迭代学习控制的研究现状

迭代学习控制经历了二十多年的发展历程,已经取得了很多研究成果,现已成为智能控制的一个重要研究方向,并得到越来越广泛的应用.本文对迭代学习控制的基本原理和主要研究问题从发展的角度作了详细阐述,并对其应用作了细致介绍.     

Control of a pneumatic power active lower-limb orthosis with filter-based iterative learning control

A filter-based iterative learning control (FILC) scheme is developed in this paper, which consists in a proportional–derivative (PD) feedback controller and a feedforward filter. Moreover, based on two-dimensional system theory, the stability of the FILC system is proven. The design criteria for a wavelet transform filter (WTF) – chosen as the feedforward filter – and the PD feedback controller are also given. Finally, using a pneumatic power active lower-limb orthosis (PPALO) as the controlled plant, the wavelet-based iterative learning control (WILC) implementation and the orchestration of a trajectory tracking control simulation are given in detail and the overall tracking performance is validated.     

寻找多智能体系统一致性的迭代学习方法

本文利用迭代学习的方法研究了带头结点的多智能体系统的一致性问题.文中分别对单积分多智能体系统和一般的线性多智能体系统提出了迭代学习型的一致性算法.该算法对每一个从节点所设计的分布迭代学习序列可以保证从节点能完全跟随上头结点.假设头结点是全局可达的,对于有向拓扑连接图,给出了智能体达到完全一致的充分条件.最后,仿真实例说明了文中所给方法的有效性.     

基于迭代学习策略的高速机车二系横向主动控制

为实现机车横向平稳性控制,针对机车在固定线路区间往复开行的特点,利用迭代学习策略实现二系悬挂主动控制.以某型高速机车为研究对象,选用一种PD型闭环迭代学习控制器,并通过多目标优化方法编程实现不同轮轨接触状态下车体横向平稳性主动控制参数的自适应调整.基于虚拟激励法,计算该机车线性模型在二系横向悬挂主动控制下的频域平稳性指标,相对于时域仿真计算该方法的计算速度具有明显优势.结果表明：迭代控制参数经5次迭代优化后,车体横向平稳性可快速收敛到稳定值;相较于控制参数固定时,自适应方法能够自动适应机车轮轨接触状态和线路状态且横向性能得到明显改善.此外,考虑到控制系统时滞,该方法在一定时滞范围内仍具有良好控制效果,研究还指出系统时滞应控制在100 ms以内,以防止机车横向动力学性能恶化.     

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。     

非线性抛物型偏差分系统迭代学习控制

本文研究了一类时空离散的非线性抛物型偏差分系统的迭代学习控制问题.首先,针对系统含有不确定系数与非线性特点,设计了开环P型迭代学习控制算法;然后,建立了输出跟踪误差沿迭代轴收敛的充分条件,并利用离散Gronwall不等式、λ范数以及压缩映射原理,详细给出了收敛性分析证明.最后通过仿真实例说明了算法的有效性.     

基于几何分析的迭代学习控制快速算法

基于几何分析, 对迭代学习控制问题进行了讨论. 在这种几何框架下获得了与目前算法完全不同的快速算法, 为迭代学习控制的研究开辟了一条全新的途径. 这种基于几何理论的新途径, 能明确的指引人们应该怎样去设计更好的学习算法, 而不是像目前的研究结果那样, 总是囿于Arimoto(1984)所提出的最基本的算法形式之中. 数值仿真结果表明新算法的有效性与优越性.     

基于迭代学习观测器的航天器姿态主动容错控制

针对含有外部扰动和执行器故障的一类航天器姿态控制系统,本文提出基于迭代学习观测器的主动容错控制方案.首先,建立了含有外部扰动和执行器故障的航天器姿态控制系统的运动学和动力学模型.其次,为了提高观测器的故障估计精度,在传统迭代学习观测器设计基础上引入上一时刻状态估计误差信息,文章提出一种改进型学习估计算法.进一步,基于滑模控制和指定时间稳定理论,利用学习观测器的故障估计信息设计指定时间主动容错控制器.与现有的航天器主动容错控制方案相比,本文所提出的算法的优势在于可以使故障系统的姿态能在指定时间跟踪上指令信号.基于Lyapunov方法,本文从理论上证明了改进型学习观测器和姿态容错控制系统的稳定性.最后,通过数值仿真,说明了所提容错控制方案的有效性和可行性.     

一类未知非线性系统的智能迭代学习控制

从自适应的角度设计迭代学习控制，将神经网络引入迭代学习控制中。学习控制与自适应控制相结合，使得对网络权值的学习和跟踪控制同时进行，克服 了经典迭代学习控制的一些缺陷。基于Lyapunov直接方法，证明了整个控制系统的稳定并实现了任意精度的跟踪。实例仿真结果说明了算法 的有效性及其所具有的优点。     

Analysis of boundary effects in iterative learning control

Boundary effects in iterative learning control (ILC) algorithms are considered in this article. ILC algorithms involve filtering of input and error signals over finite-time intervals, often using non-causal filters, and it is important that the boundary effects of the filtering operations are handled in an appropriate way. The topic is studied using both a proposed theoretical framework and simulations, and it is shown that the method for handling the boundary effects has impact on the stability and convergence properties of the ILC algorithm.     

迭代学习在PID控制中的应用

利用迭代学习过程记忆的期望控制、期望轨迹以及跟踪误差,提出了拟合控制系统的PID控制器参数的方法。用这种方法实现的PID控制器结构简单,作用于系统可获得较佳的动态特性和较强的鲁棒性。仿真实例表明了这种方法具有很好的可行性和实用性。     

严格反馈系统约束迭代学习控制

针对一类含有状态约束和任意初态的严格反馈非线性系统,本文提出了基于二次分式型障碍李雅普诺夫函数的误差跟踪学习控制算法.二次分式型障碍李雅普诺夫函数保证了系统跟踪误差在迭代过程中限制于预设的界内,进而保持状态在约束区间内.引入一级数收敛序列用于处理扰动对系统跟踪性能的影响.构造期望误差轨迹解决了系统的初值问题.经迭代学习...     

一类不确定系统的自适应滑模迭代学习控制

本文针对一类在有限时间内执行重复任务的不确定非线性系统状态跟踪问题,提出一种自适应滑模迭代学习控制方法,在存在初始偏移的情况下也能实现对参考轨迹的完全收敛.本文通过设计全饱和自适应迭代学习更新律,估计参数和非参数不确定性以及未知期望控制输入,并将估计值限制在指定界内,避免估计值的正向累加.文章设计的自适应滑模迭代学习控制方法对系统模型的信息需求少,在对系统非参数不确定性的上界估计时不需要Lipschitz界函数已知.本文给出严格的理论分析,证明闭环系统所有信号的一致有界性以及跟踪误差的一致收敛性,并通过仿真验证所提控制方法的有效性.     

D‐type iterative learning control for one‐sided Lipschitz nonlinear systems

In this paper, the problem of iterative learning control for a class of nonlinear systems is studied. Here, the nonlinear functions satisfy the one‐sided Lipschitz and quadratically inner‐bounded conditions. For such nonlinear systems, open‐loop and closed‐loop D‐type learning algorithms are adopted, respectively, and furthermore, the convergence conditions of the D‐type learning algorithms are established. It is shown that both algorithms can ensure that the system output converges to the desired trajectory on the whole time interval. Finally, the validity of the presented D‐type learning algorithms is verified by a numerical example.     

非参数不确定系统约束迭代学习控制

讨论一类非参数不确定系统的约束迭代学习控制问题.构造二次分式型障碍李雅普诺夫函数(Barrier Lyapunov functions),用于学习控制器设计.控制方案采用鲁棒方法与学习机制相结合的手段处理非参数不确定性,鲁棒方法对处理后的不确定性的界予以补偿,学习机制对处理后的不确定性进行估计.可实现系统状态在整个作业区间上完全跟踪参考轨迹,并使得系统误差的二次型在迭代过程中囿于预设的界内,进而在运行过程中实现状态约束.提出的迭代学习算法包括部分限幅与完全限幅学习算法.采用这种BLF约束控制系统有利于提高控制系统中设备安全性.仿真结果用于验证所提出控制方法的有效性.     

一类非线性系统迭代学习控制的初始态鲁棒性

本文对迭代学习控制中的初始态变化的鲁棒特性进行了探讨,针对非线性系统提出了一种基于开环D型的初始态修正的迭代算法,并给出了收敛性证明,最后通过仿真对算法的有效性进行了验证。     

迭代学习控制技术回顾与长期学习控制展望

本文首先回顾了迭代学习控制中初始状态漂移问题和单调收敛性分析的研究技术.其次,综述了高阶迭代学习控制机制及其收敛速度比较和有效性.再次,评述了重复运行大系统和变幅值大工业过程的迭代学习控制机理.最后,展望了长期学习控制的研究趋势等.     

存在环境约束的机器人自适应迭代学习控制

针对存在不确定性和外界干扰的受限机器人系统提出一种自适应迭代学习控制律.不确定性参数被估计在时间域内,同时重复性外界干扰在迭代域内得到补偿.通过引入饱和学习函数,保证了闭环系统所有信号有界.借助Lyapunov复合能量函数法,证明了系统渐进收敛到期望轨迹的同时,能够保证力跟踪误差有界可调.     

工业过程稳态优化进程中的噪声平滑型迭代学习控制

针对具有噪声的工业过程稳态优化进程，提出迭代学习控制以期改善控制系统的动态品质，建立了基本的加权噪声平滑型迭代学习控制算法结构。利用频域时域相结合的方法分析和论证了算法的收敛性，给出噪声平滑参数的确定策略，数字仿真表明，平滑型迭代学习控制算法能有效消除噪声对系统输出信号的影响，显著改善工业过程稳态优化进程中控制系统的动态品质。