有限频域线性重复过程的动态迭代学习控制

针对不同相对度的离散线性重复过程,研究有限频域范围的动态迭代学习控制问题.对于零相对度和高相对度的控制对象,结合二维(2D)系统理论,分别设计有限频域的动态迭代学习控制器;然后,运用广义Kalman-Yakubovich-Popov(KYP)引理,以线性矩阵不等式(LMI)的形式给出控制器存在的充分条件以及控制器的增益...     

空间互联系统的有限频率范围迭代学习控制

针对一类包含多个节点的空间互联系统,提出一种有限频率范围内的迭代学习控制算法.首先基于提升技术沿空间节点分布方向将重复运行的多维空间互联系统转换为一类二维等效系统,然后设计迭代学习控制律将被控系统转化为线性重复过程,并根据输出期望轨迹跟踪信号的频谱范围,利用Kalman-Yakubovich-Popov (KYP)引理将系统的频域稳定性能分析和控制律设计问题转换成以相应的线性矩阵不等式(LMI)求解问题,同时保证输出跟踪误差在时域和频域范围内的单调收敛性.最后以有源梯形电路的控制仿真验证所提算法的有效性.     

一类不确定性离散非线性重复过程的迭代学习容错控制

针对一类具有非线性和执行器故障的重复运行不确定离散系统,提出了一种迭代学习鲁棒容错控制算法.首先通过定义执行器故障系数矩阵,将迭代学习控制过程转化为等价形式的不确定性非线性重复过程模型,然后基于混合李亚普若夫函数方法讨论非线性重复过程在时间轴和批次轴两个维度上的稳定性,并以线性矩阵不等式形式给出鲁棒容错控制器存在的充分条件和设计方法,同时保证系统正常和执行器故障情形下系统的容错稳定性能.最后,单杆机械手系统的输出跟踪控制仿真结果验证了本文算法的有效性.     

执行器故障重复过程的鲁棒迭代学习容错控制方法及应用

针对具有执行器故障和外界扰动的线性重复过程,给出一种鲁棒迭代学习容错控制策略.首先,基于二维(2D)系统理论,设计鲁棒迭代学习容错控制器,将迭代学习控制系统等效转化为2D模型;然后,利用线性矩阵不等式(LMI)技术,分析和优化控制系统在时间和迭代方向上的容错性能以及对干扰的抑制性能,同时给出系统满足这些性能的充分条件,并进一步通过求解LMI凸优化问题获得控制器参数;最后,通过对旋转控制系统的仿真结果验证了所提出算法的有效性.     

离散线性系统有限频域基于观测器的迭代学习控制

针对一类离散线性系统,在有限频域范围内研究基于观测器的迭代学习控制问题.首先,结合二维系统理论,构建由基于观测器的状态反馈和PID型前馈学习项组成的控制器;然后,借助于广义Kalman-Yakubovich- Popov(KYP)引理,将闭环系统有限频域性能规范转换为相应的线性矩阵不等式(LMI),进而得到控制器和观测器存在的充分条件,同时,该条件也确保闭环控制系统的稳定性和跟踪误差单调收敛性;最后,通过桁架机器人系统的仿真,验证所提出设计方法的有效性.     

一种参数优化的非线性离散系统鲁棒迭代学习控制方法

针对带有扰动的一类离散非线性系统的鲁棒迭代学习控制问题, 设计一种基于参数优化的迭代学习控制算法. 该算法能够保证在有初始状态误差和状态、输出扰动的情况下使闭环系统具有鲁棒BIBO 稳定性, 系统输出能够单调收敛于给定输出轨迹的邻域内; 在没有初始状态误差和扰动的情况下能够以零稳态误差跟踪给定输出轨迹. 最后通过仿真分析验证了所提出算法的有效性.

     

城市区域交通信号迭代学习控制策略

城市交通流具有复杂的非线性动态特性, 在交通控制中难以对其进行精确的数学建模; 同时, 以天为周期, 宏观交通流又呈现出明显的周期性特征. 鉴于此, 提出一种基于迭代学习的城市区域交通信号控制策略, 通过对交通信号的迭代控制, 使路段的平均占有率收敛于期望占有率, 从而使绿灯时间得到充分利用并防止交通拥堵的发生, 保证了交通流在路网中的高效平稳运行. 严格的理论推导证明了该方法的收敛性, 仿真结果验证了该方法的有效性.

     

数据丢失对迭代学习控制的影响分析

针对一类线性系统,分析数据丢失对迭代学习控制算法的影响.首先基于lifting方法给出跟踪误差渐近收敛和单调收敛的条件,并分析收敛速度与数据丢失率的关系,结果表明收敛速度随着数据丢失程度的增加而变慢.其次,为抑制迭代变化扰动的影响,给出一种存在数据丢失时的鲁棒迭代学习控制器设计方法,并将控制器设计问题转化为求取线性矩阵不等式的可行解.仿真示例验证了理论分析的结果以及鲁棒迭代学习控制算法的有效性.

     

离散时间系统重复控制的理想误差动态方法

针对周期参考信号下的离散时间系统, 引入吸引律构造理想误差动态特性, 并基于理想误差动态设计重复控制器. 重复控制能够实现周期性扰动的完全抑制, 从而提高控制能.为了消除颤振现象, 以饱和函数替换重复控制器中的符号函数. 分别推导了理想误差动态方程的单调减区域、吸引层和稳态误差带的边界, 用于刻画误差动态行为, 并给出了数值仿真结果. 在逆变器装置上完成的实验进一步表明了所提出的重复控制方法的有效性.

     

机器人系统终端滑模重复学习轨迹跟踪控制

针对非线性机器人系统的轨迹跟踪问题, 提出一种终端滑模重复学习混合控制方案. 该方案综合了重复学习控制和终端滑模技术的特性, 能够有效跟踪周期性参考信号, 抑制周期性和非周期性动态的干扰, 具有较强的鲁棒性和良好的轨迹跟踪性能, 且算法的实现不需要完全已知系统模型信息. 应用Lyapunov 稳定性理论证明了闭环系统的全局渐近稳定性. 三自由度机器人系统数值仿真结果验证了所提出的终端滑模重复学习控制的有效性.

     

Iterative learning fault-tolerant control for differential time-delay batch processes in finite frequency domains

This paper develops a fault-tolerant iterative learning control law for a class of differential time-delay batch processes with actuator faults using the repetitive process setting. Once the dynamics are expressed in this setting, stability analysis and control law design makes use of the generalized Kalman–Yakubovich–Popov (KYP) lemma in the form of the corresponding linear matrix inequalities (LMIs). In particular, sufficient conditions for the existence of a fault-tolerant control law are developed together with design algorithms for the associated matrices. Under the action of this control law the ILC dynamics have a monotonicity property in terms of an error sequence formed from the difference between the supplied reference trajectory and the outputs produced. An extension to robust control against structured time-varying uncertainties is also developed. Finally, a simulation based case study on the model of a two-stage chemical reactor with delayed recycle is given to demonstrate the feasibility and effectiveness of the new designs.     

非正则分布参数系统的迭代学习控制

针对一类非正则分布参数系统的迭代学习控制问题进行讨论, 该类分布参数系统由抛物型偏微分方程构成. 基于非正则系统的特点, 使用D型学习律构建得到迭代学习控制律, 并基于压缩映射原理, 证明得到输出跟踪误差在??² 范数意义下沿迭代轴方向的收敛性结论. 仿真算例表明了所提出结论的有效性.

     

执行器故障多率采样间歇过程的鲁棒 耗散迭代学习容错控制

针对一类具有干扰和执行器故障的多率采样间歇过程,提出一种具有鲁棒耗散性能的迭代学习容错控制算法.通过提升技术将多采样率过程用慢速率采样的状态空间模型来描述,并基于二维系统理论,把迭代学习控制过程转化为等价2D Roesser故障系统,再沿时间和迭代方向设计具有耗散性能的反馈容错控制器,并以线性矩阵不等式形式给出容错控制器存在的充分条件,同时确保多率采样间歇过程在正常和故障条件下的耗散性能.注塑过程的注射速度控制仿真验证了方法的有效性和可行性.     

Iterative learning control for uncertain systems: Noncausal finite time interval robust control design

In this paper, we present a novel robust Iterative Learning Control (ILC) control strategy that is robust against model uncertainty as given by an additive uncertainty model. The design methodology hinges on ??_∞ optimization, but formulated such that the obtained ILC controller is not restricted to be causal, and inherently operates on a finite time interval. Optimization of the robust ILC (R‐ILC) solution is accomplished for the situation where any information about structure in the uncertainty is discarded, and for the situation where the information about the structure in the uncertainty is explicitly taken into account. Subsequently, the convergence and performance properties of resulting R‐ILC controlled system are analyzed. On an experimental set‐up, we show that the presented R‐ILC control strategy can outperform an existing linear‐quadratic norm‐optimal ILC approach and an existing causal R‐ILC approach based on frequency domain ??_∞ synthesis. Copyright © 2010 John Wiley & Sons, Ltd.