XY 平台的迭代学习控制初次控制信号选定

当XY运动平台当前期望轨迹与以往轨迹基元的组合相似时,本文提出如何选定迭代学习控制过程的初次控制信号.首先依次提取各个相似轨迹基元的控制信号,对它们进行相应的旋转和平移变换,并在前后轨迹基元拼接处采用线性插值算法进行控制信号无扰切换,从而获得当前操作的迭代学习控制的初次迭代控制信号;最后通过仿真实例验证了所提方法的有效性.     

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.     

非严格重复逆变器系统自抗扰学习控制

控制器中,误差是生成控制量的主要信息来源,其所含信息质量直接决定当前时刻的控制效果.本文利用误差有效值来反映周期误差能量的变化,通过设定其变化强度阈值对非严格重复信息进行选择和剔除,从而提高学习控制的信息品质.将学习控制简化为仅含有一个2N阶滤波器的单位正反馈环节,通过分析学习控制周期收敛条件,并结合逆变系统运行基波以及各次谐波频带,给出了滤波器截止频率的确定方法.抗扰环节则利用扩张状态观测器对负载电流等非严格重复扰动进行估计,并将其影响提前在控制端抵消,使得学习过程免受非严格重复的负面影响. MATLAB/Simulink仿真验证表明,该方法对抑制短时扰动造成的输出电压周期波动有良好效果,逆变器稳定性得到进一步提高.     

基于数据驱动的非线性网络系统自适应迭代学习控制

针对非线性网络控制系统中测量数据的量化及随机丢包问题,给出一种基于数据驱动的自适应迭代学习控制算法.该算法能够保证系统在数据量化、随机丢包以及不确定迭代学习长度等因素的影响下,经过有限次迭代后输出轨迹跟踪误差收敛到零;借助伪偏导线性化方法,将非线性系统转换为线形时变系统形式;在线性系统框架下利用前一批次的系统输出信息更...     

迭代学习控制在电力系统中的应用进展

根据迭代学习控制基本原理及其特性,归纳迭代学习控制在电力系统中的各种应用,对迭代学习控制的最新进展进行详尽的叙述,讨论迭代学习控制在电力系统中应用存在的问题,并对其发展进行展望.     

迭代学习神经网络控制在机器人示教学习中的应用

示教学习是机器人运动技能获取的一种高效手段.当采用摄像机作为示教轨迹记录部件时,示教学习涉及如何通过反复尝试获得未知机器人摄像机模型问题.本文力图针对非线性系统重复作业中的可重复不确定性学习,提出一个迭代学习神经网络控制方案,该控制器将保证系统最大跟踪误差维持在神经网络有效近似域内.为此提出了一个适合于重复作业应用的分布式神经网络结构.该神经网络由沿期望轨线分布的一系列局部神经网络构成,每一局部神经网络对对应期望轨迹点邻域进行近似并通过重复作业完成网络训练.由于所设计的局部神经网络相互独立,因此一个全程轨迹可以通过分段训练完成,由起始段到结束段,逐段实现期望轨迹的准确跟踪.该方法在具有未知机器人摄像机模型的轨迹示教模仿中得到验证,显示了它是一种高效的训练方法,同时具有一致的误差限界能力.     

结合前馈调参与迭代学习的数据驱动控制方法

在前馈控制中,需要尽可能的去除前馈控制器对系统模型的需求,同时保证高精度和鲁棒性.本文提出了一种数据驱动的将迭代前馈调参与迭代学习控制进行结合的方法,通过引入基函数参数化的前馈控制器和输入整形滤波器,使用梯度下降法求解最优系统前馈控制器,消除期望轨迹引入的扰动;通过迭代学习控制,消除系统重复性扰动,进一步提高控制精度.算法具有不依赖系统模型,高精度,适用于变轨迹任务的优点.文中给出了相应的仿真,并应用到一个直线电机系统,通过实验验证了算法的有效性.     

迭代学习控制在烟叶发酵系统中的应用

烟叶发酵是一个十分复杂的过程，其数学模型难以建立。为了对发酵室的温度、湿度进行理想的跟踪控制，提出了一处以寻求期望输入的迭代学习控制方法，在总结人工经验的基础上，给出了设计学习律的具体思路。仿真结果表明效果良好。     

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.     

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.     

A novel iterative learning control scheme based on Broyden-class optimization method

This study proposes a novel iterative learning control scheme for discrete-time linear systems based on the Broyden-class optimization method. To overcome the difficulty of lacking system information, a cost function is introduced for the performance index by constructing a positive-definite matrix with little system information. An optimization-based learning control algorithm is proposed using a Hessian matrix approximation and the generated input sequence is demonstrated to exhibit a superlinear convergence rate. The proposed scheme is extended to address the point-to-point tracking problem. Numerical simulations are provided to verify the effectiveness of the proposed approach.     

Robust iterative learning control of single-phase grid-connected inverter

For the single phase inductance-capacitance-inductance (LCL) grid-connected inverter in micro-grid, a kind of robust iterative learning controller is designed. Based on the output power droop characteristics of inverter, the current sharing among the inverters is achieved. Iterative learning strategy is suitable for repeated tracking control and inhibiting periodic disturbance, and is designed using robust performance index, so that it has the ability to overcome the uncertainty of system parameters. Compared with the repetitive control, the robust iterative learning control can get high precision output waveform, and enhance the tracking ability for waveform, and the distortion problem of the output signal can be solved effectively.     

基于迭代学习与模型预测控制的交通信号混合控制方法

针对基于迭代学习控制的交通信号控制方法对于路网中存在的非重复性实时干扰不能进行有效处理的问题,本文在基于迭代学习控制的交通信号控制方法基础上,结合模型预测控制滚动优化和实时校正的特点,提出了一种基于迭代学习与模型预测控制的交通信号混合控制方法.该方法在有效利用交通流周期性特征改善路网交通状况的同时,可借助模型预测控制的...     

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。     

迭代学习在网络控制中的应用*

针对网络拥塞控制中网络拥塞本身无法建立精确的数学模型的问题,基于迭代学习控制具有结构简单及对系统精确模型不依赖等优点,首次提出了用迭代学习控制算法来解决网络拥塞,其主要目的是提高网络资源的利用率并提供给信源公平的资源分配份额。在提出算法前,首先通过分析网络模型建立了网络拥塞被控系统;然后提出了针对该被控系统的开闭环PID型迭代学习控制算法并证明了其收敛性;最后运用此算法建立了网络拥塞控制模型。通过实验和仿真表明,该算法对解决网络拥塞问题有很好的效果。     

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.