具有控制时滞和测量数据丢失的直线电机迭代学习控制

针对测量信号存在丢失和控制信号存在时滞的直线电机控制系统,研究PD型迭代学习控制算法的收敛性问题.假设数据丢失描述为概率未知的随机Bernoulli过程,其中丢失概率属于某个已知数值区间,利用超前法解决控制信号存在的时滞问题.基于Bellman-gronwall不等式和$\lambda$范数理论,证明了所提出的迭代学习控制策略能够使系统在有限时间内跟踪期望轨迹.最后通过仿真验证了所提出学习算法的有效性.     

测量数据丢失的一类非线性系统迭代学习控制

迭代学习控制方法应用于网络控制系统时,由于通信网络的约束导致数据包丢失现象经常发生.针对存在输出测量数据丢失的一类非线性系统,研究P型迭代学习控制算法的收敛性问题.将数据丢失描述为一个概率已知的随机伯努利过程,在此基础上给出P型迭代学习控制算法的收敛条件,理论上证明了算法的收敛性,并通过仿真验证理论结果.研究表明,当非线性系统存在输出测量数据丢失时,迭代学习控制算法仍然可以保证跟踪误差的收敛性.     

具有通信约束的反馈辅助PD型量化迭代学习控制

本文针对网络线性系统, 研究了具有通信约束的反馈辅助PD型迭代学习控制问题. 信号从远程设备传输到 迭代学习控制器过程中, 存在数据量化与数据包丢失的情况. 将数据包丢失模型描述为具有已知概率的伯努利二 进制序列, 采用扇形界方法处理数据量化误差, 提出了一种反馈辅助PD型迭代学习控制算法. 采用压缩映射法分析 证明了在存在数据量化和丢失的情况下, 所提控制算法依然可以保证跟踪误差渐近收敛到零. 并进一步对存在初 始状态偏移时所提算法的鲁棒性进行了讨论. 最后, 通过仿真示例, 对比验证了理论结果的有效性和优越性.     

一种数据丢包情况下的交叉口排队长度均衡控制方法

针对交通数据在传输过程中随机丢包造成交通拥堵的问题,提出一种新的交叉口排队长度均衡控制方法。考虑到交叉口交通控制的重复特性和强非线性,将无模型自适应迭代学习控制方案应用于交叉口排队长度控制中,通过实时调整各交叉口的信号配时方案来调节路口车辆的排队长度,实现各交叉口排队长度的均衡。针对道路交通网络控制中排队长度差值数据在传输过程中存在的丢包现象,将数据丢失现象描述为概率已知的伯努利序列,提出数据丢失情况下的补偿算法,即利用上次迭代的输出数据、伪梯度的估计值和控制输入差值对丢失数据进行补偿,解决存在数据丢包情况下多交叉口排队长度均衡控制问题。仿真结果表明,该方法在数据丢包的情况下迭代100次左右能够收敛于期望值并达到期望控制效果,验证了补偿算法的有效性。     

测量数据丢失的随机不确定系统滚动时域估计

研究存在传感器测量数据丢失的随机不确定系统状态估计问题,用概率已知的Bernoulli随机序列描述丢包现象,并采用丢失测量数据的预测值进行丢包补偿,将不确定条件下的最优化问题表示为Min-Max问题,并通过引入拉格朗日算子,将Min-Max问题转化为受限条件下的Min-Min问题,进而实现最优状态估计的求解.对所提算法的稳定性进行研究,推导出估计误差范数平方期望的上界,并给出估计误差范数平方期望收敛的充分条件.最后通过仿真验证所提算法的有效性.     

一类离散时滞不确定随机系统H∞静态输出反馈控制

在工业过程控制中，由于测量数据的网络传输或传感器暂时失效等原因可能造成测量数据的丢失，这种数据的丢失具有随机性．假设数据丢失过程可由一已知概率分布的Bernoulli序列进行描述．针对这样一类离散时滞不确定随机系统，利用线性矩阵不等式方法设计了H∞静态输出反馈控制器，所设计的静态输出反馈控制器使得闭环系统是均方指数稳定的且具有给定的H∞性能．仿真结果表明了设计方法的有效性．     

测量丢失概率不确定的网络化系统的鲁棒故障检测

研究一类具有测量数据丢失概率不确定的网络化系统的鲁棒故障检测问题,系统用概率属于一个区间的Bernoulli随机二进制切换序列来描述测量数据丢失.设计一个基于观测器的鲁棒故障检测滤波器(RFDF),对于区间内的每一个概率,RFDF残差误差输出对故障敏感且对具有L2有界的未知干扰输入有一定的鲁棒性,应用线性矩阵不等式方法,给出并证明了此RFDF的存在条件.最后通过例子说明了该方法的有效性.     

具有传感器增益退化、传输时延和丢包的离线状态估计器

研究了具有传感器增益退化、数据传输时延和丢包的网络化状态估计问题,传感器增益退化现象通过统计特性已知的随机变量来描述,数据包时延和丢失发生于传感器量测输出向远程处理中心传送过程中,将各时延的发生描述为随机过程,在远程处理中心端建立只存储最新时刻数据包的时延-丢包模型,考虑到利用每一时刻实时的时延值和丢包情况,设计了一种离线的无偏估计器,推导出最小方差原则下的离线最优估计器增益.最后,通过算例仿真验证所设计离线状态估计器的有效性.     

测量数据丢失的随机不确定离散系统的鲁棒H2状态估计

由于频宽有限,或者传感器临时损坏,测量数据在网络中传输时可能会丢失.本文对一类测量数据丢失的不确定离散系统,研究了鲁棒H2状态估计问题.所有的系统矩阵的参数都属丁二给定的凸多面体区域.测量数据的丢失是随机发生的,认为它是已知概率的Bernoulli随机序列.对于所有容许的不确定和可能的数据丢失,采用线性矩阵不等式方法,给出了全阶和降阶的H2滤波器存在的充分条件.数值仿真表明本文所提方法的有效性.     

测量数据丢失的随机不确定系统鲁棒滤波递推算法

针对一类具有测量数据丢失的不确定离散随机系统,研究了鲁棒状态估计问题,基于间断观测滤波算法和规则最小二乘优化理论,给出一种Kalman形式的递推滤波算法.对于测量数据丢失的问题,采用已知概率的Bernoulli随机序列,使得对于所有可能的测量数据丢失和所能容许的不确定性,间断观测鲁棒状态估计递推算法是稳定的.最后,通过数值仿真和对比结果验证了所提出算法的可行性.     

网络控制系统随机稳定性研究

研究了具有随机网络诱导时延及数据包丢失的网络控制系统随机稳定性问题. 本文用一个具有两个状态的马尔可夫链来描述数据通过网络传输时随机数据包丢失过程, 利用马尔可夫跳变线性系统理论, 将网络控制系统建模为一个具有两种运行模式的马尔可夫跳变线性系统, 给出了在状态反馈控制下网络控制系统随机稳定的线性矩阵不等式形式的充分条件, 最后用一个仿真示例验证了该方法的有效性.     

Robust design of iterative learning control for a batch process described by 2D Roesser system with packet dropouts and time‐varying delays

Batch process, working as a best choice for low‐volume and high‐value products in manufacturing, has been widely used in chemical industries. The actuator faults and time delays often occur in practical production. This paper develops an iterative learning control (ILC) design for a batch process described by two‐dimensional (2D) Roesser system with packet dropouts and time‐varying delays. The phenomenon of actuator faults is regarded as an arbitrary stochastic sequence satisfying the Bernoulli random binary distribution. Firstly, the ILC design for a batch process is transformed into stability analysis for a 2D stochastic system with time‐varying delays. Secondly, for analyzing the stability of 2D stochastic systems, we derive the stability condition in terms of linear matrix inequality. Then, we give a procedure to get the control gain for the ILC design. An injection modeling process as an example with simulations in different cases of data dropout is given to demonstrate the validity of the proposed method. Furthermore, the proposed method has a better result by comparing the existing methods.     

An iterative learning control design approach for networked control systems with data dropouts

In network‐based iterative learning control (ILC) systems, data dropout often occurs during data packet transfers from the remote plant to the ILC controller. This paper considers the problem of controller design for such ILC processes. Packet missing is modeled by stochastic variables satisfying the Bernoulli random binary distribution, which renders such an ILC system to be a stochastic one. Then, the design of ILC law is transformed into the stabilization of a 2‐D stochastic system described by the Roesser model. A sufficient condition for mean‐square asymptotic stability is established by means of a linear matrix inequality technique, and formulas can be given for the control law design simultaneously. This result is further extended to more general cases where the system matrices also contain uncertain parameters. The effectiveness and merits of the proposed method are illustrated by a numerical example. Copyright © 2015 John Wiley & Sons, Ltd.     

具有测量数据丢失的离散不确定时滞系统鲁棒Kalman滤波

研究了具有测量数据丢失的离散不确定时滞系统鲁棒Kalman滤波问题, 其中时延存在于系统状态和观测值中. 模型的不确定性通过在系统矩阵中引入随机参数扰动来表示, 测量数据丢失现象则通过一个满足Bernoulli分布且统计特性已知的随机变量来描述. 基于最小方差估计准则, 利用射影性质和递归射影公式得到一个新的滤波器设计方法, 并且保证了滤波器的维数与原系统相等. 与传统的状态增广方法相比, 当时延比较大时, 该方法可以有效降低计算量. 最后, 给出一个仿真例子说明所提方法的有效性.     

数据丢失情况下的最小二乘参数辨识算法

现有系统参数辨识方法大多是建立在输入输出数据可以完全测量和完全获取的基础上,而在实际系统中,由于传感器故障或网络传输机构故障,使得数据丢失现象经常发生。研究一类线性系统在输入或输出数据丢失情况下的系统辨识问题,并将数据丢失现象描述为随机伯努利序列,在此基础上提出新的辨识算法来估计数据丢失情况下系统的参数。最后,通过仿真示例验证所提算法对数据丢失的影响。结果表明,所提出的算法相较于递推最小二乘法有更好的收敛性。