输入增益未知非参数不确定系统的准最优学习控制

为解决一类非参数不确定系统在任意初态且输入增益未知情形下的轨迹跟踪问题, 提出准最优误差跟踪学习控制方法.该方法综合准最优控制和迭代学习控制两种技术设计控制器, 在构造期望误差轨迹的基础上, 根据控制Lyapunov函数及Sontag公式给出标称系统的优化控制, 以鲁棒方法和学习方法相结合的策略处理非参数不确定性.闭环系统经过足够次迭代运行后, 经由实现系统误差对期望误差轨迹在整个作业区间上的精确跟踪, 获得系统状态对参考信号在预设的部分作业区间上的精确跟踪.仿真结果表明所设计学习系统在收敛速度方面快于非优化设计.     

非参数不确定系统约束迭代学习控制

讨论一类非参数不确定系统的约束迭代学习控制问题.构造二次分式型障碍李雅普诺夫函数(Barrier Lyapunov functions),用于学习控制器设计.控制方案采用鲁棒方法与学习机制相结合的手段处理非参数不确定性,鲁棒方法对处理后的不确定性的界予以补偿,学习机制对处理后的不确定性进行估计.可实现系统状态在整个作业区间上完全跟踪参考轨迹,并使得系统误差的二次型在迭代过程中囿于预设的界内,进而在运行过程中实现状态约束.提出的迭代学习算法包括部分限幅与完全限幅学习算法.采用这种BLF约束控制系统有利于提高控制系统中设备安全性.仿真结果用于验证所提出控制方法的有效性.     

非参数不确定系统的有限时间迭代学习控制

针对任意初态情形,引入初始修正作用,研究一类非参数不确定时变系统能够达到实际完全跟踪性能的迭代学习控制方法. 采用Lyapunov-like综合,设计迭代学习控制器处理不确定性时变系统非参数化问题,其中含有有限时间控制作用,以实现在预先指定区间上的零误差跟踪. 并且,运用完全限幅学习机制,保证闭环系统中各变量的一致有界性以及跟踪误差的一致收敛性. 仿真结果表明了所提出控制方法的有效性.     

基于H∞方法的不确定系统迭代学习控制设计

针对不确定线性离散系统,研究了开闭环型的鲁棒迭代学习控制器。给出了控制器收敛的充分条件,根据此条件,将迭代学习控制的设计问题转化为H∞设计问题,提出了一种兼具反馈闭环控制与前馈学习控制的鲁棒迭代学习控制律,并采用H∞性能指标对系统进行优化,使系统的收敛率基于H∞最优,然后使用线性不等式（LMI）方法求解迭代学习控制器的参数。仿真实例表明了该设计方法的有效性。     

基于2D理论的点对点综合预测迭代学习控制

基于二维系统综合预测迭代学习控制(2D-IPILC)方法,结合轨迹更新策略研究点对点跟踪问题的控制算法.该算法既能够充分利用点对点问题在非跟踪点的自由度,也可以通过引入模型预测控制来提高时间轴的抗干扰能力.由于轨迹更新中引入时变参数,该2D模型为时变2D模型,因此分析状态转移矩阵特性和系统全响应,进而采用2D理论分析算法的收敛性和收敛条件,并分析参数对控制效果的影响.相比固定轨迹算法,该算法的收敛速度更快,稳定性比直接型优化算法更好.最后通过仿真实例验证了所提出算法的效果.     

具有未知死区输入非线性系统的迭代学习控制

针对一类具有死区输入非线性系统,提出一种实现有限作业区间轨迹跟踪控制的神经网络迭代学习算法.基于Lyapunov-like方法设计学习控制器,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.为处理输入死区,利用神经网络逼近这种强非线性特性;同时,通过对神经网络逼近误差界的估计并在控制器中设置补偿作用以消除其影响,从而提高系统的跟踪性能.     

时滞不确定系统DMC约束控制的鲁棒性条件

讨论具有控制变量约束的时滞线性不确定系统DMC算法的鲁棒稳定性充要条件,共有两个部分：1）线性时滞DMC约束控制算法,通过在预测模型中引进模型误差补偿时ε1（k)和干扰修正量ε2（k)来补偿预测输出,减小预测误差;2）给出闭环系统鲁棒稳定的充要条件,得出了保证系统鲁棒性的模型误差,干扰、预测误差、跟踪误差以及期望输出各量之间的定量关系。     

正则系统在Lebesgue-p范数意义下的快速迭代学习控制

针对一类线性正则系统,传统迭代学习控制算法收敛速度较低的问题,设计了一种快速迭代学习控制算法。该算法在传统P型迭代学习控制算法基础上,增加了由相邻两次迭代时跟踪误差构成的上一次差分信号和当前差分信号,并在Lebesgue-p范数度量意义下,利用卷积推广的Young不等式严格证明了,当迭代次数趋于无穷大时,系统的跟踪误差收敛于零,并给出了算法的收敛条件。该算法与传统P型迭代学习控制算法相比,不仅提高了收敛速度,而且还避免了采用λ范数度量跟踪误差的缺陷,最后通过仿真结果进一步验证了所提算法的有效性。     

时滞不确定系统DMC约束控制鲁棒性仿真研究

建立了研究DMC约束控制鲁棒性较有效的仿真模型，通过该仿真模型，可以方便地研究系统的有关参数对鲁棒性的影响，仿真结果表明，选择一定的参数，DMC约束控制有较大的模型失配范围和对干扰的有效抑制能力。     

非参数不确定系统状态受限误差跟踪学习控制方法

针对一类非参数不确定系统,提出误差跟踪学习控制方法,同时解决学习控制系统的初值问题和状态约束问题.利用障碍Lyapunov函数设计控制器,采用鲁棒方法与学习方法相结合的策略处理非参数不确定性,将滤波误差约束于预设的界内,并由此实现对系统状态在各次迭代运行过程中的约束.文中构造了一种期望误差轨迹,经过足够多次迭代后,所提控制方法使得系统误差在整个作业区间以预设精度跟踪期望误差轨迹,系统状态在部分作业区间精确跟踪参考信号.仿真结果表明了该控制方案的有效性.     

含输入死区系统的滤波误差初始修正迭代学习控制

针对一类输入环节含死区非线性特性且误差初值非零的非参数不确定系统,提出滤波误差初始修正学习控制方案,分别解决死区斜率下限可知与未知两种情形下的轨迹跟踪问题.给出了两种修正滤波误差信号构造方法,并根据Lyapunov综合方法设计学习控制器,采用鲁棒学习策略处理非参数不确定性和死区非线性特性.经过足够多次迭代后,实现滤波误差在预设的作业区间也收敛于零.文中所提出的控制方案,具有构造简单与实施方便的特点,仿真结果表明了本文所提控制方法的有效性.     

不确定性机器人系统自适应鲁棒迭代学习控制

利用Lyapunov方法, 提出了一种不确定性机器人系统的自适应鲁棒迭代学习控制策略, 整个系统在迭代域里是全局渐近稳定的. 所考虑的机器人系统同时包含了结构和非结构不确定性. 在设计时, 系统的不确定性被分解成可重复性和非重复性两部分, 并考虑了系统的标称模型. 在所提出的控制策略中, 自适应策略用来估算做法确定性的界, 界的修正与迭代学习控制量一样的迭代域得以实现的. 计算机仿真表明本文提出的控制策略是有效的.     

Adaptive iterative learning controller with input learning technique for a class of uncertain MIMO nonlinear systems

In this paper, an adaptive iterative learning controller (AILC) with input learning technique is presented for uncertain multi-input multi-output (MIMO) nonlinear systems in the normal form. The proposed AILC learns the internal parameter of the state equation as well as the input gain parameter, and also estimates the desired input using an input learning rule to track the whole history of command trajectory. The features of the proposed control scheme can be briefly summarized as follows: 1) To the best of authors’ knowledge, the AILC with input learning is first developed for uncertain MIMO nonlinear systems in the normal form; 2) The convergence of learning input error is ensured; 3) The input learning rule is simple; therefore, it can be easily implemented in industrial applications. With the proposed AILC scheme, the tracking error and desired input error converge to zero as the repetition of the learning operation increases. Single-link and two-link manipulators are presented as simulation examples to confirm the feasibility and performance of the proposed AILC.

     

Fixed point theorem-based iterative learning control for LTV systems with input singularity

In this paper, we address a challenging and open problem: how to design a suitable iterative learning control (ILC) system in the presence of input singularity, which is incurred by the singularities of the system direct feed-through term. Considering two typical types of input singularities, we first revise the ILC operators accordingly by adding a forgetting factor and incorporating a time-varying learning gain, in the sequel guarantee ILC operators to be contractible. Next, using the Banach fixed-point theorem, we demonstrate that the output sequence can either enter and remains ultimately in a designated neighborhood of the target trajectory, or is bounded by a class K function. Finally, an illustrative example is presented.     

A note on the control of uncertain linear dynamical systems with constrained control input

A method is presented to design a stabilizing saturated state feedback controller for linear continuous-time systems with bounded uncertainty acting via the input channel.     

一类不确定运动系统的空间迭代学习控制

本文讨论了一类在有限空间区间内重复运行的不确定运动系统的跟踪控制问题.通过引入空间状态微分算子和空间复合能量函数,提出了一种空间周期的自适应迭代学习控制算法.首先利用空间状态微分算子,将系统从时间域转化到空间域形式.然后基于空间复合能量函数设计了控制器,利用含限幅作用的参数自适应律逼近系统中的不确定性,同时引入鲁棒项共同抑制非参数不确定性的影响.通过严格的数学分析,证明了在标准初始条件和随机有界初始误差两种情况下的跟踪误差收敛性.最后通过列车仿真进一步验证了该算法的有效性.     

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.     

On reference governor in iterative learning control for dynamic systems with input saturation

Input saturation is inevitable in many engineering applications. Most existing iterative learning control (ILC) algorithms that can deal with input saturation require that the reference signal is realizable within the saturation bound. For engineering systems without precise models, it is hard to verify this requirement. In this note, a “reference governor” (RG) is introduced and is incorporated with the available ILC algorithms (primary ILC algorithms). The role of the RG is to re-design the reference signal so that the modified reference signal is realizable. Two types of the RG are proposed: one modifies the amplitude of the reference signal and the other modifies the frequency. Our main results provide design guidelines for two RGs. Moreover, a design trade-off between the convergence speed and tracking performance is also discussed. A simple simulation result verifies the effectiveness of the proposed methods.     

一类控制输入饱和受限的不确定系统滑模控制

本文研究控制输入饱和受限情况下不确定系统的滑模控制问题,其中,被控对象同时存在状态矩阵不确定性和控制增益矩阵不确定性.设计了一种积分型切换面和一个具有特殊结构的滑模控制律,可以在参数不确定和控制受限影响下保证系统状态轨迹有限时间内到达指定的切换面,利用等价控制律方法给出了滑模动态渐近稳定的充分条件.数值仿真例子验证了本文算法的有效性.