带有误差修正项的自适应学习控制

本文讨论了二阶系统在任意初态偏差下的自适应控制问题,借助学习控制及其初始修正的思想,提出了两种带有修正初态偏差功能的自适应控制策略:一阶吸引子控制器和零阶吸引子控制器.两种控制器都是将整个控制过程分成若干个等长时间的子过程,在每个子过程中控制算法都会进行误差校正和参数学习.其中,一阶吸引子控制器在每个子过程中同时修正所有状态偏差;而零阶吸引子控制器在每个子过程中先修正高阶状态偏差,再修正低阶状态偏差.并且两种控制器在控制过程中,都利用反正切函数对控制量进行连续化处理,解决了控制过程中的颤振问题.最后,通过计算机仿真验证了算法的有效性.     

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.     

带有初始误差修正的迭代学习控制

１　引言在利用迭代学习算法设计控制器时,为了保证算法的收敛性,常对系统的初态限定一定的条件,这就是所谓的初始条件问题．目前发表的文献大都要求迭代初态严格重复期望初态［１—５］．然而,实际的重复定位操作往往会引起迭代初态相对于期望初态的偏移．在很多情况下期望初态是未知的,而系统初态也是固定的．本文研究在迭代初态任意固定的情况下迭代学习控制问题,提出了带有初始误差修正的迭代学习算法,讨论了这种算法的收敛性,给出了算法的极限轨迹．２　主要结果考虑一类非线性系统ｘ（ｔ）＝ｆ（ｘ（ｔ））＋Ｂ（ｘ（ｔ））…     

机械臂带角度修正的开闭环迭代学习轨迹跟踪控制

在迭代学习控制研究中, 通常的一个假设是: 系统每次迭代初态与期望初态一致或迭代初态固定. 针对迭代学习控制律在迭代初态的限制下难以应用到机械臂轨迹跟踪控制中的问题, 本文对机械臂系统模型降阶变换, 将其转化为低阶系统. 对于变换设计后的机械臂系统模型, 提出一种带有角度修正的开闭环迭代学习控制算法, 该算法利用误差信号及相邻两次误差的偏差信号对系统控制律进行逐次修正, 与常规P型算法相比, 充分利用了系统已存的和当前的有效信息, 与常规PD型算法相比, 避免了由于微分作用而带来的不稳定影响. 同时, 用输出向量的角度关系作为评估控制输入好坏的标准对所设计的迭代学习律的变化趋势进行“奖-惩”, 从而实现了良好的跟踪效果并具有较快的收敛速度. 本文还针对机械臂系统存在关节转角限位的情况对控制算法进行改进, 以使机械臂在实际运作中真正实时地完成指定工作任务. 仿真结果表明了所提控制策略的有效性.     

反馈辅助PD型迭代学习控制:初值问题及修正策略

讨论迭代初态与期望初态存在固定偏移情形下 的迭代学习控制问题, 提出带有反馈辅助项的PD型迭代学习控制算法, 可实现系统输出对期望轨迹的渐近跟踪. 为了进一步实现输出轨迹在预定有限区间上对期望轨迹的完全跟踪, 提出分别带有初始修正作用和终态吸引的学习算法. 文中给出所提出的学习算法的极限轨迹, 并对学习算法进行收敛性分析, 推导出收敛性充分条件, 可用于学习增益的确定. 通过数值结果, 验证所提学习算法的有效性.     

加速抑制随机初态误差影响的迭代学习控制

针对一类具有不确定性的多输入多输出非线性系统,提出一种迭代学习控制算法.该算法具有的特点是:针对任意初态情形,结合开环 D型迭代学习控制器的优点,在时间轴上设计了一个随迭代次数增加而缩短的时间段.在该时间段上,控制算法对状态偏差进行修正,以使系统输出在此段时间后跟踪期望输出,且系统跟踪误差收敛到一个界内.这个界仅由系统自身不确定性和不确定的外界干扰决定,与初态误差无关.当外界扰动为0,以及迭代次数趋于无穷时,经过上述时间段后,系统输出精确跟踪期望输出.理论证明和仿真结果都说明了该算法的有效性.     

抑制初态误差影响的自适应迭代学习控制

针对一类参数化高阶不确定非线性连续系统, 设计迭代学习控制算法, 以解决随机初态对系统跟踪性能产生负面影响的问题. 结合滑模控制思想以及部分限幅参数学习律, 控制算法在预设时间段内抑制随机初态偏差对系统跟踪性能的影响. 经过预设时间后, 随着迭代次数的增加, 系统的跟踪误差及其各阶导数一致收敛到零. 且在整个运行时间段内, 系统各个变量一致有界. 此外, 本文回避了非参数化不确定非线性系统在放宽迭代初值假设时常使用的Lipschitz假设条件, 而采用类Lyapunov函数分析法设计迭代学习控制器. 理论证明和仿真结果都说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.

     

一类非线性时变系统的迭代学习控制

针对一类具有任意初态的不确定非线性时变系统,应用校正期望轨迹方法把任意初态问题转换为零初始误差的变期望轨迹的迭代学习控制问题,提出了求解校正期望轨迹的过渡轨迹的计算方法.然后,针对变期望轨迹问题提出了一种新的迭代学习控制算法,在算法中引入了期望轨迹的高阶导数来克服期望轨迹的变化,并通过设计稳定的跟踪误差滑动面来处理系统中非线性时变不确定性.论文给出了相关定理,并应用类Lyapunov方法给出了详细证明.仿真结果表明所提出的算法是有效的,该算法不需要系统的模型结构信息,比自适应迭代学习控制算法具有更宽的适用范围.     

绝热量子搜索算法中的纠缠与能量分析

为了进一步研究量子纠缠与量子计算速度及能量的关系,通过计算von Neumann纠缠熵,分析了时间复杂度分别为O(N )和O(1)的绝热量子搜索算法的量子纠缠度随时间的变化关系,并对两者进行了比较.实验结果表明,量子纠缠对绝热量子计算的运行时间具有明显的影响,较大的纠缠可以导致更短的运行时间,反之亦然.同时对纠缠与能量的关系给出了一般性解释,即注入能量导致系统的纠缠增大,并因此缩短算法的运行时间.此外还分析了纠缠与量子系统初态的关系.实验表明系统初态形式不同,其纠缠度也不一样.初态为等幅叠加态的算法涉及的纠缠度明显大于初态为非等幅叠加态的算法.     

注塑机注射速度的模型预测迭代学习控制

针对注射过程具有重复运行和非线性的特性,在对预测控制与迭代学习控制进行综合应用并加以改进的基础上,给出一种模型预测迭代学习复合控制新算法,研究了控制器的设计方案.同时,将迭代学习思想引入到预测步长的在线调整,提出了预测步长的迭代学习方法.仿真结果表明,该方法是有效的,其控制性能优于PID迭代学习控制系统.     

迭代学习控制系统的鲁棒收敛性分析(英)

本文提出一种开闭环配合的滤波器型选代学习控制算法，并将这种算法应用于一般非线性动态系统的轨迹跟踪．对于渐近重复初始条件和渐近周期干扰的情形，通过控制误差估计和输出误差估计，文中分别证明了学习过程的一致收敛性．证明中未采用线性化手段．     

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     

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.     

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.     

Repetitive control of Hamiltonian systems based on variational symmetry

This paper is concerned with repetitive control of Hamiltonian systems, which is based on iterative learning control utilizing the variational symmetry of those systems. Variational symmetry allows us to obtain an algorithm to solve a certain class of optimal control problems in a repetitive control framework. Therefore, the proposed method can deal with not only trajectory tracking control problems but also optimal trajectory generation problems, never before considered in a repetitive control framework. A convergence analysis of this algorithm is also discussed. Furthermore, some numerical simulations demonstrate the effectiveness of the proposed method.     

一类输出饱和系统的学习控制算法研究

传感器饱和是控制系统中较为常见的一种物理约束. 本文针对一类含饱和输出的受限系统, 提出了两种学习控制算法. 具体而言, 首先, 对于重复运行的被控系统, 设计了开环P型迭代学习控制器, 实现在有限时间区间内对期望轨迹的完全跟踪, 并在λ范数意义下分析了算法的收敛性, 给出了含饱和输出的迭代学习控制系统的收敛条件. 进而, 针对期望轨迹为周期信号的被控系统, 提出了闭环P型重复学习控制算法, 并分析了这类系统的收敛性条件. 最后, 通过一个仿真实例验证了本文所提算法的有效性.     

2-DOF并联机构动力学建模与迭代学习控制

针对一种直线电机驱动的2-DOF并联机构,结合直线电机的动力学特性,采用Lagrange方法对其进行动力学建模。考虑该机构重复性动作及其不确定性和非线性特点,提出一种自适应神经网络迭代学习控制方法。在该控制算法的作用下,系统输出能较好地跟踪给定输入。严格证明及仿真结果验证了该算法的有效性。     

周期时变系统的鲁棒自适应重复控制

针对周期时变系统,提出一种鲁棒自适应重复控制方法.该方法利用周期学习律估计周期时变参数,并结合鲁棒自适应方法处理非周期不确定性.与现有重复控制不同的是,在控制器设计中引入了新变量—周期数,利用周期系统的重复特性,使界的逼近误差随周期数的增加而逐渐减少,保证了系统的全局渐近稳定性.同时将该方法应用于一类非线性参数化系统,使系统在非参数化扰动的情形下,输出误差仍能收敛于0,倒立摆模型的仿真验证了此结果.该设计方法适用于消除神经网络逼近误差对重复控制系统的影响,理论证明了基于神经网络的鲁棒自适应重复控制系统中所有变量的有界性和输出误差的渐近收敛性,关于机械臂模型的仿真结果验证了受控系统具有良好的跟踪性能.