带有初态学习的指数变增益迭代学习控制

针对一类非线性时变系统在有限时间区间上的轨迹跟踪问题,提出一种新的迭代学习控制算法,该算法对系统的控制输入和初始状态同时采用闭环指数变增益迭代学习律。基于算子理论,对具有任意初始状态的系统,在该迭代学习律作用下的收敛性进行严格证明,同时给出该迭代学习算法收敛的谱半径形式的充分条件。该算法与固定增益的迭代学习控制相比较,不仅加快了收敛速度,而且还解决了指数变增益迭代学习控制要求初始状态严格重复的问题。仿真结果表明了该算法的有效性。     

任意初始状态下迭代学习控制的频域分析

针对广义受控对象G(s) ,提出了一种迭代学习控制器在频域中设计的思想 ,给出了在任意初始状态下迭代学习控制算法收敛的充分条件 ,证明了经过逐次迭代后系统实际输出信号对期望输出信号的逼近特性 ,输出跟踪误差将一致有界 ,且与期望状态及期望输入无关。进一步讨论了反馈控制在迭代学习控制器中的作用。仿真结果表明了该算法的有效性。     

一类线性时变系统组合自适应迭代学习控制

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,将模型参考自适应控制方法与迭代学习相结合,提出了组合模型参考自适应迭代学习控制算法.基于Lyapunov方法推导出迭代学习控制律以及针对时变惯性参数与时不变高频增益的组合自适应参数更新律.该算法适于控制快时变系统,并使跟踪误差、参数估计误差和控制信号有界.当迭代次数趋于无穷时,跟踪误差关于有限时间区间一致收敛到零.系统仿真验证了所提控制算法的有效性.     

具有控制时滞的不确定分布参数系统迭代学习控制

研究了具有控制时滞的不确定线性分布参数系统的迭代学习控制问题,允许系统在迭代过程中初始状态值存在一定偏差。提出了基于时滞已知的P型迭代学习控制算法,给出了其L²范数收敛的充分条件,并利用Green公式、以及Gronwall-Bellman不等式等从理论上进行收敛性证明。数值例子验证了该算法的有效性。     

基于2-D系统理论的变初始条件离散系统的迭代学习控制

对于具有重复运动特性的系统，迭代学习控制是一种简单有效的控制方法。为便于实时应用，所有迭代学习控制方案的设计必须在离散时间域进行。初始状态问题是学习控制设计中遇到的一个重要问题。针对具有变初始状态的离散时间系统，利用2-D线性连续．离散型系统理论设计了闭环迭代学习控制器，并给出了保证控制器收敛的充分必要条件。仿真结果证明了该方案的有效性。     

带有初始误差的机械手轨迹跟踪的快速迭代学习控制

针对具有非零初始误差的多关节机械手的轨迹跟踪控制问题,首先采用降阶变换的方式将原系统转化为低阶系统,再对低阶系统重新变换设计,该方法消除了Kawamura方法在学习过程中要求每次学习初态与期望初态一致或迭代初态固定的限制.然后提出一种新型快速迭代算法对变换后的机械手系统模型进行学习控制,充分利用了系统已存的有效信息,使系统的输出能尽快地收敛于期望轨迹.该算法相对于P型算法具有较快的跟踪收敛速度,相对于PD型算法计算过程简便易行,避免了微分运算给系统带来的不稳定影响.仿真结果表明了所提控制方案的有效性,提高了系统的实时性.     

具有自适应非线性增益的开环PD型迭代学习控制

针对同时存在周期性干扰和随机测量噪声的一类非线性系统,提出一种基于误差幅值和误差变化率的开环PD型迭代学习非线性增益自适应算法,分别给出了比例和微分的增益调整规则,并对所提算法进行了严格的理论分析,同时推导出收敛条件。结果表明,与传统学习增益固定的开环PD型迭代学习律相比,当非线性系统同时存在周期性扰动和幅值较大测量噪声时,自适应非线性增益学习律能根据误差幅值和误差变化率在线调整比例和微分学习增益,抑制扰动和噪声,使得在学习收敛速度和收敛精度之间在某种程度上得以折中,在学习初始阶段高增益下保证了迭代学习的收敛速度,学习末了阶段小增益下具有较强的鲁棒性和收敛精度,得到的误差跟踪曲线更加平滑。     

静基座速率偏频激光陀螺捷联惯导系统快速高精度初始对准算法

针对惯性器件误差对初始对准精度的影响,提出了基于速率偏频激光陀螺捷联惯导系统的快速高精度初始对准算法。首先,研究了初始对准阶段惯性器件的误差特性;然后,建立了激光陀螺标度因数和加速度计零偏的二次非线性误差模型,并对其进行在线估计和补偿;最后,采用卡尔曼滤波方法对激光陀螺零偏残差进行估计,得到系统初始对准姿态矩阵。实验结果表明,该算法可以有效消除激光陀螺标度因数误差、零偏误差和加速度计零偏误差等因素对初始对准精度的影响,初始对准时间为3 min时水平姿态角对准精度为2″,偏航角对准精度优于30″,精度和快速性均得到显著提高。     

基于滑模观测器的非线性系统迭代学习控制

针对相当广泛的一类非线性系统有限时间轨迹跟踪问题,提出了一种基于滑模观测器的迭代学习控制算法。根据系统的非线性特性,利用一种滑模观测器对系统的状态进行估计,根据估计信号设计了一种类D型开环迭代学习控制律。这种控制方法不需要对系统的跟踪误差信号进行微分,从而对系统的量测噪声不敏感。给出了控制算法的收敛性证明,通过仿真实验证明了这种算法的有效性。     

一类非线性系统在任意初值下的开环D型迭代学习控制

给出了一类非线性时变系统在任意初值条件下采用开环D型迭代学习控制算法时的收敛条件,运用算子理论进行收敛性证明。该算法克服了系统输出信号跟踪期望输出依赖于期望状态和期望输入的缺陷,解决了迭代学习控制中的初始状态问题,而且收敛条件放宽了,给出了仿真研究实例,研究结果说明该算法的有效性。     

基于二维混合模型的鲁棒迭代学习控制设计

针对一类正则线性不确定系统,提出一种基于连续/离散二维混合模型的迭代学习控制设计方法。首先,通过独立地考虑迭代学习控制系统连续的控制行为与离散的学习行为,建立迭代学习控制系统的连续/离散二维混合模型,将迭代学习控制器设计问题转化为一类连续/离散二维系统的状态反馈控制问题。然后应用二维连续/离散系统方法,获得迭代学习控制系统稳定性条件。最后根据稳定性条件,利用线性矩阵不等式方法,求得迭代学习控制器参数,它通过Matlab工具箱可以方便的获得。与现有方法相比,所提出的迭代学习控制器利用了输出误差以及状态变化的信息来修正当前的控制,因而设计方法更加符合其本质特征,具有简单实用、直观明了的特点。数值仿真实例验证了所提方法的有效性。     

一类非线性参数化系统的自适应学习控制

针对控制增益是未知时变的并含有混合未知参数的非线性参数化系统,利用将整个区间分段与反馈线性化相结合,提出了一种新的自适应学习控制方法。该方法可以处理参数在一个未知紧集内周期性快时变的非线性系统。通过引进新颖的微分-差分混合型参数自适应律,使广义跟踪误差在误差平方范数意义下渐近收敛于零。通过构造Lyapunov泛函,给出了广义跟踪误差收敛的充分条件。实例仿真结果说明了该方法的可行性和有效性。     

PD-type iterative learning control for nonlinear time-delay system with external disturbance

1 .INTRODUCTIONTheiterativelearning control method was proposedby Ariomoto et al[1]for the control system, whichcan performthe same task repetitively . The basiclearning controller for generating the present con-trol input is based on the previous control historyand a learning mechanism.In the last two decadesiterative learning control has been extensivelystudied and achieved significant progress in boththeory and application,and becomes the one of themost active fields inintelligent cont…     

一类高阶非线性系统的混合自适应重复学习控制

针对含有时变和时不变未知参数的高阶非线性系统,利用分段积分机制,提出了一种新的自适应重复学习控制方法,该方法结合了反馈线性化,可以处理参数在一个未知紧集内周期性快时变的非线性系统,通过引进微分-差分参数自适应律,设计了一种自适应控制策略,使广义跟踪误差在误差平方范数意义下渐近收敛于零,通过构造Lyapunov函数,给出了闭环系统收敛的一个充分条件.实例仿真结果说明了该方法的有效性和可行性.     

Adaptive adjustment of iterative learning control gain matrix in harsh noise environment

For the robustness problem of open-loop P-type iterative learning control under the influence of measurement noise which is inevitable in actual systems, an adaptive adjustment algorithm of iterative learning nonlinear gain matrix based on error amplitude is proposed and two nonlinear gain functions are given. Then with the help of Bellman-Gronwall lemma, the robustness proof is derived. At last, an example is simulated and analyzed. The results show that when there exists measurement noise, the proposed learning law adjusts the learning gain matrix on line based on error amplitude, thus can make a compromise between learning convergence rate and convergence accuracy to some extent: the fast convergence rate is achieved with high gain in initial learning stage, the strong robustness and high convergence accuracy are achieved at the same time with small gain in the end learning stage, thus better learning results are obtained.