连续非线性系统的迭代学习控制方法*

本文根据误差收敛准则，提出了连续非线性系统的迭代学习控制算法，给出了ＰＩＤ型学习控制算法的收效条件，实际应用表明，该方法可以逼近预定的任意轨线。     

非线性系统闭环P型迭代学习控制的收敛性

本文得到并证明了当被控系统的状态方程为一类非线性方程时，采用闭环Ｐ型学习律迭代学习控制的收敛的充分条件和必要条件，最后，我们给出了典型的仿真结果。     

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...     

一类未知非线性系统的智能迭代学习控制

从自适应的角度设计迭代学习控制，将神经网络引入迭代学习控制中。学习控制与自适应控制相结合，使得对网络权值的学习和跟踪控制同时进行，克服 了经典迭代学习控制的一些缺陷。基于Lyapunov直接方法，证明了整个控制系统的稳定并实现了任意精度的跟踪。实例仿真结果说明了算法 的有效性及其所具有的优点。     

一类非线性相似组合大系统的迭代学习控制

利用状态反馈部分线性化技术研究了一类非线性相似组合大系统的迭代学习控制问题。与现有结果不同的是，它不直接研究系统本身，而是构造一个适当的 反馈，然后对闭环系统给出其迭代学习收敛的充分条件，     

非线性离散系统的迭代学习控制方法及其应用*

本文根据误差收敛准则，提出了非线性离散系统的迭代学习算法，给出了ＰＩＤ型学习控制的收敛条件，并证明了ＰＩＤ型学习控制对预定轨线的逼近特性，在交流变频电机起动过程控制中应用表明，使用本文方法可以得到实用的结果。     

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.     

非线性系统高阶迭代学习算法

结合迭代学习控制算法中的开环和闭环方案，本文针对更一般的非线性系统，讨论高阶算法的广泛适用性。理论和仿真结果表明了高阶算法在输出跟踪和干扰抑制方面的有效性。     

离散非线性系统开闭环P型迭代学习控制律及其收敛性

本文在讨论了一般开环与闭环迭代学习控制的不足后，针对一类离散非线性系统，提出了新的开闭环ＰＧ型迭代学习控制律，给出了它的收敛性证明，仿真结果表明：开闭环Ｐ型迭代律优于单纯的开环或产才环Ｐ型迭代 律。     

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.     

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.     

非线性离散时间系统的最优终端迭代学习控制

仅利用系统的终端输出误差而不是整个输出轨迹,提出了一种最优终端迭代学习控制方法.控制信号可直接通过终点的误差信息进行更新.主要创新点在于控制器的设计和分析只利用系统量测的I/O数据而不需要关于系统模型的任何信息,并可实现沿迭代轴的单调收敛.在此意义上,所提出的控制器是数据驱动的无模型控制方法.严格的数学分析和仿真结果均表明了所提出方法的适用性和有效性.     

非线性抛物型偏差分系统迭代学习控制

本文研究了一类时空离散的非线性抛物型偏差分系统的迭代学习控制问题.首先,针对系统含有不确定系数与非线性特点,设计了开环P型迭代学习控制算法;然后,建立了输出跟踪误差沿迭代轴收敛的充分条件,并利用离散Gronwall不等式、λ范数以及压缩映射原理,详细给出了收敛性分析证明.最后通过仿真实例说明了算法的有效性.     

输出重定义下的非线性非最小相位系统迭代学习控制

讨论非线性非最小相位系统实现完全跟踪的迭代学习控制方法, 适于在有限作业区间上重复运行的受控系统. 在控制器设计时, 通过输出重定义以使非最小相位系统的零动态变成渐近稳定特性. 分别采用部分限幅和完全限幅两种学习算法设计控制器, 理论分析表明两种算法能够保证学习系统中所有变量的有界性和跟踪误差在整个作业区间上渐近收敛于零. 数值仿真验证了两种迭代学习控制系统的跟踪性能.     

Resilient iterative learning control for a class of discrete-time nonlinear systems under hybrid attacks

The security control problem for a class of unknown nonlinear systems is considered in this paper. For the nonlinear system running in the network environment, the measurement channel is subjected to hybrid attacks. Intermittent denial of service attacks and false data injection attacks are modeled as the hybrid attacks. According to the characteristics of the repetitive system, a resilient iterative learning control (ILC) algorithm under hybrid attacks is devised. Subsequently, the stability of the system is proved by mathematical derivation and theoretical analysis in the sense of mathematical expectation. The theoretical analysis results indicate that the resilient ILC algorithm can ensure the stability of the system, and the tracking error converges with the increased number of iterations. Finally, the validity of the algorithm is illustrated by numerical simulation and mobile robot simulation.     

Robustness and convergence rate of a discrete-time learning control algorithm for a class of nonlinear systems

In this paper, we apply a discrete-time learning algorithm to a class of discrete-time varying nonlinear systems with affine input action and linear output having relative degree one. We investigate the robustness of the algorithm to state disturbance, measurement noise and reinitialization errors. We show that the input and the state variables are always bounded if certain conditions are met. Moreover, we shown that the input error and state error converge uniformly to zero in absence of all disturbances. In addition, we show that, after a finite number of iterations, the convergence rate is exponential in l^∞. A numerical example is added to illustrate the results. Copyright © 1999 John Wiley & Sons, Ltd.     

分数阶迭代学习控制的收敛性分析

本文将传统的迭代学习控制时域和频域分析方法扩展到一类针对分数阶非线性系统的分数阶迭代学习控制时域分析方法.提出了一类新的分数阶迭代学习控制框架并简化了收敛条件,且证明了常增益情况下两类分数阶迭代学习控制收敛条件的等价性问题.该讨论进一步引出了如下两个结果:分数阶不确定系统的分数阶自适应迭代学习控制的可学习区域以及理想带阻型分数阶迭代学习控制的框架.上述结果均得到了仿真验证.     

Repetitive learning control of nonlinear systems over finite intervals

Iterative learning control requires initial repositioning, while the time functions to be learned should be of periodicity in repetitive control. However, there are cases in practice where the time-varying unknowns are not periodic but repetitive, and repetitive learning control is applicable with avoidance of initial repositioning. In this paper, repetitive learning control designs are presented for a broader class of nonlinear systems over finite intervals. The Freeman formula is modified and used for sta...