可变学习增益的迭代学习控制律

基于迭代学习控制理论提出了一种可变学习增益的迭代学习律,在非线性系统中对期望轨迹进行跟踪,与学习增益不变的迭代学习控制相比较,收敛速度得到很大的提高;通过对其收敛性进行严格的数学证明,得到了迭代学习律收敛的充分条件;在单机无穷大系统中,将该控制律应用于同步发电机的励磁控制,仿真结果表明该控制律的有效性,改善了控制的动态特性,有利于提高电力系统稳定性.     

反馈辅助PD型迭代学习控制:初值问题及修正策略

讨论迭代初态与期望初态存在固定偏移情形下 的迭代学习控制问题, 提出带有反馈辅助项的PD型迭代学习控制算法, 可实现系统输出对期望轨迹的渐近跟踪. 为了进一步实现输出轨迹在预定有限区间上对期望轨迹的完全跟踪, 提出分别带有初始修正作用和终态吸引的学习算法. 文中给出所提出的学习算法的极限轨迹, 并对学习算法进行收敛性分析, 推导出收敛性充分条件, 可用于学习增益的确定. 通过数值结果, 验证所提学习算法的有效性.     

迭代学习初态问题研究及其在机器人中的应用

在迭代学习控制研究中,通常的一个假设是：系统每次迭代初态与理想初态相等。这个假设对于系统的稳定性分析是非常重要的,因为迭代初态扰动将直接影响到迭代学习控制的跟踪精度。针对此问题,本文提出了一种新的迭代学习控制方法：利用遗忘因子控制初态偏移的影响,在保证系统迭代收敛的前提下,同时对初态进行学习,使其最终趋于理想初态,从而实现非线性系统对期望轨线的严格跟踪。最后,本文所提出方法在机器人模型中的仿真应用表明了本文方法的有效性。     

一类非线性采样系统高阶迭代学习控制

迭代学习控制能够实现期望轨迹的完全跟踪而被广泛关注,但是采样迭代学习控制成果目前还比较少。针对一类有相对阶和输出延迟的非线性采样系统,研究了高阶迭代学习控制算法。利用Newton-Leibniz公式、贝尔曼引理和Lipschiz条件证明了当系统的采样周期足够小,迭代学习初态严格重复,且学习增益满足要求的条件,那么系统输出在采样点上收敛于期望输出。对一阶和二阶学习算法的仿真表明高阶算法在收敛速度上比一阶有明显改善。     

带有初始误差修正的迭代学习控制

１　引言在利用迭代学习算法设计控制器时,为了保证算法的收敛性,常对系统的初态限定一定的条件,这就是所谓的初始条件问题．目前发表的文献大都要求迭代初态严格重复期望初态［１—５］．然而,实际的重复定位操作往往会引起迭代初态相对于期望初态的偏移．在很多情况下期望初态是未知的,而系统初态也是固定的．本文研究在迭代初态任意固定的情况下迭代学习控制问题,提出了带有初始误差修正的迭代学习算法,讨论了这种算法的收敛性,给出了算法的极限轨迹．２　主要结果考虑一类非线性系统ｘ（ｔ）＝ｆ（ｘ（ｔ））＋Ｂ（ｘ（ｔ））…     

迭代学习控制在氯乙烯聚合反应中的应用

由于氯乙烯聚合反应釜是一个具有纯滞后时间长、时间常数大的,且很难建立精确数学模型的被控对象,因此本文提出一种新的控制方案,即采用控制输入和系统初态同时进行学习的闭环PD型迭代学习控制,给出了该算法谱半径形式的收敛条件,并利用算子理论证明了系统在任意初态条件下经过逐次迭代后,其输出能够完全跟踪期望轨迹。仿真结果表明了该算法的有效性。     

改进狼群算法的交通子区迭代学习边界控制方法

针对基于固定增益迭代学习的交通子区边界控制方法收敛速度慢、迭代次数过多及控制精度差的问题。提出了一种迭代学习结合改进狼群算法的交通子区边界控制方案。该方案首先根据宏观基本图理论建立交通子区路网的车辆平衡方程，设计出系统的迭代学习控制律。其次分析了迭代学习控制对宏观基本图的影响，引入自适应步长的狼群算法，该算法以上一批次的宏观基本图为模型，离线对迭代学习控制器的比例和微分增益系数进行寻优，再将最优结果代入下一控制周期迭代学习控制中，进而改善收敛速度与精度。最后，对该方案的收敛性提供了数学证明，而仿真实验结果也表明该算法相较于具有固定增益的迭代学习控制器，收敛速度得到提升，对系统期望轨迹也具有较好的跟踪精度，具有较强的可行性与有效性。     

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.     

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．     

多变量非线性系统的变阶采样迭代学习控制

针对存在初态误差的情形, 提出多变量非线性系统的变阶采样迭代学习控制方法. 相对固定阶迭代学习算法, 变阶算法可有效降低跟踪误差. 对变阶采样迭代学习算法进行了收敛性分析, 推导出收敛充分条件. 给出了变阶学习的两种实现策略-DD (Direct division)和DIP (Division in phases)策略. 数值仿真表明, 基于DIP策略的变阶采样迭代学习算法在获得较高的控制精度的同时, 具有较快的收敛速度.     

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．     

工业过程抗非重复性干扰改进的迭代学习控制

对于实际工业过程系统中存在的非重复性干扰,传统的PD型迭代学习控制不能很好地加以抑制.为此,提出加权PD型指数变增益加速闭环迭代学习控制算法.通过采集非重复性扰动信号,将其转化为设定值阶跃变化的序列,并采用改进的加权PD型指数变增益闭环算法,消除非重复性干扰,从而获得更为理想的系统输出,使控制系统的动态性能得到改善.算法研究表明,当迭代次数趋于无穷时,跟踪误差一致收敛到零.系统仿真验证了所提控制算法的有效性.     

高相对阶连续时间系统的间接迭代学习控制

本文提出了一类高相对阶线性连续时间系统的间接迭代学习控制算法,该算法相对独立于系统局部控制器,因此可以应用于已有局部反馈控制器的系统.采用具有极点配置的H∞鲁棒控制器作为系统的内环控制,而在外环通过迭代学习控制调整内环系统的指令信号.通过引入拉氏变化,构建了迭代学习系统的2-D Roesser模型,推导了系统渐近收敛条件,并研究了存在有界初始条件偏移和迭代变化外部干扰时算法的鲁棒性能.最后,利用空中加油对接控制的算例进一步验证了算法的有效性.     

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.     

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.     

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.经迭代学习后,所设计的学习控制器能够实现系统输出在预指定作业区间上精确跟踪参考信号.最后的仿真结果验证了所提控制算法的有效性.     

倒立摆的可变增益迭代学习控制算法

对倒立摆系统的平衡控制问题进行研究。在建立系统数学模型的基础上,提出指数变增益迭代学习控制律,并设计了控制器。通过系统仿真实验,结果表明：与常规迭代学习控制律相比较,本文采用的方法收敛速度大大加快,系统动态性能得到很大改善。     

非线性系统开闭环PID型迭代学习控制算法的鲁棒性

针对非线性时变系统的迭代学习控制问题提出了一种开闭环PID型迭代学习控制律,并证明了系统满足收敛条件时,具有开闭环PID型迭代学习律的一类非线性时变系统在动态过程存在干扰的情况下控制算法的鲁棒性问题.分析表明,系统在状态干扰、输出干扰和初态干扰有界的情况下跟踪误差有界收敛,在所有干扰渐近重复的情况下可以完全地跟踪给定的期望轨迹.