初态学习下的迭代学习控制

提出一种新的初态学习律,以放宽常规迭代学习控制方法的初始定位条件．它允许一定的定位误差,在迭代中不需要定位在某一具体位置上,使得学习控制系统具有鲁棒收敛性．针对二阶LTI系统,给出了输入学习律及初态学习律的收敛性充分条件．依据收敛性条件,学习增益的选取需系统矩阵的估计值,但在一定建模误差下,仍能保证算法的收敛性．所提出的初态学习律本身及其收敛性条件均与输入矩阵无关．     

离散时变系统的自适应迭代学习控制

针对一类有限区间上重复运行的离散时变SISO系统,分别采用带饱和函数和死区修正的投影算法进行参数估计,提出自适应迭代学习控制方案.关键技术引理在分析离散自适应控制系统时起到了关键作用,文中把这一引理推广至迭代域,用于建立离散自适应迭代学习控制系统的稳定性和收敛性.理论证明,即使每次迭代存在初始偏差,跟踪误差沿着迭代轴仍能收敛于零,且闭环系统的所有信号有界;当存在外部扰动时,跟踪误差收敛于一邻域内,其半径为干扰的界.在直线伺服系统上的应用结果验证了所提出的学习控制方法的有效性.     

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...     

二次曲线型终态神经网络:时变神经计算与冗余机械臂重复运动规划

提出二次曲线型终态神经网络,包括双曲线型、椭圆型和抛物线型3种终态神经网络,网络各变量取值有限,易于实现。详细分析了这类网络的有限时间收敛特性,给出了具体的收敛时间表达式,并以双曲线型终态神经网络为例,将其应用于时变线性矩阵方程求解以及机器人轨迹规划。对于一般时变线性矩阵方程的求解,讨论了时变Lyapunov方程和时变Sylvester方程,分别给出了终态神经网络用于求解这2类时变矩阵方程的计算结果,验证了该网络能在有限时间内精确收敛到理论解。对于冗余机械臂重复运动规划,文中将重复运动指标设计为终态收敛性能指标,在初始位置偏移的情况下,利用该终态神经网络进行求解,实现冗余机械臂有限时间收敛的重复运动规划任务。     

迭代学习控制系统的误差跟踪设计方法

提出能够实现期望误差轨迹完全跟踪的迭代学习控制系统设计方法, 旨在放宽常规迭代学习控制方法的初始定位条件, 在每次迭代时允许初值定位在任意位置. 这种方法对于预先给定的期望误差轨迹, 经迭代学习, 使得实际跟踪误差收敛于预定的误差轨迹, 这样, 预设的误差轨迹即最终形成的误差轨迹. 针对常参数、时变参数以及复合参数三种情形, 分别采用类Lyapunov方法设计迭代学习控制系统. 所设计的未含/含限幅作用的参数学习律, 能够使得跟踪误差轨迹在整个作业区间上与预定轨迹完全吻合, 并保证系统中所有信号的有界性. 给出的仿真结果表明所提方法的有效性.     

反馈辅助PD型迭代学习控制:初值问题及修正策略

讨论迭代初态与期望初态存在固定偏移情形下 的迭代学习控制问题, 提出带有反馈辅助项的PD型迭代学习控制算法, 可实现系统输出对期望轨迹的渐近跟踪. 为了进一步实现输出轨迹在预定有限区间上对期望轨迹的完全跟踪, 提出分别带有初始修正作用和终态吸引的学习算法. 文中给出所提出的学习算法的极限轨迹, 并对学习算法进行收敛性分析, 推导出收敛性充分条件, 可用于学习增益的确定. 通过数值结果, 验证所提学习算法的有效性.     

一种自适应吸引律离散时间控制方法

针对一类输入输出描述的离散时间系统, 提出一种基于自适应切换增益的吸引律. 该方法能够根据不确定干扰变化率对闭环系统影响的强弱自动调整切换增益大小, 且可直接反映误差动态特性. 同时, 给出了闭环系统跟踪误差首次穿越原点所需的最多步数, 并推导出系统绝对吸引层和稳态误差带边界的具体表达式, 用于表征闭环系统跟踪误差的收敛性能和稳态性能. 数值仿真和电机伺服系统上的实验结果均验证了所提出方法的有效性.

     

大型环境模拟系统的模糊控制

在常现Fuzzy控制器的基础上,结合环境模拟系统的特点,即多试验室、变化的试验对象、大惯性过程、单向控制作用、环境气候影响以及长传输线干扰等,提出了一种大惯性、不确定对象的温度Fuzzy实现方案,给出了实际运行的结果.     

时变机器人系统的重复学习控制：一种混合学习方案(英文)

Repetitive learning control is presented for finite- time-trajectory tracking of uncertain time-varying robotic sys- tems.A hybrid learning scheme is given to cope with the con- stant and time-varying unknowns in system dynamics,where the time functions are learned in an iterative learning way,without the aid of Taylor expression,while the conventional differential learning method is suggested for estimating the constant ones. It is distinct that the presented repetitive learning control avoids the requirement for initial repositioning at the beginning of each cycle,and the time-varying unknowns are not necessary to be periodic.It is shown that with the adoption of hybrid learning, the boundedness of state variables of the closed-loop system is guaranteed and the tracking error is ensured to converge to zero as iteration increases.The effectiveness of the proposed scheme is demonstrated through numerical simulation.     

任意初态下不确定时滞系统的PD型迭代学习控制*

针对不确定时滞系统讨论带有初始修正的ＰＤ型迭代学习控制算法，给出这类系统的输出极限轨迹，以及迭代输出收敛于该极限轨迹的较弱的充分条件，其中将初始条件放宽为某任意可达初始状态函数的可重复性。仿真结果表明这种算法中的初始修正项可以有效地抑制初始偏移的影响。