首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 727 毫秒

1.  控制方向未知的二阶时变非线性系统自适应迭代学习控制  
   李静  胡云安  耿宝亮《控制理论与应用》,2012年第29卷第6期
   对一类二阶严格反馈时变非线性系统的自适应迭代学习控制问题进行了研究.系统中含有非周期时变参数化不确定性且控制方向未知.首先,提出了一种神经网络估计器,实现了对未知非周期时变非线性函数的逼近.随后,用Nussbaum函数对未知控制方向进行了自适应估计,并综合应用baCkstcpping技术和自适应迭代学习控制技术设计了控制器.所设计的控制器能保证系统所有状态量在Lpe-范数意义下有界,且系统的输出量在LT2-范数意义下收敛到期望轨迹.最后的仿真研究证明了控制器设计方法的有效性.    

2.  时变参数化非线性系统自适应迭代学习控制器设计  
   李静  胡云安《控制与决策》,2012年第27卷第7期
   针对一类时变参数化非线性系统的控制问题进行深入研究,提出一种新的迭代神经网络估计器,并证明了其逼近引理,实现了对时变不确定性的逼近.在用迭代神经网络对时变不确定性进行估计的同时,以Lyapunov稳定性理论为基础,综合运用Backstepping和自适应控制技术,设计了自适应迭代学习控制器,并进行了稳定性分析,得到了稳定性定理,解决了这类时变非线性系统的控制问题.最后的仿真实验验证了所提出设计方法的正确性.    

3.  基于层迭CMAC网络的6-DOF机器人自适应控制  被引次数:5
   方浩  周冰  冯祖仁《机器人》,2001年第23卷第4期
   研究了标称自适应+迭代学习控制算法的稳定性,并利用层迭CMAC网络的优良特性,提出了基于层迭CMAC的标称自适应+迭代学习控制方法.此方法将标称自适应控制中确定的模型信息与未知的信息分离,充分利用模型中确定的信息进行前馈控制;而对于未知信息,则利用层迭CMAC进行自适应学习.仿真实验表明用本文所设计的控制系统对6 DOF并行机器人进行轨线控制,可获得比以往的普通CMAC+PD控制系统更好的控制效果.    

4.  具有未知死区输入非线性系统的迭代学习控制  被引次数:1
   朱胜  孙明轩《控制与决策》,2009年第24卷第1期
   针对一类具有死区输入非线性系统,提出一种实现有限作业区间轨迹跟踪控制的神经网络迭代学习算法.基于Lyapunov-like方法设计学习控制器,回避了常规迭代学习控制中受控系统非线性特性需满足全局Lipschitz连续条件的要求.为处理输入死区,利用神经网络逼近这种强非线性特性;同时,通过对神经网络逼近误差界的估计并在控制器中设置补偿作用以消除其影响,从而提高系统的跟踪性能.    

5.  基于多周期迭代滑模控制的直线电机干扰抑制  
   严乐阳  叶佩青  张辉  李方《电机与控制学报》,2017年第21卷第1期
   针对多叶准直器系统中直线电机受到往复直线运动和旋转运动带来的多周期干扰问题,提出一种多周期迭代滑模控制(MLVSC)算法用于提高直线电机的控制精度。该算法将迭代学习和滑模控制结合起来,利用多个迭代学习项来逼近并抑制多周期干扰,同时采用滑模控制来抑制未知干扰以保证系统的稳定性。通过构造合适的Lyapunov函数,可以证明MLVSC算法的渐近稳定性。在此基础上,基于MLVSC算法设计了直线电机系统的控制器。实验结果表明,MLVSC算法能够对直线电机受到的多周期干扰进行抑制,抑制后的控制误差迅速减小,控制精度提高了81%。    

6.  基于神经网络的非完整移动机器人鲁棒跟踪控制  被引次数:1
   彭金柱  王耀南  余洪山《中国机械工程》,2008年第19卷第7期
   针对受非完整条件约束的移动机器人存在的高度非线性、不确定性和外部干扰,提出了一种基于神经网络的鲁棒跟踪控制策略。该控制策略能够对系统中的未知的不确定性和干扰进行补偿。基于Lyapunov方法对控制系统进行设计,保证了系统的稳定性,改善了系统的动态性能。速度跟踪误差、神经网络权值误差和边界估计误差全局有界。仿真实验表明,该控制方法具有很强的鲁棒性和自适应能力。    

7.  基于扩张状态观测器的永磁同步电机重复学习控制  
   陈强  许昌源  孙明轩《控制理论与应用》,2021年第38卷第9期
   本文针对非参数不确定永磁同步电机系统,提出一种基于扩张状态观测器的重复学习控制方法,实现对周期期望轨迹的高精度跟踪.首先,将永磁同步电机中的非参数不确定性分为周期不确定与非周期不确定两部分.其次,构造包含周期不确定的未知期望控制输入,并设计重复学习律估计未知期望控制输入并补偿系统周期不确定.在此基础上,设计扩张状态观测器,估计系统未知状态和补偿非周期性不确定,进而提高系统鲁棒性.与已有的部分限幅学习律相比,本文提出的全限幅重复学习律可以保证估计值的连续性且能够被限制在指定的界内.最后,基于李雅普诺夫方法分析误差的收敛性能,并给出仿真和实验结果验证本文所提方法的有效性.    

8.  基于迭代学习观测器的随机分布系统容错控制  
   许刘勇  李涛  贾忠益  宋公飞《电光与控制》,2021年第28卷第1期
   针对包含故障和干扰的非高斯随机分布系统,提出了一种基于迭代学习观测器(ILO)的鲁棒容错控制方法.使用线性B样条神经网络建立了输出概率密度函数(PDF)和动态权重之间的关系.设计迭代学习观测器,以较小的计算量实现对故障的精确估计.利用故障估计信息设计容错控制器,使得系统的权向量在故障发生后仍能够跟踪到期望的权向量.最后通过仿真分析说明了提出方法的有效性.所设计的迭代学习观测器在经过短暂过渡后可迅速重构系统故障,基于PI跟踪的容错控制器对定常和时变权向量都有较好的跟踪效果.    

9.  任意初值非线性不确定系统的迭代学习控制  
   严求真  孙明轩  李鹤《自动化学报》,2016年第42卷第4期
   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.    

10.  漂浮基空间机器人的径向基神经网络鲁棒自适应控制  
   张文辉  高九州  马静  齐乃明《智能系统学报》,2011年第6卷第2期
   针对一类同时具有参数及非参数不确定性的自由漂浮空间机器人系统的轨迹跟踪问题,采用了一种RBF神经网络的自适应鲁棒补偿控制策略.对于系统的参数不确定性,通过对径向基神经网络来自适应学习并补偿,逼近误差通过滑模控制器消除,神经网络权重的自适应修正规则基于Lyapunov函数方法得到;而非参数不确定通过鲁棒控制器来实时自适应估计,且未知上界不需要先验的知识.该方法从整个闭环系统的稳定性出发设计的神经网络动态补偿的鲁棒控制器,并通过引入PD反馈来便于工程应用,这种鲁棒的神经网络控制器,可以有效提高收敛速度并保证其控制精度.试验结果进一步证明了这种自适应神经网络控制算法的有效性.    

11.  基于预估器的一类多智能体系统神经动态面输出一致控制  
   杨杨  刘奇东  陈笛笛  岳东  窦春霞《控制理论与应用》,2021年第38卷第8期
   本文针对一类含未知扰动与非对称输入饱和的非线性多智能体系统,提出基于预估器的神经动态面输出一致控制策略.在设计预估器的基础上构造预估误差,驱动神经网络更新权值估计系统未知动态,并将预估器与神经网络应用于非线性扰动观测器来补偿广义扰动.本文所提出的控制策略采用神经网络权值范数学习方法,减少学习参数数目.对于非对称的输入饱和,设计辅助系统,其生成的辅助变量与反步法相结合补偿输入限制.结合图论知识和Lyapunov函数等技术,证明多智能体系统的输出一致跟踪误差以及闭环系统中的所有信号最终有界.最后通过一组四旋翼飞行器和数值仿真验证提出控制策略的有效性.    

12.  基于RBF网络上界自适应学习的预警卫星滑模控制  被引次数:1
   张明国  耿云海  贾琳恒《吉林大学学报(工学版)》,2007年第37卷第4期
   分析了RBF(径向基函数)神经网络的基本结构和数学特性,对于预警卫星动力学系统的不确定性上界值无法测量和未知的情况,采用RBF神经网络可以对较强干扰上界进行自适应学习,并可降低控制和动力学带来的抖振。针对带有摆镜的预警卫星姿态控制问题,提出了一种基于神经网络扰动补偿的姿态滑模控制方法。针对RBF网络正交最小二乘(OLS)学习算法,采用RBF神经网络来学习不确定因素的上界值,并设计了预警卫星的姿态控制规律,解决了预警卫星动力学扰动补偿问题。利用数值仿真估算了基于RBF网络上界自适应学习滑模控制的预警卫星姿态控制系统的性能指标。    

13.  基于扩张状态观测器的鲁棒迭代学习控制  
   谭程元  王晶《控制理论与应用》,2018年第35卷第11期
   针对一类包含模型不确定和外界干扰等非重复扰动的线性离散系统,本文通过将迭代学习控制与自抗扰技术相结合,提出一种新的基于扩张观测器的鲁棒迭代学习控制方法.本文以时间轴和迭代轴两个方向同时出发考虑系统的非重复扰动估计和稳定收敛问题.将与时间和迭代轴同时相关的模型不确定及外界干扰等因素归纳为系统总扰动,针对其非重复变化特性给出了扩张观测器的设计,保证在批次内快速、准确地估计系统总扰动;基于上述扰动估计,设计新型的迭代学习控制律,利用线性矩阵不等式方法证明了整个鲁棒迭代学习系统的稳定性和收敛性,并给出合理的控制器参数估计条件.此外,讨论了迭代学习控制中第一批次的控制律设计问题,给出合理的自抗扰控制器设计.最后通过仿真对比实验验证了本文方法的可行性和有效性.    

14.  锂电池叠片机隔膜纠偏神经近似内模及迭代学习复合控制  
   《机械科学与技术》,2020年第9期
   为了解决叠片过程中隔膜对齐度较差的问题,采用神经近似内模和迭代学习控制相结合的方法设计控制器来改进隔膜的纠偏效果,提出一种神经网络近似内模及迭代学习复合控制的隔膜纠偏控制算法。首先针对影响隔膜对齐度的复杂特性导致难以用物理数学模型去描述纠偏过程的问题,采用神经网络的优秀的非线性逼近能力建立纠偏系统的神经网络模型。其次为了提升系统的鲁棒性以及避免系统模型的非仿射非线性特性,采用一种神经近似内模对纠偏系统进行控制,仿真表明神经近似内模对纠偏系统能取得较好的控制效果,但是对周期性扰动的抑制能力有限。然而在锂电池叠片过程中,速度和张力的规律性变化会对隔膜偏移误差产生周期性的干扰。最后将迭代学习控制引入到神经近似内模控制中以应对纠偏系统的周期性扰动,仿真表明引入迭代学习控制后,纠偏系统的周期性扰动得到有效地抑制。试验结果表明所提出的纠偏控制算法可以有效地提升锂电池叠片机放卷系统的隔膜对齐度。    

15.  非线性时滞系统的周期自适应学习跟踪控制  
   霰学会  陶洪峰  杨慧中《控制工程》,2013年第20卷第1期
   针对一类参数未知的周期非线性时滞系统的输出跟踪控制问题,设计了一种周期自适应迭代学习跟踪控制算法,该方法利用信号置换的思想重组系统,并在假设未知时变参数和参考输出的周期具有已知最小公倍数的情况下,将时滞以及其他不确定的时变项合并为一个周期性的辅助时变参数新变量,进而用周期自适应算法来估计该辅助量.通过构造一个Lyapunov-Krasovskii型复合能量函数,分析了系统的收敛性,证明了经过多次重复迭代学习,所有闭环信号有界且输出跟踪误差收敛,最后通过构造数值实例进行了仿真验证.理论分析和仿真结果表明,该算法简单有效,对于非线性时滞系统的跟踪问题具有很好的控制效果.    

16.  应用迭代学习控制的压电电机定位台高精度跟踪  
   《中国电机工程学报》,2018年第20期
   压电电机广泛应用于工业领域,针对选用的压电电机定位台系统,考虑到迭代学习控制不能补偿非重复性干扰,而PI控制容易使系统稳定,并能有效克服未知和非重复扰动的特点,提出PI控制加迭代学习控制的复合控制算法,并基于迭代学习控制理论的频率域设计准则,根据压电电机定位台模型的形式,给出该算法的详细设计过程,最后进行信号跟踪的实验测试,得到微米级(3.8μm)的控制精度,实验结果验证该文所设计控制算法的有效性。    

17.  基于学习自适应估计环的迭代学习控制  
   池荣虎  侯忠生《仪器仪表学报》,2005年第26卷第8期
   针对一类具有强非线性和不确定性的离散时间系统,文章给出了一种基于学习自适应估计环的迭代学习控制方法.在迭代学习控制器的基础上设计了一个学习自适应估计环,用来镇定系统,给出迭代学习控制初始的控制输入值,同时根据估计出的系统参数来确定迭代学习增益的取值范围.文章基于状态空间描述,分析了迭代学习控制系统的收敛性.仿真研究表明,该控制器能够实现完全跟踪,减少系统的初始输出误差,并加快了收敛速度.    

18.  基于学习自适应估计环的迭代学习控制  
   池荣虎  侯忠生《仪器仪表学报》,2005年第26卷第Z1期
   针对一类具有强非线性和不确定性的离散时间系统,文章给出了一种基于学习自适应估计环的迭代学习控制方法.在迭代学习控制器的基础上设计了一个学习自适应估计环,用来镇定系统,给出迭代学习控制初始的控制输入值,同时根据估计出的系统参数来确定迭代学习增益的取值范围.文章基于状态空间描述,分析了迭代学习控制系统的收敛性.仿真研究表明,该控制器能够实现完全跟踪,减少系统的初始输出误差,并加快了收敛速度.    

19.  非周期时变非线性系统自适应迭代学习控制  
   李静  胡云安  温玮《吉林大学学报(工学版)》,2012年第42卷第3期
   对一类含有非周期时变不确定性的非线性系统的控制问题进行了研究。该系统具有严格反馈形式且控制增益未知。在控制器设计中,用一种具有迭代特性的神经网络消除了非周期时变不确定性的影响,并综合应用反演技术和鲁棒自适应控制技术消除了严格反馈结构和未知控制增益带来的设计问题。稳定性分析结果表明:系统所有状态量有界且输出量在积分意义下收敛到期望轨迹。仿真试验证明了所设计控制器的有效性。    

20.  一类控制方向未知不确定性系统的自适应迭代学习控制  
   《Planning》,2015年第4期
   采用了一种自适应迭代学习的控制方法,对于一类含有未知控制方向以及参数化和非参数化不确定性系统进行了研究.结合连续的Nussbaum增益技术,很好地处理了系统中控制方向未知的问题.在满足局部Lipschitz连续条件下,非参数化不确定性可以得到有效的解决.通过构造微分-差分耦合参数自适应律,提出一种自适应迭代学习控制方案,保证系统跟踪误差沿迭代轴方向渐进收敛于零.基于一个构造的Lyapunov泛函,给出闭环系统收敛的一个充分条件.实例仿真结果验证了设计方法是有效的.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号