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。     

不确定时滞非线性系统的迭代学习控制

针对一类不确定状态时滞非线性系统 ,提出了一种形式简单的迭代学习控制算法 ,从理论上给出了算法收敛的充分条件 ,进一步分析了不确定状态时滞、系统采样频率与跟踪性能之间的关系。该学习算法无需精确已知系统的状态时滞 ,而只要估计状态时滞的界 ,因而具有算法简单、计算量小、易于实现等特点。仿真结果表明了该算法的实用性和有效性。     

含状态时滞的非线性间歇过程迭代学习控制研究

在迭代学习控制(iterative learning control, ILC)理论的研究中,常见的初始条件是迭代初值与期望初值一致,或者迭代初值固定。研究了含状态时滞的非线性间歇过程,其系统初值在期望初值一定范围内随机变化且存在可量测重复性扰动下的迭代学习控制问题。提出了采用带变遗忘因子的开环PD型迭代学习控制算法,给出了谱半径形式的收敛条件,并应用算子理论进行收敛性证明,给出了间歇非线性控制时滞过程仿真实例。研究结果说明了该算法的有效性。     

基于扩张状态观测器的导弹纵向控制系统设计

基于扩张状态观测器设计了导弹纵向通道控制系统。首先将弹体弹性、模型参数的不确定性和测量元件的动态特性视为复合干扰,并将其作为系统的一个扩张状态|然后利用扩张状态观测器对扩维后的系统状态进行估计,将估计值用于状态反馈和设计控制补偿项|最后给出了控制算法的稳定性证明。仿真结果表明,所设计的控制算法具有较好的指令跟踪性能和强鲁棒性。     

基于扩张状态观测器的变形机翼抗饱和控制

针对一类滑动蒙皮机翼模型的强非线性、模型不确定性、未知外部干扰以及执行器饱和特性,提出了基于扩张状态观测器(extended state observer,ESO)的抗饱和控制方法。通过将变形机翼系统的不确定性视为扩张状态,设计了ESO对扩张状态进行估计;并在控制策略中,对观测出的扩张状态进行实时补偿;利用线性矩阵不等式工具给出了执行器饱和条件下的收敛域。数值仿真结果表明变形机翼系统可以有效克服模型不确定性、未知外部干扰与执行器饱和的影响,完成变形指令。     

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。     

基于干扰观测器的导引头稳定平台滑模控制

针对导引头稳定平台存在不确定弹体速度干扰以及非线性摩擦干扰的问题,结合滑模控制和非线性干扰观测器理论,提出一种基于非线性干扰观测器的二阶滑模控制方法。针对系统模型中的多个不确定干扰项,首先,采用新型微分跟踪器对状态量的导数值进行估计,进而得到干扰项的估计值,通过坐标变换,将系统中的不确定项进行归一化处理,便于控制器设计;其次,基于新型微分跟踪器设计了新型非线性干扰观测器,以实现对归一化后系统干扰项的精确估计;最后,采用二阶滑模控制算法进行控制器设计。仿真实验证明,新型非线性干扰观测器精度高、响应快,基于干扰观测器的二阶滑模控制方法能够有效隔离弹体扰动与非线性摩擦对导引头稳定平台的干扰,提高了稳定平台的鲁棒性和跟踪精度。     

非标准多传感器信息融合下的状态融合估计

给出了标准多传感器观测信息的统一融合模型,在此基础上分析了传感器观测系统参数对最优融合估计性能的影响.针对存在量测系统误差的非标准多传感器融合系统,构建了一种有效的系统误差参数估计模型.此外对传感器问具有不同非线性误差成份的融合系统,提出了一种基于互迭代自适应半参数的状态融合估计算法.该算法通过对非标准多传感器融合模型误差的补偿,利用线性和非线性迭代的方法来提取非线性因素,进而确定状态的最优融合估计.给出了应用该算法的具体步骤,并通过理论分析与仿真实验证明了该算法的有效性.     

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。     

非平面全驱动多旋翼无人机的鲁棒预测控制

针对非平面全驱动多旋翼无人机飞行时易受外部风场与未建模动态影响等问题,设计了鲁棒性较好的预测控制系统。采用牛顿-欧拉法构建了无人机六自由度非线性运动模型;设计了线性扩张状态观测器,将同时受匹配与非匹配干扰影响的无人机系统转化为仅受匹配干扰影响的等效系统,用以估计系统的状态变量;针对等效系统设计预测控制器以降低系统输出振荡和输入激增,设计干扰补偿器以提升闭环系统抗干扰的鲁棒性。仿真实验表明：与常规的非线性动态逆控制方法相比,该算法下的闭环系统具有更强的抗干扰能力与更高的轨迹跟踪精度。     

分数阶非线性时滞系统的P型迭代学习控制

针对一类分数阶非线性时滞系统,研究其P型迭代学习控制问题。首先,根据分数微积分的基本性质并借助推广的Gronwall不等式,获得系统状态变量的范数不等式估计;然后,通过引入λ-范数,获得在开环和闭环P型迭代学习控制作用下,系统控制输入以及跟踪误差收敛的充分条件。所得结果与已有结果相比,具有更小的保守性。最后,通过数值仿真验证所提方法的有效性。     

基于观测器的不确定非线性系统L1自适应控制

针对一类严格块反馈型不确定非线性系统,采用反步设计方法提出了一种新的基于滑模状态观测器的L1自适应控制方案。由于系统状态不完全可测,首先设计滑模观测器对系统状态进行估计,并分析观测器的收敛性,在此基础上,通过反步法得到系统的理想控制律。为了消除反步控制中的“项数膨胀”,引入非线性跟踪微分器来提取理想控制律的微分信号。为提高系统响应的瞬态性能,消除控制输入的高频振荡,引入L1自适应控制对控制律进行改进,通过理论推导证明了闭环系统的稳定性。最后通过数值仿真算例验证了所设计控制方案具有快速的收敛性、良好的跟踪性等期望性能。     

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。     

基于迭代学习控制的PID控制器设计

针对传统的经验PID整定方法,提出了一种新的PID参数整定算法。该算法首先利用PD型迭代学习控制来进行期望轨迹的跟踪控制,然后根据迭代学习控制的输入输出数据序列,通过强跟踪滤波器来进行参数辨识,可获得对应于期望轨迹的优化的PID控制参数。给出了迭代学习控制的收敛条件,以及如何利用强跟踪滤波器来进行参数辨识。仿真和实验结果表明,采用该算法设计PID控制器,被控系统可以获得较佳的动态性能和较强的鲁棒性。     

基于模型解耦的双通道旋转弹分数阶控制

为了提高旋转弹系统的控制品质,采用分数阶控制器进行双通道旋转弹控制系统设计。建立了旋转弹系统控制模型,进行线性化处理和解耦控制,并对解耦后的数学模型设计了分数阶PI^λD^μ控制器。针对分数阶控制器的参数整定问题,提出一种基于惯性权重的自适应粒子群优化算法,引入惯性权重非线性调整策略来平衡控制全局与局部搜索,从而得到全局最优解。仿真结果表明,该控制模型和控制器的设计合理可行。     

区间可调节的变增益加速迭代学习控制

为加快迭代学习控制律的收敛速度,针对线性时不变系统,以P型、D型学习律为例,提出了区间可调节的、具有指数加速、含反馈信息的迭代学习控制算法。首先,根据每次学习效果,确定下一次迭代需要修正的区间并在该区间内修正控制律增益;其次,分析了所提算法的收敛性并给出其收敛条件;最后,理论结果表明收敛速度主要取决于被控对象、控制律增益、修正指数和学习区间的大小。相同仿真条件下,与传统算法相比,所提算法具有更快的收敛速度。     

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.     

输入约束下的浮力调节式UUV变深控制

针对浮力调节机构约束下无人水下航行器(unmanned underwater vehicle, UUV)的变深控制问题, 提出一种基于正交神经网络饱和补偿器的自适应动态面控制方法。首先,建立考虑执行机构动态特性的UUV数学模型。在此基础上, 采用反步法和非线性跟踪微分器设计动态面控制器, 同时引入线性扩张状态观测器(linear extended state observer, LESO)在线估计浮力变化与模型不确定性引起的干扰, 继而在控制器中进行补偿。然后,基于正交神经网络设计饱和补偿器, 并证明闭环系统所有误差一致最终有界。仿真结果表明, 与现有的动态面控制方法相比, 所提方法在浮力调节机构约束下, 具有较好的动态性能与稳态精度。