基于学习自适应估计环的迭代学习控制

针对一类具有强非线性和不确定性的离散时间系统,文章给出了一种基于学习自适应估计环的迭代学习控制方法.在迭代学习控制器的基础上设计了一个学习自适应估计环,用来镇定系统,给出迭代学习控制初始的控制输入值,同时根据估计出的系统参数来确定迭代学习增益的取值范围.文章基于状态空间描述,分析了迭代学习控制系统的收敛性.仿真研究表明,该控制器能够实现完全跟踪,减少系统的初始输出误差,并加快了收敛速度.     

基于学习自适应估计环的迭代学习控制

针对一类具有强非线性和不确定性的离散时间系统,文章给出了一种基于学习自适应估计环的迭代学习控制方法.在迭代学习控制器的基础上设计了一个学习自适应估计环,用来镇定系统,给出迭代学习控制初始的控制输入值,同时根据估计出的系统参数来确定迭代学习增益的取值范围.文章基于状态空间描述,分析了迭代学习控制系统的收敛性.仿真研究表明,该控制器能够实现完全跟踪,减少系统的初始输出误差,并加快了收敛速度.     

基于遗传算法的PID型迭代学习控制增益的选取方法

针对PID型迭代学习控制算法,首先讨论了其收敛的充要条件和单调收敛的充分条件,然后给出目前利用单调收敛的充分条件确定PID增益的方法,并指出其不足。在此基础上,提出了基于遗传算法的PID型迭代学习增益选择方法（PID型GA-ILC算法）。利用该算法可以得到不满足PID迭代学习控制系统单调收敛条件但依然能使该系统单调收敛的PID增益,给出了数值仿真实例,证明了PID型GA-ILC算法的有效性。     

基于最优控制迭代学习算法的收敛性研究

针对迭代学习控制算法在线性离散系统中的收敛性问题,建立了直线电机的离散化数学模型,并将迭代学习控制算法运用到电机控制系统,对其稳定性和收敛性进行了研究。提出了一种基于最优控制理论的迭代学习控制算法,利用迭代学习控制的收敛条件对所提出的控制算法的稳定性和收敛性条件进行了分析,并在前馈及反馈二自由度控制结构的基础上进行了控制器的设计;同时通过对前馈控制力引入一个加权矩阵系数,提高了基于最优控制理论的迭代学习控制算法的收敛速度,将其运用到Matlab仿真平台和实际机电控制系统。研究结果表明:基于最优控制理论和加权矩阵系数的迭代学习控制算法收敛效果显著,提高了运动轨迹跟踪性能。     

注塑机注射速度的离散预期学习控制

针对注塑成形过程的重复运行特性,采用离散预期学习控制方法对注射阶段的针对离散化后的注塑机注射速度模型,根据收敛性条件以两步法设计预期学习控制中的两个参数--超前步长与学习增益,并与连续预期学习控制作了比较.当收敛性条件不能在整个频段内满足时,利用DFT/IDFT截断可学习频段外的频率信号,保证跟踪误差单调收敛,并在离散频域内讨论测量噪声存在及初始定位不可重置时学习算法的跟踪性能.仿真结果表明,对于给定的期望注射速度曲线,该方法能得到比P型、D型迭代学习控制(ILC)更满意的跟踪性能,且具干扰抑制能力.     

基于区间对分搜索法的并联机构位置正解问题求解

针对并联机构的位置正解问题 ,提出一种基于区间对分搜索法的数值迭代计算方法。该算法通过对并联机构约束方程解空间的不断细分 ,得到非线性约束方程所有解的收敛域空间 ,然后通过Newton迭代方法计算问题的所有近似解。与一般点迭代方法相比 ,该算法的收敛性不依赖于初始条件的选取 ,并且能够一次得到问题的所有近似解。文中对 6自由度Stewart平台进行了仿真计算。     

基于中心复合实验设计的区间有限元方法

区间有限元方法是解决含不确定变量的实际工程问题最为有效的方法之一。对于区间有限元的算法中,区间扩张是其固有问题。区间顶点法能够得到区间线弹性的精确解。然而区间有限元顶点法的计算量大;同时对于实际工程问题,不能确定复杂结构响应在变量区间变化范围内是否为单调的问题。针对上述区间顶点法的两个主要缺点,提出了用中心复合实验设计来降低区间顶点法的计算量,同时检验结构响应函数是否单调,为了区间顶点法的运用提出了理论依据。数值算例表明文中提出方法的有效性以及可行性。     

一种耦合区间-随机混合可靠性分析方法

考虑区间变量的耦合性,基于多椭球模型提出了一种高效的耦合区间-随机混合可靠性分析方法。为解决耦合区间变量导致的可靠性分析计算效率低的问题,采用序列迭代分析方法,将混合可靠性分析的双层耦合循环分解为概率分析与区间分析,并结合多项式插值法提出了一种适用于极限状态函数关于耦合区间变量单调与非单调两种工况的高效区间分析算法。算例结果表明,所提的混合可靠性分析方法具有较好的计算精度与计算效率。     

投影变换方法在光学测量投影仪系统圆度表示中的应用

针对光学测量投影仪测量圆形工件时圆度指标的图形表示,提出了一种几何投影变换方法,将原非单调区间的离散点投影在某单调区间内,在此单调区间内运用插值算法进行曲线拟合后,再对数据进行反向投影,使得原非单调区间内离散点光滑地连接起来,使圆度的图形表示更加合理。几何投影变换方法克服了一些用于连接离散数据点的插值算法不能在非单调区间使用的局限性,拓展了上述算法的应用范围。     

离散系统单调收敛高阶迭代学习控制

研究了一类离散线性时不变系统高阶迭代学习控制在相应范数意义下的单调收敛条件,给出了对给定目标函数迭代学习控制参数的最优解,并讨论了其收敛速度。常见的离散P型、D型及PD型ILC算法均可看作是所讨论算法的特例。仿真结果表明采用给出的最优设计具有更好的迭代学习单调收敛性能。     

一类非线性时滞系统的迭代学习控制设计

为了研究时滞对非线性系统的迭代学习控制收敛性的影响,采用了λ范数和一系列不等式技术,通过建立精确的数学模型,分析了在PD学习律下的Hopfield非线性神经网络系统。在全局Lipschi-tz连续条件下,研究了确保系统跟踪误差收敛的充分条件。理论推导证明时滞对这类非线性系统的迭代学习控制系统的收敛性没有显著的影响,仿真结果表明,迭代学习控制可以实现对非线性时滞系统的精确轨迹跟踪。     

Finite frequency range iterative learning fault-tolerant control for discrete time-delay uncertain systems with actuator faults

The subject area considered is discrete linear time delay systems operating repetitively on a finite time interval with actuator faults, where the system resets at the end of each operation. Regulation of the dynamics is by iterative learning control and performance goals imposed over finite frequency intervals for the case of uncertainty in the dynamic model. To derive the results, the generalized Kalman–Yakubovich–Popov lemma is used. A simulation based case study is also given to demonstrate the applicability of the new results.     

即时学习型迭代学习控制在励磁控制中的应用

将即时学习算法型迭代学习控制引入发电机的励磁控制。运用即时学习算法来解决系统的迭代学习控制初值问题,有效地估计初始控制量,加快了算法的收敛速度。仿真结果表明,所设计的励磁控制器与常规PID控制器和非即时学习型励磁控制器相比其收敛速度明显加快,具有更强的维持机端电压的能力。     

重复轨迹运动迭代学习控制的频域分析

应用频域分析方法讨论了一类闭环迭代学习算法的收敛条件和性能,指出其比Arimoto开环迭代学习算法具有明显的优越性,并在讨论迭代收敛条件的基础上给出了闭环迭代学习算法的频域设计方法.     

初态学习下时滞非线性系统的迭代学习控制

针对在有限时间区间上重复运行的一类状态时滞非线性系统,研究了一种带有初态学习的迭代学习控制算法。基于算子谱理论证明了系统在任意初态条件下经过迭代学习后,其输出能够完全跟踪期望轨迹,得到了该算法谱半径形式的收敛条件,比范数形式的收敛条件放宽了。并通过对系统初态的迭代学习,放松了迭代学习控制算法对初始状态函数的要求。仿真结果验证了所提算法的有效性。最后,将该算法应用到含有状态时滞的非线性间歇过程,结果也表明了该算法的有效性和可靠性。     

基于仿射算术和区间运算的直线与NURBS曲线/曲面求交

针对直线与参数空间NURBS曲线、直线与NURBS曲面求交问题,提出了一种改进的基于仿射算术和区间运算的直线与NURBS曲线/曲面求交的有效方法。该方法将基于边曲率或面曲率的子域分解方法应用到求交算法中,快速定位预迭代区间,减少不必要的迭代求交判断。与传统区间迭代算法相比,该求交算法为超线性收敛的快速迭代算法,在一定程度上解决了传统区间运算的“保守性”。另外,该方法放宽了对初始区间的要求,减少迭代次数,提高了迭代算法效率。通过计算区间算子判断给定直线与NURBS曲线/曲面有无交点和存在交点时的交点数目,保证了求解交点精度,为解决直线与曲线/曲面多交点判断及内外环或内外域判断等问题提供了有利条件。数值算例验证了该方法的有效性、计算精度和效率。     

B-spline network-based iterative learning control for trajectory tracking of a piezoelectric actuator

This paper presents the trajectory tracking approach of a piezoelectric actuator using an iterative learning control (ILC) scheme based on B-spline network (BSN) filtering. The ILC scheme adopts a state-compensated iterative learning formula, which compensates for the state difference between two consecutive iterations in order that the iterative learning can learn from the tracking errors of the previous iteration effectively. The BSN is used to attenuate the noises and retrieve the signals of the tracking errors for the ILC. The BSN serves as a unique filter which generally does not have zero-phase responses. Design details on the ILC scheme using BSN filtering are discussed in the paper. Extensive experiments of tracking two desired trajectories for a piezoelectric actuator are presented. The experimental results show that the state-compensated ILC scheme using BSN filtering can achieve fast error convergence and keep small steady-state tracking errors close to the system noise level. This research thus relaxes the restriction of the zero-phase criterion commonly applied to the ILC filtering in the literature.