首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 93 毫秒
1.
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.  相似文献   

2.
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.  相似文献   

3.
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.  相似文献   

4.
针对网络控制系统中受输入扰动和初态干扰的非线性系统,提出了一种迭代学习控制算法,讨论了输出数据丢失情况下系统输出对期望轨迹的跟踪问题。采用一个概率已知的随机贝努利序列来描述网络控制系统中的数据丢失现象,即如果输出数据没有丢失,则利用跟踪误差来修正上一次迭代学习时的控制量,从而获得系统当前控制量;如果存在输出数据丢失现象,则系统当前控制量保持上一次迭代时的控制量不变。给出了保证算法收敛的充分条件。从理论上证明了系统满足给定的收敛条件时,在数据丢失网络环境下具有输入扰动、初态扰动的被控系统随迭代学习次数的增加,系统输出除初始点以外都能够收敛于期望轨迹。通过仿真算例进一步验证了所提方法的有效性。  相似文献   

5.
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.  相似文献   

6.
针对一类带有传感器故障的非线性系统提出了一种新的迭代学习控制算法,该算法在任意初态条件下,结合开环D型迭代学习律,设计一个随迭代次数增加而缩短的时间段,该时间段控制器对状态偏差进行修正,使系统跟踪误差收敛到与初态误差无关的界内,仅由系统自身不确定性和干扰决定。进而基于λ范数理论选取适当的控制增益,抑制传感器故障带来的跟踪误差,并给出控制算法的一致收敛性和误差的有界性证明。注塑机系统的速度控制仿真结果验证了该算法的有效性。  相似文献   

7.
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.  相似文献   

8.
针对一类参数未知非线性的迭代学习控制问题提出了一种开闭环PID型迭代学习控制律,这种迭代学习律同时利用了系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作用,给出了迭代学习控制算法收敛的充分性条件.分析表明,所给出的迭代学习控制律推广了现有的结果.  相似文献   

9.
针对具有控制时延的非线性多智能体系统模型,设计了一种能够实现其稳定编队的迭代学习控制算法.首先,建立单个智能体的动态特性,根据多智能体的拓扑连接结构,将多智能体编队控制问题转化为跟踪问题.其次,针对每个智能体设计形式统一的迭代学习控制器,根据每个智能体不同的动态特性,选取合适的学习增益矩阵.最后,基于λ范数理论证明了算法的收敛性.由于该迭代学习控制算法放宽了对迭代初值的限定,使其达到在任意常值初态条件下的稳定控制,从而满足了各个智能体在初始位置随机分布时的编队控制要求.仿真结果证明了文中所给算法的有效性.  相似文献   

10.
讨论了一类非线性时变系统开闭环PI型迭代学习控制算法,该算法相对于开环、闭环PI型迭代学习算法不仅能较快地跟踪期望轨迹,而且能增强学习控制的鲁棒性。给出了仿真研究实例,仿真结果验证了该算法的有效性和优越性。  相似文献   

11.
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.  相似文献   

12.
行走机器人控制策略与开闭环学习控制   总被引:2,自引:1,他引:2  
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.  相似文献   

13.
面对多元间歇精馏过程的多阶段操作和非稳态运行特点以及高稳定性和高精度的控制需求,传统的反馈控制一般难以确定最优的回流比操作方案.针对该问题,在传统P(比例)型迭代学习控制(itecative learning control,ILC)算法的基础上,提出了一种学习增益沿批次指标自适应调整的变增益P型ILC算法.该算法能够保证间歇精馏过程在不同的操作时刻沿批次指标具有平衡的学习效率,从而提高过程控制性能沿批次指标的收敛速度.以Aspen Batch Distillation(ABD)软件系统中的一个三元间歇精馏模型为实际控制对象,对所提出的变增益P型ILC和传统PID控制以及P型ILC 3种控制方案进行了控制性能的仿真和比较,仿真结果证明了该控制算法不仅计算简单,同时比传统P型ILC算法具有更快的收敛速度.  相似文献   

14.
基于算子理论推导迭代学习控制(ILC)收敛的充分条件和跟踪误差,研究表明对于任何因果时不变线性系统(TLI)的ILC都存在等效反馈控制,可获得相同的跟踪误差,并且反馈控制器的参数仅与ILC的参数有关而与系统参数无关,即使被控制系统未知,ILC方法也没有比传统反馈控制有更大的优越性。  相似文献   

15.
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.  相似文献   

16.
一种改进的非线性离散系统迭代学习控制算法   总被引:1,自引:0,他引:1  
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。  相似文献   

17.
针对存在不确定扰动的线性系统的轨迹跟踪控制问题,提出了基于正交多项式的迭代学习算法.该算法利用正交多项式级数将系统参数化,运用其积分运算矩阵,导出了一种基于多项式级数的线性系统的近似模型.在此模型基础上,用迭代学习的方式来修正输入量的多项式展开系数,并运用LMI方法求解学习增益矩阵.所得算法在系统不满足正则性或无源性时,仍可以用输出误差信号来构造学习律.将该方法运用到直线电机的控制中,仿真结果表明,新算法能明显地提高直线电机的控制精度。  相似文献   

18.
针对移动机器人运动目标检测过程中运动目标与背景均存在位移致使跟踪失效的问题,提出一种显著光流分析法对室内行人目标活动区域进行检测与标识,能够快速有效地为移动机器人视觉检测与跟踪算法提供简便的初始区域定位信息。经仿真实验分析,该算法能够在室内复杂的情况下,快速检测出行人目标的活动区域,方便人物识别与躲避,具有较强的工程应用价值。  相似文献   

19.
设计开发了基于扩展卡尔曼滤波估计理论的分布式传感器网络目标跟踪算法,给出了基于邻居节点集的协同调度策略和采用退避机制的AODV拓扑控制策略,实现了分布式环境下任务节点的和拓扑结构的动态自适应切换。通过研制融合了MicaZ原型节点和超声波传感器的自制硬件节点,实现了对移动目标的跟踪和定位,验证了所提出算法的正确性。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号