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。     

不确定时滞系统的滑模控制及其应用研究

研究了一类带有控制时滞的不确定性系统的滑模变结构控制器的设计问题。定义特殊线性变换,将原不确定时滞系统化为无时滞系统。在新坐标下,提出了基于二次型性能指标的最优滑模面的设计方法;选择适当的动态不连续控制律保证了系统状态在有限时间到达滑模面,并有效的削弱了抖振。提出并证明了原系统渐近稳定的充分条件。将该控制方法应用到典型的不确定时滞对象——聚合反应釜的温度控制系统中,仿真结果表明了该方法的有效性。     

多输入离散不确定时滞系统变结构控制设计

研究了多输入离散不确定时滞系统的变结构控制问题。首先对原离散时滞不确定系统进行了化简,将其归结为一个无时滞的不确定离散系统形式;在此基础上提出了一种新的变结构控制设计方法和控制律算法,并给出了动态性能比较。对于不确定性为慢变的情况,该算法能使空间任意点出发的运动,都在有限时间内到达滑动模态的设定邻域,渐近稳定的到达到原点,且抖振以指数速率衰减到零。仿真结果表明了方法的有效性。     

线性状态多时滞系统鲁棒故障诊断滤波器设计

研究一类具有外部扰动的不确定线性时滞系统的鲁棒故障诊断滤波器设计问题。通过引入一种广义坐标变换,使得线性连续状态多时滞系统变为输出灌入(outputinjection)系统;据此,引入一种体现残差对故障信号具有灵敏性同时对不确定性扰动具有鲁棒性的性能指标,应用H∞最优控制理论,借助线性矩阵不等式(LMI)技术设计系统的状态全维鲁棒故障诊断滤波器,并给出该滤波器问题解的存在条件和求解算法。最后给出一个仿真算例,仿真结果表明了该算法的有效性和可行性。     

参数不确定广义时滞系统的保性能控制

针对状态时滞的参数不确定性广义系统,讨论了它的保性能控制问题。目的是对状态时滞的参数不确定广义系统,提出它的时滞无关保性能鲁棒控制器的一个设计方法。首先给出了广义时滞系统正则、脉冲自由且稳定的严格线性矩阵不等式表示的时滞无关充分条件;然后采用线性矩阵不等式方法,给出参数不确定性广义时滞系统的时滞无关保性能控制问题可解的一个严格线性矩阵不等式表示的充分条件,在此条件可解时,给出了时滞无关保性能鲁棒控制器表达式,以及相应的可保性能指标。最后给出了所提出方法的应用。     

线性离散时滞系统的鲁棒稳定性分析

依据稳定性理论和矩阵范数理论推导了线性离散时滞系统鲁棒稳定的充分条件,在此基础上得到了不确定时滞离散系统扰动矩阵的范数界,根据不确定离散系统的鲁棒D-稳定的定义,给出了确保不确定离散时滞系统所有极点均位于给定圆形区域系统扰动矩阵的范数界,这些条件形式简单,易于实现,是用于初步检验系统稳定性的有用工具.     

一类大型互联非线性时滞系统的鲁棒控制

对一类大型互联非线性不确定时滞系统进行了分散状态反馈控制设计。通过子系统状态的线性变换,得到分散状态反馈控制律。当状态反馈控制律作用于该系统时,闭环系统是全局一致渐近稳定的,且控制器的设计无需解任何的矩阵不等式,并给出仿真算例说明该结论的可行性和有效性。     

不确定离散时滞线性系统的完整性设计

在工程实践中 ,容错控制问题关系到系统的可靠性和安全性 ,具有十分重要的意义。研究了离散时滞线性系统的状态反馈容错控制问题。针对离散时滞系统的传感器和执行器的失效问题 ,基于Lyapunov渐近稳定性理论讨论了其在故障条件下仍具有完整性的充分条件 ,并进一步分析了该系统存在有界参数不确定时的完整性设计 ,提出了保证系统鲁棒稳定的设计算法。研究结果表明 ,该算法能保障系统的容错性和稳定性。仿真数值结果验证了该方法的有效性     

不确定关联时滞大系统鲁棒可靠控制设计方法

针对一类具有状态时滞和参数不确定性的不确定关联时滞大系统 ,提出了一种基于状态观测器的鲁棒可靠控制器设计方法。该方法通过求解一组线性矩阵不等式 (LMI) ,给出状态观测器和线性动态输出反馈控制器的设计方法。该控制器对于系统中任意容许的不确定性以及在每一个子系统中预先指定的执行器子集合执行器的失效 ,都可以镇定相应的闭环系统。通过仿真实验证明该设计方法的有效性。     

关于不确定线性时滞系统的H∞控制

讨论了在状态和受控输入中都含有时变时滞及有界参数扰动的不确定线性系统的鲁棒H∞ 控制。关于全状态无记忆反馈控制器的存在性 ,给出了Riccati方程型的充分条件和设计方法。该控制器不但能镇定此类时滞系统 ,而且可使其闭环系统的H∞ 范数小于某一给定上界。该结果是对文献 [5 ]中相应不确定时滞系统的保本控制到其H∞ 的自然推广。     

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。     

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。     

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。     

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。     

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。     

基于Shifted Legendre正交多项式的迭代学习控制方法

考虑用迭代学习控制方法来解决一类线性时变连续系统的终端控制问题。运用ShiftedLegendre正交多项式的展开技术,利用其正交性和边值条件,将线性时变系统的微分方程转化为代数方程,避免了在判断误差收敛条件的过程中求解线性时变系统状态转移矩阵。并采用高阶学习律来求控制输入的ShiftedLegendre系数向量,仿真实例验证了该方法的有效性。     

鲁棒迭代学习控制及在高精密平台中的应用

针对不确定性系统,提出一种非因果的鲁棒迭代学习控制方法。采用反馈控制和迭代学习控制分别设计并统一进行鲁棒性分析的方法,以提高系统的反馈性能和学习性能。首先采用H_∞控制方法,保证反馈部分的鲁棒稳定性;其次采用二次型优化迭代学习控制律来提高系统的学习效率;最后结合μ分析理论,对迭代学习控制系统进行鲁棒性验证,并对优化学习律的参数进行修正。该方法吸取了非因果迭代学习律学习性能好的优点,也充分利用μ分析保守性小的特点来提高系统的性能。算例结果验证了方法的有效性。     

不确定滞后系统的灰色预测神经元控制

针对不确定滞后系统建模和控制方面的困难,提出了利用神经网络对不确定滞后系统的滞后时间进行辨识,并在此基础上采用变步长灰色预测方法对不确定滞后系统的行为进行预测,同时结合单神经元控制器克服辨识误差、预测误差、系统干扰等不确定因素带来的影响,从而提高系统的自适应性。仿真结果表明,控制系统运行平稳,受不确定因素的影响较小,说明这种方法对于不确定的时变滞后系统具有良好的控制效果。     

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。