带遗忘因子的PD型迭代学习控制算法研究

摆脱传统遗忘因子迭代学习控制算法的算子估计证明方法,提出了遗忘因子是关于迭代次数的函数,简化了收敛条件,并给出收敛性证明和仿真实例.仿真结果表明,在本文改进的收敛条件之下,带遗忘因子的PD型迭代学习控制算法具有有效性,相比于通常算法,遗忘因子算法得到的误差跟踪曲线更平滑,在迭代误差跟踪方面具有一定的优越性.     

具控制时滞的线性时滞系统的迭代学习控制

针对一类具有控制时滞的线性系统，讨论了D型迭代学习控制算法，从理论上给出了算法收敛的充分条件。数值仿真结果表明，这种算法是有效的。     

基于2-D理论的时滞离散系统的开闭环迭代学习控制方法

针对一类具有状态时滞的线性系统,提出一种基于2-D离散系统的开闭环迭代学习控制器．给出控制器的收敛条件并给出了证明．该控制器既保持了以往开闭环迭代学习控制算法的优点,又减少了其收敛条件所受的限制．仿真结果验证了该控制算法的有效性．     

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.     

具有扩散耦合偏微分时滞系统的学习跟踪控制

对具有空间扩散耦合偏微分时滞系统,采用迭代学习控制算法研究其输出轨迹跟踪的问题。基于超向量法对N个具有空间扩散耦合的偏微分时滞系统进行转化,得到与其等价的系统模型,再对该等价的学习系统设计开闭环P型迭代学习控制律,给出了学习系统跟踪误差在L~2范数意义下收敛的条件。最后,通过两个具有扩散耦合的偏微分时滞系统的数值仿真,验证了所提出算法和结论的有效性。     

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.     

多重时滞非线性系统的自适应预测控制

针对NARX模型中一步时滞控制算法不完全适用于多重时滞的情形,提出一种在工作点处用线性的动态切平面逼近一般的非线性系统的方法,结合一种准则函数和预测器算法,提出一种自适应预测控制算法,给出了该模型下具有遗忘因子的递推最小二乘非线性参数估计算法.仿真结果表明:该控制算法品质好,参数估计算法几乎无偏,验证了自适应预测控制算法和递推参数估计算法的有效性.     

非线性系统开闭环PID型迭代学习控制的收敛性分析

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.     

基于全局最优的生产全过程分布式预测控制

改进了基于纳什最优的分布式预测控制算法,提出了一种基于全局最优的分布式预测控制．在优化求解时考虑了各子过程间的协调．结合线性系统的动态矩阵控制(DMC)分析了算法的迭代收敛性,并与基于纳什优化的分布式预测控制算法进行了比较．仿真结果表明．算法迭代收敛于全局最优解,而不是纳什优化解。     

带饱和执行器的非线性离散时滞系统的最优控制

主要针对带有饱和执行器的时滞非线性离散时间系统更加一般的形式,通过启发式动态规划(HDP)算法求解无限时间最优控制策略问题,并在值函数中引入折扣因子.首先通过迭代HDP算法给出值函数序列和相应的控制序列,并给出了收敛性证明,即值函数序列收敛到值函数的最优值,以及控制序列收敛到最优控制;其次为了实现HDP算法,引入3个神经网络:模型网络、评判网络、控制作用网络.模型网络用来近似系统模型,评判网络用来近似值函数,控制作用网络用来近似控制;最后通过一个仿真例子说明上述方法的可行性.     

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。     

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.     

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.     

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。     

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.     

一类输入有约束线性系统的数据驱动PID控制器设计

针对一类输入受限的线性系统,提出具有适应输入约束和抗积分饱和性能的数据驱动PID控制器改进设计方法.采用虚拟参考迭代整定法,应用递归最小二乘辨识算法在线计算PID参数.当输入有约束时,计算的控制器输出超过这个限制条件可能导致性能下降甚至出现稳定性问题,同时PID算法中的积分作用也可能出现饱和现象.改进的方法基于输入-输出观测数据和输入约束信息,在PID控制环节后串联一个类似抗积分饱和的环节,适应控制器输出过大需要限定的客观要求.通过控制器结构设计和仿真,演示了改进方法的有效性.     

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.     

分数阶非线性系统PDα型迭代学习控制收敛性分析

针对一类单输入单输出的分数阶非线性连续系统,利用卷积的推广Young不等式,分别研究了开环、闭环以及开闭环PD^α型分数阶迭代学习控制算法在L^p范数意义下收敛的充分条件,并进行了严格的理论证明.研究发现:控制算法收敛的充分条件取决于算法的增益和系统自身属性;在控制算法选取适当增益的情况下,开闭环PD^α型控制算法拥有比开环算法更快的收敛速度.这些结论与分数阶线性系统是相同的.仿真实验进一步验证了上述理论的可行性和正确性.     

线性广义系统P型迭代学习控制在Lp范数意义下的收敛性

在对一类线性广义系统进行非奇异变换后,利用卷积的推广Young不等式,在Lebesgue-p(L~p)范数意义下,研究了一、二阶P型迭代学习控制算法的收敛条件,并对两种算法的收敛速度进行了比较。理论分析表明,控制算法的收敛条件、收敛速度与学习增益矩阵、系统本身属性有关;如果选取合适的学习增益矩阵,则二阶P型控制算法的收敛速度快于一阶的。仿真实验验证了控制算法的可行性和理论的正确性。