严格反馈系统约束迭代学习控制

针对一类含有状态约束和任意初态的严格反馈非线性系统,本文提出了基于二次分式型障碍李雅普诺夫函数的误差跟踪学习控制算法.二次分式型障碍李雅普诺夫函数保证了系统跟踪误差在迭代过程中限制于预设的界内,进而保持状态在约束区间内.引入一级数收敛序列用于处理扰动对系统跟踪性能的影响.构造期望误差轨迹解决了系统的初值问题.经迭代学习后,所设计的学习控制器能够实现系统输出在预指定作业区间上精确跟踪参考信号.最后的仿真结果验证了所提控制算法的有效性.     

控制方向未知非线性系统的自适应重复控制

针对控制方向未知的、存在周期性非参数不确定性的一类非线性系统,给出零误差跟踪的重复控制方法.引入Nussbaum函数设计自适应重复控制器,参数估计修正律采用完全饱和形式,将参数估计囿于预先给定的范围内.分析表明,闭环系统中所有信号本身有界,且跟踪误差本身趋于零.数值仿真结果验证了算法的有效性.     

基于死区吸引律的离散重复控制

针对周期参考信号下的不确定离散时间系统,提出一种离散重复控制方法,利用死区函数设计新型的吸引律,将干扰补偿、抑制措施“嵌入”吸引律,构造理想误差动态,并基于此导出重复控制器。为了进行具体的控制器参数整定和表征闭环系统的误差动态行为,推导出了稳态误差带、单调减区域和绝对吸引层边界的表达式。所设计的离散重复控制器能够完全抑制周期对称干扰信号,控制器设计方法也适用于常值调节问题的定位控制。数值仿真及在电机伺服系统上的实验结果验证了所提出控制方法的有效性。     

反馈辅助PD型迭代学习控制:初值问题及修正策略

讨论迭代初态与期望初态存在固定偏移情形下 的迭代学习控制问题, 提出带有反馈辅助项的PD型迭代学习控制算法, 可实现系统输出对期望轨迹的渐近跟踪. 为了进一步实现输出轨迹在预定有限区间上对期望轨迹的完全跟踪, 提出分别带有初始修正作用和终态吸引的学习算法. 文中给出所提出的学习算法的极限轨迹, 并对学习算法进行收敛性分析, 推导出收敛性充分条件, 可用于学习增益的确定. 通过数值结果, 验证所提学习算法的有效性.     

离散时间系统重复控制的理想误差动态方法

针对周期参考信号下的离散时间系统, 引入吸引律构造理想误差动态特性, 并基于理想误差动态设计重复控制器. 重复控制能够实现周期性扰动的完全抑制, 从而提高控制能.为了消除颤振现象, 以饱和函数替换重复控制器中的符号函数. 分别推导了理想误差动态方程的单调减区域、吸引层和稳态误差带的边界, 用于刻画误差动态行为, 并给出了数值仿真结果. 在逆变器装置上完成的实验进一步表明了所提出的重复控制方法的有效性.

     

离散时变系统的自适应迭代学习控制

针对一类有限区间上重复运行的离散时变SISO系统,分别采用带饱和函数和死区修正的投影算法进行参数估计,提出自适应迭代学习控制方案.关键技术引理在分析离散自适应控制系统时起到了关键作用,文中把这一引理推广至迭代域,用于建立离散自适应迭代学习控制系统的稳定性和收敛性.理论证明,即使每次迭代存在初始偏差,跟踪误差沿着迭代轴仍能收敛于零,且闭环系统的所有信号有界;当存在外部扰动时,跟踪误差收敛于一邻域内,其半径为干扰的界.在直线伺服系统上的应用结果验证了所提出的学习控制方法的有效性.     

不确定时滞系统的迭代学习控制算法（Ⅱ）

针对不确定时滞系统讨论了ＰＤ型迭代学习控制算法．对于干扰和初始状态函数渐近重复的情形,给出了这类系统的极限轨迹和迭代输出收敛于该极限轨迹的较弱的充分条件．仿真结果表明,这种算法对于抑制周期干扰和初始偏移的影响是有效的．     

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．     

迭代学习控制系统的误差跟踪设计方法

提出能够实现期望误差轨迹完全跟踪的迭代学习控制系统设计方法, 旨在放宽常规迭代学习控制方法的初始定位条件, 在每次迭代时允许初值定位在任意位置. 这种方法对于预先给定的期望误差轨迹, 经迭代学习, 使得实际跟踪误差收敛于预定的误差轨迹, 这样, 预设的误差轨迹即最终形成的误差轨迹. 针对常参数、时变参数以及复合参数三种情形, 分别采用类Lyapunov方法设计迭代学习控制系统. 所设计的未含/含限幅作用的参数学习律, 能够使得跟踪误差轨迹在整个作业区间上与预定轨迹完全吻合, 并保证系统中所有信号的有界性. 给出的仿真结果表明所提方法的有效性.     

基于时变神经网络的非线性时变系统建模

提出时变神经网络模型,用以逼近未知非线性时变映射,实现非线性时变系统建模.将时变神经网络的权值学习作为时变系统的时变参数估计问题,并基于迭代学习机制,给出在同一时刻沿迭代轴训练网络权值的迭代学习最小二乘算法.理论上证明了该算法的全局收敛性.给出的数值算例表明所提算法在非线性时变系统建模方面的有效性.