PD型模糊学习控制及其在可重复轨迹跟踪问题中的应用

针对可重复轨迹跟踪问题,提出了一种PD型模糊学习算法.该算法集成两种控 制:作为基础的PD型模糊逻辑算法和改善系统性能的学习算法.模糊学习控制在模糊控制 基础上引入迭代学习算法,使得模糊PD控制器可以精确地跟踪可重复轨迹以及消除周期性 扰动.本文在能量函数和泛函分析的基础上,通过严格的推导表明PD型模糊学习算法可达 到:1)系统跟踪误差一致收敛到零;2)学习控制序列几乎处处收敛到理想的控制信号.     

基于滑模预测控制的海底采矿车轨迹跟踪算法

海底采矿车多工作于稀软底质,其面临的外部扰动较大,难以快速收敛跟踪误差,精准地跟踪预设轨迹。为此,本文提出了一种海底采矿车的滑模预测控制（sliding model predictive control,SMPC）轨迹跟踪算法。基于海底采矿车的运动学模型,首先设计滑模控制率实现轨迹跟踪误差快速收敛,其次利用少预测时域的线性时变模型预测控制算法（linear time varying model predictive control,LTV-MPC）优化该滑模控制率。而后,通过证明滑模控制率收敛和模型预测控制稳定,保证了闭环控制系统的稳定性。RecurDyn&Simulink联合仿真结果表明,与单一的滑模控制（sliding mode control,SMC）和线性时变模型预测控制算法相比,所提出的SMPC轨迹跟踪算法提高了轨迹跟踪精度,且算法具有较好的实时性。     

参考轨迹更新的点到点迭代学习控制算法优化及应用

针对受非重复扰动作用的离散线性系统的输出跟踪控制问题,提出一种基于参考轨迹更新的点到点迭代学习控制算法.首先通过构建性能指标函数对控制器进行范数优化,并给出相应的收敛性条件,使得系统输出能够跟踪上更新后参考轨迹处的期望点.其次,当系统输出端受到某批次非重复扰动的影响时,进一步通过引入拉格朗日乘子算法构造多目标性能指标函数,以优化鲁棒迭代学习控制器,达到提高收敛速度和跟踪精度的目的.最后将该算法应用于电机驱动的单机械臂控制系统中,仿真结果验证了算法的合理性和有效性.     

基于动态参数的移动机器人轨迹跟踪控制

针对移动机器人轨迹跟踪控制问题,建立了机器人运动学模型,设计了基于Lyapunov稳定理论的轨迹跟踪控制器,该控制器的性能取决于其参数的取值.采用人工神经网络来动态地调解参数的大小,使控制器获得最优的性能.粒子群优化算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生早熟收敛,使优化陷入局部极小值.通过引入模拟退火算法、交叉算子和变异算子,设计了一种改进的粒子群优化算法,对人工神经网络的参数进行优化计算.最后,仿真计算结果表明了该方法的有效性.     

一种间歇过程的综合预测迭代学习控制方法

为了提高迭代学习控制方法在间歇过程轨迹跟踪问题中的收敛速度,本文将批次间的比例型迭代学习控制与批次内的模型预测控制相结合,提出了一种综合应用方法.首先根据间歇过程的线性模型,预测出比例型迭代学习控制的系统输出,然后在批次内采用模型预测控制,通过极小化一个二次型目标函数来获得控制增量.该方法可使系统输出跟踪期望轨迹的速度比比例型迭代学习控制方法更快些.最后通过仿真实例验证了该方法的有效性.     

轮式机器人轨迹跟踪控制系统的设计

针对轮式机器人轨迹跟踪控制系统误差收敛速率低、精度和实时性差的问题,采用反演控制算法并结合李雅普诺夫稳定性分析方法对轮式机器人的轨迹跟踪系统进行了优化设计;建立了轮式机器人轨迹跟踪控制系统的运动学模型,并对该模型进行位置偏差分析;在反演控制算法中引入了分部虚拟控制量,并分析和设计了其他间接受控量,提高了算法运行的效率;采用李雅普诺夫收敛定理对系统的收敛性进行分析,根据分析的结果提出了算法更加简单的控制律;利用Matlab软件的Simulink库对设计的轨迹跟踪控制系统试验研究;结果表明,与基于李雅普诺夫直接法或者迭代学习算法设计的轮式机器人轨迹跟踪控制系统相比较,设计的控制系统具有跟踪精度高、收敛速度快、实时性好的优点。     

考虑参数不确定性的移动机器人轨迹跟踪控制

针对移动机器人系统中轮胎半径和轮胎间距存在的参数不确定性问题,提出自适应轨迹跟踪控制方法.首先,推导适合进行自适应控制器设计的系统误差模型,将原有控制问题转化为不确定参数的自适应更新率和虚拟控制输入的设计问题;然后,针对系统中的不确定性参数,设计自适应更新率对其进行在线估计,并设计虚拟的控制输入,得到移动机器人驱动电机的左右轮转速;其次在Lyapunov稳定性框架下证明闭环跟踪误差系统的渐近稳定性和估计误差系统的稳定性;最后通过仿真和实验表明,所提出方法能够通过在线学习估计出参数真实值,使得实际运行轨迹收敛到参考轨迹,同时表明所提出方法能够抑制系统参数不确定性对控制系统的影响.     

输入约束不确定系统的点对点迭代学习控制与优化

为解决工业过程中机械臂等特殊重复运行系统的输出在有限时间内无需实现全轨迹跟踪,仅需跟踪期望轨迹上某些特殊关键点的控制问题,针对线性时不变离散系统提出一种基于范数最优的点对点迭代学习控制算法.通过输入输出时间序列矩阵模型变换构建综合性多目标点性能指标函数,求解二次型最优解得到优化迭代学习控制律,同时给出模型标称和不确定情形下最大奇异值形式鲁棒控制算法收敛的充分条件,并进一步推广得到输入约束系统优化控制算法的收敛性结果,最后在三轴龙门机器人模型上验证算法的有效性.     

一种跟踪问题中的次优非线性预测控制算法

针对跟踪问题中无状态和输入约束的非线性预测控制最优解的求取问题,引入参考输入轨迹的概念,利用Ｓｔｉｒｌｉｎｇ插值公式,将非线性系统模型沿参考输入输出轨迹展开,取其一阶近似,处理成参数已知的线性模型．在此基础上,利用线性系统预测控制理论求解得到原系统的次优控制律．该方法不要求系统模型连续可导,且无需对线性化后的模型参数进行在线辨识,计算量小,易于实现．     

控制量离散的轮式小车轨迹跟踪研究

针对机器人小车控制过程中的轨迹跟踪问题,以控制量为离散值的轮式小车为研究对象,提出一种新的预测控制算法.建立小车在离散状态空间下的运动学模型,并根据此模型设计预测控制算法,以克服实际过程中的不确定性.然后,为解决传统预测控制算法在应用上出现的计算量指数增长问题,基于改进模拟退火的快速寻优算法,设计一种新的预测控制策略,以同时保证小车轨迹跟踪的精确性与实时性.通过仿真实验给出了该算法下小车对不同轨迹的跟踪情况及鲁棒性测试,在与传统预测控制算法计算量的比较结果中表明,该算法能够减少计算时间且实现对轨迹有效地跟踪,并保证较高的稳定性,同时,该算法可以推广到各类控制量为离散值的预测控制问题.     

Integrated predictive iterative learning control based on updating reference trajectory for point-to-point tracking

A novel control technique is proposed by combining iterative learning control (ILC) and model predictive control (MPC) with updating-reference trajectory for point-to-point tracking problem of batch process. In this paper, a batch-to-batch updating-reference trajectory, which passes through the desired points, is firstly designed as the tracking trajectory within a batch. The updating control law consists of P-type ILC part and MPC part, in which P-type ILC part can improve the performance by learning from previous executions and MPC part is used to suppress the model perturbations and external disturbances. Convergence properties of the integrated predictive iterative learning control (IPILC) are analyzed theoretically, and the sufficient convergence conditions of output tracking error are also derived for a class of linear systems. Comparing with other point-to-point tracking control algorithms, the proposed algorithm can perform better in robustness. Furthermore, updating-reference relaxes the constraints for system outputs, and it may lead to faster convergence and more extensive range of application than those of fixed-reference control algorithms. Simulation results on typical systems show the effectiveness of the proposed algorithm.     

不确定受扰电液伺服系统智能自学习PID控制

针对具有参数不确定和外负载扰动的不确定受扰电液伺服系统,提出一种智能自学习PID控制策略.该方法不依赖于系统的精确模型,是一种数据驱动的控制方法.首先,通过改进的动态线性化方法将非线性非仿射的电液伺服系统等效为含有时变参数项和非线性不确定项的线性仿射形式;然后,采用梯度估计算法和时间差分算法分别对时变参数项和非线性不确定项进行估计;接着,利用iPID控制引入附加误差信息对过度线性化丢失的信息进行补偿;最后,根据最优准则,设计不确定受扰电液伺服系统的参数更新律和学习控制律.通过理论分析和仿真实验验证所提出控制策略的收敛性,并通过对比实验,验证该控制方案应用于电液伺服系统的优越性和精确性.实验结果表明,所提出方法能够抑制非线性扰动对系统造成的不良影响,实现理想轨迹的精确跟踪.     

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.     

基于迭代学习与模型预测控制的交通信号混合控制方法

针对基于迭代学习控制的交通信号控制方法对于路网中存在的非重复性实时干扰不能进行有效处理的问题,本文在基于迭代学习控制的交通信号控制方法基础上,结合模型预测控制滚动优化和实时校正的特点,提出了一种基于迭代学习与模型预测控制的交通信号混合控制方法.该方法在有效利用交通流周期性特征改善路网交通状况的同时,可借助模型预测控制的优点对非重复性的实时干扰进行处理,从而进一步提高交通信号的控制效率.通过仿真实验对该方法的有效性进行了验证.实验结果表明,基于迭代学习与模型预测控制的交通信号混合控制方法能够更有效地均衡路网内的车辆密度,进一步提高了路网的通行效率.最后,本文还对该方法的收敛性进行了分析.     

An integrated robust iterative learning control strategy for batch processes based on 2D system

This paper studies the problem of integrated control in the 2-dimensional (2D) system with parameter uncertainties for batch processes. An integrated iterative learning control (ILC) strategy based on quadratic performance for batch processes is proposed. It realizes comprehensive control by combining robust ILC in batch-axis with model predictive control (MPC) in time-axis. The design of quadratic-criterion-based ILC for the system can be converted into a min-max problem. Then a model predictive controller with time-varying prediction horizon is designed based on a quadratic cost function. For an uncertain model, a novel integrated robust ILC scheme based on a nominal model is further proposed. As a result, the control law of the 2D system can be regulated during one batch, which leads to good tracking performance and strong robustness against the disturbance and the uncertainties. Moreover, the analyses of the convergence and tracking performance are given. The proposed methods are applied to batch reactor, and results demonstrate that the system has good robustness and convergence. This paper provides a new way for batch processes control.     

含有未知控制方向的非线性时滞系统学习控制

本文对于一类含有未知控制方向及时滞的非线性参数化系统,设计了自适应迭代学习控制算法.在设计控制算法过程中采用了参数分离技术和信号置换思想来处理系统中出现的时滞项,Nussbaum增益技术解决未知控制方向等问题.为了对系统中出现的未知时变参数和时不变参数进行估计,分别设计了差分及微分参数学习律.然后通过构造的Lyapunov-Krasovskii复合能量函数给出了系统跟踪误差渐近收敛及闭环系统中所有信号有界的条件.最后通过一个仿真例子说明了控制器设计的有效性.     

基于自适应递归模糊神经网络的污水处理控制

针对污水处理过程中具有的非线性、大时变等特征,提出了一种基于自适应递归模糊神经网络(recurrent fuzzy neural network,RFNN)的污水处理控制方法.该方法利用自适应RFNN识别器建立污水处理过程的非线性动态模型,建立的模型可以为RFNN控制器提供污水处理过程中的状态变量信息,保证了控制器根据系统响应调整操作变量的精确性;并且RFNN辨识器及RFNN控制器基于自适应学习率进行学习,确保了递归模糊神经网络的收敛精度和速度,并通过构造李雅普诺夫函数证明了此算法的收敛性;最后,基于基准仿真模型(benchmark simulation model 1,BSM1)平台进行仿真实验.结果表明,与PID、模型预测控制及前馈神经网络相比,该方法对污水处理中溶解氧浓度和硝态氮浓度的跟踪控制精度具有明显的提升.     

Adaptive control Lyapunov function based model predictive control for continuous nonlinear systems

A design of adaptive model predictive control (MPC) based on adaptive control Lyapunov function (aCLF) is proposed in this article for nonlinear continuous systems with part of its dynamics being unknown at the starting time. Specifically, to guarantee the convergence of the closed-loop system with online predictive model updating, a stability constraint is designed. It limits the aCLF of the system under the MPC to be less than that under an online updated auxiliary adaptive control. The auxiliary adaptive control which implements in a sampling-hold fashion can guarantee the convergence of the controlled system. The sufficient conditions that guarantee the states to be steered to a small region near the equilibrium by the proposed MPC are provided. The calculation of the proposed algorithm does not depend on the model mismatch at the starting time. And it does not require the Lyapunov function of the state of the real system always to be reduced at each time. These provide the potential to improve the performance of the closed-loop system. The effectiveness of the proposed method is illustrated through a chemical process example.     

一种改进的紧格式无模型自适应控制方法

针对一类由一般非线性函数描述的离散时间非线性系统,采用等价动态线性化技术,提出一种改进的紧格式无模型自适应控制(iCF-MFAC)方法.iCF-MFAC方法的自适应控制律包含两项:时变比例控制项和时变积分控制项,与只有一项时变积分项的原CF-MFAC方法相比,iCF-MFAC方法具有更好的通用性和灵活性,并能够提供更好的动态控制性能.其次,将iCF-MFAC方法与具有类似控制器结构的基于全格式动态线性化技术的无模型自适应控制方法进行对比分析,在相同控制器参数作用下,iCF-MFAC方法具有更快的输出响应.最后,从理论上证明闭环iCF-MFAC系统的收敛性和稳定性,并分别通过数值仿真和真实实验验证所提出方法的有效性和可行性.