时滞非线性系统的采样迭代学习控制

针对一类输入时滞非线性系统, 提出了一种采样迭代学习控制算法, 该算法不含跟踪误差的微分信号, 给出了学习算法收敛的充分条件, 当不存在初始误差、不确定扰动时, 算法在采样点处能实现对期望输出信号的完全跟踪, 否则, 跟踪误差一致有界, 仿真结果表明了该算法的有效性.     

分数阶线性时滞切换系统PDα型迭代学习控制

针对一类具有任意切换规则的分数阶线性时滞切换系统,利用λ范数研究了 PDα型分数阶迭代学习控制算法(FOILC)的收敛性,分析了在其控制下系统的跟踪性能,并对算法收敛的充分条件进行了严格的数学证明.理论分析表明,对于有限时间域内可任意切换的分数阶线性时滞切换系统,如果选取适当的学习增益矩阵和系统参数矩阵,随着迭代次数的...     

初态学习下的迭代学习控制

提出一种新的初态学习律,以放宽常规迭代学习控制方法的初始定位条件．它允许一定的定位误差,在迭代中不需要定位在某一具体位置上,使得学习控制系统具有鲁棒收敛性．针对二阶LTI系统,给出了输入学习律及初态学习律的收敛性充分条件．依据收敛性条件,学习增益的选取需系统矩阵的估计值,但在一定建模误差下,仍能保证算法的收敛性．所提出的初态学习律本身及其收敛性条件均与输入矩阵无关．     

时滞系统采样迭代学习控制

针对一类具有状态时滞的连续系统提出一种采样迭代学习控制算法。给出并证明了算法指数收敛的充分条件,该条件可保证系统输出无论在采样点或非采样点上,都能以指数收敛速率收敛至期望输出的一个与采样周期有关的误差范围内。仿真结果表明了该算法的有效性。     

线性时滞不确定系统的稳定性分析*

讨论了带有拓扑型结构不确定性的线性时滞系统,利用Ｌｙａｐｕｎｏｖ函数和矩阵的高斯分解,给出使其渐近稳定的充分条件,并且通过实全有了所给条件的 守性比用：秩１分解”方法处理时小。     

带控制时滞广义系统的PID型迭代学习算法

研究了一类线性时滞广义系统的迭代学习控制问题.针对广义系统的特点,引入选代学习控制方法,给出了线性时滞广义系统的PID型选代学习算法.结合矩阵广义逆理论,利用λ范数和Bellman引理,并从理论上给出了算法收敛性的完整证明.研究结果表明,只要充分利用广义系统的特点,寻找合适的收敛性分析方法,便可解决控制时滞广义系统的收敛性问题,对时滞广义系统速代学习控制问题的研究具有重要的理论意义与应用价值.     

非线性系统闭环P型迭代学习控制的收敛性

本文得到并证明了当被控系统的状态方程为一类非线性方程时，采用闭环Ｐ型学习律迭代学习控制的收敛的充分条件和必要条件，最后，我们给出了典型的仿真结果。     

线性时变不确定时滞系统的鲁棒H∞ 控制

本文主要研究了状态和控制同时存在滞后的线性时变不确定时滞系统的鲁棒H∞控制．问题，给出了对所有容许不确定性，被控对象可二次镇定和满足从于扰输入到控制输出的H∞范数界约束的无记忆状态反馈鲁棒H∞控制分析结果，得到了确保鲁棒H∞控制器存在的充分条件．文中进一步把不确定系统的鲁棒H∞控制器设计问题等价为线性时不变系统的状态反馈标准H∞控制问题，并由此得到鲁棒H∞控制器综合设计方法．     

参数不确定时滞系统的鲁棒P ID 控制

提出一种简单而有效的参数不确定时滞系统鲁棒PID控制器设计方法．通过在kp-ki平面上绘制稳定边界线,确定稳定的PID控制器参数区域;推导了一阶不稳定时滞系统PI控制器和PID控制器的存在性条件;基于推广到时滞系统的棱边定理,确定所有鲁棒PID控制器参数集．仿真实例表明了该方法的优越性．     

改进的时不变系统PD型迭代学习控制算法

针对时不变线性系统的迭代学习控制问题,提出了一种改进的时不变系统的PD型迭代学习控制算法,理论证明了系统满足收敛条件时的改进算法是收敛的。仿真实例分析表明,改进的算法利用最新算出的控制分量代替旧的控制分量,使系统的实际输出以更快的收敛速度逼近系统的理想输出。     

非线性系统的PD型迭代学习控制

非线性系统的ＰＤ型迭代学习控制孙明轩黄宝健张学智（西安工业学院电子系西安７１００３２）关键词初始条件问题,迭代学习控制,非线性系统．１）国家自然科学基金资助项目．收稿日期１９９６－０７－２５１引言运用迭代学习控制技术设计控制器时,只需要通过重复操作获...     

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.     

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．     

迭代学习控制系统的误差跟踪设计方法

提出能够实现期望误差轨迹完全跟踪的迭代学习控制系统设计方法, 旨在放宽常规迭代学习控制方法的初始定位条件, 在每次迭代时允许初值定位在任意位置. 这种方法对于预先给定的期望误差轨迹, 经迭代学习, 使得实际跟踪误差收敛于预定的误差轨迹, 这样, 预设的误差轨迹即最终形成的误差轨迹. 针对常参数、时变参数以及复合参数三种情形, 分别采用类Lyapunov方法设计迭代学习控制系统. 所设计的未含/含限幅作用的参数学习律, 能够使得跟踪误差轨迹在整个作业区间上与预定轨迹完全吻合, 并保证系统中所有信号的有界性. 给出的仿真结果表明所提方法的有效性.     

非线性系统在任意初值下的PID型迭代学习控制

针对一类在有限时间区间上重复运行的非线性系统,给出了一种可以解决迭代学习控制中任意初值问题的PID型迭代学习算法及其收敛条件。采用算子理论证明了该算法的收敛性,结果表明该算法不仅有效解决了迭代学习控制的初值问题,而且放宽了收敛条件。仿真分析及与PD型迭代学习控制算法的仿真结果的对比证明,非线性系统在任意初值条件下经过PID型迭代学习后跟踪精度显著提高,输出误差曲线更快速趋于零,表明了该算法的有效性。     

一类广义系统的迭代学习控制

在对广义系统进行标准分解的基础上, 研究了含脉冲快子系统的迭代学习控制问题. 通过 Frobenius 范数给出了快子系统在 P 型学习律作用下收敛的充分性条件, 同时通过梯度法给出求解增益矩阵的方法. 其次, 讨论了单输入单输出不确定广义系统的迭代学习控制问题, 通过优化方法给出该系统在 P 型学习律作用下, 系统实际输出尽可能快地收敛到理想输出的增益矩阵的选择方法.     

非线性离散时间系统迭代学习控制的稳定性分析

讨论了初始偏移对于非线性离散时间系统迭代学习控制性能的影响.提出描述选择学习控制算法的学习律,并给出保证系统稳定性的充分条件.     

Analysis of Nonlinear Discrete-Time Systems with Higher-Order Iterative Learning Control

In this paper, an iterative learning control method is proposed for a class of nonlinear discrete-time systems with well-defined relative degree, which uses the output data from several previous operation cycles to enhance tracking performance. A new analysis approach is developed, by which the iterative learning control is shown to guarantee the convergence of the output trajectory to the desired one within bound and the bound is proportional to the bound on resetting errors. It is further proved effective to overcome initial shifts and the resultant output trajectory can be assessed as iteration increases. Numerical simulation is carried out to verify the theoretical results and exhibits that the proposed updating law possesses good transient behavior of learning process so that the convergence speed is improved.     

一类具有时滞的不确定双线性系统的Robust镇定

本文给出了一类既有结构摄动又有状态时滞的双线性系统的Robust镇定的充分条件。基于矩阵测度的概念,本文将高维系统的渐近Robust稳定性问题转化为一维情形,以使本文的主要问题易于处理。在证明主要定理时,本文采用了比较原理及离散化、归纳法等技巧。最后我们还给出了数值算例以示控制器的设计。