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.     

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.     

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.     

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.     

欠控制方向的非线性系统自适应迭代学习控制

针对控制方向未知且具有周期扰动的非匹配非线性系统, 提出了一种自适应迭代学习控制策略. 控制算法具有以下3个特点:不需要控制方向的先验知识; 能够对系统的周期不确定性进行在线学习; 能够克服系统的非匹配不确定性. 随着迭代学习次数的增加, 系统跟踪误差渐近收敛于零. 仿真结果表明了控制算法的可行性和有效性.     

加权超前开环PD型迭代学习控制

对具有滞后的线性大工业过程提出了加权超前开环PD—型的迭代学习控制算法，建立了基本的选代学习控制结构，给出了迭代学习控制算法关于控制系统的ε—收敛性的定义和证明，提出了理想轨线的δ—可达性的概念．数字仿真表明，迭代学习控制能有效改善控制系统的动态品质，如缩短过渡时间，抑制超调等，表明了迭代学习控制算法的有效性．     

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.     

一种新的迭代学习控制快速算法

对一类连续系统的迭代学习控制问题进行了讨论，提出了一种新的迭代学习控制算法，该算法与目前的算法具有完全不同的形式，数值仿真结果表明了新算法的有效性与优越性。     

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.     

基于嵌人式环境的智能移动机器人跟踪控制

基于自主搭建的履带式移动机器人研究了 一个P型迭代学习控制算法,它使移动机器人 能够根据位置和速度偏差的大小及方向,实时控制其在运动过程中的变化趋势,以获得合适的学习 增益矩阵,达到更好的控制效果.利用设计的P型迭代学习控制算法,对履带式移动机器人的路径 规划与路径跟踪实现准确的控制.实验结果表明,迭代学习控制可使履带式移动机器人在路径跟踪 控制过程中有更好的稳定性、准确性和快速性.     

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。     

基于自适应迭代学习算法的FNS肢体运动控制

首先介绍FNS系统的构成及工作原理,针对肢体肌肉的非线性时变性,建立了带反馈控制器的迭代学习控制算法,即复合控制器。曩后利用FNS肢体运动控制平台,采用复合控制算法,对人体曲肘和曲腕运动时的关节运动(角位移)轨迹进行了临床实验研究。结果表明,采用该算法,不仅改善了FNS系统的跟踪性能,而且肢体运动轨迹稳定、平滑,受试者无任何不良生理反应,具有较强的自适应性。     

专家智能控制器研究

提出增量式专家智能控制器及自学习专家智能控制器的基本结构。应用８０３１、８０９８单片机实现了专家智能控制的数字式闭环控制技术,提高了系统的可靠性及智能度,举出了在调速、控温及恒压供水上的应用实例。     

神经网络自学习控制研究

提出一个新型仿真器网络结构并推导出学习算法;提出面向输入输出模型结构的自学习控制器训练结构并推导出学习算法,解决约束控制作用下多目标终态控制问题并实现感应加热温度智能控制．     

一种自组织模糊神经元网络控制学习方法及其应用

提出一种自组织模糊神经元网络控制学习方法,该方法由自组织模糊神经元网络（ＳＯＮＦ）和基于径向函数网络（ＲＢＦ）组成,具有自适应和自学习的特点。     

基于趋势分析的模糊智能燃烧控制

以研制模糊智能燃烧控制系统原型样机为背景，根据燃烧对象变化趋势构造模糊推理关系，实现模糊智能燃烧控制，并给出了有关的模糊规则自学习算法和控制策略的实现方案．     

分批重复过程迭代学习广义预测控制

针对一类分批重复操作过程,提出迭代学习广义预测控制(ILGPC)算法·该算法利用以前的过程输入输出信息,在GPC结构中增加干扰预测估计的迭代学习前馈回路,通过对部分可重复干扰的估计和学习,提高了分批重复操作过程的控制品质,减小了跟踪误差·对算法的稳定性做了分析,并以间歇聚合反应过程为仿真对象,研究了算法的稳定性和鲁棒性·     

The Redundant Arm Self-motion Control Based on Self-tuning Fuzzy PID Controller

0　IntroductionUsingaconventionalPIDcontroller,itisdifficulttoachieveadesiredtrajectory trackingprecisionbecauseofrobot’snonlinearity ,jointcouplingandtimevariablespe ciality[1] .Hence ,manycontroltechnologieswereat temptedtosolvethesesproblems ,typicallyadaptivecon trol,optimizationcontrol,neuralnetworkcontrol,andslidingmodevariablestructurecontrol[2 ] .Eversince 2 0yearsago ,FLChasbeenusedwidelywithobviousprogressincontrolfields ,especiallyinrobotics[3] .ItisprovedthatFLCisverysuitablef…     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

智能自校正多模态轨迹跟踪控制

对于类似于机械手的运动轨迹跟踪和定位控制,为了获得良好的跟踪性能和定位精度,针对复杂多变的被控对象,运用智能控制理论,引入对象过程特征和行为特征的概念,以对象的过程特征状态和行为特征状态为条件元素,构造了1个分层递阶高阶产生式跟踪控制系统结构.系统在运行过程中通过对对象的过程特征和行为特征辨识,实现控制器参数的自动调节和多模态控制.为了具体实现该系统结构的应用,建立用于过程特征辨识、参数校正和控制决策的特征模型,以及从过程特征状态集、行为特征状态集到参数校正模态集和控制决策模态集的映射关系.针对机械手的运动特性进行了仿真研究,仿真结果表明,该系统结构具有较强的鲁棒性,是一种行之有效的方法.