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.     

Ti3C2/N-TiO2复合材料的制备及吸附/光催化去除污染物性能

首先利用煅烧TiN制备了N-TiO₂,并采用HF溶液腐蚀Ti₃AlC₂合成了Ti₃C₂,然后将两者以不同质量比值进行混合,通过超声法构建了一系列Ti₃C₂/N-TiO₂复合材料。采用X射线衍射仪、透射电子显微镜、X射线光电子能谱仪、紫外-可见分光光度计等多种表征手段对样品的物相、形貌和组成进行了分析。以罗丹明B水溶液为模拟污染物,研究了样品对污染物的吸附性能和光催化降解性能。结果表明,6%Ti₃C₂/N-TiO₂复合材料显示出最好的污染物吸附性能和可见光光催化降解性能,其光催化降解污染物效率分别是10%Ti₃C₂/N-TiO₂、2%Ti₃C₂/N-TiO₂和N-TiO₂的1.2、1.4和1.9倍。...     

迭代学习控制器设计:一种有限时间死区方法

提出系统不确定性项定常参数化和时变参数化情形下的控制器设计方法,它允许初始位置任意设置且定位误差不要求足够小.在设计的控制器中,采用有限时间死区技术,以保证跟踪误差收敛到这种死区所确定的区域.提出初始修正吸引子的概念,构造的时变死区含这种初始修正吸引子,以使得闭环系统在给定时间区间上可实现完全跟踪.理论分析与仿真结果表明,跟踪误差信号在一预先指定区间上收敛到零,在起始区间段上被囿于死区所确定的区域中;并保证闭环系统中所有信号是有界的.     

采用干扰差分补偿的无切换吸引离散时间控制方法

提出一种基于无切换吸引律的离散控制器设计方法,将干扰差分补偿措施嵌入吸引律中构建理想误差动态,依据理想误差动态推导离散时间控制器.所提控制方案既回避了抖振,也能够有效抑制干扰.给出稳态误差带、绝对吸引层、单调减区间和跟踪误差首次进入稳态误差带的最多步数的具体表达式,用以刻画系统跟踪误差瞬态、稳态性能,并指导控制器参数整定.数值仿真与实验结果验证了所提出方法的有效性.     

有限值终态递归神经网络计算

通常的递归神经网络计算方法采用渐近收敛的网络模型,误差函数渐近收敛于零,理论上需经过无穷长的计算时间才能获得被求解问题的精确解。文中提出了一种终态递归神经网络模型,该网络形式新颖,具有有限时间收敛特性,用于解决时变矩阵计算问题时可使得计算过程快速收敛,且计算精度高。该网络的另一特点是动态方程右端函数值有限,易于实现。首先,分析渐近收敛网络模型在时变计算问题求解方面的缺陷,说明引入终态网络模型的必要性;然后,给出终态网络动态方程,推导出该网络收敛时间的具体表达式。对于时变矩阵逆和广义逆求解,定义一个误差函数,并依据误差函数构造终态递归神经网络进行求解,使计算过程在有限时间内收敛便能得到精确解。在将任意初始位置下的冗余机械臂轨迹规划任务转换为二次规划问题后,利用所提出的神经网络进行计算,得出的关节角轨迹导致末端执行器完成封闭轨迹跟踪,且关节角严格返回初始位置,以实现可重复运动。使用MATLAB/SIMULINK对时变矩阵计算问题和机器人轨迹规划任务分别进行仿真,通过比较分别采用渐近网络模型和终态网络模型时的计算过程与结果可以看出,使用终态网络模型的计算过程收敛快且显著提高了计算精度。对不同时变计算问题的求解体现了所提神经网络的应用背景。     

误差约束严格反馈系统的迭代学习控制

针对一类严格反馈非线性系统, 本文提出误差跟踪学习控制算法, 旨在解决状态约束问题和系统的初值问 题. 文中构造了二次分式型对称障碍Lyapunov函数以及二次分式型非对称障碍Lyapunov函数, 并结合反推技术来分 别设计学习控制器. 两种控制方案里分别采用积分学习律和微分–差分学习律估计未知系数. 系统跟踪误差在控制 器作用下囿于预设的界内, 从而实现迭代过程中对状态的约束; 引入期望误差轨迹, 经迭代学习后, 两种控制方案均 能够实现状态误差在整个作业区间上对期望误差轨迹的完全跟踪, 并且实现系统输出在预指定作业区间上精确跟 踪参考信号. 数值仿真结果表明了控制方案的有效性.     

Sylvester时变矩阵方程求解的终态神经网络算法

为了更好地提高收敛的速度和精度,提出一种终态神经网络(TNN)及其加速形式(ATNN)的求解方法。该网络求解方法具有终态吸引特性,能够在有限的时间内得到时变矩阵的有效解。相比于具有渐近收敛动态特性的神经网络,该神经网络方法具有有限时间收敛性,不仅能够改变收敛速度,而且能达到较高的收敛精度。将3种不同的神经网络方法用于求解时变Sylvester动态方程;同时,以终态神经网络求解二次优化问题,实现冗余机械臂Katana6M180有限时间收敛的重复运动规划任务。仿真结果验证了终态神经网络方法的有效性。     

非线性系统的PD型迭代学习控制

非线性系统的ＰＤ型迭代学习控制孙明轩黄宝健张学智（西安工业学院电子系西安７１００３２）关键词初始条件问题，迭代学习控制，非线性系统．１）国家自然科学基金资助项目．收稿日期１９９６－０７－２５１引言运用迭代学习控制技术设计控制器时，只需要通过重复操作获...     

迭代学习控制系统的鲁棒收敛性分析

本文提出一种开闭环配合的滤波器型迭代学习控制算法，并将这种算法应用于一般非线性动态系统的轨迹跟踪，对于渐近重复初始条件和渐近周期干扰的情形，通过控制误差估计和输出误差估计，文中分别证明学习过程的一致收敛性，证明中未采用线性化手段。     

迭代学习控制系统：收敛性与鲁棒性（Ⅰ）

讨论了在初态偏差、状态漂移和量测噪音同时存在的干扰环境中运行的迭代学习控制系统的鲁棒性问题．针对复杂系统结构，给出了保证Ｐ－型和Ｄ－型学习律算法收敛性的干扰条件