基于鲁棒一步集的Tube不变集鲁棒模型预测控制

针对一类干扰有界的输入和状态受约束线性离散系统,提出了一种基于鲁棒一步集的Tube不 变集鲁棒模型预测控制方法.首先采用多面体不变集离线设计方法得到基于多面体不变集序列的扩 展终端约束集;然后为了扩大鲁棒模型预测控制的初始状态允许区域,并提高系统的鲁棒性,在扩展终端约束集的基础上,通过引入鲁棒一步集并借助Tube不变集控制策略,设计了基于鲁棒一步集的鲁棒模型预测控制方法,并给出了算法的存在性和稳定性证明. 该方法不仅极大地扩大了初始状态允许区域,而且对有界干扰具有有效的抑制作用,使得受扰系统收敛到以原点为中心的最小鲁棒正不变集内.最后仿真验证了算法的有效性.     

时变轨迹下工业过程鲁棒模糊预测控制

针对具有不确定性、外界未知干扰和跟踪轨迹变化的非线性工业过程,提出一种时变轨迹鲁棒模糊预测控制方法。该方法将非线性工业过程根据模糊规则表示为Takagi-Sugeno(T-S)模糊模型,并扩展输出跟踪误差到模糊模型中得到新型多自由度状态空间模型。针对扩展模型设计控制器,并给出基于线性矩阵不等式形式的稳定性充分条件,通过求解稳定性条件中参数计算对应子模型的控制律,并根据当前时刻的系统状态确定每个子模型和控制律的权值。同时,由于在实际生产过程中被控变量需要根据外界变化来实时调节,在设计控制器时充分考虑跟踪轨迹变化的影响。在啤酒发酵罐温度系统仿真研究结果表明设计的控制器能够满足控制需求,保证系统的稳定性和最优性能。     

基于再制造的闭环供应链动态模型及其鲁棒H∞控制

研究基于再制造的闭环供应链运作问题，建立了具有再制造、废弃时滞和需求不确定性的闭环供应链动态模型．分析了闭环供应链的鲁棒运作，给出了针对再制造闭环供应链动态模型的鲁棒H∞控制策略和线性矩阵不等式算法，鲁棒H∞控制策略能够抑制闭环供应链运作过程中的不确定性影响，使闭环供应链系统运作达到理想总成本．最后通过仿真计算验证了所提出方法的有效性．     

基于模型参考的鲁棒自适应控制

针对一类具有未知参数、未建模动态和外界干扰的不确定非线性系统,选择适当的参数对这些不确定性进行估值、补偿和模型参考,利用Backstepping方法,设计了一种新的鲁棒自适应控制器。该控制器能保证闭环系统的所有信号是全局有界的,跟踪误差收敛到一个小的残差集内。仿真结果表明该方法的有效性。     

饱和约束系统的鲁棒模型预测控制

针对饱和约束系统提出了一种鲁棒模型预测控制算法,分别考虑了多面体不确定性和结构反馈不确定性.考虑无穷时域的最坏二次性能指标,通过采用带有饱和特性的反馈控制结构,将控制律的求解转化为一个在线的线性矩阵不等式优化问题.初始时刻优化问题的可行性保证了闭环控制系统的鲁棒稳定性.最后的仿真结果说明了算法的优越性.     

基于动态参考规划的鲁棒Tube模型预测跟踪控制

为实现扰动和约束作用下对系统的最优鲁棒跟踪, 提出一种动态参考规划(DRP)方法, 设计鲁棒Tube模型预测控制器(RTMPC)将系统状态驱动到以最优跟踪点为中心的扰动不变集内. 基于DRP的RTMPC控制方法, 以多步参考为决策变量, 确保在线优化递归可行性的同时, 增加在线优化的自由度; 另外, 通过设定目标函数惩罚标称状态轨迹和参考稳态之间、以及最后一步参考稳态和设定点之间的加权欧式距离, 可实现最优鲁棒跟踪.     

两级供应链动态模型及其鲁棒H∞控制

针对由一个制造商和一个销售商构成的两级供应链系统,建立了具有生产时滞、成本参数和需求不确定性的供应链动态模型,分析了不确定环境下供应链鲁棒H∞控制的运作管理意义,给出了解决供应链动态模型的鲁棒H∞控制策略和线性矩阵不等式(LMI)算法,并进行了数值算例验证结果。研究表明,通过制造商和销售商库存状态的静态反馈控制,可使供应链动态系统有效地抑制多种不确定性干扰,并使供应链运作达到理想总成本,从而为企业应对不确定性扰动提供了鲁棒性策略。     

时变非线性不确定系统H∞鲁棒模型预测控制

针对输入受限的时变不确定非线性系统,提出一种H∞鲁棒模型预测控制策略。假设线性化系统矩阵一致有界,将非凸的无穷时域优化问题转化为带有单个线性矩阵不等式(LMI)约束的凸优化问题,降低控制量求解难度。结合滚动优化原理与H∞控制方法在线极小化性能指标,使得闭环系统满足控制性能和约束。在LMI框架下给出H∞NMPC的求解方法及其鲁棒稳定性充分条件。仿真实验对比验证了该策略的有效性。     

基于观测器的鲁棒模型预测控制算法

对于含有未建模动态的输入受限离散时间线性系统,当系统状态不可测时,提出一种基于状态观测器的鲁棒模型预测控制算法。该算法采用双模型控制结构,将不变椭圆集同时应用于估计状态方程和误差方程,保证算法的稳定性和可行性,并同时给出系统稳定和可行的条件。     

基于FCMAC的鲁棒自适应迭代学习控制算法

工业机器人在改变运动轨迹时往往伴随着系统噪声、干扰的引入以及自身的惯量参数发生变化,采用传统的迭代控制算法难以达到高精度、高速控制的要求.将自适应与鲁棒控制与迭代控制相结合,提高迭代算法的控制精度;给定任务发生改变时,引入模糊小脑关节控制器作为前馈控制,经历史控制经验训练后估算出变化后系统的期望估计输入,作为迭代控制器...     

迭代学习模型预测控制研究现状与挑战

历经20多年的发展, 迭代学习模型预测控制在理论和应用方面都取得了长足的进步. 但由于批次工业过程复杂多样、结构各异、精细化程度较高, 现有的迭代学习模型预测控制理论仍面临着巨大挑战. 本文简要回顾了迭代学习模型预测控制理论的产生及发展, 阐述了二维预测模型、控制律迭代优化及二维稳定性等基本理论问题; 分析了现有方法在理论及应用方面的局限性, 说明了迭代学习模型预测控制在迭代建模、高效优化、变工况适应等方面面临的难点问题, 提出了可行的解决方案. 简要综述了近年来迭代学习模型预测控制理论和应用层面的发展动态, 指出了研究复杂非线性系统、快速系统、变工况系统对进一步完善其理论体系和拓宽其应用前景的意义, 展望了成品质量控制和动态经济控制等重要的未来研究方向.     

Robust Optimization-Based Iterative Learning Control for Nonlinear Systems With Nonrepetitive Uncertainties

This paper aims to solve the robust iterative learning control(ILC)problems for nonlinear time-varying systems in the presence of nonrepetitive uncertainties.A new optimization-based method is proposed to design and analyze adaptive ILC,for which robust convergence analysis via a contraction mapping approach is realized by leveraging properties of substochastic matrices.It is shown that robust tracking tasks can be realized for optimization-based adaptive ILC,where the boundedness of system trajectories and estimated parameters can be ensured,regardless of unknown time-varying nonlinearities and nonrepetitive uncertainties.Two simulation tests,especially implemented for an injection molding process,demonstrate the effectiveness of our robust optimization-based ILC results.     

基于2维性能参考模型的2维模型预测迭代学习控制策略

将迭代学习控制(Iterative learning control, ILC)系统看作一类具有2维动态特性的控制系统,根据模型预测控制(Model predictive control, MPC)和性能参考模型控制思想, 提出了一种基于2维性能参考模型的2维模型预测迭代学习控制系统设计方案.在该控制系统设计方案中,可以通过选择适当的2 维性能参考模型来构造2 维动态变化的设定值信号和预测控制信号,从而引导迭代学习控制系统收敛到合理的控制性能,并有效避 免系统性能收敛过程中控制输入可能发生的剧烈波动.通过对控制系统的结构分析可知,所得的迭代学习控制器本质上是由沿时 间指标的参考模型预测控制器和沿周期指标的迭代学习控制器组成,闭环系统的收敛性等价于一个2维滤波系统的稳定性.数值仿 真结果证明了该设计方案的有效性和鲁棒性.     

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.     

非线性快速批次过程高效迭代学习预测函数控制EI北大核心CSCD

迭代学习模型预测控制(Iterative learning model predictive control,ILMPC)具备较强的批次学习能力及突出的时域跟踪性能,在批次过程控制中发挥了重要作用.然而对于具有强非线性的快动态批次过程,传统的迭代学习模型预测控制很难实现计算效率与跟踪精度之间的平衡,这给其应用带来了挑战.对此本文提出一种高效迭代学习预测函数控制策略,将原非线性系统沿参考轨迹线性化得到二维跟踪误差预测模型,并在控制器设计中补偿所产生的线性化误差,构造优化目标函数为真实跟踪误差的上界.为加强优化计算效率,在时域上结合预测函数控制以降低待优化变量维数,从而有效降低计算负担.结合终端约束集理论,分析了迭代学习预测函数控制的时域稳定性及迭代收敛性.通过对无人车和典型快速间歇反应器的仿真实验验证所提出算法的有效性.     

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.      

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.     

具有任意非线性输入的鲁棒模型参考自适应控制

提出了一种分析具有任意非线性输入的模型参考自适应(MRAC)的新方法,它不要求对象是稳定的,允许系统存在未建模动态和有界扰动.同时给出了一种提高非线性输入自适应系统特性的补偿方案,它通过在控制律中引入跟踪误差,可以提高系统的暂态及稳态精度,而又不破坏MRAC系统的收敛特性.     

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...     

Iterative Learning Control With Incomplete Information: A Survey

This paper conducts a survey on iterative learning control (ILC) with incomplete information and associated control system design, which is a frontier of the ILC field. The incomplete information, including passive and active types, can cause data loss or fragment due to various factors. Passive incomplete information refers to incomplete data and information caused by practical system limitations during data collection, storage, transmission, and processing, such as data dropouts, delays, disordering, and limited transmission bandwidth. Active incomplete information refers to incomplete data and information caused by man-made reduction of data quantity and quality on the premise that the given objective is satisfied, such as sampling and quantization. This survey emphasizes two aspects: the first one is how to guarantee good learning performance and tracking performance with passive incomplete data, and the second is how to balance the control performance index and data demand by active means. The promising research directions along this topic are also addressed, where data robustness is highly emphasized. This survey is expected to improve understanding of the restrictive relationship and trade-off between incomplete data and tracking performance, quantitatively, and promote further developments of ILC theory.