机械臂变长度误差跟踪迭代学习控制

针对任意初始状态下机械臂轨迹跟踪问题,提出一种变长度误差跟踪迭代学习控制(Iterative learning control,ILC)方法.首先,构造不依赖于期望轨迹的双曲余弦型期望误差轨迹,放宽经典迭代学习控制初始状态要求严格一致的条件.由于该误差轨迹只需设置一个常数项,因而能够有效减少计算量,使得期望误差轨迹的设计更为简单.其次,考虑机械臂运行区间随迭代次数变化的问题,构建虚拟误差变量补偿机制,通过定义虚拟误差变量对未运行区间进行信息补偿,放宽经典迭代学习控制的迭代长度不变条件.在此基础上,基于Lyapunov-like理论设计迭代学习控制器和全限幅学习律,实现机械臂关节位置在指定区间上跟踪给定的期望轨迹和保证未知参数估计值的有界性.最后,仿真结果验证了所提方法的有效性.

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.

具有死区输入的非参数不确定系统误差跟踪迭代学习控制

本文针对一类具有非对称死区输入的非参数不确定系统设计了一种误差跟踪迭代学习控制(ILC)算法。首先,构造一种新型的期望误差轨迹放宽经典迭代学习控制的初值一致条件。其次,利用微分中值定理将非对称死区转换为线性形式,并利用径向基函数(RBF)神经网络对系统不确定性和死区参数进行估计和补偿。在此基础上,设计误差跟踪迭代学习控制器和组合自适应律,实现系统在指定区间对期望轨迹的高精度跟踪。最后,基于Lyapunov-Like理论进行稳定性分析,并通过仿真验证了本文所提方法的有效性。