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。     

具有死区的饱和工业过程控制系统的迭代学习控制

对具有死区的非光滑饱和工业过程的稳态优化进程施加迭代学习控制,给出加权开环PD型迭代学习控制算法。算法基于前次迭代的输出动态信息和事先给定的理想轨张,修正工业过程控制系统的阶跃输入,以期改善控制系统的动态品质。给出了理想轨线的选取方法,提出了理想轨线的δ可达性和迭代学习算法的ε收敛性的概念。利用Bellman-Gronwall不等式和λ范数理论,论证了算法的ε收敛性。数字仿真表明,迭代学习控制能有效改善工业过程稳态优化进程中控制系统的动态品质,如减少超调,加快动态响应速度,缩短过渡时间等,显示了算法对工业过程控制系统的有效性。     

不确定时滞系统的PD型迭代学习控制算法

针对不确定时滞系统,在网络时滞范围已知情况下,采用改进PD型迭代学习控制算法补偿网络时滞.在初态是严格重复时,给出这类系统的极限轨迹和迭代输出收敛于该极限轨迹的充分条件.并与P型迭代学习控制算法进行比较.仿真结果表明改进后的PD型迭代学习控制算法能够有效地补偿此类时滞.当网络时滞范围变窄时,能够更加精确跟踪极限轨迹.在相同迭代次数情况下,PD型迭代学习控制算法比P型迭代学习控制算法能更快收敛于极限轨迹.     

Kalman滤波在单神经元PID控制中的应用

针对单神经元PID控制器包含输出噪声, 从而导致控制性能下降的问题, 提出一种基于Kalman滤波理论的改进单神经元自适应PID控制算法. 该算法通过引入状态空间的概念, 采用时域上的递推方法进行数据滤波, 控制对象的输出值经过Kalman滤波算法处理后再返回闭环控制系统. 实验结果表明, 改进算法能有效消减控制系统的输出噪声, 接近于无噪声的理想状态, 提高了控制性能.     

分数阶线性系统初值学习的PDα型迭代学习控制

针对分数阶线性时不变系统的随机初值问题,提出了基于初值学习的PDα型分数阶迭代学习控制算法,利用λ-范数,对控制算法的收敛条件进行了严格证明,并利用仿真实验进行验证.理论分析和仿真实验表明,系统初值不论如何取值,在该算法作用下,随着迭代次数的增加,都能实现系统输出对期望输出的精确跟踪.相比传统的PDα型控制算法,该算法解决了传统控制算法要求系统初值与期望初值相同的限制,消除了随机初值对系统的影响.     

整车道路模拟试验台的控制算法研究

介绍多输入多输出系统时域波形再现(TWR)过程,给出基于频率响应函数(FRF)模型的系统辨识方法以及基于频域迭代自学习控制(ILC)算法的目标信号迭代具体流程.针对整车道路模拟试验台控制算法软件的开发,提出在迭代过程中对信号进行适当重叠分段的频域迭代自学习控制算法.通过现有的四通道整车道路模拟试验台,在真实环境中成功实现了对某样车各车轮轴头处垂向加速度的时域波形再现.结果表明,该算法精度较高,能够作为试验台的控制算法.     

控制时滞系统的遗忘因子迭代学习算法研究

提出遗忘因子是关于迭代次数的函数,简化了传统遗忘因子迭代学习控制算法的收敛条件,并给出了收敛性分析.将改进收敛条件的遗忘因子迭代学习控制算法应用于一类带控制时滞的线性系统,给出了仿真实例.仿真结果表明,在改进的收敛条件下,合理地选择遗忘因子函数,带遗忘因子的PD型迭代学习控制算法在研究的控制时滞线性系统应用之下具有一定的有效性和优越性.     

基于滑模变结构的迭代学习控制器算法

迭代学习控制是一种新型控制算法,它不依赖于动态系统的精确数学模型,通过重复执行同一任务来减少误差,使系统输出尽可能逼近理想值的方法.滑模变结构控制具有很强的鲁棒性,将滑模控制算法引入ILC,提出两种基于滑模变结构的迭代学习控制算法.仿真结果表明随着迭代次数的增加,误差逐渐减小并趋于平稳,得到较好的跟踪效果.     

一种改进的动态设定值PID控制算法

PID控制器是一种调节控制器,具有良好的稳定性和可靠性,是工业控制的主要技术之一.它根据系统的误差,利用比例、积分、微分计算出控制量.传统P ID控制算法的微分项抗干扰能力较弱,经常出现输出值和反馈值突变的现象,对动态控制环境适应不足,尤其在多设定值时无法满足控制要求.为了减少设定值改变时微分项引起的输出值和反馈值的震荡,在增量式和微分先行式算法的基础上,对PID控制算法做出进一步改进,并与传统PID控制方法进行比较.理论值及测试结果均显示改进的PID控制算法在改变设定值附近的输出和反馈震荡减小,全变分模型比较的结果表明改进的PID算法输出值曲线最平滑,此种方法能够提高动态设定值控制系统的稳定性和精准性.     

一种可用于线性动态延迟控制系统的闭环比例型一阶给定超前迭代学习控制算法

讨论了迭代学习控制的基本概念,并给出了一种可用于线性动态延迟系统的比例型一阶给定超前迭代学习控制算法.理论分析证明,这种控制算法对于跟踪重复运动的轨迹具有良好的效果.     

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.     

工业过程控制系统迭代学习算法的增益确定

应用频域和时域（非状态空间法）相结合的方法对简单工业过程控制系统迭代学习算法进行了收敛性分析,在频域得出了用系统参数显示表示的收敛性条件,避免了收敛条件的验证对系统时域模型参数的依赖性,使验证更简洁,用平方积分鉴定法确定了首次学习时误差平方积分最小意义下学习增益的最优值,明确了学习增益选取的目标,数字仿真表明：所确定的学习增益不仅是最优的,而且相应的迭代学习控制能显著改善控制系统的动态品质。     

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.     

射流火焰温度场广义随机分布模型的迭代学习控制

为实现射流火焰温度场的控制性能,采用随机分布控制理论实现了射流火焰温度场的建模及其迭代学习控制. 采用高斯函数作为输出概率密度函数逼近的基函数,用广义系统状态空间模型建立系统模型,模型的独立状态数量与系统实际的动态阶次一致. 采用随机分布预测控制算法实现单批次的控制,在每个批次控制完成后,采用牛顿法优化基函数参数,给出了射流火焰温度场迭代学习控制的仿真结果. 通过迭代学习优化了广义随机分布系统模型参数,提高了火焰温度场分布控制性能指标.      

带有遗忘因子的滤波器型迭代学习直线伺服系统

针对永磁直线同步电机伺服系统,提出开闭环迭代学习控制器,实现期望直线位置的跟踪控制.分析了永磁直线同步电机的2-D模型及迭代学习直线伺服系统的收敛性.通过减小系统输入误差协方差矩阵迹的方式得到优化的遗忘因子,来修正控制输入的迭代学习律,同时采用零相位FIR数字滤波器对前馈学习控制器中的误差信号进行滤波处理.实验结果表明,带有遗忘因子的滤波器型迭代学习控制器能够保证直线伺服系统在不断的迭代学习中提高性能,有效抑制端部推力波动,系统具有很好的学习收敛速度、动态响应及控制精度.     

间歇过程复合迭代学习容错保性能控制器设计

针对具有执行器故障和状态时滞的间歇过程,主要考虑输出反馈与迭代学习控制相结合,即复合迭代学习可靠保性能控制器设计问题,将具有时滞的故障系统转化为等价的2D-FM模型的时滞系统,在等价模型基础上,提出了基于2D动态输出反馈的鲁棒迭代学习可靠保性能控制策略,建立了依赖于时滞、确保系统稳定且具有最优性能的充分条件,并提出具有拓展学习信息的鲁棒迭代学习容错保性能控制的优化设计算法,同时,考虑了时滞对系统稳定性及性能的影响,实现了当系统发生执行器失效故障且在故障允许范围内时闭环系统的平稳运行,并具有最优的控制性能.另外,以注射成型过程保压段的喷嘴压力设计控制律为例验证了所提方法的有效性.     

二维线性连续-离散型系统理论在迭代学习控制中的应用

针对线性连续控制系统 ,利用二维线性连续 离散型系统理论设计了一种新型的迭代学习控制方案 ,并给出了这种迭代学习控制规律收敛的条件 ,说明二维线性连续 离散型系统理论在迭代学习控制中的应用是成功的 .     

混联机械臂系统自适应选择迭代学习角同步控制

建立了四自由度混联机械臂系统动力学模型,并根据系统重复运动和具有不确定因素的特点,设计了自适应选择迭代学习同步控制算法(ASILSC),实现了系统的角同步运动,并证明控制算法的收敛性。仿真结果表明,相比于带遗忘因子的迭代学习同步控制,自适应选择迭代学习角同步控制有更好的收敛性和鲁棒性。     

D型闭环迭代学习控制的2-D模型及收敛性分析

本文将 2 D线性连续 离散系统理论应用于连续线性迭代学习控制系统中 ,给出能很好反映迭代学习控制过程的数学模型 2 D线性连续 -离散系统Roessor模型。在 2 D系统理论上证明了D型闭环迭代学习控制律的收敛性。根据该理论设计的闭环迭代学习控制器 ,受到的限制较小。