分层递阶控制技术在集控站中的应用

随着无人变电站的不断发展,对变电站的安全可靠运行又提出了更高的要求。文章介绍了分层递阶控制理论,阐述了分层递阶控制理论在集控站的实现形式和具体系统结构。根据实践证明,可以实现"管理集中,控制分散"的集散式控制。     

一种改进的机器人迭代学习控制方法

本文利用学习推理的思想提出了一种改进的迭代学习方法，目的在于改善单纯迭代学习在机器人轨迹控制中对系统负载的依赖性。能对周期性重复工作的机器人轨迹控制在系统模型和负载完全未知的条件下经一周期的试运行后达到准确轨迹跟踪，仿真研究表明，对于Ｐｕｍａ－５６０机械手的轨迹控制精度可达到１％，而且整个控制算法计算量少，完全能满足实时控制要求。     

一种机器人学习控制方法的实现

针对具有可重复工作方式的机器人，提出了一种ＰＤ迭代学习控制方法。该方法采用机器人关节角位置信号和关节角速度信号实现控制。文中给出了这种方法在三自由度机器人上的应用实例。     

基于广义跟踪误差的一阶非线性时滞系统自适应迭代学习控制

针对一类具有未知时变时滞的一阶非线性参数化系统,提出一种自适应迭代学习控制方案。通过利用边界层函数构造广义跟踪误差,消除了迭代学习控制初始精确定位的限制。为避免因引入边界层函数而产生的奇异性问题,引入双曲正切函数,并根据双曲正切函数的性质,通过构造Lyapunov krasovskii型复合能量函数证明了所有信号的有界性和跟踪误差的收敛性。仿真算例验证了所提出方案的有效性。     

基于神经网络的鲁棒自适应滑模迭代学习控制

对一类不确定非线性系统，包括不确定性机器人，提出一种自适应鲁棒迭代学习控制方案，学习控制用于学习周期性的系统不确定性，自适应滑模控制用于抑制非周期性系统不确定性，并且利用RBF神经网络自适应学习系统不确定性的未知上界，对不确定性系统动态和有界输入拢动具有鲁棒性，通过Lyapunov直接方法，确保了对每次迭代闭环系统是一致有界的，并且沿着迭代次数的增加，跟踪误差渐近收敛于零，仿真结果表明了该方案的有效性。     

未知相对度系统的一阶D型迭代学习控制

针对未知相对度系统,提出了一种一阶D型迭代学习控制律的设计方法。通过对具有未知相对度的被控系统串连和并联一个一阶子系统,可构造一个相对度为1的虚拟系统。该虚拟系统在一阶D型迭代学习控制律的作用下,能够完全跟踪期望轨迹。从而实现被控系统在一定误差范围内给定轨迹的渐近跟踪,D型迭代学习控制律的增益不依赖于被控系统的参数。仿真实例验证了方法的可行性与有效性。     

永磁同步电机伺服系统自适应迭代学习控制

针对执行重复性任务的永磁同步电机伺服系统,由于参数摄动、随机扰动等不确定因素影响导致的跟踪精度下降,误差发散问题,提出一种自适应迭代学习控制方法.该方法在PD型反馈控制的基础上增加自适应迭代项对控制律中未知参数进行迭代学习,减少不确定因素对系统性能的影响.建立了含有不确定性扰动的系统模型和PMSM自适应迭代学习控制系统,并且基于Lyapunov稳定性理论,分析了该方案的收敛性.结果表明,与传统PD型ILC相比,该方法收敛速度更快,跟踪精度更高,可有效改善系统的性能.     

一种可用于线性动态延迟系统控制的开环比例型一阶给定超前迭代学习控制算法

本文讨论了迭代学习控制的基本概念，并给出了一种可用于线性动态延迟系统的比例型一阶给定超前迭代学习控制算法。理论分析证明，这种控制算法对于跟踪重复运动的轨迹具有良好的效果。     

一类非线性系统自适应迭代组合学习算法研究

为消除或减弱实际工业控制非周期性的系统中存在不确定性的影响,该文针对存在可量测重复性扰动且系统初值在期望初值一定范围内随机变化的一类仿射非线性系统进行算法研究,运用有关自适应控制理论,将自适应控制方法引入到迭代学习控制中来,两者结合成一种组合智能控制算法,即自适应迭代学习控制算法,最后通过与带遗忘因子的开环PD型迭代学...     

离散MRACS设计的一种改进方法

本文只用输入输出测量值设计了一种全局稳定离散模型参考自适应控制系统。与文献[2]相比,作了三点改进:少用了一组滤波器;将可测负载扰动L(k)的未知增益项扩展成多项式形式;去掉了控制输入up(k)表达式中存在的可调参数_0(k)的除数项。     

基于PID型迭代学习控制算法的电阻炉温度控制

基于压缩性原理,讨论了PID型迭代学习控制算法,并对这种算法在理论上进行了收敛性分析.将PID型迭代学习控制算法应用于电阻炉温度控制,仿真曲线表明,该算法对电阻炉温度控制的效果,明显优于普通PID算法的P型和D型迭代学习算法.     

一类非线性系统的初态迭代学习控制

针对一类非线性系统,提出了具有初态学习的开闭环PD型迭代学习算法,并给出了该算法的收敛充分条件。依据此收敛条件,可确定初态学习律和输入学习律的学习增益,而不必依赖系统的结构和参数,从而放宽了对初始定位的要求。初态学习允许在每次迭代开始时,其初态与期望初态有一定的定位误差,并允许初态在收敛条件范围内任意设置。利用压缩映射分析方法,证明了系统在任意初态下经过几次迭代后,实际输出能完全跟踪上期望轨迹。最后,通过仿真实例验证了所提算法的有效性和可行性。     

线性时变系统闭环PID型迭代学习算法的仿真分析

对闭环PID型迭代学习算法进行了收敛分析,并针对一类线性时变系统,分别运用开环和闭环PID型迭代学习算法进行了仿真研究。仿真结果表明,闭环比开环PID型迭代学习算法更能较快地跟踪期望轨迹,而且很少出现不稳定的现象,在收敛速度方面显示了该算法的优越性。     

一类非线性系统的学习控制算法

本文对很广的一类非线性系统在其数学模型与参数未知时，采用闭环Ｄ型迭代学飞算法，使其被控系统的输出很快地收敛于给定的轨迹。并分析了开，闭环学习的机理，给出了闭环Ｄ型算法的收敛条件及证明。仿真结果表明其收敛速度远高于由Ａｒｉｍｏｔｏ等人提出的开环学习算法。     

基于模型预测的迭代学习控制器设计

针对具有非重复性干扰项的重复操作过程,提出了基于模型预测的迭代学习控制算法。其中,迭代学习控制器以前馈形式作用于重复过程.算法在时间轴方向基于跟踪误差暂态模型,采用模型预测控制的反馈校正,来抑制当前随机干扰,提高系统的跟踪性能.在重复次序方向利用P型迭代学习控制克服重复干扰.仿真结果表明了该方法的有效性.     

批过程中带有Smith时滞补偿器的反复学习控制

反复学习控制(ILC)策略充分利用以前的批过程信息反复改进追踪性能的控制策略，ILC应用于建模和时间滞后存在不确定性的单输入单输出过程，过程的动态特性由带纯时滞的传递函数描述．仿真结果表明：ILC能够显著提高控制性能，     

具有初态学习的闭环PD型迭代学习控制

针对一类输入时滞非线性系统提出了一种新的学习控制算法,即在任意初始状态条件下系统的输入和初态同时进行学习的闭环PD型迭代学习控制,其中输入利用给定超前法。给出了该算法谱半径形式的收敛条件,并利用算子理论证明了系统在任意初始状态条件下经过迭代后,其输出能够完全跟踪期望轨迹。该算法解决了闭环PD型迭代学习控制的初始状态问题,且放宽了收敛条件。仿真结果表明了该算法的有效性。