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。     

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。     

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。     

非线性系统迭代学习算法

对于一个未知的非线性连续系统或离散系统,从任给的一个初始控制出发,尝试实现一条给定的输出目标轨线.在满足一定条件下,利用跟踪误差来修正控制函数,经过反复的迭代学习可以取得满意的效果.本文改进了Arimoto、Togai和Bien等的开环迭代学习的收敛条件,并提出闭环迭代学习算法.理论与仿真结果证明了闭环算法在收敛条件、速度和抗干扰能力上都优于开环算法.     

非线性离散时间系统迭代学习控制的稳定性分析

讨论了初始偏移对于非线性离散时间系统迭代学习控制性能的影响.提出描述选择学习控制算法的学习律,并给出保证系统稳定性的充分条件.     

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.     

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...     

多轴运动系统非线性轮廓重复跟踪的主从交叉耦合迭代学习控制

针对多轴运动系统非线性轮廓的重复跟踪,传统时域交叉耦合迭代学习控制器（Cross-coupled iterative learning control,CCILC）的设计,各轴间的耦合算子计算精度要求高,计算效率低.本文提出一种主从交叉耦合迭代学习控制方法.基于主从控制设计方法,主动轴采用时域CCILC,从动轴采用位置域交叉耦合迭代学习控制（Position domain CCILC,PDCCILC）.保证各轴间运动同步性,同时减轻对耦合算子精确性的依赖.因而可以引入轮廓误差矢量法估算耦合算子提高计算效率.采用Lifting的系统时域矩阵展开方法对所提出的算法进行了稳定性分析和性能分析.基于一个两轴毫米级运动平台,三种典型非线性轮廓跟踪（即半圆、抛物线和螺旋线）的数值仿真和实验分析验证了所提出算法的有效性.     

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。     

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.     

基于模型辨识的非线性连续系统的迭代学习控制

基于非线性连续动态的模型辨识算法, 给出了非线性连续系统的一种非常有效的迭代学习控制方案. 该控制方案不要求非线性连续系统中具体的非线性关系, 并且容许系统初始误差的存在.     

具有初始状态不确定性的非线性系统脉冲补偿迭代学习控制

针对于具有初始状态不确定性的非线性时不变系统,采用矩形脉冲信号补偿传统的比例微分型一阶和二阶迭代学习控制律.在Lebesgue-p范数度量跟踪误差意义下,利用卷积的推广的Young不等式分析学习控制律的跟踪性能.分析表明,在适当选取比例学习增益,微分学习增益和非线性状态函数的Lipschitz常数以保证收敛因子小于1的前提下,渐近跟踪误差是由初始状态不确定性引起的,而且可通过调节补偿因子予以消减.数值仿真验证了补偿策略的有效性和理论分析的正确性.     

一类非线性系统迭代学习控制的初始态鲁棒性

本文对迭代学习控制中的初始态变化的鲁棒特性进行了探讨,针对非线性系统提出了一种基于开环D型的初始态修正的迭代算法,并给出了收敛性证明,最后通过仿真对算法的有效性进行了验证。     

一类非线性采样系统高阶迭代学习控制

迭代学习控制能够实现期望轨迹的完全跟踪而被广泛关注,但是采样迭代学习控制成果目前还比较少。针对一类有相对阶和输出延迟的非线性采样系统,研究了高阶迭代学习控制算法。利用Newton-Leibniz公式、贝尔曼引理和Lipschiz条件证明了当系统的采样周期足够小,迭代学习初态严格重复,且学习增益满足要求的条件,那么系统输出在采样点上收敛于期望输出。对一阶和二阶学习算法的仿真表明高阶算法在收敛速度上比一阶有明显改善。     

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.     

Variable-gain PD-type iterative learning control for a class of nonlinear time-varying systems

This paper investigates variable-gain PD-type iterative learning control (ILC) for a class of nonlinear time-varying systems to well balance high-gain convergence rate and low-gain noise transmission. Different from the classic PD-type ILC, the control gains of the proposed method are variable. Each variable-gain consists of an amplitude-dependent term and an iteration-varying term. The amplitude-dependent terms vary with the amplitudes of tracking error and derivative of tracking error, and the iteration-varying terms are increasing along the iteration axis. The proposed ILC achieves a faster convergence rate than low-gain ILC and higher tracking accuracy with limited noise amplification than high-gain ILC. Moreover, the convergence condition of the proposed method in the presence of external noise is provided. Simulation and experimental results demonstrate the effectiveness of the proposed method.     

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.     

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.