基于角度修正迭代学习的离散时变系统故障诊断

针对一类非线性离散时变系统的故障诊断问题,提出了一种新的故障检测与估计算法.该算法在选取的优化时域内,利用残差信号通过迭代学习方法调整引入的虚拟故障,并利用实际输出和故障跟踪估计器输出向量空间的角度关系,来修正虚拟故障的迭代学习律,以此来加快算法的收敛速度.该算法不仅能够实现不同类型故障信号的检测与估计,而且还充分利用了估计器输出信号中的新信息,使得算法的收敛速度得到明显提高.最后仿真结果验证了该方法的有效性.     

一种带参考批次的线性时变系统迭代学习控制算法

针对线性时变系统的轨迹跟踪控制问题,提出一种带参考批次的迭代学习控制算法,并给出了算法的收敛性分析.该迭代学习控制算法不需要事先了解线性时变对象的太多知识,而是将当前批次输入轨迹的较小变化所引起的输出轨迹作为参考批次,并以当前批次与参考批次的输入变化与对应的输出变化之比作为学习律,从而实现目标轨迹的跟踪.以一个典型的线性时变系统为例进行仿真分析,验证了所提出算法的有效性.     

基于扩展滤波器的非线性系统迭代学习故障诊断算法

针对一类存在执行器和传感器故障的非线性系统,提出基于滤波器的故障重构方法。为了使算法同时适用于状态和输出端,通过由系统方程构造新状态方程对系统作扩展变换,将原系统输出端非线性和故障转换到扩展系统的状态方程,在此基础上设计故障诊断滤波器,采用迭代学习调节算法更新虚拟故障使之逼近实际故障。该算法可以检测和估计系统故障,并且对不同类型故障具有一定的适应性。在单关节机器人模型上进行仿真实验,实验结果验证了所提出算法的可行性和有效性。     

线性广义系统P型迭代学习控制离散频域收敛性

针对一类线性广义系统,研究其P型迭代学习控制在离散频域中的收敛性态。在离散频域中,对广义系统进行奇异值分解后,利用傅里叶级数系数的性质和离散的Parseval能量等式,推演了一阶P型迭代学习控制律跟踪误差的离散能量频谱的递归关系和特性,获得了学习控制律收敛的充分条件;讨论了二阶P型迭代学习控制律的收敛条件。仿真实验验证了理论的正确性和学习律的有效性。     

离散非线性时变系统开闭环PI型迭代学习控制律及其收敛性

对于具有重复运动性质的对象,迭代学习控制是一种有效的控制方法.针对一类离散非线性时变系统在有限时域上的精确轨迹跟踪问题,提出了一种开闭环PI型迭代学习控制律.这种迭代律同时利用系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作用.给出了所提出的学习控制律收敛的充分必要条件,并采用归纳法进行了证明.最后用仿真结果对收敛条件进行了验证.     

受扰动2-D线性时变系统的迭代学习控制

利用2-D系统理论的Roesser模型,给出了受扰动的线性时变离散系统迭代学习控制(ILC)问题的一种解决方法.对系统所受的已知扰动,给出其学习律参数的选取范围以及仅经一次迭代就能实现输出完全跟踪期望轨迹的参数选取方法;对系统所受的未知扰动,首先对SISO系统提出其学习律存在的条件及参数选取方法,进而推广到MIMO系统中,提出MIMO系统学习律的参数选取方法.最后给出两个数值例子进一步说明所得结果的有效性.     

执行器故障时变系统的PID迭代容错控制

对存在执行器故障的连续线性时变系统，给出了PID型迭代学习容错控制律的收敛条件。对连续时变故障系统设计了一种PID迭代学习容错控制律，在[λ]范数意义下给出了故障系统PID型迭代容错控制器收敛的充要条件；基于Schur补原理和不等式变换，将容错控制器收敛条件转换成线性矩阵不等式，当迭代学习收敛速度设定时，基于线性矩阵不等式能快速确定最优迭代控制增益，避免了迭代控制增益设置的盲目性。旋转控制系统的数值仿真，验证了PID迭代容错控制器优良的容错性能和跟踪性能。     

离散线性时变系统稳定性研究

本文对离散线性时变系统的稳定性问题进行了研究。给出离散线性定常系统收敛速度的定义,基于离散线性时变系统Lyapunov稳定理论,给出离散线性时变系统稳定的充分条件,即系统系数满足系数冻结条件和系数变化条件。仿真验证了结论的正确性。     

二阶离散线性时变系统的一种稳定性判据

本文对二阶离散线性时变稳定性问题进行了研究。在离散线性时变系统Lyapunov稳定理论的基础上，给出二阶离散线性时变系统稳定的充分条件。即系统系数满足系数冻结条件和系数变化条件。仿真验证了结论的正确性。     

基于迭代学习的线性不确定重复系统间歇性故障估计

针对一类带有不确定参数项的线性重复系统间歇性故障估计问题, 本文提出一种基于迭代学习的故障估计算法.该算法通过设计基于迭代学习的故障估计器和状态观测器, 构造李雅普诺夫方程和优化函数证明该算法的鲁棒性和收敛性, 并通过线性矩阵不等式, 求解出算法中的观测器增益矩阵和迭代学习参数矩阵.区别于其他观测器方法, 本文中的方法利用上一次基于迭代学习观测器输出和系统实际输出产生的残差信号, 对本次的故障信号进行跟踪估计, 从而准确地估计出故障的幅值和形状.仿真结果说明了该算法的有效性和准确性.     

基于LMI 的线性时变周期系统的稳定性及鲁棒控制

线性时变周期（LTVP）系统的能控性、能观性、稳定性、镇定性等问题的研究一般需要依赖于系统的状态转移矩阵.但是,获得一般LTVP系统的状态转移矩阵十分困难.借鉴解决线性定常系统鲁棒控制问题的思路,把周期问题转化为一类范数有界问题,避开了求取系统状态转移矩阵;设计了基于LMI的使LTVP系统镇定的无记忆反馈控制器和基于LMI的使LTVP系统鲁棒镇定无记忆反馈控制器,仿真算例验证了所提出方法的有效性.     

基于泰勒级数的迭代学习算法

针对存在不确定扰动的线性时变系统的轨迹跟踪控制问题,提出了基于泰勒级数的迭代学习算法．该算法利用泰勒级数将系统参数化,导出一种基于泰勒级数的线性时变系统的近似模型．在此模型的基础上,利用迭代学习方式修正输入量的泰勒展开系数,并用LMI方法求解学习增益矩阵．所提出算法在系统不满足正则性或无源性时,仍可用输出误差信号来构造学习律．仿真结果表明了该算法的有效性．     

基于ESO迭代学习算法的故障估计

针对基于迭代学习的故障估计器方法,提出一种基于扩张状态观测器(ESO)思想的迭代学习算法,以提高虚拟故障的收敛速度。该算法将ESO的输出误差非线性反馈机制用于迭代学习过程,利用故障估计器当前输出残差的非线性函数修正下次迭代时的虚拟故障值。对所建立的故障估计器的收敛性进行理论分析,并在此基础上进行了仿真实验。仿真结果表明,所提出的算法具有良好的收敛速度和故障估计精度。     

模型未知的离散事件系统故障诊断方法

针对离散事件系统模型难以建立的大型实际系统,无法对其进行有效故障诊断的问题,提出一种基于主动学习的故障诊断方法。首先,为获取到的系统事件日志添加正常/故障标签,并将日志集划分为训练集和测试集,提出一种基于抽象技术的迭代算法提取训练集中日志的故障特征样本。然后,通过故障特征样本构造初始故障识别器,并利用测试集中的日志检验识别器的准确性。仿真结果表明,该故障诊断算法使得模型未知下诊断精度更高。最后,实例说明系统模型未知下故障诊断算法的应用。与现有研究相比,提出的方法可以在系统模型未知下进行故障诊断且算法复杂度为多项式,诊断精度更高,应用范围更加广泛。     

Further results on iterative learning control with convergence conditions for linear time-variant discrete systems

This article is concerned with some further results on iterative learning control (ILC) algorithms with convergence conditions for linear time-variant discrete systems. By converting two-Dimensional (2-D) ILC process of the linear time-variant discrete systems into 1-D linear time-invariant discrete systems, this article presents convergent ILC algorithms with necessary and sufficient conditions for two classes of linear time-variant discrete systems. Main results in (Li, X.-D., Ho, J.K.L., and Chow, T.W.S. (2005), ‘Iterative Learning Control for Linear Time-variant Discrete Systems Based on 2-D System Theory’, IEE Proceedings, Control Theory and Applications, 152, 13–18 and Huang, S.N., Tan, K.K., and Lee, T.H. (2002), ‘Necessary and Sufficient Condition for Convergence of Iterative Learning Algorithm’, Automatica 38, 1257–1260) are extended and generalised.     

Optimal fault detection for linear discrete time-varying systems

This paper deals with the problem of observer-based fault detection for linear discrete time-varying (LDTV) systems. A problem formulation is first proposed to address the optimization of the fault detection filter (FDF) design, which is expressed in terms of maximizing a finite horizon H_∞/H_∞ or H₋/H_∞ performance index. This formulation can be applied to FDF design of LDTV systems subject to l₂-norm bounded unknown inputs or stochastic noise sequences. It is shown that a unified optimal solution to the FDF can be obtained by solving the discrete time Riccati equation and the optimal FDF is not unique. A numerical example is given to illustrate the proposed method.     

On stabilization for discrete linear time-varying systems

In this paper, we consider the stabilization problem for discrete linear time-varying systems in an operator-theoretic framework. By using the complete finiteness of a certain discrete nest algebra, we show that a system is stabilizable if and only if it has one kind of strong representation and we also give a parametrization for all the stabilizing controllers in terms of this strong representation. This result extends the Youla parametrization theorem by only requiring a strong left or a strong right representation but not both. The strong stabilization problem is also discussed.     

基于深度极限学习机的模拟电路故障诊断

针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自主地学习数据特征,避免了繁琐的特征提取和选择。最终通过Sallen-Key和四运放双二次高通滤波2个模拟电路进行仿真研究,实验结果验证了算法在模拟电路故障诊断上的可行性,也表明模型学习速度快、泛化能力好,具有较强的诊断能力,故障诊断分类准确率可以达到100%,诊断时间在0.3 s左右。