基于ESO的磁悬浮直线同步电机变增益自适应迭代学习控制

对于可控励磁磁悬浮直线同步电机(CEMLLSM),常规迭代学习控制(ILC)精度低、抖振大,且抗外部扰动能力差。为提高跟踪精度,设计了一种基于扩张状态观测器(ESO)的变增益自适应ILC算法。首先,研究CEMLLSM的工作原理及数学模型。其次,设计基于ESO的变增益自适应迭代学习控制器,为控制器中固定增益部分引入指数可变增益,增加自适应迭代项对控制律中的未知参数进行迭代学习,从而减小系统抖振与误差并加快系统收敛速度。通过引入ESO观测系统的外部干扰,对控制量进行补偿,进而提高系统的抗扰动能力。最后,用MATLAB对控制系统进行仿真分析,仿真结果表明该算法能够有效减小跟踪误差,并对扰动有良好的抑制作用。

存在未知时滞非线性系统的迭代变区间预测迭代学习控制

本文针对机理模型未知的非线性非仿射多入多出(MIMO)离散时间系统,研究了系统同时存在未知时滞和迭代变化运行时间区间的预测迭代学习控制(PILC)问题.首先利用未知时滞的上下界信息建立了一种新型的动态线性化(DL)模型,理论分析表明该模型能够等价描述本文所考虑的存在未知时滞的未知非线性系统.同时,设计一种新的数据补偿机制用以处理由于系统运行时间区间迭代变化而引起的数据丢失问题.基于所建立的DL模型和数据补偿机制,设计了能够同时处理未知时滞和迭代变化运行时间区间的预测迭代学习控制方法.通过严格的理论分析同时给出了建模误差和跟踪控制误差的收敛性质.最后,通过仿真进一步验证了所提方法的有效性.

高速列车受限自适应有限次迭代学习容错控制

为研究高速列车(High-Speed Train, HST)自动运行系统在执行器故障和速度受限下的速度控制问题,本文提出一种有限次运行收敛的受限自适应迭代学习容错控制(Finite-Iteration Constrained Adaptive Iterative Learning Fault-Tolerant Control, FI-CAILFTC)方法。首先,基于障碍组合能量函数(Barrier Composite Energy Function, BCEF)构建沿迭代域方向有限次运行收敛条件,并且利用所期望任意跟踪精度计算所需运行次数,同时,指导控制器参数选择,以保证HST有限次运行收敛性;其次,设计具有自适应容错能力的迭代学习控制算法,对未知时变且迭代变化的执行器故障进行自适应估计和补偿;再次,针对HST运行过程中超速问题,在所设计容错控制器基础上,加入超速防护机制,保证HST实际运行速度始终满足速度约束,保障列车安全运行;最后,以CRH-3型高速动车组列车作为研究对象,对设计的控制方法进行仿真研究。仿真结果表明:FI-CAILFTC方法下,HST速度跟踪误差在预先计算出的第17次迭代后达到期望控制精度0.2,相较于对比算法,控制精度分别提高了90.70%和90.22%;FI-CAILFTC有更快的收敛速度和更好的自适应容错能力;HST实际运行速度始终主动满足速度受限。

迭代学习控制器参数的数据驱动自适应整定方法

针对PID型迭代学习控制(iterative learning control,ILC)方法,提出了两种数据驱动自适应整定(data-driven adaptive tuning,DDAT)方法。首先采用紧格式迭代动态线性化(compact form iterative dynamic linearization,CFIDL)方法将原始的非线性系统转化为等价的线性数据模型,设计了一个目标函数来动态地调整PID型ILC的学习增益。其次,通过对设计的目标函数进行优化,提出了一种基于CFIDL的DDAT方法。该方法只使用实际的I/O数据,而不需要任何机理模型信息。进一步,引入偏格式迭代动态线性化(partial form iterative dynamic linearization,PFIDL)方法对结果进行扩展,提出了一种基于PFIDL的DDAT方法。所提出的两种DDAT方法都可以提高PID型ILC对不确定性的鲁棒性。最后,通过仿真验证了两种方法的有效性。

指数变增益迭代学习控制最优增益研究

针对指数变增益迭代学习控制(ILC)算法难以进一步改进且缺乏优化理论等问题,提出一种指数变增益迭代学习控制(ILC)算法在线性时不变(LTI)系统中的控制增益优化方法。首先,由托普利茨矩阵特性和矩阵迭代理论得到单输入单输出(SISO)离散LTI系统中的收敛充要条件,并证明算法的收敛性;其次,由最优化理论得到算法单调收敛条件,最终得到最优控制增益的精确解,并得出指数增益与最优控制增益之间的关系。该方法根据系统状态方程得到最优控制策略,可计算得到精确最优控制值,进一步提高系统收敛速度。仿真结果表明,该方法能有效提高算法学习速度,具有良好的控制性能。

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.

低剂量联合自适应性统计迭代重建和深度学习重建对上腹部图像质量的影响

目的:比较自适应性统计迭代重建(ASIR)和深度学习重建(DL)对低剂量上腹部CT图像质量的影响。方法:收集我院非肝脏病变行腹部增强CT检查的患者30例。采用GE Revolution CT扫描仪,对动、静脉期原始数据进行ASIR-40%、DL-M、DL-H三种模式重建。在肝门层面测量腹腔脂肪、竖脊肌、腹主动脉、门静脉主干、肝脏实质CT值及噪声(标准差SD)。比较各重建模式组织器官的CT值,计算并比较组织器官的信噪比(SNR)及对比噪声比(CNR)。结果:(1)动、静脉期不同重建模式下腹腔脂肪、竖脊肌、腹主动脉(动脉期)、门静脉主干(静脉期)、肝脏实质CT值的差异均无统计学意义(P>0.05)。(2)DL-H重建模式下动、静脉期图像背景噪声、动脉期腹主动脉噪声及肝脏噪声、静脉期门静脉及肝脏噪声均最低(P<0.05);腹主动脉及肝脏SNR、静脉期门静脉及肝脏SNR均最高(P<0.05);肝脏CNR均最高(P<0.05)。结论:采用DL重建模式可有效降低腹部CT图像噪声,提高肝脏的信噪比及对比噪声比,DL-H应用价值较高,有利于肝脏小病灶的检出。

控制方向未知的二阶时变非线性系统自适应迭代学习控制

对一类二阶严格反馈时变非线性系统的自适应迭代学习控制问题进行了研究.系统中含有非周期时变参数化不确定性且控制方向未知.首先,提出了一种神经网络估计器,实现了对未知非周期时变非线性函数的逼近.随后,用Nussbaum函数对未知控制方向进行了自适应估计,并综合应用backstepping技术和自适应迭代学习控制技术设计了控制器.所设计的控制器能保证系统所有状态量在Lpe–范数意义下有界,且系统的输出量在L2T–范数意义下收敛到期望轨迹.最后的仿真研究证明了控制器设计方法的有效性.

未知时变时滞非线性参数化系统自适应迭代学习控制

针对含有未知时变参数和时变时滞的非线性参数化系统,提出了一种新的自适应迭代学习控制方法.该方法将参数分离技术与信号置换思想相结合,可以处理含有时变参数和时滞相关不确定性的非线性系统.设计了一种自适应控制策略,使跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造Lyapunov-Krasovskii型复合能量函数,给出了闭环系统收敛的一个充分条件.给出两个仿真例子验证了控制方法的有效性.

变增益反馈D型迭代学习控制系统分析与仿真

为了在机器人这一强耦合非线性环境下能够快速并较好的完成跟踪任务,提出了一种变增益反馈D型迭代学习控制算法,并对其收敛性进行了分析与证明.此外,结合一个已有的机械手动力学模型,利用MATLAB工具分别使用传统的开、闭环迭代学习控制,以及反馈增益D型迭代学习控制进行仿真,对比分析跟踪性能与控制效果.分析与仿真结果表明:该方法具有良好的跟踪精度,且相较传统方法收敛速度更快,可用于机器人高精度轨迹控制.

一类线性时变系统组合自适应迭代学习辨识

针对一类在有限时间区间上可重复运行的既含时变参数又含时不变参数的高阶线性时变系统,提出了一种模型参考组合自适应迭代学习参数辨识算法.应用Lyapunov方法,给出了时不变参数的时域自适应学习律和时变参数的迭代域自适应学习律,分析了参数估计和模型状态跟踪误差的有界性与收敛性.该算法适于时变和时不变参数并存的线性系统的参数辨识,可加快参数估计的收敛速度.仿真例子验证了所提出的辨识算法的有效性.

目标轨线迭代可变的非线性系统自适应学习控制

针对含有混合参数的非线性不确定系统,提出了一种自适应迭代学习控制方案。该方案利用Back-stepping方法和参数重组技巧相结合,可以处理目标轨线迭代可变的跟踪问题。通过引入微分-差分自适应学习律,设计了一种自适应控制策略,使得跟踪误差在一个有限区间上的积分渐近收敛于零;通过构造Lyapunov-like函数,给出了闭环系统收敛的一个充分条件。数值仿真验证了所提方法的可行性。

一类线性时变系统模型参考自适应迭代学习辨识

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应辨识方法与迭代学习相结合,提出了模型参考自适应迭代学习的参数辨识算法。利用模型参考自适应辨识方法得到时变系统参数辨识结构,针对系统可重复的特点,基于Lyapunov方法得到时变参数的迭代学习律。该算法可以辨识快时变的参数,而不需要参数时变结构的信息,并可保证参数估计误差和模型输出误差有界,且沿迭代轴逐点收敛。分析了参数收敛到真值的条件,系统仿真验证了辨识算法的有效性。

一类时变系统模型参考自适应迭代学习控制

针对一类有限时间区间上可重复运行的有界输入有界输出稳定的一阶线性时变系统,其高频增益和惯性参数均时变,为使之能够跟踪不同的参考轨迹,将模型参考自适应控制方法与迭代学习方法相结合,提出了模型参考自适应迭代学习控制算法。基于类李雅普诺夫(Lya-punov-like)函数证明了当迭代次数趋于无穷时,跟踪误差在有限时间区间上一致收敛到零,并证明了闭环系统中参数估计和控制信号有界。系统仿真验证了所提控制算法的有效性。

DoS攻击下多智能体系统无模型自适应迭代学习跟踪控制

针对周期性拒绝服务(DoS)攻击下多智能体系统有限时间趋同跟踪控制问题,本文提出了一种无模型自适应迭代学习控制(MFAILC)算法.假设多智能体系统具有固定拓扑结构,并且仅有部分智能体可获取到期望轨迹信息.在多智能体系统数据传输过程中,需要经由对数量化器进行量化处理.首先,使用伪偏导数将智能体系统动态线性化,处理过程中考虑符合伯努利分布的周期性DoS攻击现象,在此基础上设计了MFAILC控制算法,其次,采用压缩映射方法给出了一个在期望意义下保证跟踪误差收敛的充分条件,并在理论上证明了所提算法的收敛性.所提算法只需利用系统的输入输出数据就可完成趋同跟踪任务.最后,仿真结果验证了所提算法的有效性.

基于指数增益迭代学习的机械臂二阶滑模控制方法

机械臂系统具有非线性和不确定性,针对其精确跟踪控制问题,提出基于指数增益迭代学习的二阶滑模控制算法。首先,采用滑模控制增强系统对外界非重复干扰的鲁棒性,采用二阶滑模方法使控制器产生连续的控制信号,以减轻传统滑模控制的抖振问题;其次,结合指数增益迭代学习控制逼近由摩擦力等周期性扰动引起的有界重复性扰动,通过设置指数增益系数以提高迭代的收敛速度,该方法既能减小系统的跟踪误差又能保证系统的全局渐近稳定性,提高系统的动态性能;最后,分析算法收敛的充分条件,以二自由度机械臂为例对所提方法进行理论数值仿真。仿真结果表明:所提控制方法可以保证系统的稳定运行,输出跟踪误差收敛到接近零的邻域,提高了系统的控制精度,对干扰保持了良好的鲁棒性。

一类高阶线性时变系统自适应迭代学习辨识

针对一类在有限时间区间上可重复运行的一致强稳定、一致强可控的高阶线性时变系统,提出了模型参考自适应迭代学习参数辨识方法。基于类Lyapunov函数推导了时变参数的迭代学习律。该算法可以辨识未知的快时变参数,并保证模型跟踪误差随迭代次数趋于无穷关于有限时间区间一致收敛到0,参数估计误差有界且收敛。分析了参数估计收敛到真值的条件。仿真验证了所提辨识算法的有效性。

离散时变系统的自适应迭代学习控制

针对一类有限区间上重复运行的离散时变SISO系统,分别采用带饱和函数和死区修正的投影算法进行参数估计,提出自适应迭代学习控制方案.关键技术引理在分析离散自适应控制系统时起到了关键作用,文中把这一引理推广至迭代域,用于建立离散自适应迭代学习控制系统的稳定性和收敛性.理论证明,即使每次迭代存在初始偏差,跟踪误差沿着迭代轴仍能收敛于零,且闭环系统的所有信号有界;当存在外部扰动时,跟踪误差收敛于一邻域内,其半径为干扰的界.在直线伺服系统上的应用结果验证了所提出的学习控制方法的有效性.

时变非线性系统直接自适应迭代学习控制

针对一类含有非周期时变参数化不确定性的非线性系统,设计了一种新的迭代神经网络估计器,解决了非周期时变不确定性带来的设计难题。用迭代神经网络直接对期望控制量进行整体逼近,利用Lyapunov稳定性理论和自适应迭代学习控制技术设计了控制器,并进行稳定性分析,证明了系统所有状态量有界,且输出量将收敛至期望轨迹的一个邻域内。仿真结果验证了控制器设计方案的正确性。

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.