理,着重分析了迭代学习控制的算法,并讨论了其存在的问题以及仿真实例,仿真表明闭环迭代学习控制的收敛速度要好于开环迭代学习控制的收敛速度。     

一类具有控制时滞非线性系统在任意初值下的开环PD型迭代学习控制

在迭代学习控制理论的收敛性分析中,常见的初始条件是迭代初值与期望初值一致,或者迭代初值固定,给出了一类含控制时滞非线性时变系统在任意初值条件下采用开环PD型迭代学习控制算法时的收敛条件.迭代学习采用控制输入与初值同时学习的算法,其中控制输入利用了给定超前法,该算法解决了控制时滞和初值问题.运用算子理论证明了收敛条件,给出了间歇非线性控制时滞过程仿真实例,研究结果说明了该算法的有效性.     

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。     

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.     

网络控制系统中一种新形式的开闭环迭代学习控制

本文研究了网络控制系统中迭代学习控制方法, 借鉴网络控制系统的分层结构形式, 提出了一种远程开环本地闭环的迭代学习控制形式. 这种形式的学习律中, 只有开环学习律的离散数据通过网络传输, 对控制系统进行前馈补偿同时降低了网络丢包对系统的实时影响. 针对线性系统, 利用2–D系统的分析方法, 给出了网络控制中开闭环迭代学习控制的收敛性判别条件. 仿真和实验结果证实了所提方法的可行性和有效性.     

具有扰动的非线性系统高阶迭代学习控制

迭代学习控制(ILC)利用系统的重复性不断改进控制性能.本文讨论一类具有扰动的非线性、时变系统高阶迭代学习控制算法及其迭代学习收敛的充分条件,并与D型迭代学习算法相比,讨论典型PD高阶ILC算法的收敛速度.仿真结果证实高阶ILC算法具有更快的收敛速度,并且当系统满足收敛条件、不确定项及输出扰动项有界时迭代学习收敛.     

迭代学习控制在大惯性系统中的应用

迭代学习控制是应用在具有重复运动特点的系统中,并有良好的跟踪效果的控制方法.本文针对转台控制系统中的大惯性环节,运用开环P型迭代学习控制,仿真证明该学习控制律的有效性.并证明学习控制律的收敛条件.     

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.     

分层递阶迭代学习控制的研究与仿真

本文对分层递阶迭代学习控制算法进行了研究。研究表明,采用分层递阶迭代学习控制算法以后,控制器不仅可以用于开环稳定系统,也可以应用于开环不稳定系统。通过对人工髋关节模拟试验机位置系统的数学模型进行仿真应用后表明,无论是开环迭代学习控制,还是闭环迭代学习控制,都能使系统的输出渐近跟踪希望轨迹,但闭环学习控制效果要比开环学习控制要好。     

迭代学习控制在氯乙烯聚合反应中的应用

由于氯乙烯聚合反应釜是一个具有纯滞后时间长、时间常数大的,且很难建立精确数学模型的被控对象,因此本文提出一种新的控制方案,即采用控制输入和系统初态同时进行学习的闭环PD型迭代学习控制,给出了该算法谱半径形式的收敛条件,并利用算子理论证明了系统在任意初态条件下经过逐次迭代后,其输出能够完全跟踪期望轨迹。仿真结果表明了该算法的有效性。     

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。     

带有初态学习的可变增益迭代学习控制

针对一类非线性系统提出一种新的学习控制算法,该算法在可变学习增益的迭代学习控制律基础上,增加了系统初态的迭代学习律.利用算子理论证明了系统在存在初态偏移时经过迭代学习后,其输出能够完全跟踪期望轨迹,同时得到了该算法谱半径形式的收敛条件.将该算法与传统迭代学习控制相比较可以看出,前者的收敛速度得到了较大提高,而且解决了可变学习增益迭代学习控制的初态偏移问题.仿真结果验证了该算法的有效性.     

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.     

An Exploration on Adaptive Iterative Learning Control for a Class of Commensurate High-order Uncertain Nonlinear Fractional Order Systems

This paper explores the adaptive iterative learning control method in the control of fractional order systems for the first time. An adaptive iterative learning control (AILC) scheme is presented for a class of commensurate high-order uncertain nonlinear fractional order systems in the presence of disturbance. To facilitate the controller design, a sliding mode surface of tracking errors is designed by using sufficient conditions of linear fractional order systems. To relax the assumption of the identical initial condition in iterative learning control (ILC), a new boundary layer function is proposed by employing Mittag-Leffler function. The uncertainty in the system is compensated for by utilizing radial basis function neural network. Fractional order differential type updating laws and difference type learning law are designed to estimate unknown constant parameters and time-varying parameter, respectively. The hyperbolic tangent function and a convergent series sequence are used to design robust control term for neural network approximation error and bounded disturbance, simultaneously guaranteeing the learning convergence along iteration. The system output is proved to converge to a small neighborhood of the desired trajectory by constructing Lyapnov-like composite energy function (CEF) containing new integral type Lyapunov function, while keeping all the closed-loop signals bounded. Finally, a simulation example is presented to verify the effectiveness of the proposed approach.      

线性广义系统的迭代学习控制

针对线性时不变广义系统的迭代学习控制问题．利用时间加权范数性质．通过Frobenius范数给出广义系统在D型和PD型闭环学习律作用下系统的实际输出轨迹逐渐逼近理想输出轨迹的充分条件．并指出在D型闭环学习律的基础上加上P型闭环学习律不影响控制系统的收敛性．但可以改变系统的性能．仿真算例说明了该方法的有效性．     

Closed-loop P-type Iterative Learning Control of Uncertain Linear Distributed Parameter Systems

An iterative learning control problem for a class of uncertain linear parabolic distributed parameter systems is discussed, which covers many processes such as heat and mass transfer, convection diffusion and transport. Under condition of allowing system state initially to have error in the iterative process a closed-loop P-type iterative learning algorithm is presented, and the sufficient condition of tracking error convergence in L2 norm is given. Next, the convergence of the tracking error in L2 and W1,2 space is proved by using Gronwall-Bellman inequality and Sobolev inequality. In the end, a numerical example is given to illustrate the effectiveness of the proposed method.      

基于混合灵敏度设计的鲁棒迭代学习控制

提出一种鲁棒迭代学习控制的设计方法．利用混合灵敏度设计方法，控制器满足一定鲁棒性条件时就可以直接获得收敛更新规则．此外，只要学习滤波函数满足一定条件，系统跟踪误差将显著降低．仿真结果表明该方法有效性较高．     

离散非线性系统开闭环P型迭代学习控制律及其收敛性

本文在讨论了一般开环与闭环迭代学习控制的不足后，针对一类离散非线性系统，提出了新的开闭环ＰＧ型迭代学习控制律，给出了它的收敛性证明，仿真结果表明：开闭环Ｐ型迭代律优于单纯的开环或产才环Ｐ型迭代 律。