非线性系统高阶迭代学习算法

结合迭代学习控制算法中的开环和闭环方案，本文针对更一般的非线性系统，讨论高阶算法的广泛适用性。理论和仿真结果表明了高阶算法在输出跟踪和干扰抑制方面的有效性。     

非线性系统迭代学习算法

对于一个未知的非线性连续系统或离散系统,从任给的一个初始控制出发,尝试实现一条给定的输出目标轨线.在满足一定条件下,利用跟踪误差来修正控制函数,经过反复的迭代学习可以取得满意的效果.本文改进了Arimoto、Togai和Bien等的开环迭代学习的收敛条件,并提出闭环迭代学习算法.理论与仿真结果证明了闭环算法在收敛条件、速度和抗干扰能力上都优于开环算法.     

非线性系统在任意初值下的PID型迭代学习控制

针对一类在有限时间区间上重复运行的非线性系统,给出了一种可以解决迭代学习控制中任意初值问题的PID型迭代学习算法及其收敛条件。采用算子理论证明了该算法的收敛性,结果表明该算法不仅有效解决了迭代学习控制的初值问题,而且放宽了收敛条件。仿真分析及与PD型迭代学习控制算法的仿真结果的对比证明,非线性系统在任意初值条件下经过PID型迭代学习后跟踪精度显著提高,输出误差曲线更快速趋于零,表明了该算法的有效性。     

非线性系统的迭代学习控制及其算法实现

研究了非线性系统的学习控制方法. 首先, 对学习控制方法在目前发展中所存在的一些问题进行了分析; 在此基础上, 通过引进新的(λ,ξ)范数及新的算法, 克服了这一理论研究中所存在的一些困难, 避免了以上问题的出现, 获得了控制算法全局收敛和目标跟踪精度较高的结果. 而且对所给算法的可实现性问题进行了分析.     

连续非线性系统的迭代学习控制方法*

本文根据误差收敛准则，提出了连续非线性系统的迭代学习控制算法，给出了ＰＩＤ型学习控制算法的收效条件，实际应用表明，该方法可以逼近预定的任意轨线。     

基于即时学习的非线性系统优化控制

基于数据驱动机制的逆控制是一种非线性系统控制方法,关键问题在于局部逆控制模型的准确性,但尚无校验机制来保证其能否产生期望的输出．为此,提出一种k-VNN即时学习算法,提高了逆控制模型的建模精度．将该算法与性能指标优化策略相结合,在线修正逆控制模型顶估的系统控制量。可得到系统的一步最优控制量。实现非线性系统的跟踪控制,为提高控制系统的泛化能力,提出一种数据库数据更新策略．仿真结果表明了所提出方法的有效性．     

非线性系统闭环P型迭代学习控制的收敛性

本文得到并证明了当被控系统的状态方程为一类非线性方程时，采用闭环Ｐ型学习律迭代学习控制的收敛的充分条件和必要条件，最后，我们给出了典型的仿真结果。     

非线性系统迭代跟踪控制的批次遗忘学习算法

针对P型迭代学习算法对初始偏差和输出误差扰动敏感,以及PD型迭代学习算法容易放大系统噪声,降低系统鲁棒性的问题,研究了具有任意有界扰动及期望输出的重复运行非线性时变系统的PD型迭代学习跟踪控制算法.利用迭代学习过程记忆的期望轨迹、期望控制以及跟踪误差,给出基于变批次遗忘因子的学习控制器设计,并借助λ范数理论和Bellman-Gronwall不等式,讨论保证闭环跟踪系统批次误差有界的学习增益存在的充分必要条件,及分析控制算法的一致收敛性.本算法改善了系统的鲁棒性和动态特性,单关节机械臂的跟踪控制仿真验证了方法的有效性.     

非线性系统的PD型迭代学习控制

非线性系统的ＰＤ型迭代学习控制孙明轩黄宝健张学智（西安工业学院电子系西安７１００３２）关键词初始条件问题,迭代学习控制,非线性系统．１）国家自然科学基金资助项目．收稿日期１９９６－０７－２５１引言运用迭代学习控制技术设计控制器时,只需要通过重复操作获...     

时变非线性系统迭代学习控制遗忘因子算法

针对迭代学习P型控制算法对初始偏差和输出误差扰动的敏感性问题,研究了一种带有遗忘因子的时变非线性系统的迭代学习控制方法.在有扰动的情况下,利用迭代学习过程记忆的期望轨迹,期望控制以及跟踪误差,通过有界学习增益和批次时变因子设计学习控制器,并基于算子理论给出了控制算法存在的充分必要条件及其收敛性分析,改善了系统的鲁棒性和动态特性.最后以注塑机的注射速度控制仿真验证了本文算法的有效性.     

初态学习下的迭代学习控制

提出一种新的初态学习律,以放宽常规迭代学习控制方法的初始定位条件．它允许一定的定位误差,在迭代中不需要定位在某一具体位置上,使得学习控制系统具有鲁棒收敛性．针对二阶LTI系统,给出了输入学习律及初态学习律的收敛性充分条件．依据收敛性条件,学习增益的选取需系统矩阵的估计值,但在一定建模误差下,仍能保证算法的收敛性．所提出的初态学习律本身及其收敛性条件均与输入矩阵无关．     

Iterative learning control for nonlinear systems with uncertain state delay and arbitrary initial error

Most of the existing iterative learning control algorithms proposed for time-delay systems are based on the condition that the time-delay is precisely available, and the initial state is reset to the desired one or a fixed value at the start of each operation, which makes great limitation on the practical application of corresponding results. In this paper, a new iterative learning control algorithm is studied for a class of nonlinear system with uncertain state delay and arbitrary initial error. This algorithm needs to know only the boundary estimation of the state delay, and the initial state is updated, while the convergence of the system is guaranteed. Without state disturbance and output measurement noise, the system output will strictly track the desired trajectory after successive iteration. Furthermore, in the presence of state disturbance and measurement noise, the tracking error will be bounded uniformly. The convergence is strictly proved mathematically, and sufficient conditions are obtained. A numerical example is shown to demonstrate the effectiveness of the proposed approach.     

Iterative learning control with advanced output data for nonlinear non-minimum phase systems

This paper investigates iterative learning control of nonlinear discrete time non-minimum phase systems in tracking problems. The main objective of this paper is to find an input-to-output mapping in order to stabilize the non-minimum phase systems and to obtain an input update law for handling uncertain systems. In conventional approaches on the tracking of non-minimum phase systems, zero dynamics is stabilized from the system equations and the input is calculated from the state information. For the learning of uncertain systems, conventional approaches depend on the output-to-state and state-to-input mappings. In the proposed method, the inverse system is stabilized using the input-to-output mapping for nonlinear non-minimum phase systems. A new input update law is proposed based on the relative degree and the number of non-minimum phase zeros. This makes the overall proposed learning system have a simple structure as in the classical ILC.     

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.     

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.     

线性广义系统的迭代学习控制

针对线性时不变广义系统的迭代学习控制问题．利用时间加权范数性质．通过Frobenius范数给出广义系统在D型和PD型闭环学习律作用下系统的实际输出轨迹逐渐逼近理想输出轨迹的充分条件．并指出在D型闭环学习律的基础上加上P型闭环学习律不影响控制系统的收敛性．但可以改变系统的性能．仿真算例说明了该方法的有效性．     

迭代学习控制现状与展望

迭代学习控制(ILC)作为智能控制的一个分支,经历了约二十年的发展,在理论研究和实际应用方面都取得了可喜的成果,在过程控制中逐渐显现其独到之处。本文在广泛介绍ILC算法的同时,系统地介绍了最近几年ILC理论研究现状、ILC存在的问题和研究方向。     

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.     

Stability and analysis of iterative learning system using frequency domain method

This paper adopts a reinforcement learning control using frequency domain method for a SISO system with friction and input-saturation process. Based on the two-dimensional system theory, the proposed method investigates the robust stability criteria of the SISO iterative learning control system (ILCS) using frequency domain methods. The restrictive conditions for the stability of the ILCS are also derived. A design procedure for the ILCS is outlined. A numerical simulation example is given to demonstrate the utilization of obtained results.