初态学习下非仿射非线性系统的迭代学习控制

针对非仿射非线性系统,提出初态学习律,并给出关于初态学习的收敛性充分条件.初态学习使得系统在每次迭代开始时,不严格要求其初态与期望初态重合或者固定于某一具体位置上,而是允许存在一定的定位偏差.利用压缩映射分析方法,推导出在初态学习下的开环学习律、闭环学习律、开闭环学习律的收敛性充分条件,证明了迭代学习控制系统关于初始定位误差的鲁棒收敛性.依据此收敛性条件,可确定输入学习律及初态学习律的学习增益.理论分析与数值仿真表明初态学习下迭代学习算法的有效性.

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.

初态学习下广义系统的迭代学习控制算法

针对一类在有限时间区间上运行的广义系统,提出了一种初态学习下的迭代学习控制算法,该算法对系统的控制输入采用闭环带指数变增益D型学习律.基于算子理论,给出了算法的收敛条件.该算法与闭环D型算法相比,在保证收敛的基础上加快了算法的收敛速度.数值仿真结果说明了该算法的优越性.

基于初态学习的非仿射非线性系统的开闭环PD型迭代学习控制

针对非仿射非线性系统,提出了新的学习控制算法,即初态未知情况下系统的输入和初态都需要进行学习的开闭环PD型迭代学习控制,并给出了该算法的收敛性充分条件.初态学习允许系统在每次迭代开始时有一定的定位误差,不严格要求其初态与期望初态重合或固定于某一具体位置上.该算法允许初态在收敛性条件范围内任意设置,从而保证了学习控制系统具有初始定位误差的鲁棒收敛性.依据此收敛性条件,可确定输入学习律及初态学习律的学习增益.利用压缩映射分析方法,证明了系统在任意初始状态下经过迭代后,其输出能够完全跟踪期望轨迹.该算法解决了初始值未知情况下的收敛性问题,且放宽了收敛条件,并通过仿真结果验证了所提算法的有效性.

同步发电机初态学习与PSS结合的励磁控制

为了解决开环迭代学习励磁控制器对大干扰耐受力差、对初始定位要求严格的问题,针对多机电力系统,设计了具有初态学习的开闭环迭代学习控制(ILC)+PSS的励磁控制器。该控制器在开环ILC的基础上,引入机端电压闭环反馈信号,另外为放宽对初态的要求,允许有一定的初始定位误差,对算法还进一步改进,初态也进行学习,同时还结合PSS提供的正阻尼能力,以增强系统的功角稳定性。最后,仿真结果表明,该励磁控制器不但能快速达到机端电压的调节精度,而且改善了系统的功角稳定性。

初态学习下时滞非线性系统的迭代学习控制

针对在有限时间区间上重复运行的一类状态时滞非线性系统,研究了一种带有初态学习的迭代学习控制算法。基于算子谱理论证明了系统在任意初态条件下经过迭代学习后,其输出能够完全跟踪期望轨迹,得到了该算法谱半径形式的收敛条件,比范数形式的收敛条件放宽了。并通过对系统初态的迭代学习,放松了迭代学习控制算法对初始状态函数的要求。仿真结果验证了所提算法的有效性。最后,将该算法应用到含有状态时滞的非线性间歇过程,结果也表明了该算法的有效性和可靠性。

带有初态学习的指数变增益迭代学习控制

针对一类非线性时变系统在有限时间区间上的轨迹跟踪问题,提出一种新的迭代学习控制算法,该算法对系统的控制输入和初始状态同时采用闭环指数变增益迭代学习律。基于算子理论,对具有任意初始状态的系统,在该迭代学习律作用下的收敛性进行严格证明,同时给出该迭代学习算法收敛的谱半径形式的充分条件。该算法与固定增益的迭代学习控制相比较,不仅加快了收敛速度,而且还解决了指数变增益迭代学习控制要求初始状态严格重复的问题。仿真结果表明了该算法的有效性。

初态学习下的多智能体一致性迭代学习控制

考虑重复运行的带虚拟领导者的多智能体系统在有限时间区间上的一致性问题。针对存在初始定位误差的线性时不变多智能体系统,提出一种新的初态学习律,使得多智能体系统在迭代学习过程中,无需初态定位于某一精确的具体位置上,放宽了迭代学习方法的初始定位条件。文中分别给出了初态学习律和输入学习律收敛的充分条件,与已有方法相比,初态的收敛条件与系统的输入矩阵无关,降低了系统建模要求。最后,仿真实例结果表明各智能体的输出可以完全跟踪上期望轨迹,验证了该方法的可行性。

基于初态学习的遗忘因子迭代学习控制研究

在带遗忘因子的迭代学习控制(iterative learning control,ILC)理论收敛性研究中,系统收敛误差将收敛至零的某一邻域内.为具体分析并抑制遗忘因子取值对系统收敛误差的影响,提出了一种由相邻控制向量组成的带遗忘因子初态学习开环D型ILC算法,并利用算子谱理论对算法收敛性进行了严格证明.在此基础上,分析了遗忘因子对系统收敛误差的具体影响.该算法消除了系统初始控制向量对收敛误差的影响,扩大了系统初始控制向量取值范围;有效利用多个系统信息,一定程度上克服了遗忘因子对系统输出误差的影响.仿真实验验证了该算法的有效性.

带有初态学习的可变增益迭代学习控制

针对一类非线性系统提出一种新的学习控制算法,该算法在可变学习增益的迭代学习控制律基础上,增加了系统初态的迭代学习律.利用算子理论证明了系统在存在初态偏移时经过迭代学习后,其输出能够完全跟踪期望轨迹,同时得到了该算法谱半径形式的收敛条件.将该算法与传统迭代学习控制相比较可以看出,前者的收敛速度得到了较大提高,而且解决了可变学习增益迭代学习控制的初态偏移问题.仿真结果验证了该算法的有效性.

一类非线性系统的初态迭代学习控制

针对一类非线性系统,提出了具有初态学习的开闭环PD型迭代学习算法,并给出了该算法的收敛充分条件。依据此收敛条件,可确定初态学习律和输入学习律的学习增益,而不必依赖系统的结构和参数,从而放宽了对初始定位的要求。初态学习允许在每次迭代开始时,其初态与期望初态有一定的定位误差,并允许初态在收敛条件范围内任意设置。利用压缩映射分析方法,证明了系统在任意初态下经过几次迭代后,实际输出能完全跟踪上期望轨迹。最后,通过仿真实例验证了所提算法的有效性和可行性。

初态偏移非线性系统跟踪控制的迭代学习算法

基于迭代学习控制理论提出一种新的可变增益学习控制算法,并对系统初态的迭代学习律进行了讨论,利用算子理论证明在非线性系统中存在初态偏移时经过迭代学习后,输出仍能跟踪期望轨迹;对其收敛性进行数学证明,得到谱半径形式的迭代学习律收敛的充分条件,从而解决了可变学习增益迭代学习控制的初态偏移问题。最后在注塑机注射速度控制系统中与增益不可变迭代学习算法进行比较,仿真结果验证了算法的有效性。

基于自适应迭代学习的机械手轨迹跟踪控制研究

针对具有初始误差的机械手轨迹跟踪控制问题,设计了一种带初态学习的模糊自适应迭代学习控制策略。控制策略中引入了初态学习控制律,放宽了系统初始状态严格重复的限制,利用Lyapunov函数对系统进行收敛性分析,克服了系统全局Lipschitz连续条件的约束,同时设计了模糊控制器对增益以及自适应律参数进行整定,最后将算法应用到机械手控制中,通过与传统自适应迭代学习控制对比,前者收敛速度和精度明显提高,验证了控制策略的有效性。

基于迭代学习算法的机械臂系统轨迹跟踪控制

针对平面二自由度机械臂这一非线性系统,设计了带初态学习的指数变增益D型迭代学习律,并给出收敛性证明.仿真结果表明,迭代学习控制对于诸如二自由度机械臂系统这类具有重复运动性质的被控对象具有很好的控制效果.设计带初态学习的指数变增益D型学习律,系统不仅在存在初态偏移的情况下实现了机械臂期望轨迹的完全跟踪,还加快了收敛速度,增强了迭代学习控制的鲁棒性.