用于离散滑模重复控制的新型趋近律

针对不确定离散时间系统, 提出一种新型的离散趋近律, 构造理想切换动态, 并基于理想切换动态设计离散滑模重复控制器. 在消除系统颤振的同时, 完全抑制周期扰动带来的影响, 改善控制品质. 分别推导了切换函数的绝对收敛层、单调收敛层和拟滑模带的边界, 用于刻画在不同控制器参数下闭环系统的趋近过程和拟滑模运动. 数值仿真和在伺服装置上的实验结果证实了所提出控制方法的有效性.     

基于椭圆吸引律的离散重复控制

针对离散时间系统的周期轨迹跟踪问题,提出一种基于椭圆吸引律的离散重复控制方法.该方法能有效减小抖振,并通过扰动扩张状态观测技术对系统的未知扰动进行有效抑制,采用重复控制技术对系统中存在的周期扰动完全消除.为了刻画系统误差动态性能,推导出单调减区域、绝对吸引层、稳态误差带的表达式以及系统跟踪误差进入稳态误差带的最大步长.通过数值仿真与直线伺服电机实验,验证所提出控制方法的有效性.     

基于分段极值DTW距离的时间序列相似性度量

在时间序列相似性的研究中,通常采用的欧氏距离及其变形无法对在时间轴上发生伸缩或弯曲的序列进行相似性度量,本文提出了一种基于分段极值DTW距离的时间序列相似性度量方法可以解决这一问题。在动态时间弯曲(DTW)距离的基础上,本文定义了序列的分段极值DTW距离,并阐述了其完整的算法实现。与传统的DTW距离相比,分段极值DTW距离在保证度量准确性的同时大大提高了相似性计算的效率。文中最后运用MATLAB作对比实验,并给出实验结果数据,验证了该度量方法的有效性与准确性。     

机械臂变长度误差跟踪迭代学习控制

针对任意初始状态下机械臂轨迹跟踪问题, 提出一种变长度误差跟踪迭代学习控制(Iterative learning control, ILC)方法. 首先, 构造不依赖于期望轨迹的双曲余弦型期望误差轨迹, 放宽经典迭代学习控制初始状态要求严格一致的条件. 由于该误差轨迹只需设置一个常数项, 因而能够有效减少计算量, 使得期望误差轨迹的设计更为简单. 其次, 考虑机械臂运行区间随迭代次数变化的问题, 构建虚拟误差变量补偿机制, 通过定义虚拟误差变量对未运行区间进行信息补偿, 放宽经典迭代学习控制的迭代长度不变条件. 在此基础上, 基于Lyapunov-like理论设计迭代学习控制器和全限幅学习律, 实现机械臂关节位置在指定区间上跟踪给定的期望轨迹和保证未知参数估计值的有界性. 最后, 仿真结果验证了所提方法的有效性.     

一类Wiener非线性时变系统的迭代学习辨识

针对Wiener非线性时变系统的参数辨识问题,该文提出一种基于重复轴的迭代学习算法来实现对时变甚至突变参数的估计.文中将维纳系统输出非线性部分的反函数进行多项式展开,进而构造了回归模型,未知参数及中间变量用其估计替代,分别给出了采用迭代学习梯度算法和迭代学习最小二乘算法实现时变参数辨识的方法.仿真结果表明,与带遗忘因子...     

以幂次趋近的离散变结构重复控制

本文提出一种离散变结构重复控制器设计方法,在趋近律中“嵌入”扰动抑制措施,构造理想切换动态,并据此导出重复控制器.为了进行控制器参数整定和刻画闭环系统的收敛性能,文中推导出准滑模带、单调收敛层和绝对收敛层边界的表达式.设计的离散变结构重复控制器能够完全抑制周期性扰动,控制器设计方法也适用于常值扰动下的定位控制.数值仿真及实验结果验证了所提出控制方案的有效性.     

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。     

非参数不确定系统状态受限误差跟踪学习控制方法

针对一类非参数不确定系统,提出误差跟踪学习控制方法,同时解决学习控制系统的初值问题和状态约束问题.利用障碍Lyapunov函数设计控制器,采用鲁棒方法与学习方法相结合的策略处理非参数不确定性,将滤波误差约束于预设的界内,并由此实现对系统状态在各次迭代运行过程中的约束.文中构造了一种期望误差轨迹,经过足够多次迭代后,所提控制方法使得系统误差在整个作业区间以预设精度跟踪期望误差轨迹,系统状态在部分作业区间精确跟踪参考信号.仿真结果表明了该控制方案的有效性.     

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.