带有初态学习的指数变增益迭代学习控制

针对一类非线性时变系统在有限时间区间上的轨迹跟踪问题,提出一种新的迭代学习控制算法,该算法对系统的控制输入和初始状态同时采用闭环指数变增益迭代学习律。基于算子理论,对具有任意初始状态的系统,在该迭代学习律作用下的收敛性进行严格证明,同时给出该迭代学习算法收敛的谱半径形式的充分条件。该算法与固定增益的迭代学习控制相比较,不仅加快了收敛速度,而且还解决了指数变增益迭代学习控制要求初始状态严格重复的问题。仿真结果表明了该算法的有效性。     

一种AUKF滤波算法及其在电力频率测量中的应用

为了提高无迹卡尔曼滤波器（UKF）在非线性随机系统中的抗干扰性和状态跟踪性能,提出了一种自适应无迹卡尔曼滤波算法（AUKF）。该算法通过计算状态变量微分累积值判断状态变量是否发生突变,并在突变时刻重新设置协方差矩阵,使状态变量估计值迅速收敛;同时估计观测噪声,通过调整噪声方差以减小观测噪声变化对测量精度的影响。将AUKF算法应用于电力系统频率测量,通过数值仿真得到电力频率稳定、波动和突变时的频率测量值。仿真结果表明该算法具有较好的测量效果,在保证频率测量精度和稳定性的同时,减小了频率测量滞后时间和超调。     

目标轨线迭代可变的非线性系统自适应学习控制

针对含有混合参数的非线性不确定系统,提出了一种自适应迭代学习控制方案。该方案利用Back-stepping方法和参数重组技巧相结合,可以处理目标轨线迭代可变的跟踪问题。通过引入微分-差分自适应学习律,设计了一种自适应控制策略,使得跟踪误差在一个有限区间上的积分渐近收敛于零;通过构造Lyapunov-like函数,给出了闭环系统收敛的一个充分条件。数值仿真验证了所提方法的可行性。     

区间可调节的变增益加速迭代学习控制

为加快迭代学习控制律的收敛速度,针对线性时不变系统,以P型、D型学习律为例,提出了区间可调节的、具有指数加速、含反馈信息的迭代学习控制算法。首先,根据每次学习效果,确定下一次迭代需要修正的区间并在该区间内修正控制律增益;其次,分析了所提算法的收敛性并给出其收敛条件;最后,理论结果表明收敛速度主要取决于被控对象、控制律增益、修正指数和学习区间的大小。相同仿真条件下,与传统算法相比,所提算法具有更快的收敛速度。     

一种改进的粒子群优化算法

针对非线性优化问题讨论了一种基于迭代进程和适应值综合的自适应变异粒子群优化算法,该算法按照自适应变异方法从迭代进程上、以及从目标函数适应值上调整速度惯性因子,同时结合正态变异算子调整搜索方向。采用专用测试函数进行仿真测试分析,结果表明改进算法收敛,具有很高的搜索效率和求解精度。     

含状态时滞的非线性间歇过程迭代学习控制研究

在迭代学习控制(iterative learning control, ILC)理论的研究中,常见的初始条件是迭代初值与期望初值一致,或者迭代初值固定。研究了含状态时滞的非线性间歇过程,其系统初值在期望初值一定范围内随机变化且存在可量测重复性扰动下的迭代学习控制问题。提出了采用带变遗忘因子的开环PD型迭代学习控制算法,给出了谱半径形式的收敛条件,并应用算子理论进行收敛性证明,给出了间歇非线性控制时滞过程仿真实例。研究结果说明了该算法的有效性。     

一类非线性参数化系统的自适应学习控制

针对控制增益是未知时变的并含有混合未知参数的非线性参数化系统,利用将整个区间分段与反馈线性化相结合,提出了一种新的自适应学习控制方法。该方法可以处理参数在一个未知紧集内周期性快时变的非线性系统。通过引进新颖的微分-差分混合型参数自适应律,使广义跟踪误差在误差平方范数意义下渐近收敛于零。通过构造Lyapunov泛函,给出了广义跟踪误差收敛的充分条件。实例仿真结果说明了该方法的可行性和有效性。     

基于滑模观测器的非线性系统迭代学习控制

针对相当广泛的一类非线性系统有限时间轨迹跟踪问题,提出了一种基于滑模观测器的迭代学习控制算法。根据系统的非线性特性,利用一种滑模观测器对系统的状态进行估计,根据估计信号设计了一种类D型开环迭代学习控制律。这种控制方法不需要对系统的跟踪误差信号进行微分,从而对系统的量测噪声不敏感。给出了控制算法的收敛性证明,通过仿真实验证明了这种算法的有效性。     

一类不确定非线性系统的自适应模糊控制

对一类不确定非线性系统提出自适应模糊控制方法。此方法用模糊逻辑系统设计自适应模糊监督控制器和自适应模糊控制器,且设计补偿器对逼近误差进行补偿,以此来减少逼近误差对跟踪精度的影响,同时对自适应模糊监督控制器和自适应模糊控制器中的未知参数设计了自适应学习律。证明了该方法不但能保证闭环系统稳定,而且可使跟踪误差收敛到原点的邻域内。仿真结果验证了此方法的有效性。     

一种带角度修正的迭代学习控制算法

通过分析常规迭代学习控制算法的收敛特性,提出了一种带有角度修正的闭环迭代学习控制算法,运用可以测量的输出量空间角度效果,对原有迭代学习律的变化趋势进行“奖-惩”。即输入控制在每次修正后,当所得输出向有利于目标跟踪方向发展时,学习律得到加强,反之学习律受到消弱,从而加快迭代学习速度。数值仿真算例说明了这一修正策略的有效性和优越性。     

Adaptive adjustment of iterative learning control gain matrix in harsh noise environment

For the robustness problem of open-loop P-type iterative learning control under the influence of measurement noise which is inevitable in actual systems, an adaptive adjustment algorithm of iterative learning nonlinear gain matrix based on error amplitude is proposed and two nonlinear gain functions are given. Then with the help of Bellman-Gronwall lemma, the robustness proof is derived. At last, an example is simulated and analyzed. The results show that when there exists measurement noise, the proposed learning law adjusts the learning gain matrix on line based on error amplitude, thus can make a compromise between learning convergence rate and convergence accuracy to some extent: the fast convergence rate is achieved with high gain in initial learning stage, the strong robustness and high convergence accuracy are achieved at the same time with small gain in the end learning stage, thus better learning results are obtained.     

递阶稳态优化下非线性大工业过程的迭代学习控制

对递阶稳态优化下非线性大工业过程施行迭代学习控制 ,目的是进一步改善大工业过程的动态品质 .建立迭代学习控制的基本结构 ,提出迭代学习控制算法关于控制系统的ε-收敛性和期望目标轨线的δ -可达性的概念 ,对具有死区与滞后的饱和非线性大工业过程控制系统给出加权超前开环PD-型迭代学习算法 .利用 Bellman-Gronwall不等式和λ范数理论 ,论证了算法的收敛性 .数字仿真表明 ,迭代学习控制能有效改善递阶稳态下非线性大工业控制系统的动态品质 .     

PD-type iterative learning control for nonlinear time-delay system with external disturbance

1 .INTRODUCTIONTheiterativelearning control method was proposedby Ariomoto et al[1]for the control system, whichcan performthe same task repetitively . The basiclearning controller for generating the present con-trol input is based on the previous control historyand a learning mechanism.In the last two decadesiterative learning control has been extensivelystudied and achieved significant progress in boththeory and application,and becomes the one of themost active fields inintelligent cont…     

一类高阶非线性系统的混合自适应重复学习控制

针对含有时变和时不变未知参数的高阶非线性系统,利用分段积分机制,提出了一种新的自适应重复学习控制方法,该方法结合了反馈线性化,可以处理参数在一个未知紧集内周期性快时变的非线性系统,通过引进微分-差分参数自适应律,设计了一种自适应控制策略,使广义跟踪误差在误差平方范数意义下渐近收敛于零,通过构造Lyapunov函数,给出了闭环系统收敛的一个充分条件.实例仿真结果说明了该方法的有效性和可行性.     

一般非线性离散系统的闭环迭代学习控制研究

通过对开环迭代学习控制的不足进行分析,提出了基于当前输出误差的闭环P型迭代学习控制律,针对一般非线性离散系统,给出了学习控制的收敛条件。仿真结果表明,简单的闭环P型迭代学习控制即能使非线性系统实现对期望轨线的无差跟踪。     

一类线性时变系统组合自适应迭代学习控制

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应控制方法与迭代学习相结合,提出了组合模型参考自适应迭代学习控制算法.基于Lyapunov方法推导出迭代学习控制律以及针对时变惯性参数与时不变高频增益的组合自适应参数更新律.该算法适于控制快时变系统,并使跟踪误差、参数估计误差和控制信号有界.当迭代次数趋于无穷时,跟踪误差关于有限时间区间一致收敛到零.系统仿真验证了所提控制算法的有效性.