不确定时滞系统的迭代学习控制算法(Ⅰ)

讨论了不确定时滞系统迭代学习控制的鲁棒收敛性．在存在干扰和初始偏移的情形下，给出了较弱的收敛性充分条件．仿真结果表明，迭代学习控制算法对于抑制初始点偏移和周期干扰的影响是有效的．     

具有未知死区输入非线性系统的迭代学习控制

针对一类具有死区输入非线性系统,提出一种实现有限作业区间轨迹跟踪控制的神经网络迭代学习算法.基于Lyapunov-like方法设计学习控制器,回避了常规迭代学习控制中受控系统非线性特性需满足全局Lipschitz连续条件的要求.为处理输入死区,利用神经网络逼近这种强非线性特性;同时,通过对神经网络逼近误差界的估计并在控制器中设置补偿作用以消除其影响,从而提高系统的跟踪性能.     

以幂次趋近的离散变结构重复控制

本文提出一种离散变结构重复控制器设计方法,在趋近律中“嵌入”扰动抑制措施,构造理想切换动态,并据此导出重复控制器.为了进行控制器参数整定和刻画闭环系统的收敛性能,文中推导出准滑模带、单调收敛层和绝对收敛层边界的表达式.设计的离散变结构重复控制器能够完全抑制周期性扰动,控制器设计方法也适用于常值扰动下的定位控制.数值仿真及实验结果验证了所提出控制方案的有效性.     

一类 Wiener 非线性时变系统的迭代学习辨识

针对Wiener非线性时变系统的参数辨识问题,该文提出一种基于重复轴的迭代学习算法来实现对时变甚至突变参数的估计。文中将维纳系统输出非线性部分的反函数进行多项式展开,进而构造了回归模型,未知参数及中间变量用其估计替代,分别给出了采用迭代学习梯度算法和迭代学习最小二乘算法实现时变参数辨识的方法。仿真结果表明,与带遗忘因子的递推算法和迭代学习梯度算法相比,迭代学习最小二乘算法更具有参数估计收敛速度快,辨识精度高,系统输出误差小等优势,验证了所提学习算法的有效性。     

基于椭圆吸引律的离散重复控制

针对离散时间系统的周期轨迹跟踪问题,提出一种基于椭圆吸引律的离散重复控制方法.该方法能有效减小抖振,并通过扰动扩张状态观测技术对系统的未知扰动进行有效抑制,采用重复控制技术对系统中存在的周期扰动完全消除.为了刻画系统误差动态性能,推导出单调减区域、绝对吸引层、稳态误差带的表达式以及系统跟踪误差进入稳态误差带的最大步长.通过数值仿真与直线伺服电机实验,验证所提出控制方法的有效性.     

非参数不确定系统状态受限误差跟踪学习控制方法

针对一类非参数不确定系统,提出误差跟踪学习控制方法,同时解决学习控制系统的初值问题和状态约束问题.利用障碍Lyapunov函数设计控制器,采用鲁棒方法与学习方法相结合的策略处理非参数不确定性,将滤波误差约束于预设的界内,并由此实现对系统状态在各次迭代运行过程中的约束.文中构造了一种期望误差轨迹,经过足够多次迭代后,所提控制方法使得系统误差在整个作业区间以预设精度跟踪期望误差轨迹,系统状态在部分作业区间精确跟踪参考信号.仿真结果表明了该控制方案的有效性.     

用于离散滑模重复控制的新型趋近律

针对不确定离散时间系统, 提出一种新型的离散趋近律, 构造理想切换动态, 并基于理想切换动态设计离散滑模重复控制器. 在消除系统颤振的同时, 完全抑制周期扰动带来的影响, 改善控制品质. 分别推导了切换函数的绝对收敛层、单调收敛层和拟滑模带的边界, 用于刻画在不同控制器参数下闭环系统的趋近过程和拟滑模运动. 数值仿真和在伺服装置上的实验结果证实了所提出控制方法的有效性.     

自适应周期滤波器及其学习算法

针对周期平稳随机信号,提出自适应周期滤波方法.该文给出自适应周期滤波器的一般结构和实现步骤,推导出周期最小均方算法和周期最小二乘算法.完成的仿真算例验证了所提出的自适应周期滤波方法的有效性.     

迭代学习控制系统：收敛性与鲁棒性（Ⅱ）——高增益反馈学习律

在文献［１］的基础上，主要讨论了Ｐ－型和Ｄ－型闭环迭代学习控制系统的鲁棒性问题．文中提出了两种改进的高增益反馈学习律，并对鲁棒性进行了相应的分析．     

一类概率指标动态规划模型

本文提出了一个以氧气转炉炼钢控制过程为工程背景的随机控制模型。给出了它的动态规划方程。对于一类简单情形,其最优策略可通过求解一非线性方程组得到。