高阶无模型自适应迭代学习控制

针对一类非线性非仿射离散时间系统,提出了高阶无模型自适应迭代学习控制方案.控制器的设计和分析仅依赖于系统的输入/输出(I/O)数据,不需要已知任何其他知识.该方法采用了高阶学习律,可利用更多以前重复过程中的控制信息提高系统收敛性,且学习增益可通过"拟伪偏导数"更新律迭代调节.仿真结果验证了所提出算法的有效性.     

轮式移动机器人的数据驱动轨迹跟踪滑模约束控制

针对有输入饱和约束的轮式移动机器人(WMR)的轨迹跟踪问题,提出一种抗饱和无模型自适应积分终端滑模控制方案.该方案基于紧格式动态线性化技术,构建WMR系统的在线数据驱动模型.在积分终端滑模控制器设计过程中,引入动态抗饱和补偿器,以解决WMR系统轨迹跟踪过程中执行器饱和问题.控制器设计仅利用控制系统的输入输出数据,与WMR系统模型信息无关.因此,针对不同类型的WMR系统,该方案均可实现.最后,通过仿真实验将所提出的方法与PID方法的控制效果进行对比,仿真结果表明,所提出的控制算法的跟踪误差更小且响应速度更快.     

间歇过程最优迭代学习控制的发展:从基于模型到数据驱动

本文综述了间歇过程的基于模型的和数据驱动的最优迭代学习控制方法.基于模型的最优迭代学习控制方法需要已知被控对象精确的线性模型,其研究较为成熟和完善,有着系统的设计方法和分析工具.数据驱动的最优迭代学习控制系统设计和分析的关键是非线性重复系统的迭代动态线性化.本文简要综述了基于模型的最优迭代学习控制的研究进展,详细回顾了数据驱动的迭代动态线性化方法,包括其详细的推导过程和突出的特点.回顾和讨论了广义的数据驱动最优迭代学习控制方法,包括完整轨迹跟踪的数据驱动最优迭代学习控制方法,提出和讨论了多中间点跟踪的数据驱动最优点到点迭代学习控制方法,和终端输出跟踪的数据驱动最优终端迭代学习控制方法.进一步,迭代学习控制研究中的关键问题,如随机迭代变化初始条件、迭代变化参考轨迹、输入输出约束、高阶学习控制律、计算复杂性等.本文突出强调了基于模型的和数据驱动的最优迭代学习控制方法各自的特点与区别联系,以方便读者理解.最后,本文提出数据驱动的迭代学习控制方法已成为越来越复杂间歇过程控制发展的未来方向,一些开放的具有挑战性的问题还有待于进一步研究.     

基于迭代扩张状态观测器的数据驱动最优迭代学习控制

针对一类带扰动有限时间内重复运行的离散时间非线性非仿射不确定系统,本文提出了一种基于迭代扩张状态观测器的数据驱动最优迭代学习控制方法.首先,提出了改进的迭代动态线性化方法,将被控系统线性化为与控制输入有关的仿射形式,并将不确定性合并到一个非线性项中;然后,设计了迭代扩张状态观测器对非线性不确定项进行估计,作为对扰动的补偿;最后,设计了性能指标函数,通过最优技术,提出了参数迭代更新律和最优学习控制律.本文通过数学分析,证明了跟踪误差的有界收敛性.仿真结果验证了方法的有效性.所提出的新型迭代动态线性化方法可很大程度上降低线性化后的控制增益的动态复杂性,使其易于估计.所提出的迭代扩张状态观测器可以在重复中学习,对非重复扰动可进行有效的估计.此外,本文控制器的设计与分析是数据驱动的控制方法,除了被控系统的输入输出数据以外,不需要任何其他模型信息.     

基于数据驱动的非线性网络系统自适应迭代学习控制

针对非线性网络控制系统中测量数据的量化及随机丢包问题,给出一种基于数据驱动的自适应迭代学习控制算法.该算法能够保证系统在数据量化、随机丢包以及不确定迭代学习长度等因素的影响下,经过有限次迭代后输出轨迹跟踪误差收敛到零;借助伪偏导线性化方法,将非线性系统转换为线形时变系统形式;在线性系统框架下利用前一批次的系统输出信息更新自适应学习增益.与传统迭代学习控制算法不同的是,该算法无需预知迭代长度的先验信息和控制系统模型信息.最后通过Matlab仿真实验验证所提出算法的有效性.     

非线性系统的主动容错控制

对一般的非线性系统提出了一种新的主动容错控制方法.系统正常工作时,采用基于迭代学习观测器的输出反馈控制策略,控制器为迭代学习观测器的状态和调节参数的函数,此输出反馈控制器能良好地镇定该非线性系统.当系统发生故障后,进行控制器重组,在调节参数的自适应调节律中引入了故障估计的信息,使得系统发生故障后包含故障估计信息的重组控制器仍然能使系统稳定,实现了非线性系统的主动容错控制.计算机模拟显示所提出算法的有效性.     

离散时间非线性系统的数据驱动无模型自适应迭代学习控制

本文基于迭代域的动态线性化方法,提出了一类单入单出离散时间非线性系统的数据驱动无模型自适应迭代学习控制方案.无模型自适应迭代学习控制本质上属于一种数据驱动控制方法,仅利用被控对象的输入输出数据即可实现控制方案的设计.理论分析表明无模型自适应迭代学习控制方案可以保证最大学习误差的单调收敛性.数值仿真和快速路交通控制应用验证了无模型自适应迭代学习控制方案的有效性.     

高阶无模型自适应迭代学习控制

针对一类非线性非仿射离散时间系统,提出了高阶无模型自适应迭代学习控制方案.控制器的设计和分析仅依赖于系统的输入/输出(I/O)数据,不需要已知任何其他知识.该方法采用了高阶学习律,可利用更多以前重复过程中的控制信息提高系统收敛性,且学习增益可通过"拟伪偏导数"更新律迭代调节.仿真结果验证了所提出算法的有效性.

     

一类非线性系统的模糊直接自适应控制

针对一类单输入单输出仿射非线性系统，利用模糊基函数网络的逼近能力，并根据滑模控制原理在控制器中加入逼近误差和外部干扰补偿控制器，提出了一种模糊直接自适应控制方法。该方法不但实现了系统的鲁棒控制，还同时考虑了误差状态的位置信息和运动信息，较大地改善了系统的控制性能。通过Matlab仿真，证明了所设计的模糊直接自适应控制器不但具有鲁棒性，而且可以保证系统具有很好的跟踪性能。     

输出时滞双率采样系统的鲁棒迭代学习控制

针对一类带有输出时滞的单输入单输出双率采样系统,提出一种鲁棒迭代学习控制算法.首先,利用提升技术将带有输出时滞的双率采样系统转化为无时滞形式的慢速率采样的状态空间模型,并基于二维(2D)系统理论,将迭代学习控制过程转化为等价2D模型;然后利用线性矩阵不等式(LMI)技术,给出确保系统稳定的充分条件和鲁棒控制器设计方法;最后,通过3层液位贮槽系统的液位控制仿真验证所提出方法的可行性和有效性.     

Optimal Terminal Iterative Learning Control for the Automatic Train Stop System

The train stop control is a typical set‐point control task, where only the final state (i.e., the terminal train stop position) is of concern and specified. For such a control problem, an optimal terminal iterative learning control (TILC) approach is presented in this paper, where the stopping position and initial braking speed are chosen as the terminal system output and the control input, respectively. The controller design only depends on the measured input/output (I/O) data without requiring any modeling information of the train operation system, and the learning gain is updated by the system I/O data iteratively to accommodate the system uncertainties. The monotonic convergence of the terminal tracking error is guaranteed by rigorous mathematical analysis. Extensive simulation results are provided to show the applicability and effectiveness of the proposed approach.     

Data-driven optimal terminal iterative learning control

This paper presents a data-driven optimal terminal iterative learning control (TILC) approach for linear and nonlinear discrete-time systems. The iterative learning control law is updated from only terminal output tracking error instead of entire output trajectory tracking error. The only required knowledge of a controlled system is that the Markov matrices of linear systems or the partial derivatives of nonlinear systems with respect to control inputs are bounded. Rigorous analysis and convergence proof are developed with sufficient conditions for the terminal ILC design and the results are developed for both linear and nonlinear discrete-time systems. Simulation results illustrate the applicability and effectiveness of the proposed approach.     

Data‐driven high‐order terminal iterative learning control with a faster convergence speed

In this paper, a novel high‐order optimal terminal iterative learning control (high‐order OTILC) is proposed via a data‐driven approach for nonlinear discrete‐time systems with unknown orders in the input and output. The objective is to track the desired values at the endpoint of the operation cycle. The terminal tracking errors over more than one previous iterations are used to enhance the high‐order OTILC's performance with faster convergence. From rigor of the analysis, the monotonic convergence of the terminal tracking error is proved along the iteration direction. More importantly, the condition for a high‐order OTILC to outperform the low‐order ones is first established by this work. The learning gain is not fixed but iteratively updated by using the input and output (I/O) data, which enhances the flexibility of the proposed controller for modifications and expansions. The proposed method is data‐driven in which no explicit models are used except for the input and output data. The applications to a highly nonlinear continuous stirred tank reactor and a highly nonlinear fed‐batch fermentater demonstrate the effectiveness of the proposed high‐order OTILC design.     

Adaptive Terminal ILC for Iteration‐varying Target Points

Terminal iterative learning control (TILC) has been developed to reduce the error between system output and a fixed desired point at the terminal end of operation interval over iterations. In this work, the desired terminal point is not fixed but allowed to change run‐to‐run among a set of fixed points and a new adaptive terminal iterative learning control scheme is developed to achieve learning objective over iterations. The control signal is updated from the measured terminal value at the end of a run, instead of the whole output trajectory. Although the reference terminal point is iteration‐varying, the new adaptive TILC guarantees that the tracking error converges to zero iteratively. Both rigorous mathematical analysis and simulation results confirm the applicability and effectiveness of the proposed approach.     

输出饱和多智能体系统的迭代学习趋同跟踪控制

针对带有输出饱和的多智能体系统有限时间趋同跟踪控制问题,提出了一种分布式迭代学习控制算法.首先假设多智能体系统具有固定拓扑结构,且仅有部分智能体可获取到期望轨迹信息.基于输出约束条件构造一致性跟踪误差,在此基础上设计了P型迭代学习控制率.然后采用压缩映射方法给出了一个算法收敛的充分条件,并在理论上证明了跟踪误差的收敛性.最后,将理论结果推广至具有随机切换拓扑结构的多智能体系统中.仿真结果验证了所提出算法的有效性.     

严格反馈互联系统分散式backstepping自适应迭代学习控制

基于Lyapunov分析方法,针对具有严格反馈形式的非线性互联系统,本文设计了一种分散式backstepping自适应迭代学习控制器.子系统之间的互联项为所有子系统输出项线性有界,为每个子系统设计的控制器仅采用该子系统的信息,不需要子系统之间相互传递信息.在控制器中,引入在时间轴和迭代轴上同时更新的自适应参数,以补偿子系统之间的互联项影响.通过采用本文给出的控制器,可使得每个子系统的输出跟踪相应的参考模型输出,仿真结果验证了本文算法的有效性.     

An optimal stochastic multivariable PID controller: a direct output tracking approach

This paper deals with the design of an optimal stochastic controller possessing tracking capability of any reference output trajectory in the presence of measurement noise. We consider multi-input multi-output linear time-invariant systems and a proportional-integral-derivative (PID) controller. The system under consideration needs not be stable. A recursive algorithm providing optimal time-varying PID gains is proposed for the case where the number of inputs is larger than or equal to the number of outputs. The development of the proposed algorithm aims for per-time-sample minimisation of the mean-square output error in the presence of erroneous initial conditions, measurement noise, and process noise. Necessary and sufficient conditions are provided for the convergence of the output error covariance. In addition, convergence results are presented for discretised continuous-time plants. Simulation results are included to illustrate the performance capabilities of the proposed algorithm. Performance comparison with an optimal stochastic iterative learning control scheme, an optimal PID controller, an adaptive PID controller, and a recent optimal stochastic PID controller are also included.     

基于反馈控制的迭代学习控制器设计

针对具有不确定项或干扰项的重复非线性时变系统,提出了基于反馈控制的迭代学习控制器,其中迭代学习控制器设计为高阶PD型,它以前馈的形式作用于对象,在满足一定的收敛性条件下,证明了该控制器的跟踪误差界是系统初始状态误差界和系统输出干扰项界的线性函数,同时改变反馈增益可以调整系统的最终跟踪误差界,仿真与实验均表明了该方法的有效性。