离散非线性系统开闭环P型迭代学习控制律及其收敛性

本文在讨论了一般开环与闭环迭代学习控制的不足后，针对一类离散非线性系统，提出了新的开闭环ＰＧ型迭代学习控制律，给出了它的收敛性证明，仿真结果表明：开闭环Ｐ型迭代律优于单纯的开环或产才环Ｐ型迭代 律。     

离散非线性时变系统开闭环PI型迭代学习控制律及其收敛性

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.针对一类 离散非线性时变系统在有限时域上的精确轨迹跟踪问题,提出了一种开闭环PI型迭代学习 控制律.这种迭代律同时利用系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作 用.给出了所提出的学习控制律收敛的充分必要条件,并采用归纳法进行了证明.最后用仿真 结果对收敛条件进行了验证.     

非线性时变参数不确定系统的自适应迭代学习控制

利用离散时间轴与迭代轴之间的相似性, 提出了一种新的离散时间自适应迭代学习控制 (AILC) 方法来处理带有时变参数不确定性的非线性系统. 与自适应控制相类似, 所提出的 AILC 是基于投影算法的, 因此学习增益可以沿学习轴迭代地调节. 在随机初始状态和参考轨迹迭代变化的条件下, 所提出的 AILC 仍可沿迭代学习轴渐近地实现有限时间区间上的逐点收敛性.     

非线性离散时间系统迭代学习控制的稳定性分析

讨论了初始偏移对于非线性离散时间系统迭代学习控制性能的影响.提出描述选择 学习控制算法的学习律,并给出保证系统稳定性的充分条件.     

基于BP算法的无模型自适应迭代学习控制

为了改善针对一般非线性离散时间系统的控制性能,引入"拟伪偏导数"概念,给出了般非线性离散时间系统沿迭代轴的非参数动态线性化形式,并综合BP神经网络以及模糊控制各自的优点,提出了基于BP算法无模型自适应迭代学习控制方案.仿真结果表明,该控制器对模型有较强的鲁棒性和跟踪性.     

非线性工业过程控制系统的迭代学习控制与收敛性分析

基于工业过程稳态优化中递阶控制结构和线性工业过程控制系统中的迭代学习控制规律, 本文对饱和非线性工业过程控制系统和变增益非线性工业过程控制系统施行迭代学习控制, 分别给出加权PD 型闭环迭代学习控制算法和加权幂型开闭环迭代学习控制算法, 提出了期望目标轨线的 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, 论证了算法的收敛性. 数字仿真表明, 迭代学习控制能有效改善非线性工业控制系统在稳态优化时的动态品质.     

离散时间非线性系统的数据驱动无模型自适应迭代学习控制

本文基于迭代域的动态线性化方法,提出了一类单入单出离散时间非线性系统的数据驱动无模型自适应迭代学习控制方案.无模型自适应迭代学习控制本质上属于一种数据驱动控制方法,仅利用被控对象的输入输出数据即可实现控制方案的设计.理论分析表明无模型自适应迭代学习控制方案可以保证最大学习误差的单调收敛性.数值仿真和快速路交通控制应用验证了无模型自适应迭代学习控制方案的有效性.     

宏观交通流模型参数的迭代学习辨识方法

利用宏观交通流行为的重复性特性, 将快速路宏观交通流模型转换为包含此模型的一般离散时间非线性系统模型, 然后针对此一般离散时间非线性系统模型设计了基于迭代学习的宏观交通流模型参数辨识算法. 严格的理论推导证明了这种参数辨识方案的收敛性和鲁棒性. 仿真结果验证了该算法的有效性.     

迭代学习控制研究现状与趋势

系统论述了迭代学习控制的发展历史、研究进展.指出了基于可重复性的经典迭代学习控制特点与不足,阐述了迭代学习控制理论的现状:线性与非线性迭代学习、因果与非因果型迭代学习、滤波器型与鲁棒H∞迭代学习、高阶与最优迭代学习、2D复合迭代学习、迭代域超级矢量w变换学习系统分析理论等.简要介绍了与Lyapunov方法结合的新迭代学习控制,最后讨论了迭代学习控制存在问题和发展趋势.同时给出了几个迭代学习控制在工程应用中的成功范例.     

线性广义系统P型迭代学习控制离散频域收敛性

针对一类线性广义系统,研究其P型迭代学习控制在离散频域中的收敛性态。在离散频域中,对广义系统进行奇异值分解后,利用傅里叶级数系数的性质和离散的Parseval能量等式,推演了一阶P型迭代学习控制律跟踪误差的离散能量频谱的递归关系和特性,获得了学习控制律收敛的充分条件;讨论了二阶P型迭代学习控制律的收敛条件。仿真实验验证了理论的正确性和学习律的有效性。     

New quasi-Newton iterative learning control scheme based on rank-one update for nonlinear systems

This paper develops an algorithm for iterative learning control on the basis of the quasi-Newton method for nonlinear systems. The new quasi-Newton iterative learning control scheme using the rank-one update to derive the recurrent formula has numerous benefits, which include the approximate treatment for the inverse of the system’s Jacobian matrix. The rank-one update-based ILC also has the advantage of extension for convergence domain and hence guaranteeing the choice of initial value. The algorithm is expressed as a very general norm optimization problem in a Banach space and, in principle, can be used for both continuous and discrete time systems. Furthermore, a detailed convergence analysis is given, and it guarantees theoretically that the proposed algorithm converges at a superlinear rate. Initial conditions which the algorithm requires are also established. The simulations illustrate the theoretical results.     

Discrete-time adaptive iterative learning control with unknown control directions

An adaptive iterative learning control scheme is proposed for a class of discrete-time nonlinear systems with random initial conditions and iteration-varying desired trajectories. The discrete Nussbaum gain method is incorporated into the control design to tackle the problem associated with the lack of a priori knowledge of the control directions. The proposed control algorithm guarantees the boundedness of all the signals in the controlled system. The tracking error converges to zero asymptotically along the iterative learning axis. The effectiveness of the proposed control law is verified through numerical simulation.     

具有迭代初始误差的高相对度线性离散系统的迭代学习控制

本文针对具有迭代初始误差的高相对度线性多变量离散系统,提出了一种P型的迭代学习控制算法.通过将迭代学习控制系统的二维运动过程描述为一维的线性离散系统,证明了该迭代学习控制算法的收敛性及其收敛的充要条件.该迭代学习控制算法通过对系统前次重复运动过程中的输入和跟踪误差信号进行学习,来不断地调整输入量,使得系统在经过一定次数的学习以后,在初始时间点以外的实际输出趋于期望输出.数值仿真结果表明了所提出算法的有效性.     

非线性系统高阶迭代学习算法

结合迭代学习控制算法中的开环和闭环方案，本文针对更一般的非线性系统，讨论高阶算法的广泛适用性。理论和仿真结果表明了高阶算法在输出跟踪和干扰抑制方面的有效性。     

一类不确定性离散非线性重复过程的迭代学习容错控制

针对一类具有非线性和执行器故障的重复运行不确定离散系统,提出了一种迭代学习鲁棒容错控制算法.首先通过定义执行器故障系数矩阵,将迭代学习控制过程转化为等价形式的不确定性非线性重复过程模型,然后基于混合李亚普若夫函数方法讨论非线性重复过程在时间轴和批次轴两个维度上的稳定性,并以线性矩阵不等式形式给出鲁棒容错控制器存在的充分条件和设计方法,同时保证系统正常和执行器故障情形下系统的容错稳定性能.最后,单杆机械手系统的输出跟踪控制仿真结果验证了本文算法的有效性.     

Feedback nonlinear discrete-time systems

In this paper, we design an adaptive iterative learning control method for a class of high-order nonlinear output feedback discrete-time systems with random initial conditions and iteration-varying desired trajectories. An n-step ahead predictor approach is employed to estimate future outputs. The discrete Nussbaum gain method is incorporated into the control design to deal with unknown control directions. The proposed control algorithm ensures that the tracking error converges to zero asymptotically along the iterative learning axis except for the beginning outputs affected by random initial conditions. A numerical simulation is carried out to demonstrate the efficacy of the presented control laws.     

离散非线性系统的迭代学习轨迹跟踪鲁棒算法优化及应用

针对一类存在随机输入状态扰动、输出扰动及系统初值与给定期望值不严格一致的离散非线性重复系统,提出了一种P型开闭环鲁棒迭代学习轨迹跟踪控制算法．基于λ范数理论证明了算法的严格鲁棒稳定性,并通过多目标函数性能指标优化P型开闭环迭代学习控制律的增益矩阵参数,保证了优化算法下系统输出期望轨迹跟踪误差的单调收敛性,达到提高学习算法收敛速度和跟踪精度的目的．最后应用于二维运动移动机器人的实例仿真,验证了本文算法的可行性和有效性．     

非线性系统迭代跟踪控制的批次遗忘学习算法

针对P型迭代学习算法对初始偏差和输出误差扰动敏感,以及PD型迭代学习算法容易放大系统噪声,降低系统鲁棒性的问题,研究了具有任意有界扰动及期望输出的重复运行非线性时变系统的PD型迭代学习跟踪控制算法.利用迭代学习过程记忆的期望轨迹、期望控制以及跟踪误差,给出基于变批次遗忘因子的学习控制器设计,并借助λ范数理论和Bellman-Gronwall不等式,讨论保证闭环跟踪系统批次误差有界的学习增益存在的充分必要条件,及分析控制算法的一致收敛性.本算法改善了系统的鲁棒性和动态特性,单关节机械臂的跟踪控制仿真验证了方法的有效性.