迭代学习控制系统的鲁棒收敛性分析

本文提出一种开闭环配合的滤波器型迭代学习控制算法，并将这种算法应用于一般非线性动态系统的轨迹跟踪，对于渐近重复初始条件和渐近周期干扰的情形，通过控制误差估计和输出误差估计，文中分别证明学习过程的一致收敛性，证明中未采用线性化手段。     

迭代学习控制理论的现状与展望

论述了迭代学习控制的基本理论问题,着重讨论了迭代学习理论研究的现状及其存在的问题,提出了一些有待进一步研究的方 面。     

不确定性机器人系统自适应鲁棒迭代学习控制

利用Lyapunov方法, 提出了一种不确定性机器人系统的自适应鲁棒迭代学习控制策略, 整个系统在迭代域里是全局渐近稳定的. 所考虑的机器人系统同时包含了结构和非结构不确定性. 在设计时, 系统的不确定性被分解成可重复性和非重复性两部分, 并考虑了系统的标称模型. 在所提出的控制策略中, 自适应策略用来估算做法确定性的界, 界的修正与迭代学习控制量一样的迭代域得以实现的. 计算机仿真表明本文提出的控制策略是有效的.     

鲁棒预测迭代学习控制在间歇过程中的运用

考虑间歇反应中存在的非线性、实际情况中的输入输出约束要求和扰动的重复特性和非重复特性,将采用迭代学习和预测控制相结合的方法设计控制器,使得系统输出跟踪给定参考轨迹,最终使得间歇反应能够满足产品质量要求.由于迭代学习控制系统从本质上看汇聚了时间和批次两个变量,故可称为2维系统.针对2维系统,采用李亚普诺夫函数确保系统的稳定性并得到系统的控制序列,上述的控制序列可通过求解线性矩阵不等式求得.为了验证算法的有效性,将上述控制算法应用在对连续搅拌釜(CSTR)温度期望轨迹的跟踪控制中,仿真结果表明了控制算法的有效性.     

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．     

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.

     

最优鲁棒容错控制新方法及其在飞行控制中的应用*

本文研究了一类参数不确定且传感器失效的多变量系统的容错控制问题，提出了一种基于模型参数的最优鲁棒容错控制器新的设计方法，该方法可用于解决部分传感器失效时的最优容错控制，并给出了某国产飞机纵向飞行控制的仿真结果。     

基于扩张状态观测器的鲁棒迭代学习控制

针对一类包含模型不确定和外界干扰等非重复扰动的线性离散系统,本文通过将迭代学习控制与自抗扰技术相结合,提出一种新的基于扩张观测器的鲁棒迭代学习控制方法.本文以时间轴和迭代轴两个方向同时出发考虑系统的非重复扰动估计和稳定收敛问题.将与时间和迭代轴同时相关的模型不确定及外界干扰等因素归纳为系统总扰动,针对其非重复变化特性给出了扩张观测器的设计,保证在批次内快速、准确地估计系统总扰动;基于上述扰动估计,设计新型的迭代学习控制律,利用线性矩阵不等式方法证明了整个鲁棒迭代学习系统的稳定性和收敛性,并给出合理的控制器参数估计条件.此外,讨论了迭代学习控制中第一批次的控制律设计问题,给出合理的自抗扰控制器设计.最后通过仿真对比实验验证了本文方法的可行性和有效性.     

基于鲁棒迭代学习的灌浆压力自适应控制

为了提高非线性、不确定和时变性灌浆过程中压力的控制精度,在分析灌浆过程数学模型的基础上,提出了灌浆压力的PID控制器参数的自适应调节方法.由神经网络预测模型对灌浆系统进行非线性建模,然后基于神经网络学习误差迭代优化PID控制参数.为了确保控制器参数矩阵在调节时灌浆压力能收敛于灌浆设计压力,采用了李亚普洛夫误差增量迭代函数,使得对每次采样时刻系统误差PID调节向量能渐近收敛于最优值,从而使模型跟踪误差最小.通过迭代反馈调节方法的压力输出同手工控制方法对比研究,仿真结果表明,此方法有更好的自适应能力,较好地跟踪了灌浆设计压力曲线.     

基于小波逼近的非线性系统鲁棒迭代学习控制

针对存在扰动的未知非线性系统,利用小波逼近将系统参数化,结合变结构控制技术,提出了一种鲁棒迭代学习控制算法.该算法采用迭代学习的方式修正小波逼近的系数,利用具有死区的滑模变结构技术保证算法的鲁棒收敛性.收敛性分析表明,每次迭代学习都将减小所得到的逼近系数与最佳系数的差异.因此,期望轨迹变化后,该算法针对以前轨迹的学习结果仍然可以起作用,部分克服了传统迭代学习控制的学习结果仅对某一特定轨迹有效的缺点.     

模糊自适应PID控制在注塑机料筒温度控制中的应用

针对某塑胶厂混合混色送料注塑成型组装生产线的生产要求,在注塑机料筒温度控制中采用模糊自适应PID控制替代原有的温度控制系统,使PID参数能够进行在线修正。仿真结果表明,模糊自适应PID控制更好地解决料筒温度控制中的多变量、强耦合、大滞后、时变等复杂情况,提高了注塑机料筒温度控制的稳定性和精确性。     

注塑机注射速度控制研究现状和发展综述

对近年来注塑机注射速度控制方法进行研究,典型的控制方法可以分为传统控制方法、自适应控制方法、智能控制方法。阐述各种方法的研究现状、应用成果及其优缺点。注射速度是整个注射过程中非常关键的控制变量。最后对注射速度控制的发展做展望。     

注塑机注射速度的模型预测迭代学习控制

针对注射过程具有重复运行和非线性的特性,在对预测控制与迭代学习控制进行综合应用并加以改进的基础上,给出一种模型预测迭代学习复合控制新算法,研究了控制器的设计方案.同时,将迭代学习思想引入到预测步长的在线调整,提出了预测步长的迭代学习方法.仿真结果表明,该方法是有效的,其控制性能优于PID迭代学习控制系统.     

变频调速技术在注塑成型机节能问题上的应用

分析注塑机采用变频调速技术的节能原理,举例说明变频调速技术应用于注塑机的显著效果及其对提高系统性能的重要作用。     

模糊思想在多段注塑机温度控制中的应用

注塑机料桶温度控制系统是一个多变量、大滞后、大耦合系统。分析了料桶特性并且介绍了一种采用模糊思想设计的简单易行、运算量小、可以在单片机上良好运行的温度控制算法。并给出了实际控制曲线。     

机器人自学习控制的稳定性分析方法及其应用

提出了一种针对自学习控制的稳定性判据,应用这一稳定性判据将自学习控制器的设计转化为寻找正定离散矩阵核,从而回答了两个问题,其一什么样的量可以通过自学习叠代加以控制,其二学习叠代中什么样的滤波环节的引入不会影响学习收敛性.根据这一判据设计了一种机器人参数自学习控制律,它保证跟踪轨线全程的收敛性.     

间歇过程最优迭代学习控制的发展:从基于模型到数据驱动

本文综述了间歇过程的基于模型的和数据驱动的最优迭代学习控制方法.基于模型的最优迭代学习控制方法需要已知被控对象精确的线性模型,其研究较为成熟和完善,有着系统的设计方法和分析工具.数据驱动的最优迭代学习控制系统设计和分析的关键是非线性重复系统的迭代动态线性化.本文简要综述了基于模型的最优迭代学习控制的研究进展,详细回顾了数据驱动的迭代动态线性化方法,包括其详细的推导过程和突出的特点.回顾和讨论了广义的数据驱动最优迭代学习控制方法,包括完整轨迹跟踪的数据驱动最优迭代学习控制方法,提出和讨论了多中间点跟踪的数据驱动最优点到点迭代学习控制方法,和终端输出跟踪的数据驱动最优终端迭代学习控制方法.进一步,迭代学习控制研究中的关键问题,如随机迭代变化初始条件、迭代变化参考轨迹、输入输出约束、高阶学习控制律、计算复杂性等.本文突出强调了基于模型的和数据驱动的最优迭代学习控制方法各自的特点与区别联系,以方便读者理解.最后,本文提出数据驱动的迭代学习控制方法已成为越来越复杂间歇过程控制发展的未来方向,一些开放的具有挑战性的问题还有待于进一步研究.     

不确定线性系统鲁棒迭代学习控制器设计及应用

针对一类不确定线性系统提出鲁棒迭代学习控制器设计方法,且通过求解Riccati方程方法设计鲁棒迭代学习控制器,并基于Lyapunov理论推导出不确定线性系统收敛充要条件。该控制器具有阶次低,易于实现等特点。所提出的控制方案保证系统跟踪在有限的迭代步骤内达到较好的控制效果。最后以机器人为仿真对象,仿真结果表明该设计方法的有效性和可行性。     

基于AT89C2051的注塑机变频同步控制器设计

设计变频同步控制电路,实时检测注塑机的流量、压力以及工艺流程信号,在注塑机各加工工序切换点,超前动态调整变频器输出频率,从而控制变频器动态响应与注塑机工序动作相匹配,解决了工序切换产生的瞬间大电流冲击对变频器的硬件损伤,提高了注塑机的生产质量和效率。     

基于FCMAC的鲁棒自适应迭代学习控制算法

工业机器人在改变运动轨迹时往往伴随着系统噪声、干扰的引入以及自身的惯量参数发生变化,采用传统的迭代控制算法难以达到高精度、高速控制的要求.将自适应与鲁棒控制与迭代控制相结合,提高迭代算法的控制精度;给定任务发生改变时,引入模糊小脑关节控制器作为前馈控制,经历史控制经验训练后估算出变化后系统的期望估计输入,作为迭代控制器...