时变非线性系统迭代学习控制遗忘因子算法

针对迭代学习P型控制算法对初始偏差和输出误差扰动的敏感性问题,研究了一种带有遗忘因子的时变非线性系统的迭代学习控制方法.在有扰动的情况下,利用迭代学习过程记忆的期望轨迹,期望控制以及跟踪误差,通过有界学习增益和批次时变因子设计学习控制器,并基于算子理论给出了控制算法存在的充分必要条件及其收敛性分析,改善了系统的鲁棒性和动态特性.最后以注塑机的注射速度控制仿真验证了本文算法的有效性.     

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,推导数学期望下的学习收敛条件:在误差信号量化情况下,所提出控制算法可以保证跟踪误差渐近收敛到零;在控制输入信号量化情况下,所提出控制算法能够保证跟踪误差有界收敛.仿真示例对比验证了两种量化方案下所提出方法的有效性和优越性.     

非线性系统开闭环PID型迭代学习控制算法的鲁棒性

针对非线性时变系统的迭代学习控制问题提出了一种开闭环PID型迭代学习控制律,并证明了系统满足收敛条件时,具有开闭环PID型迭代学习律的一类非线性时变系统在动态过程存在干扰的情况下控制算法的鲁棒性问题.分析表明,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.     

时滞非线性系统的采样迭代学习控制

针对一类输入时滞非线性系统, 提出了一种采样迭代学习控制算法, 该算法不含跟踪误差的微分信号, 给出了学习算法收敛的充分条件, 当不存在初始误差、不确定扰动时, 算法在采样点处能实现对期望输出信号的完全跟踪, 否则, 跟踪误差一致有界, 仿真结果表明了该算法的有效性.     

具有扰动的非线性系统高阶迭代学习控制

迭代学习控制(ILC)利用系统的重复性不断改进控制性能.本文讨论一类具有扰动的非线性、时变系统高阶迭代学习控制算法及其迭代学习收敛的充分条件,并与D型迭代学习算法相比,讨论典型PD高阶ILC算法的收敛速度.仿真结果证实高阶ILC算法具有更快的收敛速度,并且当系统满足收敛条件、不确定项及输出扰动项有界时迭代学习收敛.     

加速抑制随机初态误差影响的迭代学习控制

针对一类具有不确定性的多输入多输出非线性系统,提出一种迭代学习控制算法.该算法具有的特点是:针对任意初态情形,结合开环 D型迭代学习控制器的优点,在时间轴上设计了一个随迭代次数增加而缩短的时间段.在该时间段上,控制算法对状态偏差进行修正,以使系统输出在此段时间后跟踪期望输出,且系统跟踪误差收敛到一个界内.这个界仅由系统自身不确定性和不确定的外界干扰决定,与初态误差无关.当外界扰动为0,以及迭代次数趋于无穷时,经过上述时间段后,系统输出精确跟踪期望输出.理论证明和仿真结果都说明了该算法的有效性.     

离散非线性系统的迭代学习轨迹跟踪鲁棒算法优化及应用

针对一类存在随机输入状态扰动、输出扰动及系统初值与给定期望值不严格一致的离散非线性重复系统,提出了一种P型开闭环鲁棒迭代学习轨迹跟踪控制算法．基于λ范数理论证明了算法的严格鲁棒稳定性,并通过多目标函数性能指标优化P型开闭环迭代学习控制律的增益矩阵参数,保证了优化算法下系统输出期望轨迹跟踪误差的单调收敛性,达到提高学习算法收敛速度和跟踪精度的目的．最后应用于二维运动移动机器人的实例仿真,验证了本文算法的可行性和有效性．     

一种新型的迭代学习控制器设计研究

针对一般连续系统的迭代学习控制问题进行了讨论,通过对常用的P型迭代学习控制算法的分析,在分析比较P型、PD型迭代学习控制律存在问题的基础上,提出了一种新型的迭代学习控制算法,利用误差信号以及相邻两次误差的差值信号对系统控制律进行逐次修正,既能避免PD型迭代算法由于微分作用而出现的不良影响,又可以充分地利用了系统已保存的有效信息,从而实现良好的跟踪效果以及较快的跟踪收敛速度,最后通过对一非线性连续系统的仿真,结果验证了算法相对于传统P算法的有效性与优越性.     

工业过程抗非重复性干扰改进的迭代学习控制

对于实际工业过程系统中存在的非重复性干扰,传统的PD型迭代学习控制不能很好地加以抑制.为此,提出加权PD型指数变增益加速闭环迭代学习控制算法.通过采集非重复性扰动信号,将其转化为设定值阶跃变化的序列,并采用改进的加权PD型指数变增益闭环算法,消除非重复性干扰,从而获得更为理想的系统输出,使控制系统的动态性能得到改善.算法研究表明,当迭代次数趋于无穷时,跟踪误差一致收敛到零.系统仿真验证了所提控制算法的有效性.     

参考轨迹更新的点到点迭代学习控制算法优化及应用

针对受非重复扰动作用的离散线性系统的输出跟踪控制问题,提出一种基于参考轨迹更新的点到点迭代学习控制算法.首先通过构建性能指标函数对控制器进行范数优化,并给出相应的收敛性条件,使得系统输出能够跟踪上更新后参考轨迹处的期望点.其次,当系统输出端受到某批次非重复扰动的影响时,进一步通过引入拉格朗日乘子算法构造多目标性能指标函数,以优化鲁棒迭代学习控制器,达到提高收敛速度和跟踪精度的目的.最后将该算法应用于电机驱动的单机械臂控制系统中,仿真结果验证了算法的合理性和有效性.     

反馈辅助PD型迭代学习控制:初值问题及修正策略

讨论迭代初态与期望初态存在固定偏移情形下 的迭代学习控制问题, 提出带有反馈辅助项的PD型迭代学习控制算法, 可实现系统输出对期望轨迹的渐近跟踪. 为了进一步实现输出轨迹在预定有限区间上对期望轨迹的完全跟踪, 提出分别带有初始修正作用和终态吸引的学习算法. 文中给出所提出的学习算法的极限轨迹, 并对学习算法进行收敛性分析, 推导出收敛性充分条件, 可用于学习增益的确定. 通过数值结果, 验证所提学习算法的有效性.     

非线性系统在任意初值下的PID型迭代学习控制

针对一类在有限时间区间上重复运行的非线性系统,给出了一种可以解决迭代学习控制中任意初值问题的PID型迭代学习算法及其收敛条件。采用算子理论证明了该算法的收敛性,结果表明该算法不仅有效解决了迭代学习控制的初值问题,而且放宽了收敛条件。仿真分析及与PD型迭代学习控制算法的仿真结果的对比证明,非线性系统在任意初值条件下经过PID型迭代学习后跟踪精度显著提高,输出误差曲线更快速趋于零,表明了该算法的有效性。     

改进的时不变系统PD型迭代学习控制算法

针对时不变线性系统的迭代学习控制问题,提出了一种改进的时不变系统的PD型迭代学习控制算法,理论证明了系统满足收敛条件时的改进算法是收敛的。仿真实例分析表明,改进的算法利用最新算出的控制分量代替旧的控制分量,使系统的实际输出以更快的收敛速度逼近系统的理想输出。     

基于迭代学习控制的移动机器人轨迹跟踪控制

为提高移动机器人对特定轨迹的重复跟踪能力,提出了采用开闭环PD型迭代学习控制算法对移动机器人进行轨迹跟踪控制的方法。建立了包含外界干扰的非完整约束条件下的轮式移动机器人运动学模型,给出了系统的控制算法和控制结构。仿真结果表明,采用开闭环PD型迭代学习控制算法对轨迹跟踪是可行有效的,收敛速度优于其他迭代学习算法。     

输出饱和多智能体系统的迭代学习趋同跟踪控制

针对带有输出饱和的多智能体系统有限时间趋同跟踪控制问题,提出了一种分布式迭代学习控制算法.首先假设多智能体系统具有固定拓扑结构,且仅有部分智能体可获取到期望轨迹信息.基于输出约束条件构造一致性跟踪误差,在此基础上设计了P型迭代学习控制率.然后采用压缩映射方法给出了一个算法收敛的充分条件,并在理论上证明了跟踪误差的收敛性.最后,将理论结果推广至具有随机切换拓扑结构的多智能体系统中.仿真结果验证了所提出算法的有效性.     

机械臂带角度修正的开闭环迭代学习轨迹跟踪控制

在迭代学习控制研究中, 通常的一个假设是: 系统每次迭代初态与期望初态一致或迭代初态固定. 针对迭代学习控制律在迭代初态的限制下难以应用到机械臂轨迹跟踪控制中的问题, 本文对机械臂系统模型降阶变换, 将其转化为低阶系统. 对于变换设计后的机械臂系统模型, 提出一种带有角度修正的开闭环迭代学习控制算法, 该算法利用误差信号及相邻两次误差的偏差信号对系统控制律进行逐次修正, 与常规P型算法相比, 充分利用了系统已存的和当前的有效信息, 与常规PD型算法相比, 避免了由于微分作用而带来的不稳定影响. 同时, 用输出向量的角度关系作为评估控制输入好坏的标准对所设计的迭代学习律的变化趋势进行“奖-惩”, 从而实现了良好的跟踪效果并具有较快的收敛速度. 本文还针对机械臂系统存在关节转角限位的情况对控制算法进行改进, 以使机械臂在实际运作中真正实时地完成指定工作任务. 仿真结果表明了所提控制策略的有效性.     

具有滞后的饱和非线性工业控制系统的迭代学习控制

基于稳态优化中递阶控制结构,对具有滞后的非平滑饱和非线性工业控制系统施行迭 代学习控制,提出了期望目标轨线δ-可达以及迭代学习算法的ε-收敛的慨念,给出了加权超前 PD-型开环迭代学习算法,对算法的收敛性进行论证.数字仿真证明了算法的有效性,并表明对 工业控制系统的动态品质有显著改进.     

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.