基于一种加速PD型迭代学习控制算法的机械臂轨迹跟踪

针对二自由度机械臂非线性系统,迭代学习控制(iterative learning control,ILC)对于具有重复运动特性的机械臂有较好的控制效果。在扰动的情况下,设计了一种PD型迭代学习控制律,随着系统迭代次数的不断增加,通过在区间内对增益矩阵进行实时修改来缩短所需的修正区间,进而达到加快收敛速度的目的。首先,结合λ范数分析ILC的收敛性。其次,通过仿真验证所提出控制策略的可行性和有效性。最后,在相同条件下,仿真结果表明,PD型ILC收敛速度比P型ILC更快;带有扰动的PD型ILC比传统扰动型PD控制收敛效果更好。     

基于参数批次调整模型的间歇精馏最小时间优化策略

针对间歇精馏过程优化计算中模型的准确性和计算复杂度之间的矛盾,提出了一种确定馏出液摩尔分数和操作时间的简化模型.该模型假定在塔釜内轻组分摩尔分数固定的情况下,馏出液平均摩尔分数与回流比变化量之间呈线性关系,其比例定义为回流比调节敏感系数.利用间歇精馏的批次重复操作特点,提出了模型敏感系数沿批次指标的在线更新机制,保证了简化模型在不同生产状态下的准确性.基于该简化模型,以回流比为优化决策变量,提出了针对最小生产时间问题的优化方案.利用Aspen Batch Distillation(ABD)中的模型作为实验对象原型,进行了优化算法的仿真实验.仿真结果表明基于批次参数调整策略的最小时间优化方案能够实现优化指标随生产批次的增加而不断减少.     

基于去伪策略的间歇过程自适应迭代学习

针对间歇聚合反应的质量控制问题,设计一种双层迭代学习的控制结构:外层面向批次间可测的终点质量指标采用基于在线式最小二乘支持向量机的终端质量学习控制,为内层控制提供最优的设定值;对于内层面向批次内可测的过程变量,提出基于去伪策略的自适应迭代学习控制方案,可以较好地解决批次间温度设定值发生改变的问题,提高内层控制鲁棒性。内层控制方法具体如下:首先给出基于共轭梯度法的改进去伪控制算法,然后将改进的去伪控制算法应用于迭代学习的控制框架中,利用去伪算法的实时自适应能力来调整内层迭代学习控制的控制器参数,并以闭环P型迭代学习控制算法为基础推导去伪迭代学习控制器参数自适应律的数学描述。最后,将本文的方法应用于典型的间歇聚合反应过程。仿真结果表明:该方法具有良好的控制效果,在一定程度上可以克服传统迭代学习算法要求参考曲线在迭代过程中保持一致的缺点,而且具有较快的收敛速度。     

基于数据相似度的间歇过程在线监控

为了提高间歇过程批次之间产品的一致性,并及时发现过程中的异常情况,提出一种基于过程数据相似度的多变量统计监控方法对间歇过程的操作进行在线监控.该方法将正常批次轨迹与参考批次轨迹之间的相似度作为一种新的监控指标,并利用核密度方法估计相似度的概率密度函数,计算出控制限,在批次反应过程中利用Kalman滤波器对当前批次的数据进行实时的估计从而实现在线监控.该方法和传统多向主元分析方法的监控性能在一个青霉素发酵仿真系统上进行了比较.仿真结果表明: 该方法检测出渐变型扰动比MPCA方法提前了30 h.     

两种改进的BP神经网络学习算法

借鉴计算机网络拥塞控制中的"慢启动"策略,针对传统BP算法中存在的收敛速度慢与精度不高的不足提出了两种改进的变学习率学习算法,仿真结果表明改进的BP算法与自适应附加动量BP算法性能相近,其学习的收敛速度与精度优于传统的BP算法.     

线性离散时不变系统的分数阶相位校正迭代学习控制

针对带有随机干扰的线性离散时不变系统,提出一种分数阶相位校正迭代学习控制算法.设计一种新型相位超前校正与分数阶迭代学习控制相结合的迭代学习控制(ILC)学习律.基于频域分析方法,得到分数阶相位校正迭代学习控制在算法开、闭环两种情况下的频域收敛条件.结果表明:文中算法显著提高了ILC跟踪误差的收敛速度和收敛精度,具有先进性和有效性.     

线性广义系统P型迭代学习控制在Lp范数意义下的收敛性

在对一类线性广义系统进行非奇异变换后,利用卷积的推广Young不等式,在Lebesgue-p(L~p)范数意义下,研究了一、二阶P型迭代学习控制算法的收敛条件,并对两种算法的收敛速度进行了比较。理论分析表明,控制算法的收敛条件、收敛速度与学习增益矩阵、系统本身属性有关;如果选取合适的学习增益矩阵,则二阶P型控制算法的收敛速度快于一阶的。仿真实验验证了控制算法的可行性和理论的正确性。     

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.     

迭代学习控制的收敛速度分析

针对线性时不变控制系统,讨论了D型和P型学习律收敛速度问题.利用时间加权范数和Frobenius范数给出了迭代学习控制系统在D型和P型学习律作用下收敛的充分性条件,进而给出系统迭代次数与约束条件之间的定量关系以及收敛速度与约束条件之间的关系,同时利用Frobenius范数性质,并通过梯度法给出如何求解D型和P型学习律使得系统收敛速度最快的增益矩阵的方法.最后,仿真实例说明了该方法的有效性.     

基于迭代学习控制算法的下肢外骨骼机器人跟随特性

目前下肢外骨骼机器人存在的运动控制算法追踪人体髋关节和膝关节期望轨迹时存在误差,从而导致人机系统随动性能差。因此,提出迭代学习控制算法追踪人体髋关节和膝关节期望轨迹。首先,结合人体下肢结构分析,建立下肢外骨骼机器人动力学模型;其次,基于迭代学习控制算法建立下肢外骨骼机器人随动控制模型;最后,利用Matlab软件设计指数变增益闭环D型运动控制系统,分析收敛速度与谱半径的关系,追踪得到人体下肢髋关节和膝关节期望轨迹。仿真结果表明该算法能够有效提高下肢外骨骼机器人步态轨迹跟踪精度,提升人机系统随动性能。     

行走机器人控制策略与开闭环学习控制

主从式双腿协调控制用于异构双腿行走机器人可减少规划量,控制的关键是步态轨迹跟踪.仿生膝关节使机器人步态更加仿人;但仿生腿模型复杂,跟随人工腿步态控制困难.P型开闭环迭代学习控制结合开环和闭环学习控制优点,不依赖于模型,适用于复杂机器人轨迹跟踪控制.从开闭环结合角度,证明了算法收敛性.算法在虚拟样机上的仿真表明算法有效、鲁棒性好且收敛速度优于单独开或闭环学习控制.     

非完整移动机器人的迭代学习控制

首先针对迭代初态偏移期望初态的情况,利用构造期望轨迹的办法给出了基于相对阶的迭代学习控制算法,然后借助于压缩映射原理与Gronwall-Bellman不等式给出了算法收敛性的证明.最后将得到的迭代学习控制律应用于非完整移动机器人的跟踪控制问题.MATLAB仿真结果表明了所给控制算法的有效性.     

基于影响函数的迭代学习算法设计及应用

针对线性离散系统的迭代学习控制问题进行了讨论,提出一种新型的迭代学习控制算法.该算法通过引入一个影响函数,实现了以前时刻控制信息对当前控制量的影响,进而采用2D理论通过对算法的收敛性分析,得到了与普通算法同样的收敛条件,但是相对于传统迭代算法由于包含了更多了控制信息,因此具有更快的收敛速度,最后的无刷直流电机以及一个二阶系统的控制效果也证实了这个结论.     

分批重复过程迭代学习广义预测控制

针对一类分批重复操作过程,提出迭代学习广义预测控制(ILGPC)算法·该算法利用以前的过程输入输出信息,在GPC结构中增加干扰预测估计的迭代学习前馈回路,通过对部分可重复干扰的估计和学习,提高了分批重复操作过程的控制品质,减小了跟踪误差·对算法的稳定性做了分析,并以间歇聚合反应过程为仿真对象,研究了算法的稳定性和鲁棒性·     

一种改进的非线性离散系统迭代学习控制算法

针对非线性离散时变系统的迭代学习控制问题,提出了一种改进的迭代学习控制算法。在新控制算法中,除了在传统算法基础上增加了状态补偿外,还引用了小波变换来对跟踪误差进行了滤波而没有相位补偿。利用该算法进行学习控制,使系统的实际输出以更快的速度收敛于系统的理想输出;并进一步从理论上证明了新算法的收敛性。     

一种基于变换系数拉普拉斯分布的HEVC码率控制算法

基于变换后残差信号的拉普拉斯分布特性, 提出了一种面向高效视频编码(high efficiency video coding, HEVC) 的编码树单元(coding tree unit, CTU) 级码率控制算法. 首先, 研究了量化参数、拉普拉斯分布参数以及拉格朗日乘数之间的关系, 并建立了模型. 然后, 根据每个CTU 的变换残差的拉普拉斯分布特性动态调整其量化参数, 以获取高效的编码性能. 此外, 通过与帧级码率控制算法相结合, 获得了更加精确的码率控制效果以及良好的编码性能. 实验结果表明, 所提出的码率控制算法可以获得比HEVC标准提案JCTVC-H0213和JCTVC-K0103中所述码率控制算法更优的编码性能.     

间歇反应过程安全性能与产品质量的控制与优化集成

针对间歇反应动态安全性能控制和产品质量控制的双重目标,本文采用动态规划方法求解间歇反应过程的优化问题,结合通用模型控制算法实现间歇过程的动态优化和集成控制。首先将间歇反应过程分解成动态优化模型及过程控制模型,然后通过动态优化与闭环控制策略集成,同时考虑了不确定参数的影响,以提高间歇过程的产品质量及运行安全性能。将该方法应用于连串放热反应的间歇过程案例,研究结果验证了该方法的可行性和正确性。