非线性系统开闭环PI型迭代学习控制的鲁棒性

对于完成重复轨迹跟踪任务的系统,迭代学习控制是一种能有效地改进其跟踪性能的技术。研究并给出了一类非线性系统开闭环PI型迭代学习控制的鲁棒条件,证明了系统在状态干扰、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．从鲁棒条件式看出,迭代学习控制的鲁棒性与学习控制律中的积分系数无关。     

基于初态学习的非仿射非线性系统的开闭环PD型迭代学习控制

针对非仿射非线性系统,提出了新的学习控制算法,即初态未知情况下系统的输入和初态都需要进行学习的开闭环PD型迭代学习控制,并给出了该算法的收敛性充分条件.初态学习允许系统在每次迭代开始时有一定的定位误差,不严格要求其初态与期望初态重合或固定于某一具体位置上.该算法允许初态在收敛性条件范围内任意设置,从而保证了学习控制系统具有初始定位误差的鲁棒收敛性.依据此收敛性条件,可确定输入学习律及初态学习律的学习增益.利用压缩映射分析方法,证明了系统在任意初始状态下经过迭代后,其输出能够完全跟踪期望轨迹.该算法解决了初始值未知情况下的收敛性问题,且放宽了收敛条件,并通过仿真结果验证了所提算法的有效性.     

一类非线性系统的初态迭代学习控制

针对一类非线性系统,提出了具有初态学习的开闭环PD型迭代学习算法,并给出了该算法的收敛充分条件。依据此收敛条件,可确定初态学习律和输入学习律的学习增益,而不必依赖系统的结构和参数,从而放宽了对初始定位的要求。初态学习允许在每次迭代开始时,其初态与期望初态有一定的定位误差,并允许初态在收敛条件范围内任意设置。利用压缩映射分析方法,证明了系统在任意初态下经过几次迭代后,实际输出能完全跟踪上期望轨迹。最后,通过仿真实例验证了所提算法的有效性和可行性。     

一类非线性不确定系统的迭代学习控制

针对在有限时间区间上运行的一类非线性不确定系统,基于类Lyapunov 方法给出了一种迭 代学习控制器设计方法． 在提出的控制方案中,学习策略用来处理界函数已知的不确定项,但并未 采用鲁棒方法处理不确定项． 由于控制器中未采用断续函数,避免了系统中产生颤振现象． 理论分 析结果表明,该方案可保证闭环系统中所有变量的有界性,并且跟踪误差能够在整个作业区间上收 敛到零,实现完全跟踪． 数值仿真验证了算法的有效性．     

非线性系统开闭环D型迭代学习算法的鲁棒性

研究了系统满足收敛条件时，具有开闭环D型迭代学习控制律的一类非线性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。理论分析表明，当系统动态过程扰动有界时，开闭环D型迭代学习控制算法是鲁棒的。当满足开闭环学习收敛条件时，控制误差收敛到期望值的某一个邻域，其大小与相邻两次迭代运行中这些干扰的大小有关，而与初始控制输入等无关，当干扰越小时，学习控制过程越接近于期望值。     

一类非线性系统自适应迭代组合学习算法研究

为消除或减弱实际工业控制非周期性的系统中存在不确定性的影响,该文针对存在可量测重复性扰动且系统初值在期望初值一定范围内随机变化的一类仿射非线性系统进行算法研究,运用有关自适应控制理论,将自适应控制方法引入到迭代学习控制中来,两者结合成一种组合智能控制算法,即自适应迭代学习控制算法,最后通过与带遗忘因子的开环PD型迭代学...     

非线性系统闭环PD型迭代学习收敛性分析

提出并证明了非线性系统采用闭环PD型学习律时迭代学习控制的收敛充分条件、必要条件和充分必要条件,并指出其收敛性仅与D型学习增益有关,而与P型学习律的学习增益无关,且收敛性与状态方程的具体形式无关.     

离散时间系统自适应迭代学习控制的研究进展

离散自适应迭代学习控制是针对在有限时间区间上运行的不确定非线性离散时间系统提出的一类方法,可有效抵抗系统的不确定性,并放宽了传统迭代学习控制中要求相同初始条件和参考轨迹这两个关键假设。即可在随机初始条件下实现对迭代变化参考轨迹的几乎完全跟踪性能。本研究给出了迭代学习控制方法的分类,对其中的自适应迭代学习控制方法的设计思路和适用背景进行了阐述。重点综述了离散时间系统自适应迭代学习控制方法的发展过程,讨论了所提出离散时间自适应控制方法的特点和适用范围,提出了基于数据驱动的自适应迭代学习控制发展的必然趋势和有待于进一步研究的问题。     

离散非线性系统P型迭代控制的收敛性

收敛性是迭代控制中最重要的问题之一。本文给出并证明了当被控系统的状态方程为一般非线性离散方程时，采用Ｐ型算法在开环与闭环两种情形下迭代控制收敛的充分条件和必要条件。其结果表明迭代控制的收敛性条件与状态方程的具体形式无关，因而与线性情形时有同样的结果。并且证明了给出的条件比已有的结果放宽了。     

具有初态学习的闭环PD型迭代学习控制

针对一类输入时滞非线性系统提出了一种新的学习控制算法,即在任意初始状态条件下系统的输入和初态同时进行学习的闭环PD型迭代学习控制,其中输入利用给定超前法。给出了该算法谱半径形式的收敛条件,并利用算子理论证明了系统在任意初始状态条件下经过迭代后,其输出能够完全跟踪期望轨迹。该算法解决了闭环PD型迭代学习控制的初始状态问题,且放宽了收敛条件。仿真结果表明了该算法的有效性。     

一类非线性迭代学习控制系统的鲁棒收敛性

讨论了对于一类非线性动态系统施加高阶Ｄ型迭代学习算法时构成的迭代学习控制系统的鲁棒收敛性．证明了当系统初始状态逐渐固定在靠近期望初态的某一点上时，系统控制、状态、输出会收敛到相应期望轨迹的邻域内．同时，证明了在渐近理想重复初始条件下的算法收敛性．仿真结果表明，开闭环配合的学习律是克服初态偏移的一种有效途径     

非线性系统的梯度变分迭代自学习控制

研究了一类非线性系统的梯度变分迭代自学习算法,以提高此类非线性系统的控制品质.梯度变分迭代自学习算法是针对符合某一类范式的周期性或重复性输出控制的非线性系统而设计的一种自寻优自学习算法.该算法针对一类非线性系统的数学描述模型,给出了性能指标函数,通过梯度变分的方法寻找性能指标函数梯度的负方向,并利用迭代自学习得到性能指标函数的最小值,使系统收敛于目标输出.将该算法应用于极端环境模拟装置的压力控制系统,取得了比传统控制算法更高的效率与更快的收敛速度.梯度变分迭代自学习算法是符合一类数学模型的非线性系统的一种高效控制算法.     

动态系统学习控制的两层迭代算法

对于具有重复运动性质的动态系统的学习控制问题,本文提出了一类两层迭代算法．文中针对线性系统和一类非线性系统分别给出了算法收敛性证明．仿真结果表明,适当选取学习参数可加速收敛过程．     

迭代学习控制系统：收敛性与鲁棒性（Ⅰ）

讨论了在初态偏差、状态漂移和量测噪音同时存在的干扰环境中运行的迭代学习控制系统的鲁棒性问题．针对复杂系统结构，给出了保证Ｐ－型和Ｄ－型学习律算法收敛性的干扰条件     

开环迭代学习控制系统仿真研究

在迭代学习控制系统仿真研究中,主要是对开环迭代学习算法和闭环迭代学习算法进行研究,包括P型、PID型学习律.通过仿真实验,对比分析了开环迭代法的P型、PID型迭代学习律的控制系统性能,并对仿真结果进行了阐述.     

非正则线性系统闭环P型迭代学习控制算法

在文献[1]的基础上,用另一种方法推导出一个非正则线性系统的闭环P型迭代学习控制律收敛性条件,该条件使得非正则系统中闭环P型迭代学习算法收敛性条件更加完全,应用的范围更加广泛.开环与闭环两种方式的仿真结果验证了在该条件下算法的收敛性和正确性,以及闭环控制的有效性.     

非正则线性系统闭环P型迭代学习控制算法

在文献[1]的基础上，用另一种方法推导出一个非正则线性系统的闭环P型迭代学习控制律收敛性条件，该条件使得非正则系统中闭环P型迭代学习算法收敛性条件更加完全，应用的范围更加广泛。开环与闭环两种方式的仿真结果验证了在该条件下算法的收敛性和正确性，以及闭环控制的有效性。     

PID型离散系统迭代学习控制参数的优化设计

基于控制参数的优化设计针对线性时不变离散系统提出了一种PID型迭代学习控制算法．此算法的收敛速度快于P型和PI型学习算法，并能够用于震荡的不稳定系统，仿真结果证明了算法的有效性．     

非周期时变非线性系统自适应迭代学习控制

对一类含有非周期时变不确定性的非线性系统的控制问题进行了研究。该系统具有严格反馈形式且控制增益未知。在控制器设计中,用一种具有迭代特性的神经网络消除了非周期时变不确定性的影响,并综合应用反演技术和鲁棒自适应控制技术消除了严格反馈结构和未知控制增益带来的设计问题。稳定性分析结果表明:系统所有状态量有界且输出量在积分意义下收敛到期望轨迹。仿真试验证明了所设计控制器的有效性。