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,设计自适应迭代学习控制器．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．     

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%。     

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.     

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。     

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．     

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．     

平滑l1模神经网络学习算法

神经网络误差函数的不同构造将导致不同的学习敛速，本文基于递推辨识技术，对于绝对误差指标函数提出了一种新的平滑方法作为改进的神经元权值修正算法，该平滑思想也适用于其它绝对误差指标下的最优化问题，通过网络对Ｆｅｉｇｅｎｂａｕｍ映射和ＸＯＲ逻辑的学习算例，说明了算法的快速收敛性能。     

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.     

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.