抑制非线性扰动的迭代学习控制系统研究

多轴旋转机械体速率系统和位置系统中存在一类非线性扰动,这类非线性扰动具有多周期性的性质,并具有周期不变性。为抑制多周期非线性扰动对系统的影响,在系统满足连续里普希斯条件时,得出位置多周期非线性扰动转化为时间多周期非线性扰动的条件。提出一种迭代学习控制方法,通过系统误差收敛性分析来构造学习算子,利用系统的稳态误差信号构成前馈补偿,得出补偿多轴测旋转机械体周期非线性扰动的条件,并证明了算法稳定性。仿真表明,该方法能有效地补偿系统的多周期性非线性扰动,提高多轴旋转机械体系统的控制精度,具有较高的实用价值。     

伺服系统中抑制非线性扰动的有限维重复控制方法

针对一类具有严重非线性扰动的伺服系统,提出一种有限维重复控制方法以实现高精度的信号跟踪.所考虑的扰动与系统输出间存在未知非线性关系,仅设其满足连续里普希斯条件,便可处理大多数实际情况.应用不动点原理,给出了所提出方法有效的充分条件,该条件也是应用基于系统周期不变性的学习控制方法的必要条件.在稳定的闭环系统中,利用H阶有限维重复控制器,可实现参考信号前H次谐波的渐近跟踪.仿真结果证明了方法的有效性.     

基于椭圆吸引律的离散重复控制

针对离散时间系统的周期轨迹跟踪问题,提出一种基于椭圆吸引律的离散重复控制方法.该方法能有效减小抖振,并通过扰动扩张状态观测技术对系统的未知扰动进行有效抑制,采用重复控制技术对系统中存在的周期扰动完全消除.为了刻画系统误差动态性能,推导出单调减区域、绝对吸引层、稳态误差带的表达式以及系统跟踪误差进入稳态误差带的最大步长.通过数值仿真与直线伺服电机实验,验证所提出控制方法的有效性.     

含有参数化和非参数化不确定性系统重复学习控制

针对含有参数化和非参数化的高阶非线性系统,设计了一种重复学习控制方案.假设未知时变参数和参考信号的共同周期是已知的,通过参数重组技巧,将所有未知时变项合并为一个周期时变向量.将改进Backstepping方法与分段积分机制相结合,构造了微分-差分参数自适应律和重复学习控制律,使跟踪误差在误差平方范数意义下渐近收敛于零.利用Lyapunov泛函,给出了闭环系统收敛的充分条件.仿真结果验证了该方法的有效性.     

一类严格反馈系统变比例增益精确微分补偿控制

针对包含不确定函数和未知外部扰动的一类严格反馈型非线性系统,提出基于精确扰动观测器的变比例增益自适应模糊控制器.系统中的未知不确定函数由模糊逻辑系统在线逼近,同时将模糊逻辑系统的逼近误差和未知外部扰动定义为总扰动,利用精确扰动观测器进行精确微分补偿控制. 将非线性函数应用于设计可调节的输出反馈增益,有效消除系统的稳态误差,使得系统跟踪误差可以控制在零的任意小邻域内.最后,通过Lyapunov定理证明闭环系统中所有信号均是有界的.数值仿真表明了所提出方案的有效性.     

非参数不确定系统的双周期重复控制

针对一类扰动周期与参考信号周期之间无公共倍数的非参数不确定系统,为实现系统输出对参考信号的跟踪,本文提出一种双周期重复控制方法.基于Lyapunov方法设计控制器,结合鲁棒方法与双周期重复学习方法处理非参数不确定性与周期性扰动,利用无限幅学习方法估计时变参数.经过足够多个周期的重复运行后,可实现系统输出在整个参考信号重复周期上无误差地跟踪参考信号.最后,通过仿真示例验证所提控制方法的有效性.本文给出了闭环系统中无限幅学习量有界的数学证明,其结果优于多数现有文献中的L2意义下有界.     

周期时变系统的鲁棒自适应重复控制

针对周期时变系统,提出一种鲁棒自适应重复控制方法.该方法利用周期学习律估计周期时变参数,并结合鲁棒自适应方法处理非周期不确定性.与现有重复控制不同的是,在控制器设计中引入了新变量—周期数,利用周期系统的重复特性,使界的逼近误差随周期数的增加而逐渐减少,保证了系统的全局渐近稳定性.同时将该方法应用于一类非线性参数化系统,使系统在非参数化扰动的情形下,输出误差仍能收敛于0,倒立摆模型的仿真验证了此结果.该设计方法适用于消除神经网络逼近误差对重复控制系统的影响,理论证明了基于神经网络的鲁棒自适应重复控制系统中所有变量的有界性和输出误差的渐近收敛性,关于机械臂模型的仿真结果验证了受控系统具有良好的跟踪性能.     

控制方向未知的时变不确定系统的重复控制

本文考虑一类具有未知时变参数并且控制方向未知的非线性系统的重复学习控制.针对重复学习控制的特点,所构造的李亚普诺夫函数不仅与当前参数估计误差有关,也与前一次参数估计误差有关.基于该李亚普诺夫函数,结合Nussbaum类型函数,提出了控制方向未知的系统的重复学习方法.该方法不采用饱和控制,但能保证在闭环系统中跟踪误差在重复区间上一致收敛于零.最后,一个仿真例子说明了该方法的可行性.     

非线性时滞系统的周期自适应学习跟踪控制

针对一类参数未知的周期非线性时滞系统的输出跟踪控制问题,设计了一种周期自适应迭代学习跟踪控制算法,该方法利用信号置换的思想重组系统,并在假设未知时变参数和参考输出的周期具有已知最小公倍数的情况下,将时滞以及其他不确定的时变项合并为一个周期性的辅助时变参数新变量,进而用周期自适应算法来估计该辅助量.通过构造一个Lyapunov-Krasovskii型复合能量函数,分析了系统的收敛性,证明了经过多次重复迭代学习,所有闭环信号有界且输出跟踪误差收敛,最后通过构造数值实例进行了仿真验证.理论分析和仿真结果表明,该算法简单有效,对于非线性时滞系统的跟踪问题具有很好的控制效果.     

离散时间系统重复控制的理想误差动态方法

针对周期参考信号下的离散时间系统, 引入吸引律构造理想误差动态特性, 并基于理想误差动态设计重复控制器. 重复控制能够实现周期性扰动的完全抑制, 从而提高控制能.为了消除颤振现象, 以饱和函数替换重复控制器中的符号函数. 分别推导了理想误差动态方程的单调减区域、吸引层和稳态误差带的边界, 用于刻画误差动态行为, 并给出了数值仿真结果. 在逆变器装置上完成的实验进一步表明了所提出的重复控制方法的有效性.

     

基于强化学习的小型无人直升机有限时间收敛控制设计

针对小型无人直升机精确动力学模型难以获取以及姿态控制易受未知外界风扰影响的问题,设计一种基于强化学习(reinforcement learning,RL)与super twisting相结合的非线性控制算法.利用直升机在线飞行数据,训练执行者-评价者(actor-critic,AC)网络以逼近系统建模不确定部分.为了抑制未知外界风扰,提高系统鲁棒性,同时补偿AC网络逼近误差,设计基于super twisting的鲁棒控制算法.进而,利用Lyapunov稳定性分析方法证明无人直升机姿态误差能在有限时间内收敛到零.最后对所提出的算法进行实验验证,实验结果表明,所提出算法具有良好的控制效果,对系统不确定性和外界扰动具有良好的鲁棒性.     

控制方向未知非线性系统的自适应重复控制

针对控制方向未知的、存在周期性非参数不确定性的一类非线性系统,给出零误差跟踪的重复控制方法.引入Nussbaum函数设计自适应重复控制器,参数估计修正律采用完全饱和形式,将参数估计囿于预先给定的范围内.分析表明,闭环系统中所有信号本身有界,且跟踪误差本身趋于零.数值仿真结果验证了算法的有效性.     

具有输入和输出约束的高阶随机系统神经网络控制

针对高阶非线性系统,开展自适应神经网络跟踪控制器设计,系统受到随机扰动的影响.首次把输入和输出约束问题引入到高阶系统的跟踪控制中,并假定系统动态是未知.首先借用高斯误差函数表达连续可微的非对称饱和模型以实现输入约束,和障碍Lyapunov函数保证系统输出受限;其次,针对高阶非线性系统,径向基函数(RBF)神经网络用来克服未知系统动态和随机扰动.在每一步的backstepping计算中,仅用到单一的自适应更新参数,从而克服了过参数问题;最后,基于Lyapunov稳定性理论提出自适应神经网络控制策略,并减少了学习参数.最终结果表明设计的控制器能保证所有闭环信号半全局最终一致有界,并能使跟踪误差收敛到零值小的邻域内.仿真研究进一步验证了提出方法的有效性.     

基于未知控制增益的非线性系统自适应迭代反馈控制

针对一类单输入单输出不确定非线性重复跟踪系统, 提出一种基于完全未知控制增益的自适应迭代反馈控制. 与普通迭代学习控制需要学习增益稳定性前提条件不同, 所提自适应迭代反馈控制律通过不断修改Nuss baum形式的反馈增益达到收敛. 证明当迭代次数i→δ时, 重复跟踪误差可一致收敛到任意小界δ. 仿真显示了所提控制方法的有效性.     

变结构神经网络自适应鲁棒控制

针对一类不确定非线性系统, 提出一种变结构神经网络自适应鲁棒控制(Variable structure neural network adaptive robust control, VSNNARC)方法. 其中变结构神经网络用于在线辨识系统未知非线性函数, 该网络利用节点激活与催眠技术进行动态调节, 减小网络规模与计算量; 自适应鲁棒控制用于网络权值学习与系统建模误差及外部扰动补偿. 采用Lyapunov稳定性分析法, 给出网络权值自适应律的形式以及鲁棒控制项的设计方法. 该方法不仅能保证系统的稳定性, 也能保证系统具有很好的瞬态性能. 将该方法应用到转台伺服系统的位置跟踪控制中, 实际运行结果表明, 该方法使系统具有很强的鲁棒性及良好的跟踪效果.     

非线性系统迭代跟踪控制的批次遗忘学习算法

针对P型迭代学习算法对初始偏差和输出误差扰动敏感,以及PD型迭代学习算法容易放大系统噪声,降低系统鲁棒性的问题,研究了具有任意有界扰动及期望输出的重复运行非线性时变系统的PD型迭代学习跟踪控制算法.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,给出基于变批次遗忘因子的学习控制器设计,并借助λ范数理论和Bellman-Gronwall不等式,讨论保证闭环跟踪系统批次误差有界的学习增益存在的充分必要条件,及分析控制算法的一致收敛性.本算法改善了系统的鲁棒性和动态特性,单关节机械臂的跟踪控制仿真验证了方法的有效性.     

Iterative learning control for strictly unknown nonlinear systems subject to external disturbances

This paper deals with Iterative Learning Control ILC schemes to solve the trajectory tracking problem of strictly unknown nonlinear systems subject to external disturbances, and performing repetitive tasks. Two ILC laws are presented, the first law is the high order, i.e., the information (error) of several iterations are used in the control law. The second law is the ILC with forgetting factor, i.e., the control of the preceding iteration is multiplied by a matrix of the gains. Indeed, the advantage of these algorithms, it is not only applicable for nonlinear systems with model uncertainty, but also for nonlinear systems with no data exists, neither in the structure model nor in the system parameters. In addition, the control design is very simple in the sense that there is no requirement on the choice of the learning gains. Furthermore, the convergence of our algorithms is independent of initial conditions. The asymptotic stability of the closed loop system is guaranteed. This proof is based upon the use of a Lyapunov-like positive definite sequence, which is shown to be monotonically decreasing under the proposed control schemes. Finally, simulation results on nonlinear system are provided to illustrate the effectiveness of the proposed controllers.     

Multimodel repetitive–predictive control of nonlinear systems: rejection of unknown non-stationary sinusoidal disturbances

In the present work, we propose a supervised multimodel repetitive–predictive control scheme for discrete-time nonlinear systems in order to reject unknown non-stationary sinusoidal disturbances and to track reference trajectory. The nonlinear system is described by the decoupled state multimodel. Also, a non-stationary sinusoidal unknown input multi-observer is used to estimate the state and the unknown non-stationary sinusoidal disturbances simultaneously. The estimate of the disturbances is exploited by the magnitude–phase-locked loop (MPLL) approach to reconstruct the accurate disturbance period used to develop a robust supervised multi-rejector. The proposed control strategy provides good closed-loop performance despite the changes of the disturbance characteristics. A simulation example is provided to illustrate the significance of the proposed multi-rejector.