迭代学习在PID控制中的应用

利用迭代学习过程记忆的期望控制、期望轨迹以及跟踪误差,提出了拟合控制系统的PID控制器参数的方法。用这种方法实现的PID控制器结构简单,作用于系统可获得较佳的动态特性和较强的鲁棒性。仿真实例表明了这种方法具有很好的可行性和实用性。     

基于迭代学习控制的PID控制器的设计方法

研究了迭代学习控制在前馈和反馈环节上的结构原理,克服了迭代学习控制必须在有限时间区间上实现完全跟踪的限制,依据迭代学习控制的特点,提出了两种拟合PID控制器参数的新方法.并进行了仿真实验,充分证明了该方法具有一般性和实用性.     

基于神经网络的迭代学习控制参数拟合

该文介绍了由迭代学习控制理论得到控制律，通过基于神经网络的拟合算法，拟合出PID控制器的参数的方法。仿真实验结果表明了这种方法的有效性。     

带控制时滞广义系统的PID型迭代学习算法

研究了一类线性时滞广义系统的迭代学习控制问题.针对广义系统的特点,引入选代学习控制方法,给出了线性时滞广义系统的PID型选代学习算法.结合矩阵广义逆理论,利用λ范数和Bellman引理,并从理论上给出了算法收敛性的完整证明.研究结果表明,只要充分利用广义系统的特点,寻找合适的收敛性分析方法,便可解决控制时滞广义系统的收敛性问题,对时滞广义系统速代学习控制问题的研究具有重要的理论意义与应用价值.     

改进的PID型迭代学习控制器设计

为了提高PID型控制器的性能,针对当前网络拥塞控制存在的不足:网络拥塞不能建立精确的数学模型,当前的控制方法也没有取得很好地控制效果,尝试将迭代学习控制应用于网络拥塞控制器的设计,即提出一种改进的PID型迭代学习控制的设计.仿真和实验结果表明,采用上述的PID型控制器,被控系统可以获得较佳的动态响应.     

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。     

基于经验数据库的迭代学习初始控制输入量的确定

分析了初始控制输入量对迭代学习控制稳定性和收敛速度的影响，提出充分利用系统以往的控制经验来确定迭代学习初始控制输入量的思想，并给出3类确定方法——线性加权法、拟合曲线法和智能化法，对机器人对象的仿真结果表明，恰当地选取初始控制输入量，可使系统以较小的误差对新任务进行跟踪，进而减少迭代次数，提高学习控制的收敛速度，增强对新环境、新任务的适应能力。     

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。     

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。     

迭代学习控制在电力系统中的应用进展

根据迭代学习控制基本原理及其特性,归纳迭代学习控制在电力系统中的各种应用,对迭代学习控制的最新进展进行详尽的叙述,讨论迭代学习控制在电力系统中应用存在的问题,并对其发展进行展望.     

高阶PID采样迭代学习控制

针对一类非线性带扰动系统提出了高阶PID采样速代学习控制算法,讨论了高阶算法的收敛性问题以及该算法的优势与缺陷.与传统的证明方法不同,利用泰勒级数展开法证明了被控对象在输入干扰和输出测量噪声均有界的情况下,高阶PID采样速代学习控制算法的收敛性,并且得出了收敛条件.由于收敛条件中没有积分项,因此更加利于分析计算.与传统的一阶采样迭代学习控制算法相比,高阶采样迭代学习控制算法由于利用了更多先前的控制信息而能使被控对象的实际输出更加接近理想输出.给出了相应的数值仿真,证明了理论分析的有效性.与此同时,结合啤酒生产过程中糖化阶段中酒花添加等实际问题对该算法的应用前景作了一定的分析.     

分域设计迭代学习控制器抑制非重复性扰动

为了抑制迭代方向上已知重复样式的非重复性输出扰动,提出了迭代学习控制(Iterative Learning Control,ILC)的分域算法。时间域内设计传统PID型迭代学习控制器,并且优化其参数;迭代域内利用内模原理抑制非重复性输出扰动,跟踪期望轨迹;利用加权思想将两者相结合,得到迭代学习控制器的分域设计算法。相对于已有算法,建立了针对一般扰动的设计框架,并且合理配置了算法的参数,使收敛速度及精度有所提高。仿真结果说明了该算法的有效性。     

提高迭代自学习控制算法收敛速度初探

从学习律、学习律参数、输出误差等三方面讨论了迭代自学习算法的收敛速度,为提高该算法的收剑速度得到了一些有用的结论。     

迭代学习控制的研究与现状

迭代学习控制适用于工业机器人、数控机床等具有重复运行特性的领域,在非线性、未知模型等系统的控制方面有着独到优势。本文论述了迭代学习控制的基本理论问题,系统介绍了理论研究现状及工程应用,并讨论了其存在的问题和发展趋势。     

迭代学习控制理论的现状与展望

论述了迭代学习控制的基本理论问题,着重讨论了迭代学习理论研究的现状及其存在的问题,提出了一些有待进一步研究的方 面。     

基于迭代继电反馈的多变量PID控制器自整定

PID控制是工业过程中最常用的控制方法,但在实际生产过程中,被控过程往往是多变量、有耦合的,常规PID控制器参数往往整定不良、性能欠佳,对运行工况的适应性较差。为此,将迭代反馈理论和继电整定方法有机结合起来,提出一种适用于存在耦合的多变量系统PID控制器的参数整定方法。运用该方法整定PID参数,不需要被控对象的数学模型,而且具有速度快、效果好等优点。     

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。     

Experience-Based Iterative Learning Controllers for Robotic Systems

An experience based iterative learning controller is proposed for a general class of robotic systems. Experience of the iterative learning controller is stored in the memory in terms of input output data and later used for the prediction of the initial control input for a new desired trajectory. It is proved in this paper that using this approach we can reduce the number of iterations to achieve a certain user defined tracking accuracy. This approach is very general and applicable to all kinds of existing iterative learning control schemes. Numerical illustrations showed the effectiveness of the proposed method.     

Iterative Learning Control Utilizing the Error Prediction Method

In this paper, iterative learning control utilizing the error prediction method is proposed for a class of linear time varying systems subjected to disturbances. Prediction of the error is done by identifying the system time varying parameters. Convergence of the proposed method is analyzed and the uniform boundedness of tracking error is obtained in the presence of uncertainty and disturbances. It is shown that the learning algorithm not only guarantees the robustness, but also improves the learning rate despite the presence of disturbances. The effectiveness of the proposed method is presented by simulations.