一类非线性时变系统的迭代学习控制

针对一类具有任意初态的不确定非线性时变系统,应用校正期望轨迹方法把任意初态问题转换为零初始误差的变期望轨迹的迭代学习控制问题,提出了求解校正期望轨迹的过渡轨迹的计算方法.然后,针对变期望轨迹问题提出了一种新的迭代学习控制算法,在算法中引入了期望轨迹的高阶导数来克服期望轨迹的变化,并通过设计稳定的跟踪误差滑动面来处理系统中非线性时变不确定性.论文给出了相关定理,并应用类Lyapunov方法给出了详细证明.仿真结果表明所提出的算法是有效的,该算法不需要系统的模型结构信息,比自适应迭代学习控制算法具有更宽的适用范围.     

机器人系统有限时间自适应迭代学习控制

研究任意初态下，机器人系统的有限时间自适应迭代学习控制方法。引入初始修正吸引子的概念，构造一个含有初始修正项的误差变量。针对定常机器人系统和时变机器人系统，采用Lyapunov-like方法，分别设计迭代学习控制器处理系统中不确定性。并且，采用未含/含限幅学习机制，保证闭环系统各变量的一致有界性和误差变量在整个作业区间一致收敛性。藉以实现跟踪误差在预先指定区间的完全跟踪。仿真结果验证所设计控制方法的有效性。     

迭代学习控制系统的误差跟踪设计方法

提出能够实现期望误差轨迹完全跟踪的迭代学习控制系统设计方法, 旨在放宽常规迭代学习控制方法的初始定位条件, 在每次迭代时允许初值定位在任意位置. 这种方法对于预先给定的期望误差轨迹, 经迭代学习, 使得实际跟踪误差收敛于预定的误差轨迹, 这样, 预设的误差轨迹即最终形成的误差轨迹. 针对常参数、时变参数以及复合参数三种情形, 分别采用类Lyapunov方法设计迭代学习控制系统. 所设计的未含/含限幅作用的参数学习律, 能够使得跟踪误差轨迹在整个作业区间上与预定轨迹完全吻合, 并保证系统中所有信号的有界性. 给出的仿真结果表明所提方法的有效性.     

迭代学习控制器设计:一种有限时间死区方法

提出系统不确定性项定常参数化和时变参数化情形下的控制器设计方法,它允许初始位置任意设置且定位误差不要求足够小.在设计的控制器中,采用有限时间死区技术,以保证跟踪误差收敛到这种死区所确定的区域.提出初始修正吸引子的概念,构造的时变死区含这种初始修正吸引子,以使得闭环系统在给定时间区间上可实现完全跟踪.理论分析与仿真结果表明,跟踪误差信号在一预先指定区间上收敛到零,在起始区间段上被囿于死区所确定的区域中;并保证闭环系统中所有信号是有界的.     

离散时变多智能体系统有限时间一致性迭代学习控制

针对一类离散时变多智能体系统,通过引入虚拟领导者产生期望轨迹的方法,将虚拟领导者和所有智能体组成固定的拓扑结构,在此基础上,提出一种离散时间迭代学习控制算法.该算法对多智能体系统中的每个智能体都设计一个控制器,各控制器都是利用上一次迭代时,该智能体与虚拟领导者之间的跟踪误差和该智能体与相邻智能体之间的跟踪误差,通过拓扑结构中通信权值的组合不断修正上一次的控制律,从而获得理想控制律.同时,基于范数理论严格证明所提出算法的收敛性,并给出算法在$\lambda$-范数意义下的收敛条件.该算法能够使离散时变多智能体的输出随着迭代次数的增加在有限时间区间内完全跟踪期望轨迹.理论分析和仿真结果都表明了所提出算法的有效性.     

非参数不确定系统的有限时间迭代学习控制

针对任意初态情形,引入初始修正作用,研究一类非参数不确定时变系统能够达到实际完全跟踪性能的迭代学习控制方法. 采用Lyapunov-like综合,设计迭代学习控制器处理不确定性时变系统非参数化问题,其中含有有限时间控制作用,以实现在预先指定区间上的零误差跟踪. 并且,运用完全限幅学习机制,保证闭环系统中各变量的一致有界性以及跟踪误差的一致收敛性. 仿真结果表明了所提出控制方法的有效性.     

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。     

基于随机初态学习率的迭代学习控制

迭代学习算法广泛应用于机器人轨迹跟踪控制研究中.常规迭代学习算法要求每次迭代的初始条件都相同,针对一类强耦合非线性系统在有限时间内重复运动的特征,提出了一种带有任意初态学习率的迭代算法.这种算法允许迭代时初始状态处于任意位置,通过数学计算证明了系统在不同初始态条件下的迭代学习算法,系统输出可以完全跟踪期望轨迹.这种带有...     

基于改进跟踪微分器与前馈的模糊自适应PID控制

经典PID控制器在工程领域应用广泛,但其快速性和超调量之间不能很好地实现协调控制,且误差信号在经典意义上不可微,导致微分难以被有效利用。基于此,在典型跟踪微分器研究的基础上,采用一种具有良好的动态响应和滤波功能的改进非线性跟踪微分器对输入信号进行快速、无超调跟踪。并结合前馈控制和模糊自适应PID控制提升系统的稳定性和快速性,设计了一种基于改进跟踪微分器与前馈的模糊自适应PID控制器。以移相全桥变换器为控制对象,用经典PID与其进行对比分析。仿真与实验波形分析发现,所提控制器的鲁棒性更高,同时可将调节时间缩短至40%,响应速度也更快。     

有限时间死区修正迭代学习控制器的设计

在任意初始定位条件下,讨论具有限时间死区修正的迭代学习控制器设计方法.针对一类高阶不确定非线性时变系统,通过将其不确定性项线性参数化表达,进行迭代学习控制器设计:并考虑不确定项界函数参数化情形下的鲁棒迭代学习控制方法.通过引入有限时间死区,设计的控制器可使得所定义的误差函数在有限时间内收敛至零;进而依据能控格莱姆矩阵构造的初始修正项可使得系统在预先指定的时间区间上实现完全龈踪.理论分析及数值仿真结果表明,在保证误差函数始终囿于所设计的有限时间死区内的同时,闭环系统中所有信号均有界.     

严格反馈非线性时变系统的迭代学习控制

针对一类含未知时变参数的严格反馈非线性系统, 提出一种实现有限作业区间轨迹跟踪控制的迭代学习算法. 基于Lyapunov-like方法设计控制器, 回避了常规迭代学习控制中受控系统非线性特性需满足全局Lipschitz连续条件的要求. 以反推设计(Backstepping)方法设计控制器, 为使得虚拟控制项可导, 引入一级数收敛序列; 将时变参数展开为有限项多项式形式, 在控制器设计中采取双曲正切函数处理余项对于系统跟踪性能的影响. 理论分析表明, 闭环系统所有信号有界, 并能够实现系统输出完全收敛于理想轨迹.     

基于迭代学习的农业车辆路径跟踪控制

由于农作物的播种、收获、除草和农药化肥喷洒具有周期性的特点,农业车辆在执行农田作业时具有较强的重复性. 基于迭代学习控制（Iterative learning control,ILC）方法研究农业车辆的路径跟踪问题,建立了农业车辆的两轮移动机器人运动学模型,设计了车辆路径跟踪的迭代学习控制算法,并基于压缩 映射方法理论上证明了算法的收敛性. 研究表明,迭代学习控制可有效利用农业车辆运行的重复信息,实现车辆期望路径有限区间内的高精度完全跟踪控制. 仿真示例验证了本文方法的有效性.     

Fundamental Trackability Problems for Iterative Learning Control

Generally, the classic iterative learning control(ILC)methods focus on finding design conditions for repetitive systems to achieve the perfect tracking of any specified trajectory,whereas they ignore a fundamental problem of ILC: whether the specified trajectory is trackable, or equivalently, whether there exist some inputs for the repetitive systems under consideration to generate the specified trajectory? The current paper contributes to dealing with this problem. Not only is a concept of trac...     

电动伺服舵机系统中的迭代学习控制

电动伺服舵机控制系统采用全数字三环控制策略,分别为位置环、速度环和电流环;作为内环的电流环,应具有良好的稳态和动态特性,其输出电流要求快速准确地跟踪给定电流,以保证舵机控制系统高性能位置伺服的要求;在传统的增量式积分分离PI控制算法的基础上,引入-D型迭代学习控制前馈环节,提高了电流跟踪的快速性和跟踪精度,建立了系统的数学模型并在MATLAB上进行了系统仿真;仿真结果表明,引入D型迭代学习控制后,电流环的稳态和动态特性良好,保证了输出电流跟踪的快速性、精确性.     

Convergence Analysis of Wireless Remote Iterative Learning Control Systems with Channel Noise

Channel noise, including sensor‐to‐controller(SC) noise and controller‐to‐actuator(CA) noise, impacts the convergence of wireless remote iterative learning control (ILC) system significantly. In this paper, the relationship between output error, SC noise and CA noise is obtained firstly by super‐vector formulation, and then the norm of output error vector covariance matrix is employed to analyze the convergence of the system in presence of SC noise and CA noise. Upper bound of the norm at any sample time reveals that the SC noise is accumulated only in iteration domain, while the CA noise is accumulated not only in iteration domain but also in time domain. Furthermore, the accumulated effect of the CA noise in time domain is ruled by system matrices, so the values of which determine the effect of the CA noise is greater or less than that of the SC noise on convergence of the system. Finally, some simulation results are given to illustrate correctness of the result.     

Stochastic Iterative Learning Control With Faded Signals

Stochastic iterative learning control (ILC) is designed for solving the tracking problem of stochastic linear systems through fading channels. Consequently, the signals used in learning control algorithms are faded in the sense that a random variable is multiplied by the original signal. To achieve the tracking objective, a two-dimensional Kalman filtering method is used in this study to derive a learning gain matrix varying along both time and iteration axes. The learning gain matrix minimizes the trace of input error covariance. The asymptotic convergence of the generated input sequence to the desired input value is strictly proved in the mean-square sense. Both output and input fading are accounted for separately in turn, followed by a general formulation that both input and output fading coexists. Illustrative examples are provided to verify the effectiveness of the proposed schemes.      

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。     

基于初次控制信号提取的迭代学习控制方法

在同一迭代学习控制(Iterative learning control, ILC)系统中, 选取一个合适的初次迭代控制信号相对于从零开始学习达到目标跟踪精度的迭代次数更少.本文针对线性系统研究从历次轨迹跟踪控制信息中通过期望轨迹匹配提取初次迭代控制信号的方法.首先提出了一种轨迹基元优化匹配算法, 在满足一定相似度的情况下, 通过轨迹分割、平移与旋转变换, 在轨迹基元库中寻找与当前期望轨迹叠合的轨迹基元组合轨迹; 进而, 依据线性叠加原理和轨迹叠合的平移矢量与旋转变换矩阵, 获取与期望轨迹叠合的轨迹基元控制信号; 在此基础上, 通过轨迹基元控制信号串联组合和时间尺度变换, 提取出当前期望轨迹的初次迭代控制信号.对于初次迭代控制信号在拼接处由边界条件差异引起的干扰, 给出了一种${H_\infty }$反馈辅助ILC方法.最后, 在$XYZ$三轴运动平台实现所提算法, 实验结果表明本文所提方法的有效性.