基于柔性迭代学习控制和反馈补偿的空调系统节能策略

空调系统具有重复性和周期性工作特点,因此迭代学习控制可以利用以前控制周期的经验.但由于空调系统每目的负荷都会因气象条件和人流随机性等因素而具有一定的不确定性,因此开发出具有柔性特点的迭代学习控制ILC控制器.运用柔性ILC对空调系统进行控制,达到了很高的控制精度,减少了空调系统的能量损耗,达到了理想的节能效果.同时,针对空调系统中可能出现较大非规律性扰动,采取了反馈补偿的措施.     

基于终点时刻末端误差的柔性臂迭代学习控制

针对柔性臂重复运行的情况,在仅能测量运行终点时刻末端位置的条件下,提出一种新的结合计算力矩法的迭代学习控制（ILC）方法.该方法利用柔性臂的简化动力学模型,给出各关节控制力矩的参数化表示;并依据终点时刻柔性臂末端位置的误差,通过迭代学习算法调整控制力矩的参数,实现精确到达预期末端位置的目标.算法利用ILC不依赖模型的特点,弥补计算力矩法需要精确模型的缺陷;参数的迭代学习主要起到消除模型误差和各种干扰的作用,增强算法的鲁棒性.通过理论分析给出所提算法的收敛条件.最后在柔性臂系统上进行仿真及实际试验.结果表明,所提出的ILC算法能够克服连杆柔性对柔性臂末端误差的影响,显示良好的控制效果.     

知识继承型迭代学习控制的研究与应用

针对一类具有同质特征的多维轨迹群,提出基于知识继承的迭代学习控制（ILC）策略. 该策略以一类工业机器人系统为控制对象,在跟踪具有渐变幅值的同质轨迹群（HTG）时,应用迭代学习控制方法,从起始源轨迹中获得基准控制知识. 将基准控制知识预设为下一新轨迹迭代学习的首次运行知识. 通过增益变换和偏移变换实现迭代学习控制的知识继承,使得该类工业机器人系统加快对新轨迹的学习速度,以此降低跟踪同质轨迹群的整体学习次数,实现跟踪效率的较大提升. 理论分析和仿真结果证明了所提控制策略的优越性.     

基于迭代学习的开关磁阻电动机最优控制研究

以转矩脉动最小化为目标,提出了一种开关磁阻电动机（SRM）最优控制器的设计方法.基于迭代学习控制（ILC）的基本原理,阐述了单输入单输出（SISO）非线性系统中ILC的收敛性和稳定性的一般性结论.建立了以非线性磁链模型为基础的SRM数学模型.所设计的最优控制器由基于转矩分配函数（TSF）的转矩控制器和电流控制器构成,转矩控制器根据期望转矩经过“学习”得出期望电流曲线,电流控制器经过“学习”使实际输出电流逼近期望电流曲线,从而实现转矩控制.仿真结果表明,在恒转矩负载下,转矩脉动减小,且具有较好的收敛性与稳定性,达到了转矩脉动最小的优化目的.     

永磁直线同步电机自适应PD型迭代学习控制

针对永磁直线同步电机伺服系统易受摩擦力、端部效应和测量扰动等不确定因素影响的问题,提出一种自适应PD型迭代学习控制方法.该控制方法根据误差的大小在线智能地调整学习增益,从而抑制扰动,并在控制器的微分系数上引入指数学习增益,实现收敛速度与跟踪精度之间的折衷;从理论上证明了自适应PD型ILC的收敛性,分析了该控制算法的优越性.结果表明,与传统PD型ILC相比,自适应PD型ILC具有更快的收敛速度和更强的鲁棒性,大大地减小了跟踪误差.     

磁悬浮球系统往复运动的迭代学习控制

磁悬浮球系统具有开环不稳定、高度非线性的特点,同时难以建立其精确的数学模型,给设计适用的控制器带来了困难。为了克服这些困难,实现对磁悬浮球系统高精度、强鲁棒性的运动控制,提出了一种带遗忘因子的比例微分(proportion differential,PD)型迭代学习算法。基于磁悬浮球系统的线性化数学模型,结合迭代收敛性推导和系统模型仿真初步确定迭代学习控制参数,最后在实物平台上进行了对比实验,实验结果表明:在阶跃响应中,迭代学习控制与比例积分微分(proportion integral differential,PID)控制相比,具有更小的超调量和更快的响应速度;在跟踪正弦轨迹时,迭代学习控制与PID控制、滑模控制相比具有更高的精确度和鲁棒性。因此,迭代学习控制在磁悬浮球系统的运动控制中具有优势。     

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.     

带遗忘因子迭代学习控制最优增益研究

针对一类含非严格重复扰动的单输入单输出(SISO)离散线性时不变系统(LTI)的收敛特性最优化问题,提出带遗忘因子迭代学习控制(ILC)算法的最优控制增益设计方法。根据迭代矩阵理论和Toeplitz矩阵特性得到含非严格重复扰动的系统收敛充要条件,并运用算子理论证明收敛。根据最优化理论给出系统的单调收敛条件,求解出算法最优控制增益的精确解,得到遗忘因子与最优控制增益之间的关系式,实现系统快速收敛,从而达到改善系统收敛特性的目的。该方法改进了传统最优控制增益在带遗忘因子ILC算法中应用的不足,放宽了系统收敛条件,有效加快系统收敛速度,抑制系统输出跟踪误差波动,同时也为含非严格重复扰动的LTI系统提供了一个更优的解决方案。仿真结果验证了控制策略的有效性。     

迭代学习控制器参数的数据驱动自适应整定方法

针对PID型迭代学习控制(iterative learning control, ILC)方法,提出了两种数据驱动自适应整定(data-driven adaptive tuning, DDAT)方法。首先采用紧格式迭代动态线性化(compact form iterative dynamic linearization, CFIDL)方法将原始的非线性系统转化为等价的线性数据模型,设计了一个目标函数来动态地调整PID型ILC的学习增益。其次,通过对设计的目标函数进行优化,提出了一种基于CFIDL的DDAT方法。该方法只使用实际的I/O数据,而不需要任何机理模型信息。进一步,引入偏格式迭代动态线性化(partial form iterative dynamic linearization, PFIDL)方法对结果进行扩展,提出了一种基于PFIDL的DDAT方法。所提出的两种DDAT方法都可以提高PID型ILC对不确定性的鲁棒性。最后,通过仿真验证了两种方法的有效性。     

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，     

动态系统学习控制的两层迭代算法

对于具有重复运动性质的动态系统的学习控制问题,本文提出了一类两层迭代算法．文中针对线性系统和一类非线性系统分别给出了算法收敛性证明．仿真结果表明,适当选取学习参数可加速收敛过程．     

离散时间系统自适应迭代学习控制的研究进展

离散自适应迭代学习控制是针对在有限时间区间上运行的不确定非线性离散时间系统提出的一类方法,可有效抵抗系统的不确定性,并放宽了传统迭代学习控制中要求相同初始条件和参考轨迹这两个关键假设。即可在随机初始条件下实现对迭代变化参考轨迹的几乎完全跟踪性能。本研究给出了迭代学习控制方法的分类,对其中的自适应迭代学习控制方法的设计思路和适用背景进行了阐述。重点综述了离散时间系统自适应迭代学习控制方法的发展过程,讨论了所提出离散时间自适应控制方法的特点和适用范围,提出了基于数据驱动的自适应迭代学习控制发展的必然趋势和有待于进一步研究的问题。     

基于迭代学习控制原理的流浆箱控制系统设计

流浆箱的作用和特点要求其控制系统必须同时具有良好的解耦能力和自适应能力,将迭代学习控制算法和PID控制规律结合用于流浆箱控制不仅能够实现解耦控制,而且使系统具有较强的自适应能力和可移植性.所设计的控制系统采用比例型学习规律给出了有效的控制流程和学习因子更新流程,仿真实验证明该系统具有良好的控制效果.     

基于PID神经网络的多变量解耦技术在变风量空调中的应用

本文分析了空调控制系统、变风量空调系统特点及目前存在的控制问题,提出了空调控制系统引入智能控制方案的可行性与必要性,针对变风量空调系统的特点和要求,提出变风量空调系统的控制方案。控制回路由冷水流量一送风温度控制、风机转速一静压点静压控制、送风量一室内温度控制、新风量一二氧化碳浓度控制四个控制回路组成,建立了一种新的多层神经网络,实现了神经网络和PID控制规律的本质结合,在变风量空调控制系统中表现出很强的学习和自适应解耦能力,MATLAB仿真试验说明了系统设计的有效性。     

有界输入下基于backstepping的迭代学习控制

讨论一类含饱和执行机构的非匹配不确定非线性系统的输出跟踪问题．结合反演（backstep-ping）设计方法和迭代学习控制，提出一种输入限幅下的backstepping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，backstepping方法用于处理非匹配不确定性，并且利用低通滤波器削弱饱和执行机构的影响．通过Lyapunov方法，证明所设计的控制器不仅可保证闭环系统中所有信号一致有界，而且随迭代次数增加，跟踪误差收敛到零．仿真结果表明控制器的有效性和可行性．     

均热炉温度模糊滑模迭代学习控制算法

针对具有不确定性的重复非线性均热炉温度控制系统,提出基于模糊滑模迭代学习控制算法。该算法以系统的滑模函数作为模糊控制器的输入,以模糊控制器的输出作为迭代学习控制的控制增量。将滑模控制算法引入到迭代学习控制中能够加速迭代学习控制的收敛速度,利用模糊控制能够减小滑模控制所引起的抖动问题。通过仿真可以看出,模糊滑模迭代学习控制算法能够实现系统快速收敛,该算法比单纯反馈控制具有更好的控制效果。     

不确定时滞系统的迭代学习控制算法(Ⅰ)

讨论了不确定时滞系统迭代学习控制的鲁棒收敛性．在存在干扰和初始偏移的情形下，给出了较弱的收敛性充分条件．仿真结果表明，迭代学习控制算法对于抑制初始点偏移和周期干扰的影响是有效的．     

非线性系统开闭环PI型迭代学习控制的鲁棒性

对于完成重复轨迹跟踪任务的系统,迭代学习控制是一种能有效地改进其跟踪性能的技术。研究并给出了一类非线性系统开闭环PI型迭代学习控制的鲁棒条件,证明了系统在状态干扰、输出干扰和初态干扰有界的情况下跟踪误差有界收敛,在所有干扰渐近重复的情况下可以完全地跟踪给定的期望轨迹．从鲁棒条件式看出,迭代学习控制的鲁棒性与学习控制律中的积分系数无关。     

迭代学习控制理论

迭代学习控制是“学习控制”的一个重要组成部分,是控制理论的一个新的研究方向．由西安工业大学研制的控制系统一迭代学习控制（ICL）系统,只需输入、输出信号即可重复运行,不依赖于动态系统的精确数学模型,能以非常简单的方式处理不确定、强耦合、非线性的复杂系统,并且适用性强,易于实现．     

迭代学习控制理论

迭代学习控制是“学习控制”的一个重要组成部分,是控制理论的一个新的研究方向．由西安工业大学研制的控制系统一迭代学习控制（ICL）系统,只需输入、输出信号即可重复运行,不依赖于动态系统的精确数学模型,能以非常简单的方式处理不确定、强耦合、非线性的复杂系统,并且适用性强,易于实现．