带有初态学习的可变增益迭代学习控制

针对一类非线性系统提出一种新的学习控制算法,该算法在可变学习增益的迭代学习控制律基础上,增加了系统初态的迭代学习律.利用算子理论证明了系统在存在初态偏移时经过迭代学习后,其输出能够完全跟踪期望轨迹,同时得到了该算法谱半径形式的收敛条件.将该算法与传统迭代学习控制相比较可以看出,前者的收敛速度得到了较大提高,而且解决了可变学习增益迭代学习控制的初态偏移问题.仿真结果验证了该算法的有效性.     

Lebesgue-p范数意义下区间可调节的变增益加速迭代学习控制

为加快迭代学习控制律的收敛速度,针对线性时不变(LTI)系统,以PD-型学习律为例,提出一种区间可调节的具有指数加速的迭代学习控制算法.首先,根据每次学习效果确定下一次迭代需要修正的区间并在该区间内修正控制律增益;然后,在Lebesgue-p范数意义下分析所提出算法的收敛性并给出其收敛条件;最后,通过理论分析表明,收敛速度主要取决于被控对象、控制律增益、修正指数和学习区间的大小.在相同仿真条件下,与传统算法相比,所提出算法具有更快的收敛速度.     

一类广义系统的迭代学习控制

在对广义系统进行标准分解的基础上, 研究了含脉冲快子系统的迭代学习控制问题. 通过 Frobenius 范数给出了快子系统在 P 型学习律作用下收敛的充分性条件, 同时通过梯度法给出求解增益矩阵的方法. 其次, 讨论了单输入单输出不确定广义系统的迭代学习控制问题, 通过优化方法给出该系统在 P 型学习律作用下, 系统实际输出尽可能快地收敛到理想输出的增益矩阵的选择方法.     

非正则线性系统的闭环P型迭代学习控制

迭代学习控制是改善具有重复运行性质过程的跟踪性能的有效方法。开环迭代学习控制学习周期长，在迭代学习的初期容易出现不稳定和高增益的现象。对非正则系统的迭代学习控制，需要采用高阶微分学习律。该文针对一类非正则线性定常连续系统，讨论了闭环P型迭代学习控制律，给出并证明了闭环P型迭代学习控制律的收敛性条件的两个定理，解决了非正则系统的P型迭代学习控制问题。仿真实例说明闭环迭代学习律的有效性和快速性。     

基于PSB的迭代学习励磁控制的仿真研究

基于迭代学习控制理论提出了一种非线性迭代学习律,并将它应用于同步发电机的励磁控制中,采用SIMULINK／PSB软件对单机-无穷大系统进行仿真,结果表明该方法的有效性和一般性,改善了控制性能、具有很强的维持机端电压的能力,与常规的PID控制器和线性迭代学习律相比较,收敛速度得到很大提高,有利于提高电力系统稳定性。     

线性广义系统P型迭代学习控制离散频域收敛性

针对一类线性广义系统,研究其P型迭代学习控制在离散频域中的收敛性态。在离散频域中,对广义系统进行奇异值分解后,利用傅里叶级数系数的性质和离散的Parseval能量等式,推演了一阶P型迭代学习控制律跟踪误差的离散能量频谱的递归关系和特性,获得了学习控制律收敛的充分条件;讨论了二阶P型迭代学习控制律的收敛条件。仿真实验验证了理论的正确性和学习律的有效性。     

倒立摆的可变增益迭代学习控制算法

对倒立摆系统的平衡控制问题进行研究。在建立系统数学模型的基础上,提出指数变增益迭代学习控制律,并设计了控制器。通过系统仿真实验,结果表明：与常规迭代学习控制律相比较,本文采用的方法收敛速度大大加快,系统动态性能得到很大改善。     

迭代学习控制的最优学习律和简化学习律的频域研究

为了在线性时不变MIMO系统中得到迭代学习控制的最优学习律和便于工程实现的简化学习律,在频域上对其进行了相关研究。以系统的传递函数矩阵为基础,依据Parseval定理,将时域误差关联为频域误差,再利用Jordan标准形矩阵等矩阵性质,得到了学习律的通适收敛条件。通过分析该条件,得出了收敛速度最快的一次迭代就能完成的最优学习律。由于高阶导数不利于消除噪音,因此文中还讨论了导数的降阶,给出了简化学习律算法。仿真结果表明,最优学习律和简化学习律是有效的。     

高阶无模型自适应迭代学习控制

针对一类非线性非仿射离散时间系统,提出了高阶无模型自适应迭代学习控制方案.控制器的设计和分析仅依赖于系统的输入/输出(I/O)数据,不需要已知任何其他知识.该方法采用了高阶学习律,可利用更多以前重复过程中的控制信息提高系统收敛性,且学习增益可通过"拟伪偏导数"更新律迭代调节.仿真结果验证了所提出算法的有效性.     

改进狼群算法的交通子区迭代学习边界控制方法

针对基于固定增益迭代学习的交通子区边界控制方法收敛速度慢、迭代次数过多及控制精度差的问题。提出了一种迭代学习结合改进狼群算法的交通子区边界控制方案。该方案首先根据宏观基本图理论建立交通子区路网的车辆平衡方程，设计出系统的迭代学习控制律。其次分析了迭代学习控制对宏观基本图的影响，引入自适应步长的狼群算法，该算法以上一批次的宏观基本图为模型，离线对迭代学习控制器的比例和微分增益系数进行寻优，再将最优结果代入下一控制周期迭代学习控制中，进而改善收敛速度与精度。最后，对该方案的收敛性提供了数学证明，而仿真实验结果也表明该算法相较于具有固定增益的迭代学习控制器，收敛速度得到提升，对系统期望轨迹也具有较好的跟踪精度，具有较强的可行性与有效性。     

基于PSB的新型励磁控制器的研究

介绍了将迭代学习控制理论应用于同步发电机励磁控制中,通过迭代学习改善控制性能,具有结构简单,鲁棒性强的特点,改善了机端电压的品质.采用Simulink/PSB在单机-无穷大系统中进行了静态和暂态稳定的仿真研究,结果表明,该励磁控制方式的有效性,有利于提高电力系统的稳定性.     

A reinforced learning control using iterative error compensation for uncertain dynamical systems

This paper investigates a learning control using iterative error compensation for uncertain systems to enhance the precision of a high speed, computer-controlled machining process. It is specially useful in mass-produced parts produced by a high-speed machine tool system. This method uses an iterative learning technique which adopts machine commands and cutting errors experienced from previous manoeuvres as references for compensation actions in the current manoeuvre. Non-repetitive disturbances and nonlinear dynamics of the cutting processes and servo systems of the machine which greatly affect the convergence of the learning control systems were studied in this research. State feedback and output feedback methods were used for controller design. Stability and performance of learning control systems designed via the proposed method were verified by simulations on a single degree of freedom servo positioning system.     

误差约束严格反馈系统的迭代学习控制

针对一类严格反馈非线性系统, 本文提出误差跟踪学习控制算法, 旨在解决状态约束问题和系统的初值问 题. 文中构造了二次分式型对称障碍Lyapunov函数以及二次分式型非对称障碍Lyapunov函数, 并结合反推技术来分 别设计学习控制器. 两种控制方案里分别采用积分学习律和微分–差分学习律估计未知系数. 系统跟踪误差在控制 器作用下囿于预设的界内, 从而实现迭代过程中对状态的约束; 引入期望误差轨迹, 经迭代学习后, 两种控制方案均 能够实现状态误差在整个作业区间上对期望误差轨迹的完全跟踪, 并且实现系统输出在预指定作业区间上精确跟 踪参考信号. 数值仿真结果表明了控制方案的有效性.     

Multivariable norm optimal and parameter optimal iterative learning control: a unified formulation

This article investigates the two paradigms of norm optimal iterative learning control (NOILC) and parameter optimal iterative learning control (POILC) for multivariable (MIMO) ?-input, m-output linear discrete-time systems. The main result is a proof that, despite their algebraic and conceptual differences, they can be unified using linear quadratic multi-parameter optimisation techniques. In particular, whilst POILC has been naturally regarded as an approximation to NOILC, it is shown that the NOILC control law can be generated from a suitable choice of control law parameterisation and objective function in a multi-parameter MIMO POILC problem. The form of this equivalence is used to propose a new general approach to the construction of POILC problems for MIMO systems that approximates the solution of a given NOILC problem. An infinite number of such approximations exist. This great diversity is illustrated by the derivation of new convergent algorithms based on time interval and gradient partition that extend previously published work.     

高相对阶连续时间系统的间接迭代学习控制

本文提出了一类高相对阶线性连续时间系统的间接迭代学习控制算法,该算法相对独立于系统局部控制器,因此可以应用于已有局部反馈控制器的系统.采用具有极点配置的H∞鲁棒控制器作为系统的内环控制,而在外环通过迭代学习控制调整内环系统的指令信号.通过引入拉氏变化,构建了迭代学习系统的2-D Roesser模型,推导了系统渐近收敛条件,并研究了存在有界初始条件偏移和迭代变化外部干扰时算法的鲁棒性能.最后,利用空中加油对接控制的算例进一步验证了算法的有效性.     

基于遗传算法的模糊迭代学习控制算法

为了提高被控系统的控制精度及加快迭代域内的收敛速度,提出一种基于遗传算法的模糊PD型迭代学习控制算法。该算法通过模糊TSK模型设计迭代学习控制器,TSK模型中THEN部分的未知参数由遗传算法离线计算确定,进而产生合理的迭代学习律。针对被控系统,设计相应的迭代学习控制算法进行仿真分析,并与传统PD型迭代学习控制算法、模糊PID迭代学习控制算法相比较,进而将该算法用于双关节机械手进行仿真研究,仿真结果表明该算法的有效性。     

迭代学习控制在励磁控制器设计中的应用

将迭代学习控制理论应用于励磁控制器的设计中,提出了一种新的设计方法,克服了迭代学习控制在有限时间区间上实现完全跟踪的限制.该方法设计的控制器结构简单,可获得较佳的静态和动态特性.采用MATLAB/Simulink软件对单机-无穷大系统进行仿真,结果表明了该方法的有效性和一般性.     

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.     

Predictive iterative learning control with experimental validation

This paper develops an iterative learning control law that exploits recent results in the area of predictive repetitive control where a priori information about the characteristics of the reference signal is embedded in the control law using the internal model principle. The control law is based on receding horizon control and Laguerre functions can be used to parameterize the future control trajectory if required. Error convergence of the resulting controlled system is analyzed. To evaluate the performance of the design, including comparative aspects, simulation results from a chemical process control problem and supporting experimental results from application to a robot with two inputs and two outputs are given.