未知时变时滞非线性参数化系统自适应迭代学习控制

针对含有未知时变参数和时变时滞的非线性参数化系统,提出了一种新的自适应迭代学习控制方法.该方法将参数分离技术与信号置换思想相结合,可以处理含有时变参数和时滞相关不确定性的非线性系统.设计了一种自适应控制策略,使跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造Lyapunov-Krasovskii型复合能量函数,给出了闭环系统收敛的一个充分条件.给出两个仿真例子验证了控制方法的有效性.     

非线性参数化系统自适应迭代学习控制

研究一类含有未知时变参数的非线性参数化系统的学习控制问题.利用参数分离技术和信号置换思想,通过置换系统方程,合并所有时变参数为一个未知时变参数,用迭代自适应方法估计该未知参数,设计了一种自适应迭代学习控制方法,使得跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造一个类Lyapunov函数,给出了跟踪误差收敛和所有闭环系统信号有界的一个充分条件.仿真结果验证了该方法的有效性.     

控制方向未知的二阶时变非线性系统自适应迭代学习控制

对一类二阶严格反馈时变非线性系统的自适应迭代学习控制问题进行了研究.系统中含有非周期时变参数化不确定性且控制方向未知.首先,提出了一种神经网络估计器,实现了对未知非周期时变非线性函数的逼近.随后,用Nussbaum函数对未知控制方向进行了自适应估计,并综合应用baCkstcpping技术和自适应迭代学习控制技术设计了控制器.所设计的控制器能保证系统所有状态量在Lpe-范数意义下有界,且系统的输出量在LT2-范数意义下收敛到期望轨迹.最后的仿真研究证明了控制器设计方法的有效性.     

非线性时变参数不确定系统的自适应迭代学习控制

利用离散时间轴与迭代轴之间的相似性, 提出了一种新的离散时间自适应迭代学习控制 (AILC) 方法来处理带有时变参数不确定性的非线性系统. 与自适应控制相类似, 所提出的 AILC 是基于投影算法的, 因此学习增益可以沿学习轴迭代地调节. 在随机初始状态和参考轨迹迭代变化的条件下, 所提出的 AILC 仍可沿迭代学习轴渐近地实现有限时间区间上的逐点收敛性.     

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.     

周期时变时滞非线性参数化系统的自适应学习控制

针对一阶未知非线性参数化周期时变时滞系统, 设计了一种自适应学习控制方案. 假设未知时变参数, 时变时滞和参考信号的共同周期是已知的, 通过重构系统方程, 将包含时变时滞在内的所有未知时变项合并成为一个周期时变向量, 采用周期自适应律估计该向量. 通过构造一个Lyapunov-Krasovskii型复合能量函数证明了所有信号有界并且跟踪误差收敛. 结果被推广到一类含有混合参数的高阶非线性系统. 通过两个仿真例子说明本文所提出的控制算法的有效性.     

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。     

时变时滞非线性系统自适应神经网络控制

对于一类具有未知时变时滞和虚拟控制系数的不确定严格反馈非线性系统,基于后推设计提出一种自适应神经网络控制方案.选取适当的Lyapunov-Krasovskii泛函补偿未知时变时滞不确定项.通过构造连续的待逼近函数来解决利用神经网络对未知非线性函数进行逼近时出现的奇异问题.通过引入一个新的中间变量,保证了虚拟控制求导的正确性.仿真算例表明,所设计的控制器能保证闭环系统所有信号是半全局一致终结有界的,且跟踪误差收敛到零的一个邻域内.     

非线性时变系统开闭环P型迭代学习控制的收敛性

对于非线性时变系统,给出了其开闭环P型迭代学习控制收敛的充要条件.这些收敛条件与被控系统状态方程的具体形式无关.对比表明,该文的结论改进了现有结果.     

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.     

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。     

Adaptive iterative learning control for nonlinearly parameterized systems with unknown time-varying delay and unknown control direction

This paper proposes a new adaptive iterative learning control approach for a class of nonlinearly parameterized systems with unknown time-varying delay and unknown control direction.By employing the parameter separation technique and signal replacement mechanism,the approach can overcome unknown time-varying parameters and unknown time-varying delay of the nonlinear systems.By incorporating a Nussbaum-type function,the proposed approach can deal with the unknown control direction of the nonlinear systems.Based on a Lyapunov-Krasovskii-like composite energy function,the convergence of tracking error sequence is achieved in the iteration domain.Finally,two simulation examples are provided to illustrate the feasibility of the proposed control method.     

Variable-gain PD-type iterative learning control for a class of nonlinear time-varying systems

This paper investigates variable-gain PD-type iterative learning control (ILC) for a class of nonlinear time-varying systems to well balance high-gain convergence rate and low-gain noise transmission. Different from the classic PD-type ILC, the control gains of the proposed method are variable. Each variable-gain consists of an amplitude-dependent term and an iteration-varying term. The amplitude-dependent terms vary with the amplitudes of tracking error and derivative of tracking error, and the iteration-varying terms are increasing along the iteration axis. The proposed ILC achieves a faster convergence rate than low-gain ILC and higher tracking accuracy with limited noise amplification than high-gain ILC. Moreover, the convergence condition of the proposed method in the presence of external noise is provided. Simulation and experimental results demonstrate the effectiveness of the proposed method.     

块控非线性系统自适应神经网络控制

针对一类含有非匹配不确定性的块控型多输入多输出非线性系统,提出一种基于反演技术和RBF神经网络的控制系统设计方案.通过引入一种改进型的Lyapunov函数,避免了控制矩阵未知情况下可能出现的奇异问题.在控制系统设计过程中,充分应用鲁棒自适应控制技术,解决了多输入多输出结构不确定性所带来的设计难题,得到了系统所有状态量将全局指数收敛至原点附近一个邻域的结论.最后的仿真结果表明了设计方案的正确性.     

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.     

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.     

Observer-based adaptive iterative learning control for nonlinear systems with time-varying delays

An observer-based adaptive iterative learning control (AILC) scheme is developed for a class of nonlinear systems with unknown time-varying parameters and unknown time-varying delays. The linear matrix inequality (LMI) method is employed to design the nonlinear observer. The designed controller contains a proportional-integral-derivative (PID) feedback term in time domain. The learning law of unknown constant parameter is differential-difference-type, and the learning law of unknown time-varying parameter is difference-type. It is assumed that the unknown delay-dependent uncertainty is nonlinearly parameterized. By constructing a Lyapunov-Krasovskii-like composite energy function (CEF), we prove the boundedness of all closed-loop signals and the convergence of tracking error. A simulation example is provided to illustrate the effectiveness of the control algorithm proposed in this paper.     

Adaptive control of a class of nonlinear time-varying systems with multiple models

The adaptive control of nonlinear systems that are linear in the unknown but time-varying parameters are treated in this paper. Since satisfactory transient performance is an important factor, multiple models are required as these parameters change abruptly in the parameter space. In this paper we consider both the multiple models with switching and tuning methodology as well as multiple models with second level adaptation for this class of systems. We demonstrate that the latter approach is better than the former.