工业过程稳态优化中的PID型迭代学习控制

给出一种ＰＩＤ型迭代学习算法，对工业过程稳态优化中的动态施行迭代学习控制，加快了动态响应，提高了控制效果。从理论上分析了算法的收敛性，并给出数字仿真结果。     

工业稳态过程的建模与优化设计

针对变量多、关系复杂的工业稳态过程,提出了一种建立静态数学模型与过程优化相结合的计算机辅助分析与设计软件的方案。     

快速路交通流常微分模型的PD型迭代学习控制

针对快速路交通常微分模型,利用快速路交通流具有明显的重复性和周期性等特点,首先,设计了一种快速路交通流常微分模型的入口匝道交通流PD型迭代学习控制算法,并建立了迭代学习误差的收敛性条件;其次,利用λ范数和Bellman-Gronwall引理证明了算法的收敛性.最后,通过数值仿真结果进一步说明了提出的迭代学习控制方法的有效性.     

基于智能PD型迭代学习控制的清扫车路径跟踪控制

针对清扫车在园区固定路段的周期重复性工作特点,提出采用智能PD型迭代学习控制方法的清扫车路径跟踪控制问题.首先,将非线性控制系统转化为紧格式局部线性化数据模型,设计针对清扫车运动学模型的参数更新率,并基于投影算法对未知的梯度参数进行估计,此外,引入迭代差分估计算法,用于估计路面颠簸、车身垃圾重量不断变化等带来的未知扰动...     

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。     

基于分数阶线性系统初态学习的PDα-型迭代学习控制

为了消除任意初始状态对系统的影响,针对一类具有任意初始状态的分数阶线性连续系统,提出了一种具有初始状态学习的开环和开闭环PDα-型分数阶迭代学习控制算法.在Lebesgue-p范数的意义下,利用卷积积分的广义Young不等式在迭代域中给出具有抗干扰的PDα-型算法收敛的充分条件.实验结果表明,该算法能够保证跟踪误差的收...     

基于二次型优化的迭代学习控制算法

针对线性时不变系统提出了一种基于优化控制理论设计的迭代学习控制算法,该算法基于二次型优化性能指标,利用梯度下降搜索法来拟合迭代学习控制律,仿真结果表明,该算法具有较快的收敛速度,且系统实际输出能够在较小的迭代次数下快速跟踪给定轨迹。     

工业稳态优化控制两步法的鲁棒性及改进新算法

在研究稳态优化控制两点法鲁棒性的基础上，提出了改进的鲁棒新算法，并给出了新算法的仿真列子。     

基于神经网络优化的迭代学习控制方法的研究及应用

聚合反应的动态特性具有时变性、非线性等特点,应用传统的控制方法已不能满足实际的控制要求,且达不到需要的控制精度,急需提出一种先进的控制方法.本文提出了一种新的基于神经网络优化的迭代学习控制方法,介绍了由迭代学习控制理论设计迭代学习控制器,提出用神经网络对控制器参数进行优化计算,找出最优的学习增益;并将该方法应用于ABS树脂聚合反应过程的温度控制中,仿真结果表明了该方法的有效性,且能在较少的迭代次数下,以最快的收敛速度、较高的跟踪精度逼近期望轨迹.     

改进的PD迭代学习算法及在机器人二维运动控制中的应用

提出一种改进的ＰＤ型迭代学习控制算法。讨论了学习因子的优化选取方法，并对机器人二维运动控制进行了仿真。仿真结果表明，该控制方法应用于机器人二维轨迹控制简单易行，效果较好。     

迭代学习控制理论

迭代学习控制是“学习控制”的一个重要组成部分，是控制理论的一个新的研究方向．由西安工业大学研制的控制系统——迭代学习控制（ICL）系统，只需输入、输出信号即可重复运行，不依赖于动态系统的精确数学模型，能以非常简单的方式处理不确定、强耦合、非线性的复杂系统，并且适用性强，易于实现．     

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.     

工业控制过程系统中智能优化控制策略的研究

应用传统控制理论的ＰＩＤ方法在工业控制过程系统中得到广泛应用，控制对象的不确定性限制了理代控制理论的广泛应用，计算机集成过程系统的智能优化控制与常规控制相结合有可能从根本上改变这一状况．本文就智能控制的理论体系和结构框架，智能控制与决策管理，智能控制集成软件平台，智能控制与人工参与等问题展开讨论．最后给出了一个实例．     

基于克隆选择算法的非线性优化迭代学习控制

为实现对模型不确定的有约束非线性系统在特定时间域上输出轨迹的有效跟踪,将改进的克隆选择算法用于求解迭代学习控制中的优化问题。提出基于克隆选择算法的非线性优化迭代学习控制。在每次迭代运算后,一个克隆选择算法用于求解下次迭代运算中的最优输入,另一个克隆选择算法用于修正系统参考模型。仿真结果表明,该方法比GA-ILC具有更快的收敛速度,能够有效处理输入上的约束以及模型不确定问题,通过少数几次迭代学习就能取得满意的跟踪效果。     

工业机器人可变增益自适应迭代学习控制研究

为确保执行重复运动的工业机器人位置、速度的跟踪精度,提出一种可变增益自适应迭代学习控制算法。首先在PD反馈部分增加指数可变增益来加快算法收敛速度,然后在参数自适应部分设计广义误差函数来进一步减小轨迹跟踪误差,增强系统稳定性。通过Lyapunov函数对可变增益自适应迭代学习控制算法的收敛性进行了理论证明,最后利用仿真验证了该控制算法能有效减小机器人轨迹跟踪误差,并加快算法的收敛速度。