一种基于高阶内模的新型自适应迭代学习算法

本文针对一类含多个时间迭代变化参数控制方向未知的非线性离散时间系统的输出跟踪问题,提出了一种基于高阶内模的新型自适应迭代学习算法.假设多个时间迭代变化参数由不同的高阶内模所生成,本文所提出的算法借鉴了模型预测控制的思想,通过构建预测输入,将获得的当次迭代预测跟踪误差作为先验知识,应用到系统输入的控制律的设计中,从而在预...     

一类时滞系统内模控制器设计

针对时滞不确定性被控对象,引入灵敏度函数和滤波器设计内模控制器。利用控制理论中频域分析的方法对控制系统的鲁棒性能和品质性能进行分析,得出频域约束条件,整定内模控制器参数,使控制系统在满足闭环稳定的前提下,同时还满足性能指标的要求。仿真研究表明:该控制器与传统的Cohen-Coon和CHR控制方法相比具有较好的控制性能和鲁棒性,且调整参数少,适合于工程实际应用。     

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.     

基于神经网络内模的逆变系统控制器设计

针对逆变系统负载适应性能不强、动静态性能不佳的特点,设计出一种基于神经网络内模原理的逆变系统控制方法。通过对该方案的理论分析,得出了控制系统的实现方法。通过相应的仿真研究对其策略特性进行分析和比较。与传统控制方式相比较,这种智能控制不依赖于被控对象。由神经网络实现对系统的智能控制,提高了系统的逆变波形质量和负载适应性,使系统获得了较好的动态和稳态性能。     

基于内模设计法的非最小相位系统控制

针对非最小相位系统的结构特点,提出内模控制器参数的合理算法.仿真结果表明,根据该方法设计的控制器具有较理想的控制效果,且控制器结构简单.     

一类非自衡对象的两自由度内模控制

针对常规一自由度内模控制在非自衡对象中应用的不足,提出了一种基于互质分解的两自由度内模控制器设计方法,并采用H2优化改善了系统的动态性能.一类非自衡二阶非最小相位过程的仿真结果表明,这种方法可使系统同时具备良好的鲁棒特性和干扰抑制特性.     

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·     

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。     

严格型非扩张映射的Halpern迭代算法

1 预备知识 设K是Banach空间的非空闭凸子集, 称T:K→K为非扩张映射,若x,y∈K有‖Tx-Ty‖‖x-y‖称T:K→Y为严格型非扩张映射,若x,y∈K, 存在一个正数k使得‖Tx-Ty‖2‖x-y‖2-k‖x-Tx-(y-Ty)‖2.     

一种新的内模控制器——VIMC设计

本文提出了一般内模控制结构实现的一种新方法——V规范内模控制结构,简称VIMC。与内模控制的模型予估控制实现相比,特别是应用于含时滞的耦合多变量系统时,设计简单,整定参数少,避免了复杂矩阵的求逆运算。计算量大为减少,为内模控制的工程化找到了一条新的途径。     

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.     

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.     

基于变增益迭代学习算法的多元间歇精馏控制

面对多元间歇精馏过程的多阶段操作和非稳态运行特点以及高稳定性和高精度的控制需求,传统的反馈控制一般难以确定最优的回流比操作方案.针对该问题,在传统P(比例)型迭代学习控制(itecative learning control,ILC)算法的基础上,提出了一种学习增益沿批次指标自适应调整的变增益P型ILC算法.该算法能够保证间歇精馏过程在不同的操作时刻沿批次指标具有平衡的学习效率,从而提高过程控制性能沿批次指标的收敛速度.以Aspen Batch Distillation(ABD)软件系统中的一个三元间歇精馏模型为实际控制对象,对所提出的变增益P型ILC和传统PID控制以及P型ILC 3种控制方案进行了控制性能的仿真和比较,仿真结果证明了该控制算法不仅计算简单,同时比传统P型ILC算法具有更快的收敛速度.     

并联有源滤波器的迭代学习控制方法及其设计

在系统存在非线性负载下,谐波电流呈现激烈波动并存在许多不连续点,对有源滤波器设计高性能的电流跟踪控制器是非常重要的。基于传统设计的控制器,在不连续点处性能有限,同时要求控制器增益高,但高增益控制器易引起系统的高频振荡甚至不稳定。由于在非线性负载下所需补偿的谐波电流为周期性,利用迭代学习控制的学习特性,设计三相并联有源滤波器,可以有效的避免控制器的高增益现象,同时提高电流追踪性能,大大减小了谐波总畸变率,功率因素也得以提高。实验制作的以DSP为控制CPU实现迭代学习控制器的系统中,运行结果表明本文方法效果良好。     

基于新型滤波器的内模控制器设计

针对工业中普遍存在的高阶系统,提出一种基于Butterworth滤波器的内模控制方法.采用低阶系统来近似高阶系统会造成模型误差,同时,传统的PID控制方法及内模控制方法对高阶系统控制均不理想.利用Butter-worth滤波器的理想低通特性,通过将优化改进后的Butterworth滤波器代替传统的内模控制器中的低通滤波器,使得控制系统具有较好的动态特性和稳态特性.仿真研究表明,该方法对高阶系统具有良好的控制性能,当模型失配时具有较强的鲁棒性,适合于高阶系统的控制.     

基于边界层的一类不确定系统的迭代学习控制

针对一类具有任意初态和非周期有界扰动的不确定非线性时变系统,提出一种基于边界层的迭代学习控制方法,将边界层设计成一个具有剩余宽度的指数衰减函数,通过边界层把任意初态问题转换为零初值迭代学习问题.针对周期和非周期不确定性扰动,分别设计周期项的学习律和非周期项的边界学习律,然后在此基础上给出了迭代学习控制算法.文中给出了相关定理,并应用类Lyapunov方法给出了定理的详细证明.仿真结果表明,所提出的算法是有效的,轨迹跟踪误差能收敛到边界层.     

不确定时滞系统鲁棒迭代学习控制器设计

针对一类具有时变的不确定性时滞系统提出鲁棒迭代学习控制器设计方法,通过求解Riccati方程方法设计鲁棒迭代学习控制器,并基于Lyapunov理论推导出不确定时滞系统收敛充要条件。该控制器具有阶次低,易于实现等特点,所提出的控制方案保证系统跟踪在有限的迭代步骤内达到较好的控制效果。以机器人为仿真对象的仿真结果表明了该设计方法的有效性和可行性。     

基于RBF网络的机械手迭代学习控制器

针对迭代学习控制用于机械手轨迹跟踪时存在的收敛速度慢的问题,提出了一种基于RBF网络的迭代学习控制器,利用先前跟踪不同期望轨迹所得的经验构造新的初始控制量以加快收敛速度.将给定的期望跟踪轨迹分解成多个查询点,然后用RBF网络对每个查询点周围最邻近的k个数据点进行拟合以建立系统的逆动力学特性估计,进而预测相应于查询点的初始控制输入.为验证所提方法的有效性,对一平面双连杆机械手进行了仿真研究.