基于滑模迭代学习律的航天器姿态控制

针对航天器姿控系统长期运行期间因执行部件老化或故障引起性能下降的情形,设计了一种基于滑模迭代学习率姿态自主容错抗扰控制方案。采用虚拟控制输入设计了滑模控制器,以确保故障发生后系统能精确跟踪参考运动轨迹|通过李亚普诺夫稳定性分析,设计了新的自适应迭代学习率,根据系统跟踪误差,在线确定控制器参数以应对执行器故障和外部干扰的影响。数值仿真实验表明,该方法可以有效进行故障检测和干扰补偿。     

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.     

3-DOF混联拟人臂动力学建模与迭代学习控制

采用Lagrange方法建立了一类新型3P6R平面3-DOF串-并混联拟人臂的标称动力学模型。针对该机构的重复轨迹跟踪问题,考虑其不确定性,充分利用其已知动力学部分,提出了一种集中参数自适应-闭环迭代学习控制器。在每个迭代周期内采用自适应算法学习由未建模动态、外部干扰及摩擦力等多种因素造成的集中不确定性上界,进而逐次补偿由其造成的误差;闭环变系数迭代学习算法保证了该系统在迭代域内收敛,实现了完全轨迹跟踪。严格的证明及仿真结果验证了此控制器的有效性。     

基于自适应模型非线性系统容错控制的研究

针对未知的多变量非线性动态系统,提出了一种新型的自适应故障容错控制方法。该方法首先通过设计一个自适应RBF神经网络模型建立未知过程的动态模型,并利用扩展卡尔曼滤波算法在线调节RBF网络权值学习系统的时变参数和故障动态,然后设计基于此模型的自适应迭代逆模控制算法实现相应的容错控制策略。将容错方法成功应用到一个连续的多变量三水箱过程。     

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。     

基于故障跟踪估计器的故障诊断新方法

针对线性时不变系统提出了一种基于故障跟踪估计器的故障诊断新方法。首先引入一个可调参数,称作虚拟故障,构建线性时不变系统的故障跟踪估计器。然后,设计迭代学习算法,在选取的优化周期内通过反复迭代学习运算来动态调节虚拟故障,使之估计出系统中实际发生的故障。该方法可以同时检测和估计出系统中发生的故障,而且和发生的故障类型无关。最后,在垂直升降飞行器的线性化模型上进行了仿真研究,仿真结果表明了所设计算法的可行性和有效性。     

一类迭代学习控制的自适应参数优化

针对一类迭代学习控制提出了一种基于二次性能指标函数的自适应参数优化方法。如果原离散系统是正定的，那么这种具有可调参数的学习算法可以保证误差按几何单调收敛于0，如果系统非正定的，提出了一种反馈调节方法使系统正定。数值仿真表明了所提出算法和条件的有效性。     

时变非线性系统直接自适应迭代学习控制

针对一类含有非周期时变参数化不确定性的非线性系统,设计了一种新的迭代神经网络估计器,解决了非周期时变不确定性带来的设计难题。用迭代神经网络直接对期望控制量进行整体逼近,利用Lyapunov稳定性理论和自适应迭代学习控制技术设计了控制器,并进行稳定性分析,证明了系统所有状态量有界,且输出量将收敛至期望轨迹的一个邻域内。仿真结果验证了控制器设计方案的正确性。     

基于修正IEKF的IRST系统多站融合跟踪

针对红外搜索跟踪(infrared search and track, IRST)系统单站情况下的弱可观测强非线性问题,提出了一种基于修正迭代扩展卡尔曼滤波(modified iterated extended Kalman filter, MIEKF)的多站融合跟踪算法。按照高斯-牛顿迭代方法对IEKF中的测量更新进行修正,并推导了最大似然迭代终止条件,减小了非线性滤波的线性化误差。结合集中式融合跟踪算法,应用于IRST系统多站目标跟踪。以三站为例进行仿真研究,结果表明所提算法的跟踪性能要优于EKF和UKF。     

基于后推技术的直接鲁棒自适应模糊控制

针对一类带摄动的严格反馈非线性系统,基于后推设计方法,利用第一类模糊系统的逼近能力,提出了一种新的直接自适应控制方案。该方案中引入连续鲁棒项对系统的摄动部分进行抑制,并在自适应律中利用了leakage项以防止参数漂移。通过理论分析,证明了闭环系统是半全局一致终结有界的,跟踪误差收敛到一个小的残差集内。仿真结果表明了该方法的有效性。     

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。     

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。     

滞后广义系统状态跟踪的学习控制算法

尝试性的将迭代学习控制方法应用于滞后广义系统的状态跟踪控制上，针对满足Ａ２２可逆条件的滞后广义系统，给出了跟踪控制的学习算法，并对算法的收敛性及状态跟踪的可能性进行了分析。我们所设计的学习控制器对系统有很好的鲁棒性能，对Ａ２２不可逆，对此将另文讨论。     

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.     

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。     

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。     

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。     

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.