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.     

随机变批次长度的反馈辅助PD型量化迭代学习控制

针对离散线性系统,研究批次长度随机变化的反馈辅助PD型量化迭代学习控制问题.考虑系统信号经量化后传输到控制器或执行器的情况,给出两种量化方案:跟踪误差信号量化和控制输入信号量化.基于两种不同的量化信号,在批次长度和初始条件随机变化前提下设计反馈辅助PD型迭代学习控制算法.采用扇形界的处理方法和堆积系统框架,推导数学期望...     

有限时间死区修正迭代学习控制器的设计

在任意初始定位条件下,讨论具有限时间死区修正的迭代学习控制器设计方法.针对一类高阶不确定非线性时变系统,通过将其不确定性项线性参数化表达,进行迭代学习控制器设计:并考虑不确定项界函数参数化情形下的鲁棒迭代学习控制方法.通过引入有限时间死区,设计的控制器可使得所定义的误差函数在有限时间内收敛至零;进而依据能控格莱姆矩阵构造的初始修正项可使得系统在预先指定的时间区间上实现完全龈踪.理论分析及数值仿真结果表明,在保证误差函数始终囿于所设计的有限时间死区内的同时,闭环系统中所有信号均有界.     

反馈辅助学习算法在Lebesgue-p范数意义下的单调收敛性

针对一类线性时不变系统,讨论存在固定初始偏移时的学习控制问题,提出带有反馈辅助项的比例微分(proportion differentiation,PD)型学习控制算法,分析所提算法在Lebesgue-p范数意义下的单调收敛性,获得对期望轨迹的渐近跟踪结果.进一步地,为获得系统输出对期望轨迹的完全跟踪,给出带有初始修正策略的比例–积分–微分(proportion multiple integration differentiation,PMID)型学习律,并给出了所提学习算法的单调收敛性能分析结果.最后,通过数值结果,验证了所提学习算法的跟踪性能和单调收敛性能.     

非线性系统的PD型迭代学习控制

非线性系统的ＰＤ型迭代学习控制孙明轩黄宝健张学智（西安工业学院电子系西安７１００３２）关键词初始条件问题,迭代学习控制,非线性系统．１）国家自然科学基金资助项目．收稿日期１９９６－０７－２５１引言运用迭代学习控制技术设计控制器时,只需要通过重复操作获...     

初始误差修正的多智能体一致性迭代学习控制

研究了重复运行的分布式多智能体系统在有限时间内的一致性问题。针对具有固定拓扑结构的多智能体系统,在期望轨迹对应的初始状态未知,且系统存在干扰的情况下,引入虚拟领导者技术,提出了一种同时对各智能体的输入和初始状态误差进行迭代修正的分布式学习控制算法。收敛性分析表明,该算法能够消除由于各智能体初始状态和期望轨迹对应的初始状态不同而引起的各智能体输出不能完全跟踪期望轨迹的状况,实现系统在有限时间内的完全跟踪;仿真结果也证明了算法的有效性。     

机器人系统有限时间自适应迭代学习控制

研究任意初态下，机器人系统的有限时间自适应迭代学习控制方法。引入初始修正吸引子的概念，构造一个含有初始修正项的误差变量。针对定常机器人系统和时变机器人系统，采用Lyapunov-like方法，分别设计迭代学习控制器处理系统中不确定性。并且，采用未含/含限幅学习机制，保证闭环系统各变量的一致有界性和误差变量在整个作业区间一致收敛性。藉以实现跟踪误差在预先指定区间的完全跟踪。仿真结果验证所设计控制方法的有效性。     

带有初始误差修正的迭代学习控制

１　引言在利用迭代学习算法设计控制器时,为了保证算法的收敛性,常对系统的初态限定一定的条件,这就是所谓的初始条件问题．目前发表的文献大都要求迭代初态严格重复期望初态［１—５］．然而,实际的重复定位操作往往会引起迭代初态相对于期望初态的偏移．在很多情况下期望初态是未知的,而系统初态也是固定的．本文研究在迭代初态任意固定的情况下迭代学习控制问题,提出了带有初始误差修正的迭代学习算法,讨论了这种算法的收敛性,给出了算法的极限轨迹．２　主要结果考虑一类非线性系统ｘ（ｔ）＝ｆ（ｘ（ｔ））＋Ｂ（ｘ（ｔ））…     

严格反馈互联系统分散式backstepping自适应迭代学习控制

基于Lyapunov分析方法,针对具有严格反馈形式的非线性互联系统,本文设计了一种分散式backstepping自适应迭代学习控制器.子系统之间的互联项为所有子系统输出项线性有界,为每个子系统设计的控制器仅采用该子系统的信息,不需要子系统之间相互传递信息.在控制器中,引入在时间轴和迭代轴上同时更新的自适应参数,以补偿子系统之间的互联项影响.通过采用本文给出的控制器,可使得每个子系统的输出跟踪相应的参考模型输出,仿真结果验证了本文算法的有效性.     

非线性迭代学习控制问题的延拓修正牛顿法

对于非线性迭代学习控制问题,提出基于延拓法和修正Newton法的具有全局收敛性的迭代学习控制新方法.由于一般的Newton型迭代学习控制律都是局部收敛的,在实际应用中有很大局限性.为拓宽收敛范围,该方法将延拓法引入迭代学习控制问题,提出基于同伦延拓的新的Newton型迭代学习控制律,使得初始控制可以较为任意的选择.新的迭代学习控制算法将求解过程分成N个子问题,每个子问题由换列修正Newton法利用简单的递推公式解出.本文给出算法收敛的充分条件,证明了算法的全局收敛性.该算法对于非线性系统迭代学习控制具有全局收敛和计算简单的优点.     

一类非线性系统迭代学习控制的初始态鲁棒性

本文对迭代学习控制中的初始态变化的鲁棒特性进行了探讨,针对非线性系统提出了一种基于开环D型的初始态修正的迭代算法,并给出了收敛性证明,最后通过仿真对算法的有效性进行了验证。     

非线性间歇过程PD型变增益迭代学习控制

针对迭代学习控制中固定学习增益存在的系统收敛速度较慢,实际应用中系统动态性能较差的缺点,研究了具有批次重复性的非线性间歇过程变增益PD型迭代学习控制方法.利用迭代学习过程中的期望轨迹、控制输入以及跟踪误差信息,设计变增益PD型控制器,给出了谱半径收敛条件,并利用算子理论对其进行了证明.对微藻发酵过程基质浓度的控制进行建...     

初态学习下的迭代学习控制

提出一种新的初态学习律,以放宽常规迭代学习控制方法的初始定位条件．它允许一定的定位误差,在迭代中不需要定位在某一具体位置上,使得学习控制系统具有鲁棒收敛性．针对二阶LTI系统,给出了输入学习律及初态学习律的收敛性充分条件．依据收敛性条件,学习增益的选取需系统矩阵的估计值,但在一定建模误差下,仍能保证算法的收敛性．所提出的初态学习律本身及其收敛性条件均与输入矩阵无关．     

带有误差修正项的自适应学习控制

本文讨论了二阶系统在任意初态偏差下的自适应控制问题,借助学习控制及其初始修正的思想,提出了两种带有修正初态偏差功能的自适应控制策略:一阶吸引子控制器和零阶吸引子控制器.两种控制器都是将整个控制过程分成若干个等长时间的子过程,在每个子过程中控制算法都会进行误差校正和参数学习.其中,一阶吸引子控制器在每个子过程中同时修正所...     

多变量非线性系统的变阶采样迭代学习控制

针对存在初态误差的情形, 提出多变量非线性系统的变阶采样迭代学习控制方法. 相对固定阶迭代学习算法, 变阶算法可有效降低跟踪误差. 对变阶采样迭代学习算法进行了收敛性分析, 推导出收敛充分条件. 给出了变阶学习的两种实现策略-DD (Direct division)和DIP (Division in phases)策略. 数值仿真表明, 基于DIP策略的变阶采样迭代学习算法在获得较高的控制精度的同时, 具有较快的收敛速度.     

分数阶线性时滞切换系统PDα型迭代学习控制

针对一类具有任意切换规则的分数阶线性时滞切换系统,利用λ范数研究了 PDα型分数阶迭代学习控制算法(FOILC)的收敛性,分析了在其控制下系统的跟踪性能,并对算法收敛的充分条件进行了严格的数学证明.理论分析表明,对于有限时间域内可任意切换的分数阶线性时滞切换系统,如果选取适当的学习增益矩阵和系统参数矩阵,随着迭代次数的...     

任意初态下的工业机器人迭代学习控制

对迭代初值为任意值的工业机器人轨迹跟踪控制系统,提出了一种基于滑模面的非线性迭代学习控制算法,使机器人轨迹能快速、精确跟踪上期望轨迹.基于有限时间收敛原理,构建了关于机器人轨迹跟踪误差的迭代滑模面,在滑模面内,机器人轨迹跟踪误差在预定时间内收敛到零.设计了基于滑模面的迭代学习控制算法,理论证明了随着迭代次数的增加,处于...     

迭代学习控制器设计:一种有限时间死区方法

提出系统不确定性项定常参数化和时变参数化情形下的控制器设计方法,它允许初始位置任意设置且定位误差不要求足够小.在设计的控制器中,采用有限时间死区技术,以保证跟踪误差收敛到这种死区所确定的区域.提出初始修正吸引子的概念,构造的时变死区含这种初始修正吸引子,以使得闭环系统在给定时间区间上可实现完全跟踪.理论分析与仿真结果表明,跟踪误差信号在一预先指定区间上收敛到零,在起始区间段上被囿于死区所确定的区域中;并保证闭环系统中所有信号是有界的.     

具有反馈信息的迭代学习控制律在Lebesgue-p范数意义下的收敛性

针对一类线性时不变系统, 提出了具有反馈信息的PD-型(Proportional-derivative-type)迭代学习控制律, 利用卷积的推广的Young不等式, 分析了控制律在Lebesgue-p范数意义下的单调收敛性. 分析表明, 收敛性不但决定于系统的输入输出矩阵和控制律的微分学习增益, 而且依赖于系统的状态矩阵和控制律的比例学习增益; 进一步, 当适当选取反馈增益时, 反馈信息可加快典型的PD-型迭代学习控制律的单调收敛性. 数值仿真验证了理论分析的正确性和控制律的有效性.     

基于ANFIS的迭代学习控制初始控制研究

将自适应神经模糊推理算法用于迭代学习控制初始控制输入量的求取问题,提出一种基于自适应神经模糊推理系统的迭代学习初始控制算法。针对传统迭代学习控制中对于经验数据运用不足或是没有运用的问题,利用迭代学习控制对于以往控制任务的学习建立经验数据库,通过自适应神经模糊推理系统对于经验数据库中的数据进行拟和以得到新的控制输入量。通过仿真分析验证了算法的可行性和有效性。