基于一种加速PD型迭代学习控制算法的机械臂轨迹跟踪

针对二自由度机械臂非线性系统,迭代学习控制(iterative learning control,ILC)对于具有重复运动特性的机械臂有较好的控制效果。在扰动的情况下,设计了一种PD型迭代学习控制律,随着系统迭代次数的不断增加,通过在区间内对增益矩阵进行实时修改来缩短所需的修正区间,进而达到加快收敛速度的目的。首先,结合λ范数分析ILC的收敛性。其次,通过仿真验证所提出控制策略的可行性和有效性。最后,在相同条件下,仿真结果表明,PD型ILC收敛速度比P型ILC更快;带有扰动的PD型ILC比传统扰动型PD控制收敛效果更好。     

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.     

一类时变系统模型参考自适应迭代学习控制

针对一类有限时间区间上可重复运行的有界输入有界输出稳定的一阶线性时变系统,其高频增益和惯性参数均时变,为使之能够跟踪不同的参考轨迹,将模型参考自适应控制方法与迭代学习方法相结合,提出了模型参考自适应迭代学习控制算法.基于类李雅普诺夫(Lyapunov-like)函数证明了当迭代次数趋于无穷时,跟踪误差在有限时间区间上一致收敛到零,并证明了闭环系统中参数估计和控制信号有界.系统仿真验证了所提控制算法的有效性.     

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.     

不确定机械臂的组合自适应迭代学习轨迹跟踪

针对一类同时含未知时变和未知定常参数、并带有可重复时变干扰的不确定机械臂系统,为精确跟踪期望轨迹并加快跟踪误差的收敛速度,提出了一种具有抗扰能力的机械臂组合自适应迭代学习控制算法.对未知定常参数和未知时变参数,分别采用时域和迭代域的参数自适应迭代学习律,并基于估计参数设计了机械臂的自适应迭代学习轨迹跟踪控制律.利用相似李亚普诺夫函数证明了轨迹跟踪误差的收敛性.针对二自由度关节式机械臂的仿真结果表明,应用所提算法可实现精确的轨迹跟踪,并加快迭代学习的收敛速度.     

线性多时滞系统的开闭环PID型迭代学习控制

针对线性多时滞系统讨论了开闭环PID型迭代学习控制算法的收敛性和鲁棒性0利用λ范数和Bellman-Gronwall定理,获得了算法收敛的判定条件．仿真结果表明,这种算法是有效的．同时,从仿真实例也可看出,在收敛速度方面,开闭环算法优于开环算法．     

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.     

迭代学习控制的收敛速度分析

针对线性时不变控制系统,讨论了D型和P型学习律收敛速度问题.利用时间加权范数和Frobenius范数给出了迭代学习控制系统在D型和P型学习律作用下收敛的充分性条件,进而给出系统迭代次数与约束条件之间的定量关系以及收敛速度与约束条件之间的关系,同时利用Frobenius范数性质,并通过梯度法给出如何求解D型和P型学习律使得系统收敛速度最快的增益矩阵的方法.最后,仿真实例说明了该方法的有效性.     

一种学习控制器及其在液压同步控制中的应用

文中将模糊推理与决策技术引入学习控制，形成了一类新的学习控制系统。分析模糊学习系统的收敛性，给出了收敛性定理，并将模糊学习系统应用于液压同步控制系统。实验表明，这种学习控制方法是有效的。     

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.     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

基于影响函数的迭代学习算法设计及应用

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.     

模糊迭代学习在单关节机器人运动控制中的应用

提出一种迭代学习控制和模糊控制相结合的策略.利用模糊补偿来增加迭代学习控制的收敛速度和保证系统的稳定性,并对单关节机器人模型进行仿真.仿真结果表明,该模糊迭代学习控制系统在第一个学习周期内的误差值明显减小,输出误差也逐渐减小,跟踪性能总体上有了很大的改善,跟踪精度显著提高.     

线性连续重复过程的区域极点约束迭代学习控制

现有的迭代学习控制研究关注于迭代学习控制系统在迭代批次方向的鲁棒收敛性,对控制系统在时间方向上的性能关注较少,没有展现出控制系统的动态特征。文中研究了有限频域范围线性连续重复过程在区域极点约束下的迭代学习控制问题。首先,结合二维系统理论,在时域中建立迭代学习控制系统的二维连续Roesser模型;然后基于Kalman-Yakubovich-Popov(KYP)引理,分析迭代学习控制系统的跟踪性能和区域极点约束问题;进而以线性矩阵不等式的形式给出控制器存在的充分条件,保证系统在批次方向和时间方向的性能,并将结果扩展到结构不确定性模型中;最后,通过典型的跟踪伺服系统执行机构的控制仿真验证了设计方案的有效性和可行性。     

网络控制系统中迭代学习控制算法的鲁棒收敛性分析

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。     

一种改进的非线性离散系统迭代学习控制算法

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。     

传感器故障非线性系统的快速抑制初态误差迭代学习控制

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。     

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.     

预条件(I+Sα)的AOR和2PPJ迭代收敛性定理

考虑将预条件(I+Sα)应用于AOR迭代法和2PPJ迭代法,得到这两种预条件迭代法的收敛性定理,并从理论上证明了它们较原方法提高了迭代的收敛速度.     

Sylvester矩阵方程的改进IO迭代算法

通过对Sylvester矩阵方程的理论分析,可知IO迭代算法中迭代矩阵的谱半径随内迭代次数的增大而减小,更新了IO迭代算法中内迭代次数的选择方法,并证明了该算法收敛性与初始矩阵无关。Sylvester矩阵在满足一些特定条件下,为了进一步提高收敛速度,可通过选择适当的相关参数,使得IO迭代算法有较好的收敛速度且比Smith算法的迭代次数明显减少。