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。     

知识继承型迭代学习控制的研究与应用

针对一类具有同质特征的多维轨迹群,提出基于知识继承的迭代学习控制（ILC）策略. 该策略以一类工业机器人系统为控制对象,在跟踪具有渐变幅值的同质轨迹群（HTG）时,应用迭代学习控制方法,从起始源轨迹中获得基准控制知识. 将基准控制知识预设为下一新轨迹迭代学习的首次运行知识. 通过增益变换和偏移变换实现迭代学习控制的知识继承,使得该类工业机器人系统加快对新轨迹的学习速度,以此降低跟踪同质轨迹群的整体学习次数,实现跟踪效率的较大提升. 理论分析和仿真结果证明了所提控制策略的优越性.     

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。     

基于多神经网络的机器人轨迹学习控制研究

本文利用神经辨识器和神经控制器相结合的思想提出了机器人动力学模型完全未知情况下的一种新的学习控制策略．文中描述了机器人系统新的控制结构，并推导出该结构下神经辨识器和神经控制的在线学习算法．仿真结果表明，文中提出的控制方法能够实现任何可达期望曲线的机器人高精度轨迹控制．     

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。     

未知相对度系统的一阶D型迭代学习控制

针对未知相对度系统,提出了一种一阶D型迭代学习控制律的设计方法。通过对具有未知相对度的被控系统串连和并联一个一阶子系统,可构造一个相对度为1的虚拟系统。该虚拟系统在一阶D型迭代学习控制律的作用下,能够完全跟踪期望轨迹。从而实现被控系统在一定误差范围内给定轨迹的渐近跟踪,D型迭代学习控制律的增益不依赖于被控系统的参数。仿真实例验证了方法的可行性与有效性。     

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。     

基于迭代学习的永磁直线同步电动机扰动抑制

针对永磁直线同步电动机中存在的周期性扰动问题,提出了一种闭环迭代学习控制算法.该算法通过上次迭代时的输入信息和输出跟踪误差的PID校正项来获得本次迭代的控制输入.基于迭代学习控制思想并结合PID控制,设计出应用于直线电动机运动系统的迭代学习控制器.仿真结果表明,与传统的PID控制相比较,所提出的控制方法能够使系统的跟踪效果更好,且保证了在较少迭代次数下,被控系统的输出轨迹能精确地收敛到期望轨迹.     

一种机器人学习控制方法的实现

针对具有可重复工作方式的机器人，提出了一种ＰＤ迭代学习控制方法。该方法采用机器人关节角位置信号和关节角速度信号实现控制。文中给出了这种方法在三自由度机器人上的应用实例。     

基于小波模糊网络的机器人补偿控制

将模糊模型引入小波网络，给出一种新型模型－小波模糊网络WFN。并在机器人手臂的思迹控制方面提出一种新的控制方法，即将一个基于WFN的补偿控制器引入机器人的轨迹控制结构中。仿真结果表明，该控制方法能实现对机器人的高速高精度控制。