一类非线性系统的自组织模糊CMAC神经网络自适应重构跟踪控制

提出了一种非线性系统的自组织模糊CMAC(SOFCMAC)神经网络自适应重构跟踪控制方法,首先通过构造增广系统,设计出线性渐近跟踪控制器,然后采用SOFCMAC神经网络在线重构系统的非线性特性,以消除非线性特性引起的系统误差,可保证非线性系统闭环稳定并使系统输出跟踪期望输出.仿真算例证明了SOFCMAC神经网络自适应重构跟踪控制系统的稳定性.     

严格反馈非线性时变系统的迭代学习控制

针对一类含未知时变参数的严格反馈非线性系统, 提出一种实现有限作业区间轨迹跟踪控制的迭代学习算法. 基于Lyapunov-like方法设计控制器, 回避了常规迭代学习控制中受控系统非线性特性需满足全局Lipschitz连续条件的要求. 以反推设计(Backstepping)方法设计控制器, 为使得虚拟控制项可导, 引入一级数收敛序列; 将时变参数展开为有限项多项式形式, 在控制器设计中采取双曲正切函数处理余项对于系统跟踪性能的影响. 理论分析表明, 闭环系统所有信号有界, 并能够实现系统输出完全收敛于理想轨迹.     

非线性CSTR过程预测控制器设计

针对非线性CSTR(continuously stirred tank reactor)过程,提出一种新的预测控制的设计与仿真实现.在对一类特殊非线性过程分析的基础上,从系统的输入输出数据出发,基于子空间辨识算法建立双线性系统模型来近似描述被控系统;设计新的预测控制算法实现对CSTR过程的跟踪控制;为补偿模型失配以消除控制中的稳态误差,将积分作用包含在预测控制器的设计中,实现对控制输出的良好跟踪性能;最后通过一个仿真实例验证算法的有效性.     

非仿射系统的自学习滑模抗扰控制

针对一类单输入单输出(single-input single-output,SISO)非仿射非线性系统的控制问题,提出了一种自学习滑模抗扰控制方法.该方法用非线性光滑函数设计扩张状态观测器,实现SISO非仿射非线性系统内部不确定性和外部扰动的扩张状态估计,并将扩张状态观测器(extended state observer,ESO)与自学习滑模控制技术融为一体,实现SISO非仿射非线性系统的自学习滑模抗扰控制.该方法不依赖受控对象的数学模型,可以快速跟踪任意给定的参考信号.数值仿真试验表明了该方法响应速度快、控制精度高,具有很强的抗扰动能力,因而是一种鲁棒稳定性很强的控制方法,在SISO非仿射非线性系统控制领域具有重要作用.     

具有未知死区输入非线性系统的迭代学习控制

针对一类具有死区输入非线性系统,提出一种实现有限作业区间轨迹跟踪控制的神经网络迭代学习算法.基于Lyapunov-like方法设计学习控制器,回避了常规迭代学习控制中受控系统非线性特性需满足全局Lipschitz连续条件的要求.为处理输入死区,利用神经网络逼近这种强非线性特性;同时,通过对神经网络逼近误差界的估计并在控制器中设置补偿作用以消除其影响,从而提高系统的跟踪性能.     

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.     

离散非线性时变系统开闭环PI型迭代学习控制律及其收敛性

对于具有重复运动性质的对象,迭代学习控制是一种有效的控制方法.针对一类 离散非线性时变系统在有限时域上的精确轨迹跟踪问题,提出了一种开闭环PI型迭代学习 控制律.这种迭代律同时利用系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作 用.给出了所提出的学习控制律收敛的充分必要条件,并采用归纳法进行了证明.最后用仿真 结果对收敛条件进行了验证.     

具有噪声干扰的非线性时变系统多维泰勒网辨识和控制

针对含噪声不确定非线性时变系统,提出一种基于多维泰勒网(MTN)稳定的自适应控制方案,其中3个MTN分别被用来实现非线性滤波、系统辨识与自适应控制.首先, MTN滤波器(MTNF)用来消除测量噪声,以得到无随机干扰的模型输出.然后, MTN辨识器(MTNI)用来表示系统动态映射且比传统神经网络泛化能力更强.而后,MTN控制器(MTNC)用来实现系统精确跟踪控制,其中时变被控对象由MTNI辨识并将其动力学特性信息实时提供给MTNC使其"光滑"自适应.此外,利用改进的灵敏度计算方法来剪除MTNI和MTNC的冗余输入和冗余中间层回归项.最后,证明基于MTN的闭环系统稳定性,并给出最优学习率以期实现快速学习.仿真结果表明,该方法具有精确的辨识能力、良好的跟踪性能和较强的抗干扰能力,可实现含有不确定性、随机因素和时变特性的非线性系统自适应实时控制.     

空间互联系统的有限频率范围迭代学习控制

针对一类包含多个节点的空间互联系统,提出一种有限频率范围内的迭代学习控制算法.首先基于提升技术沿空间节点分布方向将重复运行的多维空间互联系统转换为一类二维等效系统,然后设计迭代学习控制律将被控系统转化为线性重复过程,并根据输出期望轨迹跟踪信号的频谱范围,利用Kalman-Yakubovich-Popov (KYP)引理将系统的频域稳定性能分析和控制律设计问题转换成以相应的线性矩阵不等式(LMI)求解问题,同时保证输出跟踪误差在时域和频域范围内的单调收敛性.最后以有源梯形电路的控制仿真验证所提算法的有效性.     

一类非最小相位非线性系统的自适应控制

针对一类非最小相位的非线性系统,通过引入一个近似系统,提出了一种简单的间接自 适应控制方法,并分析了采用该方法后系统输出的跟踪性能,给出了输出跟踪误差的上限.该 方法可克服现有的非线性自适应控制方法只能控制最小相位的非线性系统并且容易产生过 度控制的缺点.     

退化高阶抛物型分布参数系统的迭代学习控制

研究一类高阶分布参数系统的迭代学习控制问题,该类系统由退化高阶抛物型偏微分方程构成.根据系统所满足的性质,基于P型学习算法构建得到迭代学习控制器.利用压缩映射原理,证明该算法能使得系统的输出跟踪误差于L~2空间内沿迭代轴方向收敛于零.最后,仿真算例验证了算法的有效性.     

Latent variable iterative learning model predictive control for multivariable control of batch processes

A latent variable iterative learning model predictive control (LV-ILMPC) method is presented for trajectory tracking in batch processes. Different from the iterative learning model predictive control (ILMPC) model built from the original variable space, LV-ILMPC develops a latent variable model based on dynamic partial least squares (DyPLS) to capture the dominant features of each batch. In each latent variable space, we use a state–space model to describe the dynamic characteristics of the internal model, and an LV-ILMPC controller is designed. Each LV-ILMPC controller tracks the set points of the current batch projection in the corresponding latent variable space, and the optimal control law is determined and the persistent process disturbances is rejected along both time and batch horizons. The proposed LV-ILMPC formulation is based on general LV-MPC and incorporates an iterative learning function into LV-MPC. In addition, the real physical input that drives the process can be reconstructed from the latent variable space. Therefore, this algorithm is particularly suitable for multiple-input, multiple-output (MIMO) systems with strong coupling and serious collinearity. Three studies are used to illustrate the effectiveness of the proposed LV-ILMPC .     

基于向量图分析的一种迭代学习控制算法 及其鲁棒性

为了增强迭代学习控制的鲁棒性,加快学习过程的收敛速度,而又不过多地依赖于系统内部信息,本文基于向量图分析思路,利用输入空间的向量构造三角形修正结构,得到了一种新的迭代学习控制算法．该算法根据跟踪误差的大小,调节输入控制量在三角形的一条边上滑动,在跟踪误差较大时,算法能找到控制期望的大致位置并加速收敛,在跟踪误差较小时,能将控制量稳定在其期望的很小邻域内,理论上证明了该邻域直径大小为跟踪误差的二阶无穷小．数值仿真结果说明了它的有效性和优越性．     

非线性系统高阶迭代学习算法

结合迭代学习控制算法中的开环和闭环方案，本文针对更一般的非线性系统，讨论高阶算法的广泛适用性。理论和仿真结果表明了高阶算法在输出跟踪和干扰抑制方面的有效性。     

HIGH-ORDER ILC WITH INITIAL STATE LEARNING FOR DISCRETE-TIME DELAYED SYSTEMS

This article addresses an iterative learning control (ILC) design for a class of linear discrete-time systems with multiple time delays. In order to improve the tracking performance, we introduce a P-type high-order iterative learning algorithm that makes use of information from several previous iterations. An initial state learning scheme is proposed to eliminate the effect of the initialization error on the final tracking error. Furthermore, we establish a sufficient condition to ensure asymptotic convergence. A simulation example is also provided to illustrate the effectiveness of the proposed result.     

离散非线性系统的迭代学习轨迹跟踪鲁棒算法优化及应用

针对一类存在随机输入状态扰动、输出扰动及系统初值与给定期望值不严格一致的离散非线性重复系统,提出了一种P型开闭环鲁棒迭代学习轨迹跟踪控制算法．基于λ范数理论证明了算法的严格鲁棒稳定性,并通过多目标函数性能指标优化P型开闭环迭代学习控制律的增益矩阵参数,保证了优化算法下系统输出期望轨迹跟踪误差的单调收敛性,达到提高学习算法收敛速度和跟踪精度的目的．最后应用于二维运动移动机器人的实例仿真,验证了本文算法的可行性和有效性．     

正则系统在Lebesgue-p范数意义下的快速迭代学习控制

针对一类线性正则系统,传统迭代学习控制算法收敛速度较低的问题,设计了一种快速迭代学习控制算法。该算法在传统P型迭代学习控制算法基础上,增加了由相邻两次迭代时跟踪误差构成的上一次差分信号和当前差分信号,并在Lebesgue-p范数度量意义下,利用卷积推广的Young不等式严格证明了,当迭代次数趋于无穷大时,系统的跟踪误差收敛于零,并给出了算法的收敛条件。该算法与传统P型迭代学习控制算法相比,不仅提高了收敛速度,而且还避免了采用λ范数度量跟踪误差的缺陷,最后通过仿真结果进一步验证了所提算法的有效性。     

Integrated predictive iterative learning control based on updating reference trajectory for point-to-point tracking

A novel control technique is proposed by combining iterative learning control (ILC) and model predictive control (MPC) with updating-reference trajectory for point-to-point tracking problem of batch process. In this paper, a batch-to-batch updating-reference trajectory, which passes through the desired points, is firstly designed as the tracking trajectory within a batch. The updating control law consists of P-type ILC part and MPC part, in which P-type ILC part can improve the performance by learning from previous executions and MPC part is used to suppress the model perturbations and external disturbances. Convergence properties of the integrated predictive iterative learning control (IPILC) are analyzed theoretically, and the sufficient convergence conditions of output tracking error are also derived for a class of linear systems. Comparing with other point-to-point tracking control algorithms, the proposed algorithm can perform better in robustness. Furthermore, updating-reference relaxes the constraints for system outputs, and it may lead to faster convergence and more extensive range of application than those of fixed-reference control algorithms. Simulation results on typical systems show the effectiveness of the proposed algorithm.     

基于非线性系统相对度的学习控制算法及在非完整移动机器人中的应用

首先提出了一种基于非线性系统对度的迭代学习控制算法,并证明了其收敛性,该算法通过对系统以前的输入和输出跟踪误差信号进行学习来反复调整输入量,使得系统在经过一定次数的学习以后,其实际输出趋于期望输出且其内部状态也具有良好的收敛特性,其次将此算法应用于两轮驱动的移动机器人动力学系统,数值仿真结果表明了这种算法的有效性。     

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.