非线性系统在任意初值下的PID型迭代学习控制

针对一类在有限时间区间上重复运行的非线性系统,给出了一种可以解决迭代学习控制中任意初值问题的PID型迭代学习算法及其收敛条件。采用算子理论证明了该算法的收敛性,结果表明该算法不仅有效解决了迭代学习控制的初值问题,而且放宽了收敛条件。仿真分析及与PD型迭代学习控制算法的仿真结果的对比证明,非线性系统在任意初值条件下经过PID型迭代学习后跟踪精度显著提高,输出误差曲线更快速趋于零,表明了该算法的有效性。     

时滞非线性系统的采样迭代学习控制

针对一类输入时滞非线性系统, 提出了一种采样迭代学习控制算法, 该算法不含跟踪误差的微分信号, 给出了学习算法收敛的充分条件, 当不存在初始误差、不确定扰动时, 算法在采样点处能实现对期望输出信号的完全跟踪, 否则, 跟踪误差一致有界, 仿真结果表明了该算法的有效性.     

基于时变终端滑模的任意迭代初态抑制控制EI北大核心CSCD

为解决迭代学习过程中的任意迭代初值和迭代收敛理论证明难的问题,本文构造了一种轨迹跟踪误差初值恒位于滑模面内的时变终端滑模面,将轨迹跟踪误差初值不为零的轨迹跟踪控制问题转换为滑模面初值恒为零的滑模面跟踪控制问题,建立了任意迭代初值与相同迭代初值的迭代学习控制理论连接桥梁.本文提出一种基于时变滑模面的比例–积分–微分(PID)型闭环迭代学习控制策略,基于压缩映射原理证明了迭代学习的收敛性,给出了迭代收敛条件.时变终端滑模面经有限次迭代学习收敛到零,达到轨迹跟踪误差最终稳定在时变滑模面内的目的;Lyapunov稳定理论证明了位于滑模面内的轨迹跟踪误差在有限时间内收敛到原点,达到轨迹局部精确跟踪目的.随机初态下的工业机器人轨迹跟踪控制数值仿真验证了本文方法的有效性和系统对外部强干扰的鲁棒性.     

带有初态学习的可变增益迭代学习控制

针对一类非线性系统提出一种新的学习控制算法,该算法在可变学习增益的迭代学习控制律基础上,增加了系统初态的迭代学习律.利用算子理论证明了系统在存在初态偏移时经过迭代学习后,其输出能够完全跟踪期望轨迹,同时得到了该算法谱半径形式的收敛条件.将该算法与传统迭代学习控制相比较可以看出,前者的收敛速度得到了较大提高,而且解决了可变学习增益迭代学习控制的初态偏移问题.仿真结果验证了该算法的有效性.     

高阶PID采样迭代学习控制

针对一类非线性带扰动系统提出了高阶PID采样速代学习控制算法,讨论了高阶算法的收敛性问题以及该算法的优势与缺陷.与传统的证明方法不同,利用泰勒级数展开法证明了被控对象在输入干扰和输出测量噪声均有界的情况下,高阶PID采样速代学习控制算法的收敛性,并且得出了收敛条件.由于收敛条件中没有积分项,因此更加利于分析计算.与传统的一阶采样迭代学习控制算法相比,高阶采样迭代学习控制算法由于利用了更多先前的控制信息而能使被控对象的实际输出更加接近理想输出.给出了相应的数值仿真,证明了理论分析的有效性.与此同时,结合啤酒生产过程中糖化阶段中酒花添加等实际问题对该算法的应用前景作了一定的分析.     

采用影响函数的时滞系统迭代控制2D分析

在迭代学习控制中,算法的控制增益对跟踪效果以及收敛速度有着重要影响。在分析目前迭代学习控制算法的增益设计问题的基础上,提出了具有影响函数的迭代学习控制算法。该算法考虑了以前时刻控制信息对当前控制量的不同程度影响,构成了非线性控制律。进而针对具有时滞的线性离散时变系统,应用2D理论对其进行了收敛性分析,由于采用了以往更多的有效系统信息,使控制收敛速度更快,控制效果更佳,通过示例仿真验证了这个结论。     

基于模糊推理的均热炉温度迭代学习控制研究

根据均热炉装钢的初值条件，基于模糊推理基本理论，获得温度控制的前馈量，构成知识库，利用迭代学习算法，修正前次迭代输入的前馈量。在烧钢加热过程中，采用前馈、反馈与迭代学习算法相结合的控制方案。     

迭代学习控制在氯乙烯聚合反应中的应用

由于氯乙烯聚合反应釜是一个具有纯滞后时间长、时间常数大的,且很难建立精确数学模型的被控对象,因此本文提出一种新的控制方案,即采用控制输入和系统初态同时进行学习的闭环PD型迭代学习控制,给出了该算法谱半径形式的收敛条件,并利用算子理论证明了系统在任意初态条件下经过逐次迭代后,其输出能够完全跟踪期望轨迹。仿真结果表明了该算法的有效性。     

非线性迭代学习控制问题的延拓修正牛顿法

对于非线性迭代学习控制问题,提出基于延拓法和修正Newton法的具有全局收敛性的迭代学习控制新方法.由于一般的Newton型迭代学习控制律都是局部收敛的,在实际应用中有很大局限性.为拓宽收敛范围,该方法将延拓法引入迭代学习控制问题,提出基于同伦延拓的新的Newton型迭代学习控制律,使得初始控制可以较为任意的选择.新的迭代学习控制算法将求解过程分成N个子问题,每个子问题由换列修正Newton法利用简单的递推公式解出.本文给出算法收敛的充分条件,证明了算法的全局收敛性.该算法对于非线性系统迭代学习控制具有全局收敛和计算简单的优点.     

抑制初态误差影响的自适应迭代学习控制

针对一类参数化高阶不确定非线性连续系统, 设计迭代学习控制算法, 以解决随机初态对系统跟踪性能产生负面影响的问题. 结合滑模控制思想以及部分限幅参数学习律, 控制算法在预设时间段内抑制随机初态偏差对系统跟踪性能的影响. 经过预设时间后, 随着迭代次数的增加, 系统的跟踪误差及其各阶导数一致收敛到零. 且在整个运行时间段内, 系统各个变量一致有界. 此外, 本文回避了非参数化不确定非线性系统在放宽迭代初值假设时常使用的Lipschitz假设条件, 而采用类Lyapunov函数分析法设计迭代学习控制器. 理论证明和仿真结果都说明了该算法的有效性.     

基于ANFIS的迭代学习控制初始控制研究

将自适应神经模糊推理算法用于迭代学习控制初始控制输入量的求取问题,提出一种基于自适应神经模糊推理系统的迭代学习初始控制算法。针对传统迭代学习控制中对于经验数据运用不足或是没有运用的问题,利用迭代学习控制对于以往控制任务的学习建立经验数据库,通过自适应神经模糊推理系统对于经验数据库中的数据进行拟和以得到新的控制输入量。通过仿真分析验证了算法的可行性和有效性。     

基于CMAC网络的迭代学习初始控制策略

针对传统迭代学习控制在面临新的环境或控制任务时学习时间长、收敛速度慢的问题,首先引入迭代学习初始控制算法,并给出了算法收敛的充分必要条件;然后,利用小脑模型连接控制网络(CMAC)与反馈PID网络进行综合,在系统的历史控制经验基础上,估计系统的期望控制输入,作为迭代学习控制器的初始控制输入,再由开闭环P型迭代学习律逐步改善控制效果,从而避免了对初始控制输入量的盲目选择,使得系统的实际输出只需较少的迭代次数就能达到跟踪的精度要求。机器人系统的仿真结果表明了该算法的可行性与有效性。     

Iterative Learning Control Using Information Database (ILCID)

This paper presents an iterative learning control using an information database (ILCID) for linear as well as nonlinear continuous time systems. It is proposed that a proper and efficient selection of the initial control input using the experience of previously tracked trajectories can improve the convergence rate of an iterative learning controller without modifying its control structure. The information database consists of previously tracked trajectories and their corresponding control inputs. For a new trajectory, the database can be searched for a trajectory similar to the new one by using a similarity index defined in this paper. Initial control input for the new trajectory then can be set by using the control input of the similar trajectory found from the database. It is shown by the simulations that the convergence rate of the iterative learning controller can be improved by using this technique.     

基于BP神经网络的迭代学习初始控制策略研究

针对传统迭代学习控制(ILC)在面临新的环境或控制任务时学习时间长、收敛速度慢的问题,提出基于BP神经网络的迭代学习初始控制策略。通过BP神经网络拟和经验数据,对以往控制经验加以充分利用,避免了对初始控制输入量的盲目选择。仿真验证了方法的可行性和有效性。     

多步k最近邻初值寻优的气压模拟系统遗忘迭代学习控制

高速列车车内压力波动过大会对乘客舒适性造成影响,而气压模拟系统是一套通过对车内模拟气压跟踪控制,实现对乘客舒适性进行研究的装置.为解决系统历史运行数据利用率低以及存在迭代初始误差导致系统收敛速度慢的问题,采用k最近邻(kNN)算法,建立一种基于历史控制信息的最优初次控制信号提取方法,并根据迭代学习控制的基本原理,将最优控制初值输入到带遗忘因子的迭代学习控制器中,通过不断迭代来实现车内期望气压轨迹的跟踪控制,并和基于大数据的迭代学习控制以及传统PID迭代学习控制进行对比分析.仿真结果表明:基于多步kNN的遗忘迭代学习控制收敛速度更快、系统抖动程度更小、控制精度更高以及算法鲁棒性更好.     

基于经验数据的学习控制在负载模拟器中的应用

本文针对以往单纯采用迭代学习控制引起的系统初始转矩冲击和收敛时间过长的问题,提出了一种新的基于经验数据的学习控制算法。指出影响系统输出的关键因素是舵机的转速。然后根据这个特点,应用迭代学习控制的经验,设计了一种简单的算法来确定迭代学习控制的初始输入量,再利用神经网络学习算法修正偏差。仿真结果表明基于经验数据的学习控制很好的解决了单纯采用迭代学习控制而引起的初始转矩冲击和收敛时间过长的问题。     

高频角振动测试转台的迭代学习控制

为了提高角振动转台在陀螺高频特性测试时对周期性期望轨迹的跟踪精度,该文在PID型迭代学习控制的基础上,针对转台控制系统的稳定性和迭代学习的收敛性进行解耦设计,得到一种复合迭代学习控制器,并从频域角度给出了其收敛性条件,最后用MatlabSimulink工具箱对该设计进行了仿真研究.仿真结果表明,与常规比例-积分-微分控制相比较,这种设计改善了系统输出跟踪周期性正弦信号输入的精度,提高了系统带宽,并对系统消除周期性干扰有所裨益.结论表明这种复合迭代控制器可以应用于高频角振动转台的控制.     

A Combined Adaptive Law for Fuzzy Iterative Learning Control of Nonlinear Systems With Varying Control Tasks

To deal with the iterative control of uncertain nonlinear systems with varying control tasks, nonzero initial resetting state errors, and nonrepeatable mismatched input disturbance, a new adaptive fuzzy iterative learning controller is proposed in this paper. The main structure of this learning controller is constructed by a fuzzy learning component and a robust learning component. For the fuzzy learning component, a fuzzy system used as an approximator is designed to compensate for the plant nonlinearity. For the robust learning component, a sliding-mode-like strategy is applied to overcome the nonlinear input gain, input disturbance, and fuzzy approximation error. Both designs are based on a time-varying boundary layer which is introduced not only to solve the problem of initial state errors but also to eliminate the possible undesirable chattering behavior. A new adaptive law combining time- and iteration-domain adaptation is derived to search for suitable values of control parameters and then guarantee the closed-loop stability and error convergence. This adaptive algorithm is designed without using projection or deadzone mechanism. With a suitable choice of the weighting gain, the memory size for the storage of parameter profiles can be greatly reduced. It is shown that all the adjustable parameters as well as internal signals remain bounded for all iterations. Moreover, the norm of tracking state error vector will asymptotically converge to a tunable residual set even when the desired tracking trajectory is varying between successive iterations.