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。     

随机分布控制系统的自适应迭代学习控制

介绍输出概率密度函数（PDF）常规的迭代学习控制（ILC）的收敛条件,并利用此条件设计相应的迭代学习律。主要讨论如何解决输出PDF迭代学习控制（ILC）中的过迭代,收敛速度等问题。以离散输出概率密度函数（PDF）控制模型为基础,介绍了直接迭代学习控制算法收敛的必要条件,提出自适应的迭代学习参数调节方法和避免过迭代的迭代结束条件,这些措施能够保证输出PDF的迭代控制收敛且具有较快的收敛速度。仿真结果表明,输出PDF的自适应迭代学习控制具有较快的收敛速度,而学习终止条件能很好地避免过迭代。     

随机分布控制系统的自适应迭代学习控制

介绍输出概率密度函数(PDF)常规的迭代学习控制(ILC)的收敛条件,并利用此条件设计相应的迭代学习律.主要讨论如何解决输出PDF迭代学习控制(ILC)中的过迭代,收敛速度等问题.以离散输出概率密度函教(PDF)控制模型为基础,介绍了直接迭代学习控制算法收敛的必要条件,提出自适应的迭代学习参数调节方法和避免过迭代的迭代结束条件,这些措施能够保证输出PDF的迭代控制收敛且具有较快的收敛速度.仿真结果表明,输出PDF的自适应迭代学习控制具有较快的收敛速度,而学习终止条件能很好地避免过迭代.     

迭代学习控制理论进展与展望

从迭代学习控制算法、鲁棒性、收敛速度以及实际应用等方面,对迭代学习控制的最新进展作了较详尽的总结,论述了迭代学习控制的基本原理,讨论了迭代学习控制存在的问题及展望.     

可变学习增益的迭代学习控制律

基于迭代学习控制理论提出了一种可变学习增益的迭代学习律,在非线性系统中对期望轨迹进行跟踪,与学习增益不变的迭代学习控制相比较,收敛速度得到很大的提高;通过对其收敛性进行严格的数学证明,得到了迭代学习律收敛的充分条件;在单机无穷大系统中,将该控制律应用于同步发电机的励磁控制,仿真结果表明该控制律的有效性,改善了控制的动态特性,有利于提高电力系统稳定性.     

改进狼群算法的交通子区迭代学习边界控制方法

针对基于固定增益迭代学习的交通子区边界控制方法收敛速度慢、迭代次数过多及控制精度差的问题。提出了一种迭代学习结合改进狼群算法的交通子区边界控制方案。该方案首先根据宏观基本图理论建立交通子区路网的车辆平衡方程，设计出系统的迭代学习控制律。其次分析了迭代学习控制对宏观基本图的影响，引入自适应步长的狼群算法，该算法以上一批次的宏观基本图为模型，离线对迭代学习控制器的比例和微分增益系数进行寻优，再将最优结果代入下一控制周期迭代学习控制中，进而改善收敛速度与精度。最后，对该方案的收敛性提供了数学证明，而仿真实验结果也表明该算法相较于具有固定增益的迭代学习控制器，收敛速度得到提升，对系统期望轨迹也具有较好的跟踪精度，具有较强的可行性与有效性。     

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。     

基于经验数据库的迭代学习初始控制输入量的确定

分析了初始控制输入量对迭代学习控制稳定性和收敛速度的影响，提出充分利用系统以往的控制经验来确定迭代学习初始控制输入量的思想，并给出3类确定方法——线性加权法、拟合曲线法和智能化法，对机器人对象的仿真结果表明，恰当地选取初始控制输入量，可使系统以较小的误差对新任务进行跟踪，进而减少迭代次数，提高学习控制的收敛速度，增强对新环境、新任务的适应能力。     

迭代学习控制技术回顾与长期学习控制展望

本文首先回顾了迭代学习控制中初始状态漂移问题和单调收敛性分析的研究技术.其次,综述了高阶迭代学习控制机制及其收敛速度比较和有效性.再次,评述了重复运行大系统和变幅值大工业过程的迭代学习控制机理.最后,展望了长期学习控制的研究趋势等.     

迭代学习控制新进展

从学习算法、收敛性、鲁棒性、收敛速度、2-D模型以及实际应用等方面对迭代学习控制的最新进展作了比较详尽的总结, 最后讨论了迭代学习控制存在的问题及有前景的研究方向.     

基于遗传算法的模糊迭代学习控制算法

为了提高被控系统的控制精度及加快迭代域内的收敛速度,提出一种基于遗传算法的模糊PD型迭代学习控制算法。该算法通过模糊TSK模型设计迭代学习控制器,TSK模型中THEN部分的未知参数由遗传算法离线计算确定,进而产生合理的迭代学习律。针对被控系统,设计相应的迭代学习控制算法进行仿真分析,并与传统PD型迭代学习控制算法、模糊PID迭代学习控制算法相比较,进而将该算法用于双关节机械手进行仿真研究,仿真结果表明该算法的有效性。     

Ballistic learning control： formulation, analysis and convergence

In this paper, we formulate and explore the characteristics of iterative learning in ballistic control problems. The iterative learning control (ILC) theory provides a suitable framework for derivations and analysis of ballistic control under learning process. To overcome the obstacles caused by uncertain gradient and redundant control input, we incorporate extra trials into iterative learning. With the help of trial results, proper control and updating direction can be determined. Then, iterative learning can be applied to ballistic control problem. Several initial state learning algorithms are studied for initial speed control, force control, as well as combined speed and angle control. In the end, shooting angle learning in the basketball shot process is simulated to verify the effectiveness of iterative learning methods in ballistic control problems.     

基于互补滑模控制和迭代学习控制的永磁直线同步电动机速度控制

为满足永磁直线同步电动机(PMLSM)伺服系统高速度高精度的要求,抑制不确定性对系统性能的影响,提出一种互补滑模控制(CSMC)和迭代学习控制(ILC)相结合的控制方法.该方法结合了CSMC强鲁棒性的优点和ILC跟踪精度高的特点,以CSMC中积分滑模面为基础设计新型迭代学习律,既可利用ILC对系统未建模动态进行估计,抑制端部效应、齿槽效应和摩擦力等周期不确定性的影响,又可利用CSMC减小参数变化和外部扰动等非周期不确定性对系统的影响,从而提高控制器的收敛速度和收敛精度,保证系统具有较强的速度跟踪性能.实验结果表明,该方法有效地提高了系统的动态响应能力,改善了速度跟踪精度.     

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.     

拟合迭代学习数据的工业过程控制器

为进一步提高工业过程控制系统的跟踪能力, 实现稳、准、快等性能, 本文利用迭代学习算法产生的各类信息, 在控制器函数拟合的基础上, 设计了一种高精度跟踪的鲁棒控制器. 首先在频域对闭环迭代学习算法进行分析, 得出迭代学习控制器等同于级联控制器的结论, 进而采用一个低阶结构的控制器去拟合误差序列与控制序列,避免了难以物理实现的高阶控制器, 最后通过对一般的工业过程对象进行实验设计, 结果表明这种控制器在快速性、无超调及控制精度上具有很好的优势, 并且具有良好的抑制干扰能力.     

多步k最近邻初值寻优的气压模拟系统遗忘迭代学习控制

高速列车车内压力波动过大会对乘客舒适性造成影响,而气压模拟系统是一套通过对车内模拟气压跟踪控制,实现对乘客舒适性进行研究的装置.为解决系统历史运行数据利用率低以及存在迭代初始误差导致系统收敛速度慢的问题,采用k最近邻(kNN)算法,建立一种基于历史控制信息的最优初次控制信号提取方法,并根据迭代学习控制的基本原理,将最优控制初值输入到带遗忘因子的迭代学习控制器中,通过不断迭代来实现车内期望气压轨迹的跟踪控制,并和基于大数据的迭代学习控制以及传统PID迭代学习控制进行对比分析.仿真结果表明:基于多步kNN的遗忘迭代学习控制收敛速度更快、系统抖动程度更小、控制精度更高以及算法鲁棒性更好.     

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.     

基于CMAC网络的迭代学习初始控制策略

针对传统迭代学习控制在面临新的环境或控制任务时学习时间长、收敛速度慢的问题,首先引入迭代学习初始控制算法,并给出了算法收敛的充分必要条件;然后,利用小脑模型连接控制网络(CMAC)与反馈PID网络进行综合,在系统的历史控制经验基础上,估计系统的期望控制输入,作为迭代学习控制器的初始控制输入,再由开闭环P型迭代学习律逐步改善控制效果,从而避免了对初始控制输入量的盲目选择,使得系统的实际输出只需较少的迭代次数就能达到跟踪的精度要求。机器人系统的仿真结果表明了该算法的可行性与有效性。