一种新的基于迭代学习的故障检测和估计算法

将迭代学习策略应用到故障诊断中,提出一种新的故障检测和估计算法.引入虚拟故障参数,采用基于PID的迭代学习策略调节其中的虚拟故障,使虚拟故障逼近系统中实际发生的故障,从而达到对系统故障诊断的目的.理论证明和仿真结果验证了新算法的可行性和有效性.     

迭代扩张状态观测器及其在迭代学习控制中的应用

针对一类迭代学习控制(ILC)系统的不确定项,根据时域中扩张状态观测器的思想,提出迭代域中线性迭代扩张状态观测器(LIESO),该线性迭代扩张状态观测器可以利用迭代过程的跟踪误差给出迭代学习控制系统的不确定项的显式估计。给出了基于该估计的迭代学习控制算法,并应用类Lyapunov方法证明其收敛性。仿真结果表明,所提出的迭代学习控制算法是有效的,应用迭代扩张状态观测器可以大幅度提高迭代学习效率。     

基于自适应迭代学习算法的一类非线性系统故障检测与估计

针对迭代学习算法在非线性系统故障检测与估计过程中存在估计误差较大和收敛速度较慢等不足的问题,提出了一种基于龙格–库塔故障估计观测器模型的自适应迭代学习算法,有效降低了故障估计误差;并引入H∞性能指标,提高了故障估计观测器的收敛速度.该算法首先设计故障检测观测器对故障进行检测,然后设计故障估计观测器,并将自适应算法与迭代学习策略相结合,使得估计故障逐渐逼近真实故障,从而实现对非线性系统中多种常见故障的精确检测与估计.最后,通过机械臂旋转关节驱动电机的执行器故障仿真验证了所提算法的有效性.     

基于迭代学习的线性不确定重复系统间歇性故障估计

针对一类带有不确定参数项的线性重复系统间歇性故障估计问题, 本文提出一种基于迭代学习的故障估计算法.该算法通过设计基于迭代学习的故障估计器和状态观测器, 构造李雅普诺夫方程和优化函数证明该算法的鲁棒性和收敛性, 并通过线性矩阵不等式, 求解出算法中的观测器增益矩阵和迭代学习参数矩阵.区别于其他观测器方法, 本文中的方法利用上一次基于迭代学习观测器输出和系统实际输出产生的残差信号, 对本次的故障信号进行跟踪估计, 从而准确地估计出故障的幅值和形状.仿真结果说明了该算法的有效性和准确性.     

基于逆系统迭代学习观测器的故障调节方法

针对一类满足Lipschitz条件的多输入多输出非线性可逆系统执行器故障问题,提出了一种基于迭代学习观测器的逆系统内模故障调节方法。引入PD型迭代学习策略,设计了迭代学习故障诊断观测器,用于对执行器未知时变故障进行快速、准确估计。根据故障估计值,结合逆系统方法对逆模型进行补偿,使得补偿后的逆模型与非线性被控对象串联仍为伪线性系统;再结合内模控制实现了伪线性系统的容错控制。最后,通过仿真算例验证了该方案的有效性。     

基于故障跟踪估计器的非线性时滞系统故障诊断

提出一种可有效检测和估计一类非线性时滞系统故障的故障跟踪估计器.根据预测控制和迭代学习控制的思想,在所选取的优化时域长度内,通过迭代算法调节故障跟踪估计器中的可调参数,使之逼近系统中实际发生的故障.与以往基于观测器的故障诊断方法不同的是,故障跟踪估计器可同时检测和估计系统中发生的故障,而且针对不同类型的故障亦有很好的适应性.仿真结果表明了所提出算法的可行性和有效性.     

基于扩张状态观测器的鲁棒迭代学习控制

针对一类包含模型不确定和外界干扰等非重复扰动的线性离散系统,本文通过将迭代学习控制与自抗扰技术相结合,提出一种新的基于扩张观测器的鲁棒迭代学习控制方法.本文以时间轴和迭代轴两个方向同时出发考虑系统的非重复扰动估计和稳定收敛问题.将与时间和迭代轴同时相关的模型不确定及外界干扰等因素归纳为系统总扰动,针对其非重复变化特性给出了扩张观测器的设计,保证在批次内快速、准确地估计系统总扰动;基于上述扰动估计,设计新型的迭代学习控制律,利用线性矩阵不等式方法证明了整个鲁棒迭代学习系统的稳定性和收敛性,并给出合理的控制器参数估计条件.此外,讨论了迭代学习控制中第一批次的控制律设计问题,给出合理的自抗扰控制器设计.最后通过仿真对比实验验证了本文方法的可行性和有效性.     

基于观测器的发电机功角与故障估计

针对发电机功角与故障估计这个问题,提出一种利用观测器的方法.该方法通过对系统数学模型进行状态变换,将数学模型分为含故障与不合故障两部分.对不合故障部分设计观测器,然后经过状态变换可以得到功角信息.在故障估计过程中,通过增广误差系统设计增广观测器可以得到故障的幅值.最后通过Matlab仿真分析,验证基于观测器功角与故障估计方法的有效性,结果表明该方法具有速度快、误差小的优点.     

基于迭代扩张状态观测器的数据驱动最优迭代学习控制

针对一类带扰动有限时间内重复运行的离散时间非线性非仿射不确定系统,本文提出了一种基于迭代扩张状态观测器的数据驱动最优迭代学习控制方法.首先,提出了改进的迭代动态线性化方法,将被控系统线性化为与控制输入有关的仿射形式,并将不确定性合并到一个非线性项中;然后,设计了迭代扩张状态观测器对非线性不确定项进行估计,作为对扰动的补偿;最后,设计了性能指标函数,通过最优技术,提出了参数迭代更新律和最优学习控制律.本文通过数学分析,证明了跟踪误差的有界收敛性.仿真结果验证了方法的有效性.所提出的新型迭代动态线性化方法可很大程度上降低线性化后的控制增益的动态复杂性,使其易于估计.所提出的迭代扩张状态观测器可以在重复中学习,对非重复扰动可进行有效的估计.此外,本文控制器的设计与分析是数据驱动的控制方法,除了被控系统的输入输出数据以外,不需要任何其他模型信息.     

非线性间歇过程的迭代学习状态估计

在间歇过程的状态估计中,如何充分利用多批次重复特性信息是一个挑战。迭代学习卡尔曼滤波方法利用卡尔曼滤波沿时间方向估计相邻两批次之间的状态误差,并沿批次方向迭代更新当前状态估计,兼顾了时间和批次两维特性。但是,这种方法只适用于线性系统。针对非线性间歇过程,提出一种迭代学习拟线性卡尔曼滤波器(ILQKF)方法。ILQKF基于间歇过程的标称模型,将实际状态与标称状态之间的误差作为新状态,建立了与误差相关的线性化模型。然后,根据迭代学习卡尔曼滤波方法,对状态误差进行估计,而状态轨迹为误差轨迹与标称轨迹之和,从而估计出非线性间歇过程的状态。啤酒发酵过程的应用仿真验证了ILQKF方法的优越性。     

基于ESO的动态解耦方法及其应用仿真*

针对多变量系统控制中的耦合问题,提出了一种基于扩张状态观测器（ESO）的动态解耦方法。该方法将系统输入变量间的耦合作用、被控对象参数时变和外界干扰视为一个总的扰动,用ESO估计该总扰动并反馈到控制器进行补偿,从而实现动态解耦;对解耦后的每个子系统,分别设计出了基于误差最小二乘指标的神经元自适应PID（NAPID）控制器。该方法简化了解耦过程,放松了对系统模型的要求,计算量小、鲁棒性强。最后用该法对蒸馏塔进行控制仿真,仿真时使用混沌优化方法对ESO的参数进行了离线优化,并给出了与模糊PID解耦控制方法对比的     

永磁直线电机基于ESO的速度辨识与控制

运用自抗扰控制技术,分别对永磁同步直线电机的直轴电流id和动子速度口设计了控制器．直轴电流的白抗扰控制器除完成对id控制外,还要借助于控制器中的扩张状态观测器(ESO),完成对动子速度的辨识．速度的辨识信号作为速度环自抗扰控制器的反馈信号,从而可设计出一种新型的无速度传感器永磁直线电机的控制系统．由于采用基于过程误差的非线性控制律,观测器受电机参数的影响极小,具有算法简单、辨识精度高等优点。     

基于牛顿迭代法的RFID标签数量估计算法

ALOHA算法是一种被广泛采用的射频识别(RFID)标签防碰撞算法,要提高它的识别效率,算法帧长必须根据标签数量自适应调整,因此标签数量估计的准确性十分重要。针对已有标签估计方案存在的误差大问题,提出一种基于牛顿迭代法的标签数量估计算法(NIATE)。首先,根据标签数量与帧长的数量关系确定一个调节因子;其次,研究标签识别过程中成功时隙占总时隙比例,得到调节因子与所占比例的关系;最后利用牛顿迭代法求解得出准确的标签数量。仿真结果表明,NIATE算法在不同标签数量情况下,相比现有主流算法具有较好的自适应能力,标签估计平均误差更小,从而减少了识别所有标签所需的总时隙数,提高了系统吞吐率。     

基于迭代学习的离散线性时变系统故障诊断

针对一类离散线性时变系统的故障诊断问题,提出一种新的故障检测与估计算法.该算法通过引入虚拟故障构建离散故障跟踪估计器,在选取的优化时域内,利用估计器输出和系统实际输出产生的残差信号,采用迭代学习算法来调节虚拟故障,使虚拟故障逼近系统中实际发生的故障,从而达到对系统故障诊断的目的.该方法不仅能检测出系统不同类型的故障,还可以实现对故障信号的精确估计.仿真结果验证了所提出方法的有效性.     

基于双曲正切函数的二阶时变参数扩张状态观测器

当传统扩张状态观测器(ESO)的状态初值与系统的状态初值相差较大时,普遍存在微分峰值现象.为了消除这种现象,本文给出了用双曲正切非线性函数构造ESO的一般形式,并且用Lyapunov函数证明了二阶ESO的误差系统为渐近稳定.然后又利用双曲正切函数自身的饱和特性,设计出一种时变ESO,可以实现微分峰值的有效抑制.最后,把这种ESO的仿真结果与经典ESO的仿真结果进行对比,表明这里提出的ESO能够有效抑制微分峰值现象,并可以获得系统状态变量和非线性扰动的精确估计.