短时延非线性网络控制系统PD型迭代跟踪控制

研究了一类短时延非线性网络控制系统PD型迭代学习跟踪控制问题.依据泛数理论,详细推导了当不存在初始误差时该系统对期望信号的跟踪控制过程,得到其收敛的充分条件,为网络环境下的非线性系统提供了一种新的控制策略.最后,通过示例仿真分析证实了本文所提理论的有效性,以及收敛判据的可行性.     

工业过程稳态优化中的PD型迭代学习控制

论述在工业过程的稳态优化中，施行选代学习控制的思想方法．给出了一种ＰＤ型迭代学习算法，分析了算法收敛性．数字仿真结果表明这种控制方法对抑制超调，加快动态响应，减小优化过程对工业生产过程的影响是行之有效的．     

具有死区的饱和工业过程控制系统的迭代学习控制

对具有死区的非光滑饱和工业过程的稳态优化进程施加迭代学习控制,给出加权开环PD型迭代学习控制算法。算法基于前次迭代的输出动态信息和事先给定的理想轨张,修正工业过程控制系统的阶跃输入,以期改善控制系统的动态品质。给出了理想轨线的选取方法,提出了理想轨线的δ可达性和迭代学习算法的ε收敛性的概念。利用Bellman-Gronwall不等式和λ范数理论,论证了算法的ε收敛性。数字仿真表明,迭代学习控制能有效改善工业过程稳态优化进程中控制系统的动态品质,如减少超调,加快动态响应速度,缩短过渡时间等,显示了算法对工业过程控制系统的有效性。     

非线性大系统简单迭代学习控制的收敛性

证明了当被控系统的状态方程为一类非线性组合仿射大系统时,采用开环P型学习律迭代学习控制收敛的充分条件和必要条件,并给出了一个例子来说明此条件的正确性.     

工业过程稳态优化中的PID型迭代学习控制

给出一种PID型迭代学习算法．对工业过程稳态优化中的动态施行迭代学习控制，加快了动态响应，提高了控制效果．从理论上分析了算法的收敛性，并给出数字仿真结果．     

在任意初值下的受扰非线性系统PD型迭代学习控制与方法

对于一类非线性系统,在有界的初态干扰和输出干扰的情况下,提出了一种开闭环PD型迭代学习算法。系统在初值任意的情况下,进行初态学习的开闭环PD型迭代学习控制,并且推导出了关于初态学习的收敛性的充分条件。通过与开环PD型和闭环PD型迭代学习算法作对比来进行仿真验证,仿真结果验证了算法的有效性。     

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。     

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.     

非线性时滞系统开闭环PD型迭代学习控制研究

对于具有重复运动性质的对象,迭代学习控制是一种有效的控制方法.针对具有可重复输出扰动和初值偏差的一类非线性含有状态和控制时滞系统,鉴于闭环算法往往比开环算法具有更好的稳定性和更强的鲁棒性,为此闭环和开环相结合的算法研究具有更广泛的意义.提出了一种开闭环PD型迭代学习控制律,最后通过与开环PD型迭代学习律作对比来进行仿真...     

基于PD型迭代学习的液压机械手轨迹控制

液压机械手作业系统的任务规划具有重复性,为了对液压机械手作业动作进行有效控制,建立了适合机械手作业系统的迭代自学习控制规律.只要增益Kp、Kd及学习因子α满足一定的条件,则该学习控制就是稳定的.通过对系统数字仿真,结果表明带学习因子的PD型迭代学习控制,较传统的PD控制有更好的动态响应特性,稳态误差小,具有一定的自适应性和鲁棒性.采用这种PD型前向反馈学习控制规律,只要机械手各关节变量的位置锁定,就可在期望的范围内实现抓取和释放动作.因此,该控制算法适合液压机械手系统的控制要求,能对其作业进行有效控制.图6,表1,参8.     

鲁棒高阶PD型迭代学习控制器设计

针对具有不确定项或干扰项的重复非线性时变系统，提出了一种鲁棒高阶PD型迭代学习控制器，给出了该控制器的收敛性条件，证明跟踪误差界是本次迭代学习与前次迭代学习初始值之差的界和系统输出干扰项界的线性函数，仿真与实验均表明了该方法的有效性。     

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.     

迭代学习在多智能体编队中的控制研究

针对具有控制时延的非线性多智能体系统模型,设计了一种能够实现其稳定编队的迭代学习控制算法.首先,建立单个智能体的动态特性,根据多智能体的拓扑连接结构,将多智能体编队控制问题转化为跟踪问题.其次,针对每个智能体设计形式统一的迭代学习控制器,根据每个智能体不同的动态特性,选取合适的学习增益矩阵.最后,基于λ范数理论证明了算法的收敛性.由于该迭代学习控制算法放宽了对迭代初值的限定,使其达到在任意常值初态条件下的稳定控制,从而满足了各个智能体在初始位置随机分布时的编队控制要求.仿真结果证明了文中所给算法的有效性.     

一类组合大系统简单迭代学习控制的收敛性

该文提出并证明了当被控系统的状态方程为一类非线性组合大系统方程时采用简单学习律迭代学习控制的收敛的充分和必要条件。引入了一种范数,使得该系统的收敛性无需要求各个子系统的互联项之间满足一定的相关度等假定,控制采取的是分散控制,这些都有利于工程实现。     

应用迭代学习控制的减震系统主动控制

在大多数工程系统中,要求减少或者消除振动的影响。过去被动的解决方法是利用弹性体装置,这样会人为地降低机械性能。所以针对这一控制问题,提出了振动主动控制的方法,从而大大地提高了在低频时的减震效果。针对周期性震动源的问题,提出应用迭代学习控制的参数最优算法,采用主动/被动混合控制的"质量弹簧阻尼"装置,其仿真结果表明该控制方案具有良好的性能,特别在10Hz及20Hz频率下,能在较短的时间内使得系统位移为零,从而达到减震的效果。     

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.     

工业过程控制系统迭代学习算法的增益确定

应用频域和时域（非状态空间法）相结合的方法对简单工业过程控制系统迭代学习算法进行了收敛性分析,在频域得出了用系统参数显示表示的收敛性条件,避免了收敛条件的验证对系统时域模型参数的依赖性,使验证更简洁,用平方积分鉴定法确定了首次学习时误差平方积分最小意义下学习增益的最优值,明确了学习增益选取的目标,数字仿真表明：所确定的学习增益不仅是最优的,而且相应的迭代学习控制能显著改善控制系统的动态品质。