初态偏移非线性系统跟踪控制的迭代学习算法

基于迭代学习控制理论提出一种新的可变增益学习控制算法,并对系统初态的迭代学习律进行了讨论,利用算子理论证明在非线性系统中存在初态偏移时经过迭代学习后,输出仍能跟踪期望轨迹;对其收敛性进行数学证明,得到谱半径形式的迭代学习律收敛的充分条件,从而解决了可变学习增益迭代学习控制的初态偏移问题.最后在注塑机注射速度控制系统中与增益不可变迭代学习算法进行比较,仿真结果验证了算法的有效性.     

基于RBF网络的机械手迭代学习控制器

针对迭代学习控制用于机械手轨迹跟踪时存在的收敛速度慢的问题,提出了一种基于RBF网络的迭代学习控制器,利用先前跟踪不同期望轨迹所得的经验构造新的初始控制量以加快收敛速度.将给定的期望跟踪轨迹分解成多个查询点,然后用RBF网络对每个查询点周围最邻近的k个数据点进行拟合以建立系统的逆动力学特性估计,进而预测相应于查询点的初始控制输入.为验证所提方法的有效性,对一平面双连杆机械手进行了仿真研究.     

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.     

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.     

基于神经网络参数优化的迭代学习控制算法

针对迭代学习控制用于轨迹跟踪时存在收敛速度慢的问题,提出用RBF网络优化迭代控制器参数的算法.在每一次迭代学习过程之后利用RBF网络对当次输出的数据进行优化计算,拟合出最优的学习增益,使迭代学习算法具有较快的收敛速度,在单关节机器人中进行仿真验证了方法的有效性.     

基于边界层的一类不确定系统的迭代学习控制

针对一类具有任意初态和非周期有界扰动的不确定非线性时变系统,提出一种基于边界层的迭代学习控制方法,将边界层设计成一个具有剩余宽度的指数衰减函数,通过边界层把任意初态问题转换为零初值迭代学习问题.针对周期和非周期不确定性扰动,分别设计周期项的学习律和非周期项的边界学习律,然后在此基础上给出了迭代学习控制算法.文中给出了相关定理,并应用类Lyapunov方法给出了定理的详细证明.仿真结果表明,所提出的算法是有效的,轨迹跟踪误差能收敛到边界层.     

点到点二阶参数优化迭代学习控制算法

针对一类离散线性时不变系统的点到点跟踪控制问题,提出一种快速参考轨迹更新的点到点二阶参数优化迭代学习控制算法。首先,在进行参考轨迹更新时,将插值法中的固定学习增益λ改为随迭代变化的指数变增益e~(γ~((k))),目的是使新的参考轨迹以更快的速度逼近系统输出。然后,利用当前次和前次迭代过程获得的输入、输出信息构造新的控制输入,并对参数进行优化,从而达到快速、高效地跟踪控制的目的。最后,通过理论分析和仿真实例验证了算法的有效性。     

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.     

输出干扰对基于逆模型的迭代学习控制的影响（英文）

针对具有输出干扰的线性时不变单输入单输出系统,首次运用基于逆模型的迭代学习控制理论分析其轨迹跟踪控制问题.通过严格的数学分析,提出了无干扰输出误差的数学期望计算公式(欧几里得范数)并证明了其收敛性.进而给出了其频域分析公式,证明了系统参数、噪声光谱和基于逆模型的迭代学习控制参数对收敛性的影响.系统仿真实验结果验证了以上的理论发现.     

基于迭代学习的三自由度机械臂轨迹跟踪控制

针对用于三自由度机械臂各关节末端轨迹跟踪控制的非线性系统在扰动存在的情况下跟踪效率较低的问题,提出一种变增益迭代学习控制律.利用拉格朗日法建立动力学方程,设计三自由度机械臂结构的变增益迭代学习控制器并进行收敛性分析,通过Matlab的Simulink仿真模块,构建三自由度机械臂控制系统仿真图,进行闭环定常PD(Proportion Differentiation)型和闭环变增益PD型迭代学习控制器的三自由度机械臂对比仿真试验.仿真结果显示,基于变增益迭代学习的三自由度机械臂在干扰的状态下,能较短时间内收敛到期望轨迹.     

一种迭代未知输入观测器设计

针对具有未知输入的线性系统讨论了基于迭代控制思想的未知输入观测器设计方法.针对每一步迭代,由于当前未知输入已知,因而可以通过设计常规的Luenberger观测器得到当前步的状态估计和输出估计.在此基础上采用D-型迭代学习控制的思想,通过当前输出步误差和未知输入估计值提出下一步的未知输入的迭代估计方法,并利用此次未知输入估计值再次设计Luenberger观测器估计下一步的状态.之后,对迭代算法的收敛性进行了分析,并给出了迭代算法收敛的充分条件.最后,对一个实际模型进行仿真,验证了算法的有效性.     

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。     

一类机械臂指数加速迭代学习控制方法

针对机械臂系统外部干扰的轨迹跟踪问题,提出一种无需重置初始条件的加速迭代学习控制方法。利用指数变增益加速学习控制律,结合迭代学习控制算法,无需重置机械臂每次运行时初始条件,历经多次迭代后,实现对期望轨迹的实时跟踪。并在 范数意义下,证明了无需重置条件的比例微分（Proportion differentiation, PD）型加速迭代学习控制算法的收敛性。基于二自由度（Two Degrees of Freedom, 2-DOFs）仿真实验结果验证了该方法的可行性和有效性。同时在Quanser机电一体化运动控制实验平台上完成了实验验证,表明该算法的实用性。     

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。     

模糊迭代学习在单关节机器人运动控制中的应用

提出一种迭代学习控制和模糊控制相结合的策略。利用模糊补偿来增加迭代学习控制的收敛速度和保证系统的稳定性,并对单关节机器人模型进行仿真。仿真结果表明,该模糊迭代学习控制系统在第一个学习周期内的误差值明显减小,输出误差也逐渐减小,跟踪性能总体上有了很大的改善,跟踪精度显著提高。     

在任意初值下的受扰非线性系统PD型迭代学习控制与方法

对于一类非线性系统,在有界的初态干扰和输出干扰的情况下,提出了一种开闭环PD型迭代学习算法。系统在初值任意的情况下,进行初态学习的开闭环PD型迭代学习控制,并且推导出了关于初态学习的收敛性的充分条件。通过与开环PD型和闭环PD型迭代学习算法作对比来进行仿真验证,仿真结果验证了算法的有效性。