一类线性时变系统组合自适应迭代学习辨识

针对一类在有限时间区间上可重复运行的既含时变参数又含时不变参数的高阶线性时变系统,提出了一种模型参考组合自适应迭代学习参数辨识算法.应用Lyapunov方法,给出了时不变参数的时域自适应学习律和时变参数的迭代域自适应学习律,分析了参数估计和模型状态跟踪误差的有界性与收敛性.该算法适于时变和时不变参数并存的线性系统的参数辨识,可加快参数估计的收敛速度.仿真例子验证了所提出的辨识算法的有效性.     

宏观交通流模型参数的迭代学习辨识方法

利用宏观交通流行为的重复性特性, 将快速路宏观交通流模型转换为包含此模型的一般离散时间非线性系统模型, 然后针对此一般离散时间非线性系统模型设计了基于迭代学习的宏观交通流模型参数辨识算法. 严格的理论推导证明了这种参数辨识方案的收敛性和鲁棒性. 仿真结果验证了该算法的有效性.     

基于神经网络的机器人轨迹鲁棒跟踪控制

在神经网络辨识的基础上 ,提出一种新的鲁棒迭代学习控制方法。该方法利用神经网络对非线性系统进行在线辨识 ,产生迭代学习控制算法的前馈作用 ,并与实时反馈控制相结合 ,实现连续轨迹跟踪控制。仿真结果表明 ,该方法能克服机器人系统动力学模型的不确定性和外部干扰 ,且以极少的学习次数和网络训练次数达到满意的跟踪控制要求 ,具有良好的鲁棒性和控制性能     

一种基于参数辨识的迭代学习控制算法及应用

针对间歇过程中模型参数变化的问题,提出了一种基于遗忘因子最小二乘法辨识的迭代学习控制算法。迭代学习律的参数随模型参数变化而更新,利用遗忘因子大大减小参数变化时"错误"数据对算法的影响,使算法具有更强的自适应性。把这一算法应用于黄酒发酵过程,提高了发酵过程的优化控制效果。仿真结果表明当模型参数随着批次变化时,系统的跟踪性能得到了改进。     

非最小相位系统的基函数型自适应迭代学习控制

针对重复运行的未知非最小相位系统的轨迹跟踪问题, 结合时域稳定逆特点, 提出了一种新的基函数型自适应迭代学习控制(Basis function based adaptive iterative learning control, BFAILC)算法. 该算法在迭代控制过程中应用自适应迭代学习辨识算法估计基函数模型, 采用伪逆型学习律逼近系统的稳定逆, 保证了迭代学习控制的收敛性和鲁棒性. 以傅里叶基函数为例, 通过在非最小相位系统上的控制仿真, 验证了算法的有效性.     

基于状态聚类的非参数化近似广义策略迭代增强学习算法

为解决当前近似策略迭代增强学习算法普遍存在计算量大、基函数不能完全自动构建的问题,提出一种基于状态聚类的非参数化近似广义策略迭代增强学习算法(NPAGPI-SC).该算法利用二级随机采样过程采集样本,利用trial-and-error过程和以样本完全覆盖为目标的估计方法计算逼近器初始参数,利用delta规则和最近邻思想在学习过程中自适应地调整逼近器,利用贪心策略选择应执行的动作.一级倒立摆平衡控制的仿真实验结果验证了所提出算法的有效性和鲁棒性.     

基于强化迭代学习的四旋翼无人机轨迹控制

为进一步提升在未知环境下四旋翼无人机轨迹的跟踪精度,提出了一种在传统反馈控制架构上增加迭代学习前馈控制器的控制方法。针对迭代学习控制（ILC）中存在的学习参数整定困难的问题,提出了一种利用强化学习（RL）对迭代学习控制器的学习参数进行整定优化的方法。首先,利用RL对迭代学习控制器的学习参数进行优化,筛选出当前环境及任务下最优的学习参数以保证迭代学习控制器的控制效果最优;其次,利用迭代学习控制器的学习能力不断迭代优化前馈输入,直至实现完美跟踪;最后,在有随机噪声存在的仿真环境中把所提出的强化迭代学习控制（RL-ILC）算法与未经参数优化的ILC方法、滑模变结构控制（SMC）方法以及比例-积分-微分（PID）控制方法进行对比实验。实验结果表明,所提算法在经过2次迭代后,总误差缩减为初始误差的0.2%,实现了快速收敛;并且与SMC控制方法及PID控制方法相比,RL-ILC算法在算法收敛后不会受噪声影响产生轨迹波动。由此可见,所提算法能够有效提高无人机轨迹跟踪的准确性和鲁棒性。     

迭代学习控制与软测量技术在打浆过程中的应用

打浆过程机理复杂，影响因素众多，数学模型提取困难，导致控制系统的控制质量不易提高；将打浆度软测量模型和迭代学习控制算法相结合，并且适当利用成熟经验，采用比例积分型迭代学习规律，设计出可行的控制方案和算法流程，在迭代学习中不断校正学习参数，逐渐缩小软测量模型与真实过程间的误差，解决了由于模型不清晰导致的控制质量较差的问题；经仿真实验证明，该控制方案能有效提高控制系统的准确性和快速性，具有良好的控制效果。     

无奇异间接迭代学习控制及其在机器人运动模仿中的应用

针对相当广泛的一类非线性系统有限时间轨迹跟踪问题,提出了间接迭代学习方案. 采用最小二乘算法,根据重复跟踪历史辨识非线性系统的线性化模型.利用一个分段学习方案 可保证学习控制总在有效线性近似区域内进行.探讨了如何在学习过程中避免控制奇异问题, 提出了一种高效的参数修正方法,保证输入耦合矩阵的估计行列式不为零.本文将这一控制方 案应用于未知机器人及摄像机模型下的机器人运动模仿中,而不面临任何奇异问题.这是一个 采用摄像机替代传统程序编写的新的机器人编程方法.     

城市交通区域的迭代学习边界控制

已有的边界控制方法主要是基于模型的反馈控制算法,其实际应用效果受制于模型参数的标定和环境的影响.迭代学习控制以完全跟踪为目标,仅利用较少的模型信息就可以沿迭代轴实现对系统期望输出的完全跟踪.基于城市交通流的重复特性,提出一种城市交通区域的迭代学习边界控制方法,给出跟踪误差收敛性分析.以日本横滨区域为对象分别进行3种场景的仿真:早高峰、晚高峰和中心区域拥堵.仿真结果表明,迭代学习控制方法对于各种场景下的区域路网交通均能达到较为理想的控制效果.     

分域设计迭代学习控制器抑制非重复性扰动

为了抑制迭代方向上已知重复样式的非重复性输出扰动,提出了迭代学习控制(Iterative Learning Control,ILC)的分域算法。时间域内设计传统PID型迭代学习控制器,并且优化其参数;迭代域内利用内模原理抑制非重复性输出扰动,跟踪期望轨迹;利用加权思想将两者相结合,得到迭代学习控制器的分域设计算法。相对于已有算法,建立了针对一般扰动的设计框架,并且合理配置了算法的参数,使收敛速度及精度有所提高。仿真结果说明了该算法的有效性。     

基于向量图分析的一种迭代学习控制算法 及其鲁棒性

为了增强迭代学习控制的鲁棒性,加快学习过程的收敛速度,而又不过多地依赖于系统内部信息,本文基于向量图分析思路,利用输入空间的向量构造三角形修正结构,得到了一种新的迭代学习控制算法．该算法根据跟踪误差的大小,调节输入控制量在三角形的一条边上滑动,在跟踪误差较大时,算法能找到控制期望的大致位置并加速收敛,在跟踪误差较小时,能将控制量稳定在其期望的很小邻域内,理论上证明了该邻域直径大小为跟踪误差的二阶无穷小．数值仿真结果说明了它的有效性和优越性．     

Iterative learning control for integrated system of robot and machine tool

This study is concerned with the integrated system of a robot and a machine tool. The major task of robot is loading the workpiece to the machine tool for contour cutting. An iterative learning control (ILC) algorithm is proposed to improve the accuracy of the finished product. The proposed ILC is to modify the input command of the next machining cycle for both robot and machine tool to iteratively enhance the output accuracy of the robot and machine tool. The modified command is computed based on the current tracking/contour error. For the ILC of the robot, tracking error is considered as the control objective to reduce the tracking error of motion path, in particular, the error at the endpoint. Meanwhile, for the ILC of the machine tool, contour error is considered as the control objective to improve the contouring accuracy, which determines the quality of machining. In view of the complicated contour error model, the equivalent contour error instead of the actual contour error is taken as the control objective in this study. One challenge for the integrated system is that there exists an initial state error for the machine tool dynamics, violating the basic assumption of ILC. It will be shown in this study that the effects of initial state error can be significantly reduced by the ILC of the robot. The proposed ILC algorithm is verified experimentally on an integrated system of commercial robot and machine tool. The experimental results show that the proposed ILC can achieve more than 90% of reduction on both the RMS tracking error of the robot and the RMS contour error of the machine tool within six learning iterations. The results clearly validate the effectiveness of the proposed ILC for the integrated system.     

Parameter-optimal iterative learning control using polynomial representations of the inverse plant

Based on the observation that iterative learning control (ILC) can be based on the inverse plant but that the approach can be degraded by modelling errors, particularly at high frequencies, this article investigates the construction and properties of a multi-parameter parameter-optimal ILC algorithm that uses an approximate polynomial representation of the inverse with natural high-frequency attenuation. In its simplest form, the algorithm replicates the original work of Owens and Feng but, more generally, it is capable of producing significant improvements to the observed convergence rate. As the number of parameters increases, convergence rates approach that of the ideal plant inverse algorithm. Introducing compensation into the algorithm provides a formal link to previously published gradient and norm-optimal ILC algorithms and indicates that the polynomial approach can be regarded as approximations to those control laws. Simulation examples verify the theoretical performance predictions.     

受扰动2-D线性时变系统的迭代学习控制

利用2-D系统理论的Roesser模型,给出了受扰动的线性时变离散系统迭代学习控制(ILC)问题的一种解决方法.对系统所受的已知扰动,给出其学习律参数的选取范围以及仅经一次迭代就能实现输出完全跟踪期望轨迹的参数选取方法;对系统所受的未知扰动,首先对SISO系统提出其学习律存在的条件及参数选取方法,进而推广到MIMO系统中,提出MIMO系统学习律的参数选取方法.最后给出两个数值例子进一步说明所得结果的有效性.     

基于Jacobi方法的线性离散时间系统的迭代学习控制

提出线性离散时间系统基于Jacobi方法的迭代学习控制问题.通过构建线性迭代学习控制问题与线性方程组之间的联系,将Jacobi方法引入到迭代学习控制中,并由此构建得到迭代学习控制律.借助于矩阵运算,证明这种学习律能使得系统的输出跟踪误差经有限次迭代后为零.数值例子说明了算法的可适用性.     

提高迭代自学习控制算法收敛速度初探

从学习律、学习律参数、输出误差等三方面讨论了迭代自学习算法的收敛速度,为提高该算法的收剑速度得到了一些有用的结论。     

Iterative learning control for hyperbolic distributed parameter systems based on sensor–actuator networks

This paper proposes two kinds of iterative learning control (ILC) schemes for a class of the distributed parameter systems based on sensor–actuator networks which can be described by hyperbolic partial differential equations. A D-type ILC algorithm is first considered and the convergent condition of the output error is obtained via the contraction mapping methodology. Then, the PD-type ILC algorithm is considered in this hyperbolic distributed parameter systems based on sensor–actuator networks. Finally, a cable equation with air and structural damping is given to illustrate the effectiveness of the proposed methods.     

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。     

基于泰勒级数的迭代学习算法

针对存在不确定扰动的线性时变系统的轨迹跟踪控制问题,提出了基于泰勒级数的迭代学习算法．该算法利用泰勒级数将系统参数化,导出一种基于泰勒级数的线性时变系统的近似模型．在此模型的基础上,利用迭代学习方式修正输入量的泰勒展开系数,并用LMI方法求解学习增益矩阵．所提出算法在系统不满足正则性或无源性时,仍可用输出误差信号来构造学习律．仿真结果表明了该算法的有效性．