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.     

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.     

基于反馈控制的迭代学习控制器设计

针对具有不确定项或干扰项的重复非线性时变系统,提出了基于反馈控制的迭代学习控制器,其中迭代学习控制器设计为高阶PD型,它以前馈的形式作用于对象,在满足一定的收敛性条件下,证明了该控制器的跟踪误差界是系统初始状态误差界和系统输出干扰项界的线性函数,同时改变反馈增益可以调整系统的最终跟踪误差界,仿真与实验均表明了该方法的有效性。     

基于迭代学习的PID控制研究

本文利用迭代学习控制过程记忆的期望控制ud（t）、期望轨迹yd（t）以及跟踪误差ek（t）提出了拟合系统PID控制器参数的方法。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,这种方法具有很好的可行性和实用性。     

迭代学习控制在励磁控制器设计中的应用

将迭代学习控制理论应用于励磁控制器的设计中,提出了一种新的设计方法,克服了迭代学习控制在有限时间区间上实现完全跟踪的限制.该方法设计的控制器结构简单,可获得较佳的静态和动态特性.采用MATLAB/Simulink软件对单机-无穷大系统进行仿真,结果表明了该方法的有效性和一般性.     

随机噪声干扰下的迭代学习控制器设计

为解决迭代学习控制系统中随机噪声扰动问题,提出基于无限脉冲响应（ⅡR）数字滤波器的优化迭代学习控制器设计方法。该方法在首次迭代时对系统输出误差进行基于小波变换的两轮实验法滤波;其次根据小波滤波获得的输出误差确定部分及原误差信号作为输入输出辨识出等效ⅡR线性滤波器,并重构优化误差目标函数,进一步利用优化方法对迭代学习控制器优化设计;最后利用获得的线性滤波器及新学习律对系统进行后续批次迭代,直到满足收敛条件为止。仿真显示：在针对输出误差二范数这个性能指标,该方法与小波滤波相比,降低了近15%,并消除了由于小波滤波阈值选取过小产生的振铃现象;在批次间噪声累积上,降低了9%左右。仿真结果表明,提出的等效滤波器综合设计方法,有效抑制了随机噪声的影响,并提高了系统跟踪的准确性。     

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。     

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。     

基于深度学习的控制器设计研究

深度学习目前在学术和工业领域中具有非常重要的地位,深度学习在特征提取与模型拟合方面存在相当的优势.对于存在高维数据的控制系统,引入深度学习具有一定的意义.论文介绍了使用深度学习算法来设计控制器,探索将深度学习应用于控制领域的情况.论文是通过让深度学习控制器来模拟控制领域中经典的PID控制器,来控制带负载的直流电机.用P...     

不确定线性系统迭代学习控制器的设计

推导出采用闭环动态迭代学习律的不确定线性系统收敛充分条件, 把它转化为系统输出反馈H_∞控制问题, 然后用线性矩阵不等式 (LMI)方法系统设计迭代学习控制器, 控制器具有鲁棒性较强、阶次较低等优点. 最后仿真结果表明该设计方法的有效性.     

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。     

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。     

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.     

迭代学习控制在配料控制系统中的应用

针对某水泥厂原有的配料控制器存在的配比不准、精度不高和稳定性差等方面的不足,着重论述了称量配料过程中的精度控制,通过分析动态称量配料过程的物理机理,建立了动态称量配料过程的数学模型并进行了定性分析,并利用迭代学习的控制算法对水泥配料控制器进行了改进,对控制算法进行了详细的介绍,结果表明,该控制方法较传统控制方法在控制精度上有了明显提高。     

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.     

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.     

迭代学习控制新进展

从学习算法、收敛性、鲁棒性、收敛速度、2-D模型以及实际应用等方面对迭代学习控制的最新进展作了比较详尽的总结, 最后讨论了迭代学习控制存在的问题及有前景的研究方向.