注塑机注射速度的模型预测迭代学习控制

针对注射过程具有重复运行和非线性的特性,在对预测控制与迭代学习控制进行综合应用并加以改进的基础上,给出一种模型预测迭代学习复合控制新算法,研究了控制器的设计方案.同时,将迭代学习思想引入到预测步长的在线调整,提出了预测步长的迭代学习方法.仿真结果表明,该方法是有效的,其控制性能优于PID迭代学习控制系统.     

注塑机注射速度的模型预测迭代学习控制

针对注射过程具有重复运行和非线性的特性,在对预测控制与迭代学习控制进行综合应用并加以改进的基础上,给出一种模型预测迭代学习复合控制新算法,研究了控制器的设计方案。同时,将迭代学习思想引入到预测步长的在线调整,提出了预测步长的迭代学习方法。仿真结果表明,该方法是有效的,其控制性能优于PID送代学习控制系统。     

基于神经网络的注塑机注射速度的迭代学习控制

对具有不确定性和干扰项的重复非线性注塑机控制系统,尤其是注射速度的控制,提出基于神经网络的迭代学习控制器,其中迭代学习控制器设计为神经网络控制器,它以前馈方式作用于对象。PD反馈控制器用于使系统达到稳定,同时和前馈的神经网络学习控制器一起使系统达到理想的控制效果。仿真结果表明,该控制器可以随着迭代次数的增加有效减小跟踪误差。     

注塑机注射速度控制研究现状和发展综述

对近年来注塑机注射速度控制方法进行研究,典型的控制方法可以分为传统控制方法、自适应控制方法、智能控制方法。阐述各种方法的研究现状、应用成果及其优缺点。注射速度是整个注射过程中非常关键的控制变量。最后对注射速度控制的发展做展望。     

提高迭代自学习控制算法收敛速度初探

从学习律、学习律参数、输出误差等三方面讨论了迭代自学习算法的收敛速度,为提高该算法的收剑速度得到了一些有用的结论。     

电动车回馈制动的零相位误差跟踪控制研究

电动车回馈制动的特性对控制策略提出了越来越高的要求,为提高系统的控制精度和响应速度,将零相位误差跟踪控制(ZPETC)引入电动车回馈制动控制中。分析了ZPETC的控制原理,设计电动车回馈制动的ZPETC控制系统,建立了仿真模型并进行仿真分析。仿真结果表明ZPETC可以十分有效地提高电动车回馈制动跟踪效果,将具有广泛的应用前景和实际意义。     

结合前馈调参与迭代学习的数据驱动控制方法

在前馈控制中,需要尽可能的去除前馈控制器对系统模型的需求,同时保证高精度和鲁棒性.本文提出了一种数据驱动的将迭代前馈调参与迭代学习控制进行结合的方法,通过引入基函数参数化的前馈控制器和输入整形滤波器,使用梯度下降法求解最优系统前馈控制器,消除期望轨迹引入的扰动;通过迭代学习控制,消除系统重复性扰动,进一步提高控制精度.算法具有不依赖系统模型,高精度,适用于变轨迹任务的优点.文中给出了相应的仿真,并应用到一个直线电机系统,通过实验验证了算法的有效性.     

迭代学习控制新进展

从学习算法、收敛性、鲁棒性、收敛速度、2-D模型以及实际应用等方面对迭代学习控制的最新进展作了比较详尽的总结, 最后讨论了迭代学习控制存在的问题及有前景的研究方向.     

最优迭代学习控制的鲁棒稳定性及其在注塑机控制中的应有

提出了一种鲁棒最优迭代控制器的设计方法.对于任意有界的参考输出和不确定的初始值,建立了由最优迭代学习控制器保证闭环系统有界输入有界输出(BIBO)鲁棒稳定性的充要条件.实际应用中可根据不确定初始设定值和干扰对加权矩阵进行调整,从而保证闭环系统性能随迭代过程的进行而得到改进.在注塑机控制中的应用验证了本文结论的有效性.     

迭代学习控制的回顾与展望

本文综述了迭代学习控制和神经网络学习研究的概况，并对其存在的问题和发展趋势作了讨论。     

基于迭代学习控制的鳗鱼机器人切向速度跟踪控制

鳗鱼机器人的动力学模型非线性强、高度欠驱动,导致多关节鳗鱼机器人的切向速度跟踪控制极具挑战．本文采用P型迭代学习控制与步态生成器相结合的方法对多关节鳗鱼机器人的切向速度进行跟踪控制．首先,采用解析牛顿-欧拉法建立非惯性系下的鳗鱼机器人动力学模型,直接获得切向速度子动力学模型;然后,利用带饱和函数的P型迭代学习控制器控制步态参数,并且利用复合能量函数和切向速度子动力学模型分析该控制器的收敛性,得到切向速度跟踪误差的收敛条件;最后,提出鳗鱼机器人的运动控制框架,并对多模块的鳗鱼机器人进行仿真和实验．实验结果表明,实际的切向速度随着迭代次数的增加而逐渐跟踪上了期望的切向速度,故而验证了鳗鱼机器人切向速度跟踪控制器的有效性．     

人机不确定条件下康复步行训练机器人的部分记忆迭代学习限速控制

为了提高康复步行训练机器人的跟踪精度及安全性,提出了一种带有运动速度约束和部分记忆信息的自适应迭代学习控制方法,目的是抑制人机不确定性及速度突变对系统跟踪性能的影响.在考虑人机不确定性的基础上,建立了康复步行训练机器人的动力学模型.提出了基于模型预测的速度约束方法,通过限制每个轮子的运动速度,约束了机器人的实际运动速度.进一步,利用受约束的运动速度建立了动力学跟踪误差系统,提出了具有部分记忆信息的自适应迭代学习控制器设计方法,并验证了跟踪误差系统的稳定性.仿真对比分析和实验研究结果表明,文中提出的控制方法能抑制人机不确定性并使康复者在安全速度下完成步行训练.     

Positioning in Releasing Manipulation by Iterative Learning Control

In order to improve the positioning precision of the stop posture (position and orientation) of an object and decrease the trial numbers in our proposed releasing manipulation, two iterative learning control (ILC) schemes, learning control based on convergent condition (LCBCC), and learning control based on optimal principle (LCBOP) are designed in experimental-oriented way. These two methods are all based on a linearized system model. The experimental results show that these methods are effective. Having discussed the characteristics of these control methods, we conclude that in the case there is no enough system knowledge, LCBCC is the only choice to be used to learn the system knowledge; after the enough experience has been acquired, LCBOP is better than LCBCC, in the view of both of the convergent rate and the precision.     

局部对称积分型迭代学习控制

提出了一个新的迭代学习控制（ＩＬＣ）更新律用于连续线性系统的有限时间区间跟踪控制,迭代学习控制作为一个前馈控制,迭代学习控制作为一个前馈控制器加在已有的反馈控制器之上,对于上倥 的反馈控制信号作局部对称积分,所提出的迭代学习控制更新律具备较简单的形式且仅含有两个设计参数,即：学习增益和局部积分的区间长度,给出了收敛性分析以及设计步骤。     

Class Noise Handling for Effective Cost-Sensitive Learning by Cost-Guided Iterative Classification Filtering

Recent research in machine learning, data mining, and related areas has produced a wide variety of algorithms for cost-sensitive (CS) classification, where instead of maximizing the classification accuracy, minimizing the misclassification cost becomes the objective. These methods often assume that their input is quality data without conflict or erroneous values, or the noise impact is trivial, which is seldom the case in real-world environments. In this paper, we propose a Cost-guided Iterative Classification Filter (CICF) to identify noise for effective CS learning. Instead of putting equal weights on handling noise in all classes in existing efforts, CICF puts more emphasis on expensive classes, which makes it attractive in dealing with data sets with a large cost-ratio. Experimental results and comparative studies indicate that the existence of noise may seriously corrupt the performance of the underlying CS learners and by adopting the proposed CICF algorithm, we can significantly reduce the misclassification cost of a CS classifier in noisy environments.     

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${H_\infty }$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.     

Recent Advances in Iterative Learning Control

In this paper we review the recent advances in three sub-areas of iterative learning control (ILC): 1) linear ILC for linear processes, 2) linear ILC for nonlinear processes which are global Lipschitz continuous (GLC), and 3) nonlinear ILC for general nonlinear processes. For linear processes, we focus on several basic configurations of linear ILC. For nonlinear processes with linearILC, we concentrate on the design and transient analysis which were overlooked and missing for a long period. For general classes of nonlinear processes, we demonstrate nonlinear ILC methods based on Lyapunov theory, which is evolving into a new control paradigm.     

Normalized Learning Rule for Iterative Learning Control

International Journal of Control, Automation and Systems - The iterative learning control (ILC) is attractive for its simple structure, easy implementation. So the ILC is applied to various fields....