基于高阶内模的非线性离散系统迭代学习控制

针对一类工作于重复条件下的一阶非正则离散时间非线性系统追踪迭代域非严格重复的参考轨迹问题,提出基于高阶内模(HOIM)的迭代学习控制方法.利用高阶内模,描述系统输出追踪参考轨迹的迭代域变化规律问题.在针对非线性系统的迭代学习控制律设计过程中,根据内模原理,将高阶内模与D型迭代学习控制律相结合,设计合适的学习增益.从理论上严格证明,在所提出的基于高阶内模的迭代学习控制律的作用下,系统跟踪误差的迭代域收敛性.对机械手离散时间模型的仿真结果表明了该迭代学习控制方法的有效性.     

初值大偏差分布参数系统迭代学习跟踪控制

利用迭代学习控制算法,研究了一类不确定抛物型线性分布参数系统轨迹跟踪问题.针对学习过程中状态初始值存在大偏差,提出了变增益系数闭环P型迭代学习控制算法,给出了在该迭代学习律作用下对期望轨迹跟踪的充分条件.基于Bellman-Gronwall不等式和算子理论,对迭代误差在L2范数意义下的收敛性进行了完整证明.数值例子说明了算法的可适用性.     

一类分布参数系统的解耦控制算法

主要研究抛物线型分布参数系统的解耦控制问题.大型强制循环多区段立式淬火炉为抛物线型分布参数系统.本文根据淬火炉多个区段之间具有强耦合的特性,采用有限差分法离散化抛物线型偏微分方程,然后通过状态反馈解耦方法对系统进行解耦控制,提出了自学习解耦控制算法,通过分布参数系统状态空间反馈解耦方法将系统转化为多个子系统,以实现锻件温度轴向分布的均匀性.实际运行结果表明,分布参数系统自学习解耦控制算法的效果很好.     

一种基于输出误差的有模型离散时间动态系统迭代学习控制算法

本文对D.-H.HHwang等人提出的一种离散时间动态系统选代学习控制算法进行了改进,使其可用到仅知输出误差的系统,同时,给出了迭代学习算法渐近收敛的充分条件.这种算法可用于参数未知,但呈周期性变化的线性或非线性离散时间动态系统.     

动态系统学习控制的两层迭代算法

对于具有重复运动性质的动态系统的学习控制问题,本文提出了一类两层迭代算法．文中针对线性系统和一类非线性系统分别给出了算法收敛性证明．仿真结果表明,适当选取学习参数可加速收敛过程．     

非线性系统的梯度变分迭代自学习控制

研究了一类非线性系统的梯度变分迭代自学习算法,以提高此类非线性系统的控制品质.梯度变分迭代自学习算法是针对符合某一类范式的周期性或重复性输出控制的非线性系统而设计的一种自寻优自学习算法.该算法针对一类非线性系统的数学描述模型,给出了性能指标函数,通过梯度变分的方法寻找性能指标函数梯度的负方向,并利用迭代自学习得到性能指标函数的最小值,使系统收敛于目标输出.将该算法应用于极端环境模拟装置的压力控制系统,取得了比传统控制算法更高的效率与更快的收敛速度.梯度变分迭代自学习算法是符合一类数学模型的非线性系统的一种高效控制算法.     

离散时滞区间广义线性系统的输出反馈H_∞控制器设计

在确定系统中某些系数矩阵均存在不确定性情况下,利用区间矩阵研究了一类离散时滞广义不确定线性系统的输出反馈鲁棒H∞控制器设计问题。通过运用系统参数不等式方法给出离散时滞区间广义系统的等价描述,利用等价描述系统得到了该系统的输出反馈控制器。所设计的控制器不仅使得闭环系统是正则的、稳定的,而且使得传递函数的范数界在给定的范围内。算例验证了该设计方法的有效性。     

非正则线性系统闭环P型迭代学习控制算法

在文献[1]的基础上,用另一种方法推导出一个非正则线性系统的闭环P型迭代学习控制律收敛性条件,该条件使得非正则系统中闭环P型迭代学习算法收敛性条件更加完全,应用的范围更加广泛.开环与闭环两种方式的仿真结果验证了在该条件下算法的收敛性和正确性,以及闭环控制的有效性.     

离散广义分段仿射系统的静态输出反馈控制

为了消除离散广义分段仿射系统的非正则性和非因果性对控制系统性能的不利影响,研究了一类具有参数不确定离散广义分段仿射系统的鲁棒静态输出反馈控制问题．基于分段Lyapunov函数、投影定理和几个基本引理,提出了两种方法来设计使具有参数不确定广义分段仿射系统鲁棒容许的静态输出反馈控制器．利用这两种方法得到的控制器不仅可以保证系统的稳定性,而且可以保证系统的正则性和因果性．通过求解一组包含参变量的LMIs,可以得到保证广义分段放射系统容许的反馈控制器增益．仿真结果证明了所提设计方法的有效性．     

广义离散不确定线性系统的鲁棒H∞控制分析

研究了一类具有范数有界参数不确定性广义离散线性系统的鲁棒H∞控制问题。基于离散代数Riccati不等式,得到了广义离散不确定线性系统正则、具有因果关系且渐近稳定,同时传递函数满足给定的H∞范数界的一个充分条件。     

期望轨迹可变的非线性时变系统迭代学习控制

针对一类存在扰动的未知非线性时变系统,提出了一种在不同次迭代运行过程中期望轨迹可变的迭代学习控制算法.该算法首先构造含未知参数项的系统逆控制,然后利用小波级数逼近逆系统的未知非线性参数,其最佳逼近系数与系统的期望轨迹无关,最后在迭代过程中通过学习的方法修正小波逼近系数,并采用变结构技术抑制系统干扰的影响,设计了在期望轨迹变化情况下的鲁棒迭代学习控制律.算法的收敛性分析表明,随着迭代次数的增加,逼近系数与最佳系数的差异减小.针对机械臂系统的仿真表明轨迹跟踪误差逐次减小并收敛,说明了算法的有效性.     

离散时间系统自适应迭代学习控制的研究进展

离散自适应迭代学习控制是针对在有限时间区间上运行的不确定非线性离散时间系统提出的一类方法,可有效抵抗系统的不确定性,并放宽了传统迭代学习控制中要求相同初始条件和参考轨迹这两个关键假设。即可在随机初始条件下实现对迭代变化参考轨迹的几乎完全跟踪性能。本研究给出了迭代学习控制方法的分类,对其中的自适应迭代学习控制方法的设计思路和适用背景进行了阐述。重点综述了离散时间系统自适应迭代学习控制方法的发展过程,讨论了所提出离散时间自适应控制方法的特点和适用范围,提出了基于数据驱动的自适应迭代学习控制发展的必然趋势和有待于进一步研究的问题。     

一种使用输出误差的离散迭代学习控制算法的渐近收敛性分析

本文对M.Togai等人提出的一种离散迭代学习控制算法进行了改进,使其可以使用系统的输出误差.同时,通过引入适当的范数,简化了系统输出误差渐近收敛的充分条件.     

基于遗忘因子的数据驱动最优迭代学习控制算法研究

针对一类有限时间内重复运行的非线性非仿射离散时间系统,本文提出了一种基于遗忘因子的数据驱动最优迭代学习控制方法.首先,引入一种迭代动态线性化方法,将被控非线性系统等效化为线性输入输出增量形式;其次,分析了最优迭代学习控制方法中存在的问题,并针对由历史信息的累积效应所导致的控制输入不能及时响应的问题,设计自适应遗忘因子使算法具有更好的可控性和灵活性.所提出的控制方法是数据驱动的控制方法,设计和分析过程仅依赖于系统的输入输出数据,不包含任何显式模型信息.最后,通过仿真验证了该方法的有效性.     

离散不确定广义系统的H∞保成本控制

研究了一类不确定性的离散广义系统的H∞保成本控制问题,基于系统参数矩阵不等式得到了问题可解的充分条件,并给出了H∞保成本控制器的设计方法.所得到的控制器保证了闭环系统正则、因果、稳定并且满足给定的H∞性能指标,对所有容许的不确定性,保成本性能指标不超过某个确定的上界.用数值示例说明了所给方法的有效性.     

离散不确定广义系统的H∞保成本控制

研究了一类不确定性的离散广义系统的H∞保成本控制问题,基于系统参数矩阵不等式得到了问题可解的充分条件,并给出了H∞保成本控制器的设计方法.所得到的控制器保证了闭环系统正则、因果、稳定并且满足给定的H∞性能指标,对所有容许的不确定性,保成本性能指标不超过某个确定的上界.用数值示例说明了所给方法的有效性.     

不确定离散时滞系统的保性能控制器设计

针对一类具有范数有界不确定性和状态滞后的离散时间线性系统,研究了该系统的保成本控制问题.利用线性矩阵不等式,给出了有记忆状态反馈保性能控制器的设计方法,所设计的控制器中含有状态时滞.最后,给出数值例子,验证了所给方法的有效性.     

带有离散和分布时滞的不确定广义系统的保性能控制

研究了一类带有离散和分布时滞的不确定广叉系统的保性能控制问题.基于Lyapunov稳定性理论,应用线性矩阵不等式处理方法,给出了系统鲁棒保性能状态反馈控制器存在的充分条件和设计方法.所设计的保性能控制器保证了对所有允许的不确定性,闭环系统正则、无脉冲、渐近稳定,且闭环性能指标函数具有上界.数值算例说明了所给方法的有效性.     

非正则线性系统闭环P型迭代学习控制算法

在文献[1]的基础上，用另一种方法推导出一个非正则线性系统的闭环P型迭代学习控制律收敛性条件，该条件使得非正则系统中闭环P型迭代学习算法收敛性条件更加完全，应用的范围更加广泛。开环与闭环两种方式的仿真结果验证了在该条件下算法的收敛性和正确性，以及闭环控制的有效性。     

基于数据驱动高阶学习律的轮式移动机器人轨迹跟踪控制

轮式机器人执行巡逻、播种和工业生产等任务是一个强非线性的间歇过程.针对重复运行的轮式机器人轨迹跟踪问题,本文提出了一种基于数据驱动的高阶迭代学习控制算法.首先,对轮式移动机器人的模型进行推导设计,并对推导得到的状态空间形式的离散时间模型利用基于状态转移的迭代动态线性化方法,将轮式机器人系统转化为线性输入输出数据模型;其次,设计高阶迭代优化目标函数得到控制律,并利用参数更新律估计线性输入输出数据模型中的未知参数.控制器的设计和分析只使用系统的输入输出数据,不包含任何显式的模型信息.通过采用高阶学习控制方法,在控制律中利用更多之前迭代的控制输入信息,提高了控制性能.最后,仿真结果验证了该方法在轮式机器人轨迹跟踪控制中的有效性.