带有迭代学习外环的快速路入口匝道无模型自适应预测控制

针对快速路交通系统复杂时变以及难以建模的特点,首先,本文设计了基于无模型自适应预测控制的快速路入口匝道控制方案.其次,根据快速路交通系统具有重复性特点,本文在无模型自适应预测控制方法的基础上引入开环迭代学习控制,提出一种带有迭代学习前馈外环的无模型自适应入口匝道预测控制方案.相比无模型自适应预测控制方案,该方案可以利用迭代学习前馈控制器补偿系统可重复扰动,实现系统的完全跟踪.值得说明的是,预测控制器和学习控制器可以独立工作也可以联合工作.最后,文章给出了控制方案的收敛性分析,并通过交通流仿真验证了所提控制方案的有效性.     

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.     

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.     

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.     

环卫车辆轨迹跟踪系统的无模型自适应迭代学习控制

针对环卫车辆周期重复性工作特点,考虑模型时变以及未知扰动问题,提出一种基于无模型自适应迭代学习的环卫车辆轨迹跟踪控制方法.首先,针对环卫车辆建立了两轮移动机器人的运动学模型,然后,给出带时变参数和非线性不确定项的迭代域下全格式动态线性化数据模型,引入时间差分估计算法,设计基于最优性能指标的轨迹跟踪无模型自适应迭代学习控...     

非线性离散时间系统的最优终端迭代学习控制

仅利用系统的终端输出误差而不是整个输出轨迹,提出了一种最优终端迭代学习控制方法.控制信号可直接通过终点的误差信息进行更新.主要创新点在于控制器的设计和分析只利用系统量测的I/O数据而不需要关于系统模型的任何信息,并可实现沿迭代轴的单调收敛.在此意义上,所提出的控制器是数据驱动的无模型控制方法.严格的数学分析和仿真结果均表明了所提出方法的适用性和有效性.     

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.     

随机分布控制系统的自适应迭代学习控制

介绍输出概率密度函数(PDF)常规的迭代学习控制(ILC)的收敛条件,并利用此条件设计相应的迭代学习律.主要讨论如何解决输出PDF迭代学习控制(ILC)中的过迭代,收敛速度等问题.以离散输出概率密度函教(PDF)控制模型为基础,介绍了直接迭代学习控制算法收敛的必要条件,提出自适应的迭代学习参数调节方法和避免过迭代的迭代结束条件,这些措施能够保证输出PDF的迭代控制收敛且具有较快的收敛速度.仿真结果表明,输出PDF的自适应迭代学习控制具有较快的收敛速度,而学习终止条件能很好地避免过迭代.     

锑浮选过程加药量自适应迭代学习控制

针对现有的加药量控制方法需要浮选过程动态模型或是鲁棒性不足的问题, 提出一种基于自适应动态规划 (ADP) 的浮选过程加药量自适应迭代学习控制方法. 首先, 将药剂量控制问题转化为两级优化问题 (问题 1 和问题 2). 其中, 基于前馈控制原理求解问题 1 得出前馈补偿分量以抑制外界扰动. 然后, 采用基于值迭代的 ADP 算法, 求解问题 2 以得到最优反馈增益, 从而设计一个数据驱动的最优加药量控制策略使最终的生产指标 (精矿品位和尾矿品位) 跟踪给定值, 且药剂量消耗最少. 最后, 通过工业生产数据进行仿真验证, 证明所提方法的收敛性和稳定性.     

基于改进卡尔曼滤波器的扰动抑制无模型自适应控制方案

针对无模型自适应控制方法在测量扰动作用下控制效果不佳的问题, 本文提出了一种新的扰动抑制无模 型自适应控制方案. 首先基于受控系统的动态线性化数据模型及测量扰动的统计特性, 在最小方差估计准则下推导 了基于系统输入输出数据的改进卡尔曼滤波器. 然后基于此滤波器给出了一种新的扰动抑制无模型自适应控制方 案. 该方案仅需用到受控系统的输入输出数据, 即可实现在强测量扰动作用下系统的无模型自适应控制. 仿真结果 显示, 相比现有的扰动抑制无模型自适应控制方案, 该方案在系统跟踪常值参考信号、时变参考信号时均能有效地 抑制测量扰动, 适用性更好的同时可以获得更小的跟踪误差及更大的数据信噪比.     

考虑数据量化的改进无模型自适应迭代学习控制算法

针对一类存在数据量化的离散时间单输入单输出非线性系统,提出一种带有编码解码量化机制的无模型自适应迭代学习控制(MFAILC)算法.首先使用伪偏导数将受控非线性系统动态线性化,进而考虑系统输出数据经由均匀量化器进行量化处理的过程,并设计了一种编码解码量化机制,最后基于这种编码解码量化机制提出了一种改进的MFAILC算法.理论上给出了算法的收敛性分析,结果表明,当系统存在数据量化时,所提出的算法仍可保证系统收敛.与已有算法相比,所提算法仅利用较少的输入输出数据,就可以实现跟踪误差的零收敛.仿真进一步验证了算法的有效性.     

DoS攻击下多智能体系统无模型自适应迭代学习跟踪控制EI北大核心CSCD

针对周期性拒绝服务(DoS)攻击下多智能体系统有限时间趋同跟踪控制问题,本文提出了一种无模型自适应迭代学习控制(MFAILC)算法.假设多智能体系统具有固定拓扑结构,并且仅有部分智能体可获取到期望轨迹信息.在多智能体系统数据传输过程中,需要经由对数量化器进行量化处理.首先,使用伪偏导数将智能体系统动态线性化,处理过程中考虑符合伯努利分布的周期性DoS攻击现象,在此基础上设计了MFAILC控制算法,其次,采用压缩映射方法给出了一个在期望意义下保证跟踪误差收敛的充分条件,并在理论上证明了所提算法的收敛性.所提算法只需利用系统的输入输出数据就可完成趋同跟踪任务.最后,仿真结果验证了所提算法的有效性.     

Data-driven output-feedback fault-tolerant control for unknown dynamic systems with faults changing system dynamics

This paper studies the data-driven output-feedback fault-tolerant control (FTC) problem for unknown dynamic systems with faults changing system dynamics. In a framework of active FTC, two basic issues are addressed: the fault detection employing only the measured input–output information; the controller reconfiguration to achieve optimal output-feedback control in the presence of multiple faults. To detect faults and write the system state via the input–output data, an approach to data-driven design of a residual generator with a full-rank transformation matrix is presented. An output-feedback approximate dynamic programming method is developed to solve the optimal control problem under the condition that the unknown linear time-invariant discrete-time plant has multiple outputs. According to the above results and the proposed input–output data-based value function approximation structure of time-varying plants, a model-free output-feedback FTC scheme considering optimal performance is given. Finally, two numerical examples and a practical example of a DC motor control system are used to demonstrate the effectiveness of the proposed methods.     

小型无人直升机的无模型自适应鲁棒控制设计

本文针对小型无人直升机的姿态控制问题,考虑到现有基于模型的控制方法对系统动力学模型的依赖性,以及未建模动态对系统控制性能的影响,设计了一种新的基于数据驱动的无模型自适应鲁棒控制律.通过基于数据驱动的设计方法,降低了控制器对直升机动力学模型先验知识的依赖,补偿了未建模不确定性的影响.仅利用无人直升机的输入输出数据,即可实现对无人直升机系统的稳定姿态控制.然后本文结合离散滑模控制设计,补偿了未知外界扰动的影响,提高了系统的鲁棒性,并通过理论证明了控制误差的收敛性和闭环系统的稳定性.最后,在本研究组自主开发的无人直升机飞行控制实验平台上,进行了无人机实时控制实验.实验结果表明,本文所提出的控制算法取得了很好的姿态控制效果,并对系统不确定性和外界风扰动具有良好的鲁棒性.     

Constrained data-driven optimal iterative learning control

A constrained optimal ILC for a class of nonlinear and non-affine systems, without requiring any explicit model information except for the input and output data, is proposed in this work. In order to address the nonlinearities, an iterative dynamic linearization method without omitting any information of the original plant is introduced in the iteration direction. The derived linearized data model is equivalent to the original nonlinear system and reflects the real-time dynamics of the controlled plant, rather than a static approximate model. By transferring all the constraints on the system output, control input, and the change rate of input signals into a linear matrix inequality, a novel constrained data-driven optimal ILC is developed by minimizing a predesigned objective function. The optimal learning gain is unfixed and updated iteratively according to the input and output measurements, which enhances the flexibility regarding modifications and expansions of the controlled plant. The results are further extended to the point-to-point control tasks where the exact tracking performance is required only at certain points and a constrained data-driven optimal point-to-point ILC is proposed by only utilizing the error measurements at the specified points only.     

相机抖动场景中数据驱动的背景图像更新算法

视频序列中的运动目标检测是计算机视觉领域的重要研究课题.背景减除是运动目标检测的有效方法,但相机抖动会对背景提取带来极大干扰,从而可能造成传统基于模型的图像处理方法模型失真.本文提出了相机抖动场景下前景图像提取的数据驱动背景图像更新控制算法.首先利用Harris特征检测进行背景补偿以消除抖动干扰.然后利用无模型自适应控制方法,建立单入单出控制系统来表示背景图像并进行实时更新.最后运用背景减除法提取运动目标前景图像.本文方法与传统基于模型方法进行了不同视频序列的对比仿真.实验结果表明,本文方法可以有效处理相机抖动场景下的运动目标检测问题,目标前景图像分离效果更加接近真实场景.     

Discrete‐time low‐gain control of linear systems with input/output nonlinearities

Discrete‐time low‐gain control strategies are presented for tracking of constant reference signals for finite‐dimensional, discrete‐time, power‐stable, single‐input, single‐output, linear systems subject to a globally Lipschitz, non‐decreasing input nonlinearity and a locally Lipschitz, non‐decreasing, affinely sector‐bounded output nonlinearity (the conditions on the output nonlinearities may be relaxed if the input nonlinearity is bounded). Both non‐adaptive and adaptive gain sequences are considered. In particular, it is shown that applying error feedback using a discrete‐time ‘integral’ controller ensures asymptotic tracking of constant reference signals, provided that (a) the steady‐state gain of the linear part of the plant is positive, (b) the positive gain sequence is ultimately sufficiently small and (c) the reference value is feasible in a very natural sense. The classes of input and output nonlinearities under consideration contain standard nonlinearities important in control engineering such as saturation and deadzone. The discrete‐time results are applied in the development of sampled‐data low‐gain control strategies for finite‐dimensional, continuous‐ time, exponentially stable, linear systems with input and output nonlinearities. Copyright © 2001 John Wiley & Sons, Ltd.     

智能车辆自动超车系统的数据驱动路径跟踪约束控制

针对智能车辆自动超车系统,提出了一种新的数据驱动超车路径跟踪约束控制方案,系统控制方案的设计仅利用自动超车系统的输入/输出数据,并不包括车辆的模型信息,所以针对不同的车型均能够实现自动超车的数据驱动路径跟踪约束控制.在控制器的设计过程中,针对控制输入受变化范围和变化速率的限制,提出了一种新的动态抗饱和补偿器来解决饱和问题.最后给出了数据驱动约束控制与原型无模型自适应控制(model free adaptive control,MFAC)以及PID控制的仿真结果对比,结果表明,本文所提控制方案能够很好的完成自动超车过程的路径跟踪,且相比原型MFAC以及PID控制方案,本文方案具有更小的跟踪误差和更快的响应速度.     

Data-driven nonparametric model adaptive precision control for linear servo systems

Nowadays, high-precision motion controls are needed in modern manufacturing industry. A data-driven nonparametric model adaptive control (NMAC) method is proposed in this paper to control the position of a linear servo system. The controller design requires no information about the structure of linear servo system, and it is based on the estimation and forecasting of the pseudo-partial derivatives (PPD) which are estimated according to the voltage input and position output of the linear motor. The characteristics and operational mechanism of the permanent magnet synchronous linear motor (PMSLM) are introduced, and the proposed nonparametric model control strategy has been compared with the classic proportional-integral-derivative (PID) control algorithm. Several real-time experiments on the motion control system incorporating a permanent magnet synchronous linear motor showed that the nonparametric model adaptive control method improved the system’s response to disturbances and its position-tracking precision, even for a nonlinear system with incompletely known dynamic characteristics.