基于指数变增益迭代学习控制的机械臂轨迹跟踪研究

针对一类具有强耦合、参数时变、不确定干扰性质的机械臂系统,提出了一种指数变增益的闭环D型迭代学习控制算法.该算法主要解决机械臂轨迹跟踪精度以及迭代学习速度问题,可以实现机械臂轨迹的快速精确跟踪.最后通过MATLAB对机械臂轨迹跟踪系统进行仿真,仿真结果验证了算法的有效性.     

欠驱动UUV三维轨迹跟踪的反步动态滑模控制

提出一种欠驱动无人水下航行器(UUV)反步自适应动态滑模控制方法.结合反步和自适应滑模控制技术设计UUV的位置、姿态和时变速度跟踪控制器,采用虚拟速度来代替姿态误差的控制策略,将姿态跟踪控制转化为速度控制,能够有效避免传统反步法控制律设计存在的奇异值问题.针对系统模型不精确及时变扰动问题,引入滑模控制技术进行自适应补偿估计,提高了欠驱动UUV在未知环境中的鲁棒性及自适应能力,并基于李雅普诺夫稳定性理论证明了该控制系统误差最终一致有界.仿真结果表明:提出的UUV三维轨迹跟踪反步动态滑模控制方法收敛、有效,能够实现在系统参数不精确及时变扰动情况下的三维轨迹精确跟踪控制.     

基于遗传-鲸鱼优化的SCARA自适应迭代学习控制

针对SCARA重复运动后的轨迹会出现偏差的问题,给出了一种基于改进鲸鱼算法的自适应迭代学习优化控制策略。根据SCARA驱动方程,设计了动力学系统的迭代学习控制律。由于鲸鱼算法收敛速度慢,利用遗传算法与鲸鱼算法结合,提高算法的全局搜索能力。对机械臂控制器参数K_P、K_D进行寻优。实验结果表明,该算法灵活性好,对系统期望轨迹具有较高的跟踪精度,有效降低了双关节机械臂的位置、速度跟踪误差,具有较强的可行性与有效性。     

一类时变系统模型参考自适应迭代学习控制

针对一类有限时间区间上可重复运行的有界输入有界输出稳定的一阶线性时变系统,其高频增益和惯性参数均时变,为使之能够跟踪不同的参考轨迹,将模型参考自适应控制方法与迭代学习方法相结合,提出了模型参考自适应迭代学习控制算法.基于类李雅普诺夫(Lyapunov-like)函数证明了当迭代次数趋于无穷时,跟踪误差在有限时间区间上一致收敛到零,并证明了闭环系统中参数估计和控制信号有界.系统仿真验证了所提控制算法的有效性.     

基于迭代学习的三自由度机械臂轨迹跟踪控制

针对用于三自由度机械臂各关节末端轨迹跟踪控制的非线性系统在扰动存在的情况下跟踪效率较低的问题,提出一种变增益迭代学习控制律.利用拉格朗日法建立动力学方程,设计三自由度机械臂结构的变增益迭代学习控制器并进行收敛性分析,通过Matlab的Simulink仿真模块,构建三自由度机械臂控制系统仿真图,进行闭环定常PD(Proportion Differentiation)型和闭环变增益PD型迭代学习控制器的三自由度机械臂对比仿真试验.仿真结果显示,基于变增益迭代学习的三自由度机械臂在干扰的状态下,能较短时间内收敛到期望轨迹.     

融合速度信息的机械臂自适应轨迹跟踪控制方法

针对机械臂动力学模型参数不确定性与速度信息不精确影响轨迹跟踪精度的问题，提出一种多传感器信息融合的机械臂参数自适应轨迹跟踪控制方法。首先将未建模动态视为系统内部干扰，简化机械臂动力学模型；其次采用反步控制方法为机械臂系统设计控制律，并为动力学模型中不确定参数设计自适应律；最后考虑使用单一位置传感器的差分值或转速计的测量值作为速度信息可靠性低的问题，通过多传感器信息融合方法为控制器提供更精确的速度信息。仿真与实验结果表明：采用融合速度信息能够提高所提控制方法的精度与稳定性，速度信息的精确性提升7%;与反步控制方法、自适应控制方法相比，所提控制方法具有更好的机械臂轨迹跟踪控制性能，轨迹跟踪误差分别降低了30%、50%。     

多输入多输出非线性时变时延系统的自适应跟踪控制

针对多输入多输出非线性时变时延系统,提出了一种模糊自适应跟踪控制方案,该方案构建了基于模糊T-S模型的自适应时变时延模糊逻辑系统,用来逼近未知非线性时变时延函数,从而实现了对非线性系统的建模.根据跟踪误差给出了模糊逻辑系统的参数自适应律,设计了H..补偿器来抵消模糊逼近误差和外部扰动.基于Lyapunov稳定性理论,提出的控制方案保证了闭环系统的稳定性并获得了期望的H..跟踪性能,机械臂的仿真结果表明了该方案的有效性.     

一类参数周期未知的自适应广义投影同步

针对一类时变参数周期未知的自适应广义投影同步问题,提出了基于切换逻辑的周期辨识算法.该算法首先假定已知时变参数周期,设计控制器和时变参数自适应律.然后设计合理的切换逻辑,通过判定相邻两次迭代的平均误差定位时变参数周期范围,再通过累积跟踪误差定位时变参数周期,最终完成两个混沌系统的投影同步.通过构造Lyapunov-Krasovskii泛函,证明了系统的跟踪误差收敛于零,而且保证所有信号均有界.仿真结果说明了算法的有效性.     

基于迭代学习算法的机械臂系统轨迹跟踪控制

针对平面二自由度机械臂这一非线性系统,设计了带初态学习的指数变增益D型迭代学习律,并给出收敛性证明.仿真结果表明,迭代学习控制对于诸如二自由度机械臂系统这类具有重复运动性质的被控对象具有很好的控制效果.设计带初态学习的指数变增益D型学习律,系统不仅在存在初态偏移的情况下实现了机械臂期望轨迹的完全跟踪,还加快了收敛速度,增强了迭代学习控制的鲁棒性.     

一类线性时变系统模型参考自适应迭代学习辨识

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应辨识方法与迭代学习相结合,提出了模型参考自适应迭代学习的参数辨识算法。利用模型参考自适应辨识方法得到时变系统参数辨识结构,针对系统可重复的特点,基于Lyapunov方法得到时变参数的迭代学习律。该算法可以辨识快时变的参数,而不需要参数时变结构的信息,并可保证参数估计误差和模型输出误差有界,且沿迭代轴逐点收敛。分析了参数收敛到真值的条件,系统仿真验证了辨识算法的有效性。