未知时变时滞非线性参数化系统自适应迭代学习控制

针对含有未知时变参数和时变时滞的非线性参数化系统,提出了一种新的自适应迭代学习控制方法.该方法将参数分离技术与信号置换思想相结合,可以处理含有时变参数和时滞相关不确定性的非线性系统.设计了一种自适应控制策略,使跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造Lyapunov-Krasovskii型复合能量函数,给出了闭环系统收敛的一个充分条件.给出两个仿真例子验证了控制方法的有效性.     

非线性参数化系统自适应迭代学习控制

研究一类含有未知时变参数的非线性参数化系统的学习控制问题.利用参数分离技术和信号置换思想,通过置换系统方程,合并所有时变参数为一个未知时变参数,用迭代自适应方法估计该未知参数,设计了一种自适应迭代学习控制方法,使得跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造一个类Lyapunov函数,给出了跟踪误差收敛和所有闭环系统信号有界的一个充分条件.仿真结果验证了该方法的有效性.     

时变参数化非线性系统自适应迭代学习控制器设计

针对一类时变参数化非线性系统的控制问题进行深入研究,提出一种新的迭代神经网络估计器,并证明了其逼近引理,实现了对时变不确定性的逼近.在用迭代神经网络对时变不确定性进行估计的同时,以Lyapunov稳定性理论为基础,综合运用Backstepping和自适应控制技术,设计了自适应迭代学习控制器,并进行了稳定性分析,得到了稳定性定理,解决了这类时变非线性系统的控制问题.最后的仿真实验验证了所提出设计方法的正确性.     

控制方向未知的二阶时变非线性系统自适应迭代学习控制

对一类二阶严格反馈时变非线性系统的自适应迭代学习控制问题进行了研究.系统中含有非周期时变参数化不确定性且控制方向未知.首先,提出了一种神经网络估计器,实现了对未知非周期时变非线性函数的逼近.随后,用Nussbaum函数对未知控制方向进行了自适应估计,并综合应用baCkstcpping技术和自适应迭代学习控制技术设计了控制器.所设计的控制器能保证系统所有状态量在Lpe-范数意义下有界,且系统的输出量在LT2-范数意义下收敛到期望轨迹.最后的仿真研究证明了控制器设计方法的有效性.     

一类不确定系统的自适应滑模迭代学习控制

本文针对一类在有限时间内执行重复任务的不确定非线性系统状态跟踪问题,提出一种自适应滑模迭代学习控制方法,在存在初始偏移的情况下也能实现对参考轨迹的完全收敛.本文通过设计全饱和自适应迭代学习更新律,估计参数和非参数不确定性以及未知期望控制输入,并将估计值限制在指定界内,避免估计值的正向累加.文章设计的自适应滑模迭代学习控制方法对系统模型的信息需求少,在对系统非参数不确定性的上界估计时不需要Lipschitz界函数已知.本文给出严格的理论分析,证明闭环系统所有信号的一致有界性以及跟踪误差的一致收敛性,并通过仿真验证所提控制方法的有效性.     

快速路入口匝道的非参数自适应迭代学习控制

基于快速路交通系统重复性和周期性的特征, 引入“拟伪偏导数”概念, 给出了宏观交通流模型沿迭代轴的非参数动态线性化形式. 进一步, 提出了快速路入口匝道的非参数自适应迭代学习控制(NP-AILC)方案. 该控制方法本质上是无模型的, 并且学习增益可迭代调节. 收敛性分析表明当系统初始状态随迭代次数随机变化时, 该方法可实现几乎完全跟踪性能. 仿真结果进一步验证了方法的有效性.     

具有扰动的非线性系统高阶迭代学习控制

迭代学习控制(ILC)利用系统的重复性不断改进控制性能.本文讨论一类具有扰动的非线性、时变系统高阶迭代学习控制算法及其迭代学习收敛的充分条件,并与D型迭代学习算法相比,讨论典型PD高阶ILC算法的收敛速度.仿真结果证实高阶ILC算法具有更快的收敛速度,并且当系统满足收敛条件、不确定项及输出扰动项有界时迭代学习收敛.     

非参数不确定系统的有限时间迭代学习控制

针对任意初态情形,引入初始修正作用,研究一类非参数不确定时变系统能够达到实际完全跟踪性能的迭代学习控制方法. 采用Lyapunov-like综合,设计迭代学习控制器处理不确定性时变系统非参数化问题,其中含有有限时间控制作用,以实现在预先指定区间上的零误差跟踪. 并且,运用完全限幅学习机制,保证闭环系统中各变量的一致有界性以及跟踪误差的一致收敛性. 仿真结果表明了所提出控制方法的有效性.     

非参数不确定系统约束迭代学习控制

讨论一类非参数不确定系统的约束迭代学习控制问题.构造二次分式型障碍李雅普诺夫函数(Barrier Lyapunov functions),用于学习控制器设计.控制方案采用鲁棒方法与学习机制相结合的手段处理非参数不确定性,鲁棒方法对处理后的不确定性的界予以补偿,学习机制对处理后的不确定性进行估计.可实现系统状态在整个作业区间上完全跟踪参考轨迹,并使得系统误差的二次型在迭代过程中囿于预设的界内,进而在运行过程中实现状态约束.提出的迭代学习算法包括部分限幅与完全限幅学习算法.采用这种BLF约束控制系统有利于提高控制系统中设备安全性.仿真结果用于验证所提出控制方法的有效性.     

任意初值非线性不确定系统的迭代学习控制

为解决任意初态下的轨迹跟踪问题, 针对一类含参数和非参数不确定性的非线性系统, 提出基于滤波误差初始修正的自适应迭代学习控制方法. 利用修正滤波误差信号设计学习控制器, 并以Lyapunov方法进行收敛性能分析. 依据类Lipschitz条件处理非参数不确定性, 对于处理过程中出现的未知时变参数向量, 利用自适应迭代学习机制进行估计. 经过足够多次迭代后, 藉由修正滤波误差在整个作业区间收敛于零, 实现滤波误差本身在预设的作业区间也收敛于零. 仿真结果表明了本文所提控制方法的有效性.     

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.     

Observer-based Iterative and Repetitive Learning Control for a Class of Nonlinear Systems

In this paper, both output-feedback iterative learning control (ILC) and repetitive learning control (RLC) schemes are proposed for trajectory tracking of nonlinear systems with state-dependent time-varying uncertainties. An iterative learning controller, together with a state observer and a fully-saturated learning mechanism, through Lyapunov-like synthesis, is designed to deal with time-varying parametric uncertainties. The estimations for outputs, instead of system outputs themselves, are applied to form the error equation, which helps to establish convergence of the system outputs to the desired ones. This method is then extended to repetitive learning controller design. The boundedness of all the signals in the closed-loop is guaranteed and asymptotic convergence of both the state estimation error and the tracking error is established in both cases of ILC and RLC. Numerical results are presented to verify the effectiveness of the proposed methods.      

Adaptive Iterative Learning Control of Non-uniform Trajectory Tracking for Strict Feedback Nonlinear Time-varying Systems

In this paper, an iterative learning control strategy is presented for a class of nonlinear time-varying systems, the timevarying parameters are expanded into Fourier series with bounded remainder term. The backstepping design technique is used to deal with system dynamics with non-global Lipschitz nonlinearities and the approach proposed in this paper solves the non-uniform trajectory tracking problem. Based on the Lyapunov-like synthesis, the proposed method shows that all signals in the closed-loop system remain bounded over a pre-specified time interval [0, T ]. And perfect non-uniform trajectory tracking of the system output is completed. A typical series is introduced in order to deal with the unknown bound of remainder term. Finally, a simulation example shows the feasibility and effectiveness of the approach.     

Robust Optimization-Based Iterative Learning Control for Nonlinear Systems With Nonrepetitive Uncertainties

This paper aims to solve the robust iterative learning control(ILC)problems for nonlinear time-varying systems in the presence of nonrepetitive uncertainties.A new optimization-based method is proposed to design and analyze adaptive ILC,for which robust convergence analysis via a contraction mapping approach is realized by leveraging properties of substochastic matrices.It is shown that robust tracking tasks can be realized for optimization-based adaptive ILC,where the boundedness of system trajectories and estimated parameters can be ensured,regardless of unknown time-varying nonlinearities and nonrepetitive uncertainties.Two simulation tests,especially implemented for an injection molding process,demonstrate the effectiveness of our robust optimization-based ILC results.     

Iterative Learning Control for Discrete-time Stochastic Systems with Quantized Information

An iterative learning control (ILC) algorithm using quantized error information is given in this paper for both linear and nonlinear discrete-time systems with stochastic noises. A logarithmic quantizer is used to guarantee an adaptive improvement in tracking performance. A decreasing learning gain is introduced into the algorithm to suppress the effects of stochastic noises and quantization errors. The input sequence is proved to converge strictly to the optimal input under the given index. Illustrative simulations are given to verify the theoretical analysis.      

Adaptive ILC for a class of discrete-time systems with iteration-varying trajectory and random initial condition

In this work we present a discrete-time adaptive iterative learning control (AILC) scheme to deal with systems with time-varying parametric uncertainties. Using the analogy between the discrete-time axis and the iterative learning axis, the new adaptive ILC can incorporate a Recursive Least Squares (RLS) algorithm, hence the learning gain can be tuned iteratively along the learning axis and pointwisely along the time axis. When the initial states are random and the reference trajectory is iteration-varying, the new AILC can achieve the pointwise convergence over a finite time interval asymptotically along the iterative learning axis.     

一类线性离散切换系统的迭代学习控制

考虑具有任意切换序列线性离散切换系统的迭代学习控制问题. 假设切换系统在有限时间区间内重复运行, P型ILC算法可实现该类系统在整个时间区间内的完全跟踪控制. 采用超向量方法给出了算法在迭代域内收敛的条件, 并在理论上分析了的收敛性. 仿真示例验证了理论的结果.     

一类不确定离散非线性时滞系统保性能控制

针对状态不完全可测的一类不确定连续离散时间非线性系统,基于状态观测器研究其保性能控制问题。采用T-S模型对非线性系统进行建模,根据李雅普诺夫稳定性理论,基于线性矩阵不等式(LMI),利用分散化并行分布补偿(PDC)的方法设计了基于观测器的控制器,给出了实现该非线性系统保性能控制的充分条件。在此基础上通过求解相应的线性矩阵不等式组给出了控制器和观测器的设计方法,并通过数值仿真验证了提出的方法,仿真结果表明该方法是正确的。     

非线性不确定系统准最优学习控制

针对不确定非线性系统, 提出准最优学习控制方法, 解决参数与非参数不确定特性同时存在情形下的轨迹跟踪问题. 给出迭代学习与重复学习两种控制策略, 根据Sontag公式解决标称系统的优化控制, 并以鲁棒学习手段处理参数与非参数不确定特性. 提出断续函数连续化方案, 以避免传统Sontag公式在实现时可能存在的颤振问题. 分析证明经过足够多次迭代或足够多个周期的重复运行后, 闭环系统可实现系统状态以预设精度跟踪参考信号. 仿真结果表明所设计学习系统在收敛速度 方面快于非优化设计.