一步乙醇燃烧法合成C-CeO_2超级电容器电极材料

通过硝酸铈的乙醇溶液燃烧一步合成了含有微量碳的二氧化铈纳米材料(C-CeO_2)。电化学测试结果表明,C-CeO_2纳米材料在1 A/g电流密度时的比电容为125 F/g,是相同条件下纯CeO_2纳米材料比电容(55 F/g)的2.3倍。另外,C-CeO_2纳米材料在循环充放电测试1 000次后的比电容保持率高达83%。     

输入限幅下的迭代学习控制

基于Lyapunov-like方法,提出在有限作业区间上实现跟踪的带限幅的迭代学习控制器设计.针对含有非参数化及部分参数化不确定性的非线性系统,设计鲁棒迭代学习控制器,但该方法不要求已知不确定特性的范数界.针对参数化不确定非线性系统,设计自适应遮代学习控制器.在系统满足有界输入有界状态(BIBS)假设条件及控制输入饱和限幅作用下,统一对上述三类系统进行分析.理论分析结果表明:该方案可保证闭环系统中所有变量的有界性,并且跟踪误差能够在整个作业区间上收敛到零,实现完全跟踪.仿真验证了该算法的有效性.     

智能顺馈控制器

针对雷达随动系统,提出了一种智能补偿策略。它能根据规则实时调整顺馈系数,使得微分顺馈作用尽可能补偿速度误差信号,提高跟踪精度,仿真结果表明,这种微分顺馈系数的实时自整定是有效的。     

注塑机注射速度的离散预期学习控制

针对注塑成形过程的重复运行特性,采用离散预期学习控制方法对注射阶段的针对离散化后的注塑机注射速度模型,根据收敛性条件以两步法设计预期学习控制中的两个参数--超前步长与学习增益,并与连续预期学习控制作了比较.当收敛性条件不能在整个频段内满足时,利用DFT/IDFT截断可学习频段外的频率信号,保证跟踪误差单调收敛,并在离散频域内讨论测量噪声存在及初始定位不可重置时学习算法的跟踪性能.仿真结果表明,对于给定的期望注射速度曲线,该方法能得到比P型、D型迭代学习控制(ILC)更满意的跟踪性能,且具干扰抑制能力.     

时变机器人系统的重复学习控制: 一种混合学习方案

Repetitive learning control is presented for finite-time-trajectory tracking of uncertain time-varying robotic systems. A hybrid learning scheme is given to cope with the constant and time-varying unknowns in system dynamics, where the time functions are learned in an iterative learning way, without the aid of Taylor expression, while the conventional differential learning method is suggested for estimating the constant ones. It is distinct that the presented repetitive learning control avoids the requirement for initial repositioning at the beginning of each cycle, and the time-varying unknowns are not necessary to be periodic. It is shown that with the adoption of hybrid learning, the boundedness of state variables of the closed-loop system is guaranteed and the tracking error is ensured to converge to zero as iteration increases. The effectiveness of the proposed scheme is demonstrated through numerical simulation.     

基于扩张状态观测器的永磁同步电机重复学习控制

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.     

一类有色噪声干扰下的随机时变系统学习辨识

讨论由一类时变ARMAX模型描述的动态系统学习辨识问题,提出用于估计有限区间上重复运行时变系统时变参数的学习算法.文中给出最小二乘学习算法的具体形式及实现步骤,并分析所提出学习算法的收敛性.分析结果表明,当重复持续激励条件成立且满足严格正实条件时,提出的学习算法具有重复一致性,即参数估值完全收敛于真值.文中还将结果推广到一类周期时变系统.通过数值仿真,进一步对所提学习算法的有效性进行了验证.     

基于初次控制信号提取的迭代学习控制方法

在同一迭代学习控制(Iterative learning control, ILC)系统中,选取一个合适的初次迭代控制信号相对于从零开始学习达到目标跟踪精度的迭代次数更少.本文针对线性系统研究从历次轨迹跟踪控制信息中通过期望轨迹匹配提取初次迭代控制信号的方法.首先提出了一种轨迹基元优化匹配算法,在满足一定相似度的情况下,通过轨迹分割、平移与旋转变换,在轨迹基元库中寻找与当前期望轨迹叠合的轨迹基元组合轨迹;进而,依据线性叠加原理和轨迹叠合的平移矢量与旋转变换矩阵,获取与期望轨迹叠合的轨迹基元控制信号;在此基础上,通过轨迹基元控制信号串联组合和时间尺度变换,提取出当前期望轨迹的初次迭代控制信号.对于初次迭代控制信号在拼接处由边界条件差异引起的干扰,给出了一种H∞反馈辅助ILC方法.最后,在XYZ三轴运动平台实现所提算法,实验结果表明本文所提方法的有效性.     

基于终态神经网络的冗余机械臂重复运动规划

为解决冗余机械臂在运动过程中出现的关节角漂移现象,提出了一种终态吸引优化指标,形成冗余机械臂重复运动规划的二次优化方法。采用具有有限值激活函数的终态神经网络来求解,在初值位置偏移目标位置的情形下,实现冗余机械臂有限时间收敛的重复运动规划任务。同时,分别以新型的终态神经网络(TNN)和其加速网络(ATNN)求解运动规划问题,该网络求解方法具有终态吸引特性,能够在有限的时间内得到有效解。相比具有渐近收敛动态特性的神经网络(ANN),终态神经网络方法不仅改变了收敛速度,而且提高了收敛的精度。基于冗余机械臂PUMA560的计算机仿真结果表明了所提方法的有效性和实时性。     

参数跟踪算法的收敛性质

讨论了时变遗志因子和加权配合的递推辨识算法的算法性质和确定性收敛性．证明了估值有界和误差渐近趋于零．指出这类算法具有指数收敛性．