基于卡尔曼滤波的迭代学习控制方法研究

针对一类非线性欠驱动机械系统在干扰环境下动态性能变差的问题,提出了一种基于卡尔曼滤波器的遗忘因子型迭代学习控制律,以实现闭环系统的稳定控制和干扰抑制。首先,将卡尔曼滤波器作为系统的状态观测器,在含有随机噪声干扰的情况下,估计系统的最优状态;其次,通过设置自适应遗忘因子来动态适应迭代学习过程中的误差变化,使系统快速收敛并准确跟踪参考轨迹,实现运动过程中重复干扰信号的抑制;最后,以Quanser公司生产的柔性尺为实验平台来研究非线性欠驱动被控对象实际系统的控制方法,并对所提方法分别进行理论数值仿真与实物实验验证。仿真及实物实验结果表明,本文提出的控制方法可以保证被控系统稳定运行,当环境中存在随机非重复性噪声或重复性干扰时,被控系统都可以保持良好的鲁棒性。     

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.     

欠驱动两自由度机械臂LQG/LTR控制

针对欠驱动机械臂系统的快速稳定控制中存在着的系统过程噪声和传感器观测噪声的干扰问题,设计了具有回路传输恢复的线性二次高斯(linear quadratic Gaussian control with loop transfer recovery, LQG/LTR)控制器。该控制器由卡尔曼滤波器和最优状态反馈增益调节器两部分组成,并进一步使用了回路传输恢复技术提高了控制系统稳定裕度。仿真试验表明：LQG/LTR控制方法相比于线性二次型调节器控制方法具有更加出色的动态品质,能很好地抑制噪声造成的系统不稳定问题,使得机械臂快速稳定在期望位置,具备良好的稳定性和鲁棒性。     

自适应强跟踪卡尔曼滤波在陀螺稳定平台中的应用

考虑陀螺稳定平台速度环控制系统含有陀螺测量噪声,设计了带有系统参数扰动迭代估计的自适应强跟踪卡尔曼滤波器,并与模型参考控制系统相结合,然后将其与现有的PI控制系统进行扰动隔离性能的系统仿真对比实验及其结果分析.实验结果表明,所提出的自适应强跟踪卡尔曼滤波器可以进一步提高扰动控制系统的隔离度性能,尤其在把非线性摩擦力补偿一半的情况作为未建模的不确定因素影响情况,所设计的滤波器不但能够稳定地工作,而且模型参考自适应控制系统和PI控制系统的隔离度性能都有明显的提高.     

基于扩展卡尔曼滤波器的液压驱动器状态估计

本文的液压驱动器属于不可观测的非线性系统,普通的状态观测器难以胜任系统的状态估计,故采用扩展卡尔曼滤波器对液压缸活塞腔和杆腔压力进行估计.建立了液压系统的4阶非线性状态空间模型,用高斯-牛顿法拟合模型参数,用关节角度信号通过扩展卡尔曼滤波器估计液压驱动器状态.仿真结果表明该方法可以精确估计液压缸压力,实验结果显示该方法估计的关节扭矩接近测量值;从而验证了扩展卡尔曼滤波器估计液压系统状态的有效性,为基于状态的故障诊断和液压驱动器控制提供了一定的借鉴.     

时变遗忘因子的子空间辨识及预测控制器设计

针对线性时变多变量系统,在存在不可测干扰及系统动态特性变化较大的情况下,不需要已知系统先验结构信息,不需要辨识出系统参数矩阵,提出一种完全数据驱动的具有变遗忘因子子空间辨识的预测控制器设计方法.预测控制是一种基于模型的控制方法,为了更好地建立被控系统模型,在已有的在线辨识基础上,根据实测输出值与预测输出值的误差构造变遗忘因子,以调整采集数据的权重,提高辨识灵敏度和控制效果.最后通过实例仿真验证算法的有效性.     

均热炉温度神经网络迭代学习控制算法

针对具有不确定性的重复非线性均热炉温度控制系统,提出基于神经网络的迭代学习控制算法,该算法采用神经网络作为迭代学习控制器,以前馈方式作用于被控系统,并引入PID反馈控制器来提高系统的性能.仿真结果表明,针对过程存在的重复干扰,该算法比单纯反馈控制具有更好的控制效果.     

基于动态非线性滑动模态的欠驱动船舶直线航迹控制

针对带有状态变量和控制输入约束条件以及横向漂移的欠驱动船舶,设计了直线航迹控制算法,通过对系统输出进行动态非线性滑模分解迭代设计,将单输入多输出的控制问题转化为标量零阶系统的镇定问题,并利用增量反馈控制,无需对不确定模型参数或风、流干扰进行估计,能够同时稳定船舶的航向和航迹。应用"育龙"轮的非线性水动力模型进行了仿真,结果表明,控制器对系统参数摄动及外界干扰不敏感,具有强的鲁棒性,且其设计参数物理意义明显、易于调节。     

卡尔曼滤波器在状态和参数估计中的应用

应用有限差分法代替非线性函数的偏导数计算以改进扩展卡尔曼滤波器，该改进算法用于非线性系统的状态和参数联合估计。结果表明，该滤波器可以代替常规的卡尔曼滤波器，具有滤波精度高、数值计算稳定、对模糊精度要求低和适用范围宽等优点。     

基于非线性模型预测的欠驱动船舶轨迹跟踪控制研究

针对欠驱动船舶轨迹跟踪控制系统具有非线性、大惯性、时滞、局部线性不可控等特点，结合扩展卡尔曼滤波器和序列二次规划算法，设计了基于非线性模型预测的船舶轨迹跟踪控制策略.首先，设计了具有一定复杂度的参考轨迹，用于测试船舶的各种工况及工况切换情况.其次，应用船舶欠驱动三自由度运动控制模型与所设计的参考轨迹建立了非线性约束优化问题的目标函数，采用序列二次规划算法进行优化求解，并在扩展卡尔曼滤波器中对测量函数的雅可比矩阵进行了预求解以减少算法计算量.最后，通过对一艘运输船进行仿真试验，验证了所设计轨迹跟踪控制器的有效性和实时性.     

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.     

结合卡尔曼滤波和离散滑模的振镜位置跟踪研究

为解决外部扰动和噪声对振镜系统位置跟踪的影响,该文提出了一种结合卡尔曼滤波和离散滑模控制的振镜位置跟踪方法.首先,围绕振镜系统驱动电机的离散数学模型,构建卡尔曼滤波器来估计振镜系统真实的运动变化,降低外部扰动和噪声对系统的影响; 其次,结合离散滑模控制对跟踪误差进行修正,使振镜系统位置量和速度量快速稳定,进一步提升系统的抗干扰能力和位置跟踪能力; 最后,针对瞬时和连续性2种类型的外部扰动设计了对比仿真实验和振镜系统平台的验证实验.实验结果表明:在这2种不同类型的外部扰动下,该控制方法都能够使振镜的扫描反射镜快速、准确地跟踪给定期望值,且有效抑制离散滑模控制的抖振问题.     

非高斯条件下基于粒子滤波的目标跟踪

介绍了粒子滤波的基本思想和具体算法实现步骤，在给出的闪烁噪声统计模型基础上，将粒子滤波算法应用在雷达目标跟踪中，解决了闪烁噪声情况下的雷达目标跟踪问题．仿真结果表明，在满足高斯噪声条件下，扩展卡尔曼算法和粒子滤波算法跟踪性能相近，但若考虑雷达的闪烁噪声，则随着闪烁影响增强，扩展卡尔曼算法跟踪性能严重下降，而粒子滤波算法能继续保持较好的跟踪精度．     

卡尔曼滤波器在倒立摆控制系统中的应用

倒立摆系统是一个非线性多变量的不稳定的系统。过去人们对倒立摆的控制都没有考虑到输出噪声的影响,这样就降低了控制的精度。卡尔曼滤波器能够对被噪声污染的信号进行有效地估计,从而降低了噪声的影响。本文介绍了卡尔曼滤波器在倒立摆控制系统中的应用并给出了仿真结果。     

欠驱动机器人的最优轨道生成与实现

提出了一种基于学习的动力学前馈方法，解决了欠驱动系统由于系统不完全可控造成的反馈控制失效，运动轨道难以实现的问题。在此基础上提出了学习－优化交替式最优运动轨道生成方法。该方法将轨道优化与学习控制相结合，所生成轨道可以在欠驱动机器人上实际操作，对一台实际的欠驱动机器人实现了最优轨道生成，并进行了动作实验，取得了较好效果。     

PMLSM伺服系统的特征模型与自适应迭代学习控制

针对PMLSM伺服系统的位置跟踪控制问题,提出一种基于特征模型的自适应迭代学习控制方案。由分析可知,在"id=0"的控制策略下,该系统是一个六阶线性定常系统。结合特征模型理论,给出了该系统的一阶、二阶和三阶特征模型,其特征参数沿时间轴和迭代轴均是变化的。采用遗忘因子最小二乘迭代学习辨识与最小方差控制方法,给出一种基于特征模型的带饱和限幅自适应迭代学习控制方案。仿真结果表明,提出的学习控制方案能够实现系统输出对期望位置的轨迹跟踪。     

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明：ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。