高阶参数优化迭代学习控制算法

针对线性时不变离散系统的跟踪问题提出一种高阶参数优化迭代学习控制算法.该算法通过建立考虑了多次迭代误差影响的参数优化目标函数,求解得出优化后的时变学习增益参数.从理论上证明了:对于线性离散时不变系统,该算法在被控对象不满足正定性的松弛条件下仍可保证跟踪误差单调收敛于零.同时,采用之前多次迭代信息的高阶算法具有更好的收敛性和鲁棒性.最后利用一个仿真实例验证了算法的有效性.     

时滞非线性系统的采样迭代学习控制

针对一类输入时滞非线性系统, 提出了一种采样迭代学习控制算法, 该算法不含跟踪误差的微分信号, 给出了学习算法收敛的充分条件, 当不存在初始误差、不确定扰动时, 算法在采样点处能实现对期望输出信号的完全跟踪, 否则, 跟踪误差一致有界, 仿真结果表明了该算法的有效性.     

Lebesgue-?? 范数意义下对初态误差进行加速修正的迭代学习控制

针对一类多输入多输出线性时不变系统, 提出一种初态误差加速修正的PD-型迭代学习算法. 针对系统的任意初始状态, 在时间轴上设计一个随迭代次数增加而缩短的修正区间. 在该区间上, 控制算法对初始状态偏差进行修正; 修正区间外, 算法与无初始误差的学习律等同. 在Lebesgue-?? 范数度量跟踪误差意义下, 利用卷积的推 广Young 不等式证明了所提出学习控制律的收敛性. 数值仿真验证了该控制律的有效性.

     

时变非线性系统迭代学习控制遗忘因子算法

针对迭代学习P型控制算法对初始偏差和输出误差扰动的敏感性问题,研究了一种带有遗忘因子的时变非线性系统的迭代学习控制方法.在有扰动的情况下,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,通过有界学习增益和批次时变因子设计学习控制器,并基于算子理论给出了控制算法存在的充分必要条件及其收敛性分析,改善了系统的鲁棒性和动态特性.最后以注塑机的注射速度控制仿真验证了本文算法的有效性.     

迭代扩张状态观测器及其在迭代学习控制中的应用

针对一类迭代学习控制(ILC)系统的不确定项,根据时域中扩张状态观测器的思想,提出迭代域中线性迭代扩张状态观测器(LIESO),该线性迭代扩张状态观测器可以利用迭代过程的跟踪误差给出迭代学习控制系统的不确定项的显式估计。给出了基于该估计的迭代学习控制算法,并应用类Lyapunov方法证明其收敛性。仿真结果表明,所提出的迭代学习控制算法是有效的,应用迭代扩张状态观测器可以大幅度提高迭代学习效率。     

一类不确定性离散非线性重复过程的迭代学习容错控制

针对一类具有非线性和执行器故障的重复运行不确定离散系统,提出了一种迭代学习鲁棒容错控制算法.首先通过定义执行器故障系数矩阵,将迭代学习控制过程转化为等价形式的不确定性非线性重复过程模型,然后基于混合李亚普若夫函数方法讨论非线性重复过程在时间轴和批次轴两个维度上的稳定性,并以线性矩阵不等式形式给出鲁棒容错控制器存在的充分条件和设计方法,同时保证系统正常和执行器故障情形下系统的容错稳定性能.最后,单杆机械手系统的输出跟踪控制仿真结果验证了本文算法的有效性.     

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.     

输入约束不确定系统的点对点迭代学习控制与优化

为解决工业过程中机械臂等特殊重复运行系统的输出在有限时间内无需实现全轨迹跟踪,仅需跟踪期望轨迹上某些特殊关键点的控制问题,针对线性时不变离散系统提出一种基于范数最优的点对点迭代学习控制算法.通过输入输出时间序列矩阵模型变换构建综合性多目标点性能指标函数,求解二次型最优解得到优化迭代学习控制律,同时给出模型标称和不确定情形下最大奇异值形式鲁棒控制算法收敛的充分条件,并进一步推广得到输入约束系统优化控制算法的收敛性结果,最后在三轴龙门机器人模型上验证算法的有效性.     

非线性系统迭代学习算法

对于一个未知的非线性连续系统或离散系统,从任给的一个初始控制出发,尝试实现一条 给定的输出目标轨线.在满足一定条件下,利用跟踪误差来修正控制函数,经过反复的迭代学 习可以取得满意的效果.本文改进了Arimoto、Togai和Bien等的开环迭代学习的收敛条 件,并提出闭环迭代学习算法.理论与仿真结果证明了闭环算法在收敛条件、速度和抗干扰能 力上都优于开环算法.     

即时学习算法在非线性系统迭代学习控制中的应用

运用即时学习算法来解决一类非线性系统的迭代学习控制初值问题。对于任何类型的迭代学习控制算法，即时学习算法都能有效地估计初始控制量，减小了初始输出误差，加快了算法的收敛速度，使得经过有限次迭代后系统输出能严格跟踪理想信号。对机器人系统的仿真结果表明了该方法的有效性。     

An iterative learning control theory for a class of nonlinear dynamic systems

An iterative learning control scheme is presented for a class of nonlinear dynamic systems which includes holonomic systems as its subset. The control scheme is composed of two types of control methodology: a linear feedback mechanism and a feedforward learning strategy. At each iteration, the linear feedback provides stability of the system and keeps its state errors within uniform bounds. The iterative learning rule, on the other hand, tracks the entire span of a reference input over a sequence of iterations. The proposed learning control scheme takes into account the dominant system dynamics in its update algorithm in the form of scaled feedback errors. In contrast to many other learning control techniques, the proposed learning algorithm neither uses derivative terms of feedback errors nor assumes external input perturbations as a prerequisite. The convergence proof of the proposed learning scheme is given under minor conditions on the system parameters.     

参考轨迹更新的点到点迭代学习控制算法优化及应用

针对受非重复扰动作用的离散线性系统的输出跟踪控制问题,提出一种基于参考轨迹更新的点到点迭代学习控制算法.首先通过构建性能指标函数对控制器进行范数优化,并给出相应的收敛性条件,使得系统输出能够跟踪上更新后参考轨迹处的期望点.其次,当系统输出端受到某批次非重复扰动的影响时,进一步通过引入拉格朗日乘子算法构造多目标性能指标函数,以优化鲁棒迭代学习控制器,达到提高收敛速度和跟踪精度的目的.最后将该算法应用于电机驱动的单机械臂控制系统中,仿真结果验证了算法的合理性和有效性.     

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.     

Discrete-time adaptive iterative learning control with unknown control directions

An adaptive iterative learning control scheme is proposed for a class of discrete-time nonlinear systems with random initial conditions and iteration-varying desired trajectories. The discrete Nussbaum gain method is incorporated into the control design to tackle the problem associated with the lack of a priori knowledge of the control directions. The proposed control algorithm guarantees the boundedness of all the signals in the controlled system. The tracking error converges to zero asymptotically along the iterative learning axis. The effectiveness of the proposed control law is verified through numerical simulation.     

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.     

线性广义系统P型迭代学习控制离散频域收敛性

针对一类线性广义系统,研究其P型迭代学习控制在离散频域中的收敛性态。在离散频域中,对广义系统进行奇异值分解后,利用傅里叶级数系数的性质和离散的Parseval能量等式,推演了一阶P型迭代学习控制律跟踪误差的离散能量频谱的递归关系和特性,获得了学习控制律收敛的充分条件;讨论了二阶P型迭代学习控制律的收敛条件。仿真实验验证了理论的正确性和学习律的有效性。     

一类未知多变量非线性系统的动态神经网络自适应控制

对一类未知的非线性的多变量系统，提出了用动态神经网络实现直接自适应控制的策略，基于Ｌｙａｐｕｎｏｖ理论，获得一个稳定并且连续的学习律，避免了递归训练过程，闭环系统被证明是鲁棒稳定的，跟踪误差收敛到一个小的残集，这种方法的特点是即不需要离线学习阶段也不要求初始的参数误差足够小，仿真结果验证了提出的动态网络的自适应控制算法的有效性。     

基于二维系统的迭代学习事件触发鲁棒控制

本文研究了二维系统框架下,带有事件触发机制的不确定离散系统迭代学习鲁棒控制问题.首先为了减少迭代过程中控制信号的更新次数,构建了一种沿迭代轴的事件触发机制,并提出了基于事件触发机制的迭代学习控制算法.基于二维系统理论,将迭代学习过程转化为等价二维Roesser系统.构造李雅普诺夫函数,结合线性矩阵不等式(LMI)技术,给出了系统渐近稳定的充分条件,进一步得到了控制器增益的求取方法.最后仿真结果验证了提出的事件触发机制的有效性.     

Adaptation of the relaxation method for learning in bidirectionalassociative memory

An iterative learning algorithm called PRLAB is described for the discrete bidirectional associative memory (BAM). Guaranteed recall of all training pairs is ensured by PRLAB. The proposed algorithm is significant in many ways. Unlike many existing iterative learning algorithms, PRLAB is not based on the gradient descent technique. It is a novel adaptation from the well-known relaxation method for solving a system of linear inequalities. The algorithm is very fast. Learning 200 random patterns in a 200-200 BAM takes only 20 epochs on the average. PRLAB is highly insensitive to learning parameters and the initial configuration of a BAM. It also offers high scalability for large applications by providing the same high performance when the number of training patterns are increased in proportion to the size of the BAM. An extensive performance analysis of the new learning algorithm is included.