工业过程稳态优化进程中的噪声平滑型迭代学习控制

针对具有噪声的工业过程稳态优化进程，提出迭代学习控制以期改善控制系统的动态品质，建立了基本的加权噪声平滑型迭代学习控制算法结构。利用频域时域相结合的方法分析和论证了算法的收敛性，给出噪声平滑参数的确定策略，数字仿真表明，平滑型迭代学习控制算法能有效消除噪声对系统输出信号的影响，显著改善工业过程稳态优化进程中控制系统的动态品质。     

非线性工业过程控制系统的迭代学习控制与收敛性分析

基于工业过程稳态优化中递阶控制结构和线性工业过程控制系统中的迭代学习控制规律, 本文对饱和非线性工业过程控制系统和变增益非线性工业过程控制系统施行迭代学习控制, 分别给出加权PD 型闭环迭代学习控制算法和加权幂型开闭环迭代学习控制算法, 提出了期望目标轨线的 δ 可达性和迭代学习算法的ε 收敛性的概念. 利用Bellman Gronwall不等式和λ 范数理论, 论证了算法的收敛性. 数字仿真表明, 迭代学习控制能有效改善非线性工业控制系统在稳态优化时的动态品质.     

具有滞后的饱和非线性工业控制系统的迭代学习控制

基于稳态优化中递阶控制结构,对具有滞后的非平滑饱和非线性工业控制系统施行迭 代学习控制,提出了期望目标轨线δ-可达以及迭代学习算法的ε-收敛的慨念,给出了加权超前 PD-型开环迭代学习算法,对算法的收敛性进行论证.数字仿真证明了算法的有效性,并表明对 工业控制系统的动态品质有显著改进.     

工业过程抗非重复性干扰改进的迭代学习控制

对于实际工业过程系统中存在的非重复性干扰,传统的PD型迭代学习控制不能很好地加以抑制.为此,提出加权PD型指数变增益加速闭环迭代学习控制算法.通过采集非重复性扰动信号,将其转化为设定值阶跃变化的序列,并采用改进的加权PD型指数变增益闭环算法,消除非重复性干扰,从而获得更为理想的系统输出,使控制系统的动态性能得到改善.算法研究表明,当迭代次数趋于无穷时,跟踪误差一致收敛到零.系统仿真验证了所提控制算法的有效性.     

电动伺服舵机系统中的迭代学习控制

电动伺服舵机控制系统采用全数字三环控制策略,分别为位置环、速度环和电流环;作为内环的电流环,应具有良好的稳态和动态特性,其输出电流要求快速准确地跟踪给定电流,以保证舵机控制系统高性能位置伺服的要求;在传统的增量式积分分离PI控制算法的基础上,引入-D型迭代学习控制前馈环节,提高了电流跟踪的快速性和跟踪精度,建立了系统的数学模型并在MATLAB上进行了系统仿真;仿真结果表明,引入D型迭代学习控制后,电流环的稳态和动态特性良好,保证了输出电流跟踪的快速性、精确性.     

纯滞后工业过程稳态优化中的迭代学习控制

论述纯滞后工业过程稳态优化中的迭代学习控制,给出了学习算法并对其收敛性进行分析。仿真结果表明,该控制方法对抑制超调,加快稳态优化中的动态响应是有效的。     

积分分离PID算法的电阻炉温度控制系统

为使大惯性、纯滞后的电阻炉温度控制系统的动态性能和稳态精度满足要求,提出了Smith预估结合积分分离PID算法;设计了温度控制器的硬件系统;对控制系统进行辨识;分析了Smith预估结合积分分离PID算法与单纯Smith预估控制算法的区别,并对两种控制算法进行了比较分析,确定了电阻炉温度控制系统参数;最后对Smith预估结合积分分离PID算法进行了电阻炉的温度控制实验;实验结果表明,采用Smith预估结合积分分离PID算法提高了电阻炉温度控制系统的稳定性,降低了系统的超调,稳态精度达到0.2℃,其动态性能和稳态精度满足系统控制要求.     

基于新型组合积分控制器的积分过程先进控制

针对工业生产过程中常见的积分加纯滞后的过程对象,提出了一类双闭环控制器：内环和外环均使用组合积分控制器。内环用于系统的稳定,外环消除输入干扰的影响和改善控制系统的动态性能。这种控制器结构简单,仅有两个可调参数,且参数整定方便、直观。仿真结果表明：对于积分加纯滞后对象,在模型失配和干扰存在的情况下,该控制算法仍然能够保持稳定的被控输出,具有良好的鲁棒稳定性和动态调节品质,同时对时间常数较大的一阶加纯滞后系统也有着良好的控制效果。     

具有迭代初始误差的高相对度线性离散系统的迭代学习控制

本文针对具有迭代初始误差的高相对度线性多变量离散系统,提出了一种P型的迭代学习控制算法.通过将迭代学习控制系统的二维运动过程描述为一维的线性离散系统,证明了该迭代学习控制算法的收敛性及其收敛的充要条件.该迭代学习控制算法通过对系统前次重复运动过程中的输入和跟踪误差信号进行学习,来不断地调整输入量,使得系统在经过一定次数的学习以后,在初始时间点以外的实际输出趋于期望输出.数值仿真结果表明了所提出算法的有效性.     

一种新的多变量自校正控制算法及其应用

本文提出了一种新的多变量自校正控制算法,该算法采用了本文提出的校正二次性能指标中加权阵和不加积分作用消除稳态误差的新方法,并使加权阵的校正同控制器参数的辨识分开,不仅使算法简单而且获得良好的控制性能。在双输入双输出电加热炉上,采用本算法同 Koivo 的自校正控制算法进行了对比实验,实时控制结果表明本控制算法具有更好的性能。     

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.

     

非凸稳态优化控制新方法——双迭代法

本文针对带有输出关联不等式约束的非凸稳态优化控制问题，提出了一种新的双迭代算法，虎法具有全局单调收敛性，应用条件较弱。最后的仿真结果也说明了该算法的有效性。     

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。     

Gradient‐based back‐propagation dynamical iterative learning scheme for the neuro‐fuzzy inference system

In this paper, a gradient‐based back propagation dynamical iterative learning algorithm is proposed for structure optimization and parameter tuning of the neuro‐fuzzy system. Premise and consequent parameters of the neuro‐fuzzy model are initialized randomly and then tuned by the proposed iterative algorithm. The learning algorithm is based on the first order partial derivative of the output with respect to the structure parameters. The first order derivative of the model output with respect to the structure parameters determines the sensitivity of the model to structure parameters. The sensitivity values are then used to set the tuning factors and parameters updating step sizes. Therefore, an adaptive dynamical iterative scheme is achieved which adapts the learning procedure to the current state of the performance during the optimization process. Larger tuning step sizes make the convergence speed higher and vice versa. In this regard, this parameter is treated according to the calculated sensitivity of the model to the parameter. The proposed learning algorithm is compared with the least square back propagation method, genetic algorithm and chaotic genetic algorithm in the neuro‐fuzzy model structure optimization. Smaller mean square error and shorter learning time are sought in this paper, and the performance of the proposed learning algorithm is versified regarding these criteria.     

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.     

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。     

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.     

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.