一类不确定系统的自适应滑模迭代学习控制

本文针对一类在有限时间内执行重复任务的不确定非线性系统状态跟踪问题,提出一种自适应滑模迭代学习控制方法,在存在初始偏移的情况下也能实现对参考轨迹的完全收敛.本文通过设计全饱和自适应迭代学习更新律,估计参数和非参数不确定性以及未知期望控制输入,并将估计值限制在指定界内,避免估计值的正向累加.文章设计的自适应滑模迭代学习控制方法对系统模型的信息需求少,在对系统非参数不确定性的上界估计时不需要Lipschitz界函数已知.本文给出严格的理论分析,证明闭环系统所有信号的一致有界性以及跟踪误差的一致收敛性,并通过仿真验证所提控制方法的有效性.     

一类广义系统的迭代学习控制

在对广义系统进行标准分解的基础上, 研究了含脉冲快子系统的迭代学习控制问题. 通过 Frobenius 范数给出了快子系统在 P 型学习律作用下收敛的充分性条件, 同时通过梯度法给出求解增益矩阵的方法. 其次, 讨论了单输入单输出不确定广义系统的迭代学习控制问题, 通过优化方法给出该系统在 P 型学习律作用下, 系统实际输出尽可能快地收敛到理想输出的增益矩阵的选择方法.     

一类非线性时变系统的迭代学习控制

针对一类具有任意初态的不确定非线性时变系统,应用校正期望轨迹方法把任意初态问题转换为零初始误差的变期望轨迹的迭代学习控制问题,提出了求解校正期望轨迹的过渡轨迹的计算方法.然后,针对变期望轨迹问题提出了一种新的迭代学习控制算法,在算法中引入了期望轨迹的高阶导数来克服期望轨迹的变化,并通过设计稳定的跟踪误差滑动面来处理系统中非线性时变不确定性.论文给出了相关定理,并应用类Lyapunov方法给出了详细证明.仿真结果表明所提出的算法是有效的,该算法不需要系统的模型结构信息,比自适应迭代学习控制算法具有更宽的适用范围.     

任意初值非线性不确定系统的迭代学习控制

为解决任意初态下的轨迹跟踪问题, 针对一类含参数和非参数不确定性的非线性系统, 提出基于滤波误差初始修正的自适应迭代学习控制方法. 利用修正滤波误差信号设计学习控制器, 并以Lyapunov方法进行收敛性能分析. 依据类Lipschitz条件处理非参数不确定性, 对于处理过程中出现的未知时变参数向量, 利用自适应迭代学习机制进行估计. 经过足够多次迭代后, 藉由修正滤波误差在整个作业区间收敛于零, 实现滤波误差本身在预设的作业区间也收敛于零. 仿真结果表明了本文所提控制方法的有效性.     

非参数不确定系统约束迭代学习控制

讨论一类非参数不确定系统的约束迭代学习控制问题.构造二次分式型障碍李雅普诺夫函数(Barrier Lyapunov functions),用于学习控制器设计.控制方案采用鲁棒方法与学习机制相结合的手段处理非参数不确定性,鲁棒方法对处理后的不确定性的界予以补偿,学习机制对处理后的不确定性进行估计.可实现系统状态在整个作业区间上完全跟踪参考轨迹,并使得系统误差的二次型在迭代过程中囿于预设的界内,进而在运行过程中实现状态约束.提出的迭代学习算法包括部分限幅与完全限幅学习算法.采用这种BLF约束控制系统有利于提高控制系统中设备安全性.仿真结果用于验证所提出控制方法的有效性.     

可变初始状态下迭代学习控制误差估计

讨论了连续系统在可变初始状态下的迭代学习控制问题,运用学习过程的二维（2-D）特性所建立的误差方程,给出了学习控制的动态分析以及误差估计,为算法的实际应用提供了保障,仿真结果证实了该方法。     

具有初始状态不确定性的非线性系统脉冲补偿迭代学习控制

针对于具有初始状态不确定性的非线性时不变系统,采用矩形脉冲信号补偿传统的比例微分型一阶和二阶迭代学习控制律.在Lebesgue-p范数度量跟踪误差意义下,利用卷积的推广的Young不等式分析学习控制律的跟踪性能.分析表明,在适当选取比例学习增益,微分学习增益和非线性状态函数的Lipschitz常数以保证收敛因子小于1的前提下,渐近跟踪误差是由初始状态不确定性引起的,而且可通过调节补偿因子予以消减.数值仿真验证了补偿策略的有效性和理论分析的正确性.     

抑制初态误差影响的自适应迭代学习控制

针对一类参数化高阶不确定非线性连续系统, 设计迭代学习控制算法, 以解决随机初态对系统跟踪性能产生负面影响的问题. 结合滑模控制思想以及部分限幅参数学习律, 控制算法在预设时间段内抑制随机初态偏差对系统跟踪性能的影响. 经过预设时间后, 随着迭代次数的增加, 系统的跟踪误差及其各阶导数一致收敛到零. 且在整个运行时间段内, 系统各个变量一致有界. 此外, 本文回避了非参数化不确定非线性系统在放宽迭代初值假设时常使用的Lipschitz假设条件, 而采用类Lyapunov函数分析法设计迭代学习控制器. 理论证明和仿真结果都说明了该算法的有效性.     

一类线性离散切换系统的迭代学习控制

考虑具有任意切换序列线性离散切换系统的迭代学习控制问题. 假设切换系统在有限时间区间内重复运行, P型ILC算法可实现该类系统在整个时间区间内的完全跟踪控制. 采用超向量方法给出了算法在迭代域内收敛的条件, 并在理论上分析了的收敛性. 仿真示例验证了理论的结果.     

一类未知非线性系统的智能迭代学习控制

从自适应的角度设计迭代学习控制，将神经网络引入迭代学习控制中。学习控制与自适应控制相结合，使得对网络权值的学习和跟踪控制同时进行，克服 了经典迭代学习控制的一些缺陷。基于Lyapunov直接方法，证明了整个控制系统的稳定并实现了任意精度的跟踪。实例仿真结果说明了算法 的有效性及其所具有的优点。     

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.     

非参数不确定多智能体系统一致性误差跟踪学习控制

针对一类在有限时间区间上执行重复任务的主-从型非参数不确定多智能体系统,提出一致性误差跟踪学习控制方法,用于解决在任意初始误差情形下的一致性问题.根据Lyapunov综合方法设计控制器,经过足够多次迭代后,藉由从智能体的一致性误差在整个作业区间上完全跟踪对应的期望一致性误差轨迹,实现各从智能体在预设的部分作业区间上对主智能体的零误差轨迹跟踪.采用鲁棒策略与学习策略相结合的手段处理非参数不确定性,利用双曲正切函数设计反馈项补偿随迭代次数变化但有界的不确定性.仿真结果表明了该控制方案的有效性.     

Adaptive iterative learning control for a class of non-linearly parameterised systems with input saturations

In this paper, an adaptive iterative learning control scheme is proposed for a class of non-linearly parameterised systems with unknown time-varying parameters and input saturations. By incorporating a saturation function, a new iterative learning control mechanism is presented which includes a feedback term and a parameter updating term. Through the use of parameter separation technique, the non-linear parameters are separated from the non-linear function and then a saturated difference updating law is designed in iteration domain by combining the unknown parametric term of the local Lipschitz continuous function and the unknown time-varying gain into an unknown time-varying function. The analysis of convergence is based on a time-weighted Lyapunov–Krasovskii-like composite energy function which consists of time-weighted input, state and parameter estimation information. The proposed learning control mechanism warrants a L²_{[0, T]} convergence of the tracking error sequence along the iteration axis. Simulation results are provided to illustrate the effectiveness of the adaptive iterative learning control scheme.     

不确定性机器人系统自适应鲁棒迭代学习控制

利用Lyapunov方法, 提出了一种不确定性机器人系统的自适应鲁棒迭代学习控制策略, 整个系统在迭代域里是全局渐近稳定的. 所考虑的机器人系统同时包含了结构和非结构不确定性. 在设计时, 系统的不确定性被分解成可重复性和非重复性两部分, 并考虑了系统的标称模型. 在所提出的控制策略中, 自适应策略用来估算做法确定性的界, 界的修正与迭代学习控制量一样的迭代域得以实现的. 计算机仿真表明本文提出的控制策略是有效的.     

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...     

A reinforced learning control using iterative error compensation for uncertain dynamical systems

This paper investigates a learning control using iterative error compensation for uncertain systems to enhance the precision of a high speed, computer-controlled machining process. It is specially useful in mass-produced parts produced by a high-speed machine tool system. This method uses an iterative learning technique which adopts machine commands and cutting errors experienced from previous manoeuvres as references for compensation actions in the current manoeuvre. Non-repetitive disturbances and nonlinear dynamics of the cutting processes and servo systems of the machine which greatly affect the convergence of the learning control systems were studied in this research. State feedback and output feedback methods were used for controller design. Stability and performance of learning control systems designed via the proposed method were verified by simulations on a single degree of freedom servo positioning system.     

一类非参数不确定系统的自适应重复学习控制

本文针对一类非参数不确定系统提出一种全限幅自适应重复学习控制方法.利用期望轨迹的周期特性,构造周期性期望控制输入,并基于Lyapunov方法设计自适应重复学习控制器,实现系统对周期性期望轨迹的高精度跟踪,且无需已知非参数不确定性的上界.设计全限幅学习律估计未知的期望控制输入,保证估计值被限制在指定的界内.同时,通过构造完全平方式消除部分误差相关项,控制器设计中可避免使用符号函数,从而抑制控制器抖振问题.最后,基于Lyapunov方法对误差收敛性进行了分析,并通过仿真对比验证本文所提方法的有效性.     

含输入死区系统的滤波误差初始修正迭代学习控制

针对一类输入环节含死区非线性特性且误差初值非零的非参数不确定系统,提出滤波误差初始修正学习控制方案,分别解决死区斜率下限可知与未知两种情形下的轨迹跟踪问题.给出了两种修正滤波误差信号构造方法,并根据Lyapunov综合方法设计学习控制器,采用鲁棒学习策略处理非参数不确定性和死区非线性特性.经过足够多次迭代后,实现滤波误差在预设的作业区间也收敛于零.文中所提出的控制方案,具有构造简单与实施方便的特点,仿真结果表明了本文所提控制方法的有效性.