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...     

局部对称积分型迭代学习控制

提出了一个新的迭代学习控制（ＩＬＣ）更新律用于连续线性系统的有限时间区间跟踪控制,迭代学习控制作为一个前馈控制,迭代学习控制作为一个前馈控制器加在已有的反馈控制器之上,对于上倥 的反馈控制信号作局部对称积分,所提出的迭代学习控制更新律具备较简单的形式且仅含有两个设计参数,即：学习增益和局部积分的区间长度,给出了收敛性分析以及设计步骤。     

神经网络学习控制在液压转台控制中的应用

本文将学习控制和神经网络方法结合起来，既避免了前者对重复性的要求，又避免了后者对于快速系统实时的控制的困难，将其应用于对液压转台中偏载干扰的抑制，取得了良好的仿真结果。     

基于未知高频增益的非线性系统自适应迭代学习控制

针对一类单输入单输出不确定非线性重复跟踪系统，提出一种基于完全未知高频反馈增益的自适应迭代学习控制，与普通迭代学习控制需要复习增益稳定性前提条不同，自适应迭代学习控制通过不断修改Nussbaum形式的高频学习增益达到收敛，经证明当迭代次数i→∞时，重复跟踪误差可一致收敛到任意小界δ。仿真结果表明了该控制方法的有效性。     

基于模糊PD型输入迭代学习的工业机器人轨迹跟踪控制

针对工程应用中工业机器人的内置控制器在确定其结构和控制参数后一般不能修改的问题,提出一种基于机器人内置控制器的模糊比例—微分(PD)型输入迭代学习轨迹跟踪控制方法。利用跟踪误差及其导数构建控制律,控制参数采用模糊增益调整型进行自整定,无需根据轨迹反复调整,并将迭代学习量叠加到轨迹输入中,通过更新实际轨迹输入来提高目标轨迹的跟踪精度。MATLAB/SIMULINK仿真和六自由度工业机器人实验结果表明:提出的方法能够在不影响机器人内置控制器稳定性的基础上,实现更高精度的轨迹跟踪。     

迭代学习控制的回顾与展望

本文综述了迭代学习控制和神经网络学习研究的概况，并对其存在的问题和发展趋势作了讨论。     

基于未知高频增益的非线性系统自适应迭代学习控制

针对一类单输入单输出不确定非线性重复跟踪系统,提出一种基于完全未知高频反馈增益的自适应迭代学习控制.与普通迭代学习控制需要学习增益稳定性前提条件不同,自适应迭代学习控制通过不断修改Nussbaum形式的高频学习增益达到收敛.经证明当迭代次数i→∞时,重复跟踪误差可一致收敛到任意小界δ.仿真结果表明了该控制方法的有效性.     

误差约束严格反馈系统的迭代学习控制

针对一类严格反馈非线性系统,本文提出误差跟踪学习控制算法,旨在解决状态约束问题和系统的初值问题.文中构造了二次分式型对称障碍Lyapunov函数以及二次分式型非对称障碍Lyapunov函数,并结合反推技术来分别设计学习控制器.两种控制方案里分别采用积分学习律和微分–差分学习律估计未知系数.系统跟踪误差在控制器作用下囿于预设的界内,从而实现迭代过程中对状态的约束;引入期望误差轨迹,经迭代学习后,两种控制方案均能够实现状态误差在整个作业区间上对期望误差轨迹的完全跟踪,并且实现系统输出在预指定作业区间上精确跟踪参考信号.数值仿真结果表明了控制方案的有效性.     

迭代学习控制理论进展与挑战

迭代学习控制理论进展与挑战林辉，戴冠中（西北工业大学自动控制系·西安，７１００７２）１前言让控制器本身具有某种“智能”，使得它在控制过程中能不断地完善自己，以使控制效果越来越好．这种具有“学习”能力的控制器一直是控制工程师们追求的目标．自从ＦＵ［‘］...     

迭代学习控制的研究现状

迭代学习控制经历了二十多年的发展历程,已经取得了很多研究成果,现已成为智能控制的一个重要研究方向,并得到越来越广泛的应用.本文对迭代学习控制的基本原理和主要研究问题从发展的角度作了详细阐述,并对其应用作了细致介绍.     

一类具有控制时滞非线性系统在任意初值下的开环PD型迭代学习控制

在迭代学习控制理论的收敛性分析中,常见的初始条件是迭代初值与期望初值一致,或者迭代初值固定,给出了一类含控制时滞非线性时变系统在任意初值条件下采用开环PD型迭代学习控制算法时的收敛条件.迭代学习采用控制输入与初值同时学习的算法,其中控制输入利用了给定超前法,该算法解决了控制时滞和初值问题.运用算子理论证明了收敛条件,给出了间歇非线性控制时滞过程仿真实例,研究结果说明了该算法的有效性.     

严格反馈非线性时变系统的迭代学习控制

针对一类含未知时变参数的严格反馈非线性系统, 提出一种实现有限作业区间轨迹跟踪控制的迭代学习算法. 基于Lyapunov-like方法设计控制器, 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. 以反推设计(Backstepping)方法设计控制器, 为使得虚拟控制项可导, 引入一级数收敛序列; 将时变参数展开为有限项多项式形式, 在控制器设计中采取双曲正切函数处理余项对于系统跟踪性能的影响. 理论分析表明, 闭环系统所有信号有界, 并能够实现系统输出完全收敛于理想轨迹.     

Fundamental Trackability Problems for Iterative Learning Control

Generally, the classic iterative learning control(ILC)methods focus on finding design conditions for repetitive systems to achieve the perfect tracking of any specified trajectory,whereas they ignore a fundamental problem of ILC: whether the specified trajectory is trackable, or equivalently, whether there exist some inputs for the repetitive systems under consideration to generate the specified trajectory? The current paper contributes to dealing with this problem. Not only is a concept of trac...     

电动伺服舵机系统中的迭代学习控制

电动伺服舵机控制系统采用全数字三环控制策略,分别为位置环、速度环和电流环;作为内环的电流环,应具有良好的稳态和动态特性,其输出电流要求快速准确地跟踪给定电流,以保证舵机控制系统高性能位置伺服的要求;在传统的增量式积分分离PI控制算法的基础上,引入-D型迭代学习控制前馈环节,提高了电流跟踪的快速性和跟踪精度,建立了系统的数学模型并在MATLAB上进行了系统仿真;仿真结果表明,引入D型迭代学习控制后,电流环的稳态和动态特性良好,保证了输出电流跟踪的快速性、精确性.     

Stochastic Iterative Learning Control With Faded Signals

Stochastic iterative learning control (ILC) is designed for solving the tracking problem of stochastic linear systems through fading channels. Consequently, the signals used in learning control algorithms are faded in the sense that a random variable is multiplied by the original signal. To achieve the tracking objective, a two-dimensional Kalman filtering method is used in this study to derive a learning gain matrix varying along both time and iteration axes. The learning gain matrix minimizes the trace of input error covariance. The asymptotic convergence of the generated input sequence to the desired input value is strictly proved in the mean-square sense. Both output and input fading are accounted for separately in turn, followed by a general formulation that both input and output fading coexists. Illustrative examples are provided to verify the effectiveness of the proposed schemes.      

同步发电机初态学习与PSS结合的励磁控制

为了解决开环迭代学习励磁控制器对大干扰耐受力差、对初始定位要求严格的问题,针对多机电力系统,设计了具有初态学习的开闭环迭代学习控制(ILC)+PSS的励磁控制器。该控制器在开环ILC的基础上,引入机端电压闭环反馈信号,另外为放宽对初态的要求,允许有一定的初始定位误差,对算法还进一步改进,初态也进行学习,同时还结合PSS提供的正阻尼能力,以增强系统的功角稳定性。最后,仿真结果表明,该励磁控制器不但能快速达到机端电压的调节精度,而且改善了系统的功角稳定性。     

非线性快速批次过程高效迭代学习预测函数控制EI北大核心CSCD

迭代学习模型预测控制(Iterative learning model predictive control,ILMPC)具备较强的批次学习能力及突出的时域跟踪性能,在批次过程控制中发挥了重要作用.然而对于具有强非线性的快动态批次过程,传统的迭代学习模型预测控制很难实现计算效率与跟踪精度之间的平衡,这给其应用带来了挑战.对此本文提出一种高效迭代学习预测函数控制策略,将原非线性系统沿参考轨迹线性化得到二维跟踪误差预测模型,并在控制器设计中补偿所产生的线性化误差,构造优化目标函数为真实跟踪误差的上界.为加强优化计算效率,在时域上结合预测函数控制以降低待优化变量维数,从而有效降低计算负担.结合终端约束集理论,分析了迭代学习预测函数控制的时域稳定性及迭代收敛性.通过对无人车和典型快速间歇反应器的仿真实验验证所提出算法的有效性.     

基于迭代学习的农业车辆路径跟踪控制

由于农作物的播种、收获、除草和农药化肥喷洒具有周期性的特点,农业车辆在执行农田作业时具有较强的重复性. 基于迭代学习控制（Iterative learning control,ILC）方法研究农业车辆的路径跟踪问题,建立了农业车辆的两轮移动机器人运动学模型,设计了车辆路径跟踪的迭代学习控制算法,并基于压缩 映射方法理论上证明了算法的收敛性. 研究表明,迭代学习控制可有效利用农业车辆运行的重复信息,实现车辆期望路径有限区间内的高精度完全跟踪控制. 仿真示例验证了本文方法的有效性.     

非正则线性系统的闭环P型迭代学习控制

迭代学习控制是改善具有重复运行性质过程的跟踪性能的有效方法。开环迭代学习控制学习周期长，在迭代学习的初期容易出现不稳定和高增益的现象。对非正则系统的迭代学习控制，需要采用高阶微分学习律。该文针对一类非正则线性定常连续系统，讨论了闭环P型迭代学习控制律，给出并证明了闭环P型迭代学习控制律的收敛性条件的两个定理，解决了非正则系统的P型迭代学习控制问题。仿真实例说明闭环迭代学习律的有效性和快速性。     

Synchronization of Heterogeneous Multi‐Agent Systems by Adaptive Iterative Learning Control

In this work, under a repeatable control environment, an adaptive iterative learning control method is applied to synchronize a group of uncertain heterogeneous agents. The agent dynamics are modeled by nonlinear equations, which contain both parametric and non‐parametric uncertainties. Furthermore, the uncertainties are assumed to be general nonlinear terms instead of the global Lipschitz functions. The communication among the followers is depicted by an undirected and connected graph, meanwhile, the virtual leader's trajectory is only accessible to a small portion of the followers. The proposed learning rules enable all the followers to learn and handle both parametric and non‐parametric uncertainties based on the local information such that the followers can synchronize their trajectories to the desired one. In comparison with the existing literature, most works assume first or second order nonlinear systems, and perfect initial conditions. In order to mitigate the identical initialization condition, the applicability of alignment condition and initial rectifying action are further explored. In addition, our developed algorithms can be applied to general high order nonlinear systems. Finally, synchronization examples of networked robotic manipulators are presented to demonstrate the effectiveness of the developed methods.