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.

基于改进涡流搜索算法的外骨骼迭代学习控制

为提升康复外骨骼机器人的步态跟踪性能,提出一种基于改进涡流搜索算法的迭代学习控制方法。首先针对传统迭代学习控制抗扰性差和控制信息缺失问题,引入PD控制器、自适应遗忘因子、误差过渡曲线和控制信息搜索等策略,改进迭代学习控制律;其次,基于多种策略对涡流搜索算法进行改进,提出了一种改进涡流搜索算法,改进后的算法可优化迭代学习控制的PD参数;最后进行行走实验,将提出的迭代学习控制方法与现有的同类算法进行仿真和数值比较,并测试了扰动情况下的跟踪性能。实验结果表明,所提方法的误差更小,跟踪性能更强。该算法改进了迭代学习控制的不足,具有较强的抗扰性能,保证了使用时的稳定性。

定形态隧道压力波激扰下车内压力迭代学习控制

同一列车重复通过同一隧道时所产生隧道压力波激扰具有形态相似、变尺度变幅值的特性.针对现有控制策略未考虑这一定形态特性的问题,提出一种基于高阶反馈遗忘迭代学习的控制方法.首先,建立高速列车车内外气压传递数学模型,并利用实测车内外压力数据进行修正与验证;其次,通过控制列车通风设备的阀门来减缓车内压力变化,提出阶反馈遗忘迭代学习控制算法,并设计变幅值和变尺度处理方法;最后,利用实测压力波生成一组定形态的随机压力波,并进行仿真分析.仿真结果表明:在重复定形态的隧道压力波激扰下,高阶反馈遗忘迭代学习控制算法能够使车内压力在第8个迭代周期后1 s变化率基本收敛到200 Pa/s以下,而且均方根误差也在第4个迭代周期后降低到15.0000%以下.

基于自适应迭代学习控制的永磁同步电动机稳态转速脉动抑制策略

为了提高永磁同步电动机转速控制的性能,抑制其稳态下的转速波动,设计了一种并联于传统速度PI控制器的自适应迭代学习控制器,用于对转速波动进行补偿。针对传统迭代学习控制器对非周期信号抗扰能力差的问题,提出了Fal函数与迭代学习控制器结合的方法,保证了系统在调速时仍具备良好的响应特性;针对迭代学习控制器迭代增益系数的整定问题,提出了一种控制参数自适应的迭代学习控制方法。实验结果表明,所提出的Fal函数与迭代学习控制器结合的方法能有效提升系统的抗扰能力;同时,提出的参数自适应方案也能提升迭代学习控制器对转速波动抑制的能力。

下肢康复训练机器人迭代学习控制探究

下肢康复训练机器人作为一种辅助康复设备,在提高患者生活质量和康复效果方面具有重要价值。本文针对下肢康复训练机器人的迭代学习控制策略进行研究,旨在提高机器人的步态稳定性和康复效果。文章对下肢康复训练机器人的结构和功能进行了介绍,分析了康复训练过程中需要解决的关键问题。同时,基于迭代学习控制理论,提出了一种针对下肢康复训练机器人的控制策略,该策略通过不断调整机器人的参数,促使其在训练过程中逐步提高步态稳定性和协助康复的效果。

基于高阶内模的变参考轨迹鲁棒迭代学习控制

针对一类带有非重复不确定参数的线性离散系统跟踪批次变化的参考轨迹问题,提出一种双环控制结构的鲁棒间接型迭代学习控制(ILC)算法。通过在内环部分设计比例-积分(PI)型反馈控制器保证闭环系统沿时间轴方向的稳定性,实现前几批次对参考轨迹的快速跟踪。在外环部分,通过高阶内模(HOIM)描述参考轨迹变化规律,并设计一个基于内模原理的高阶比例(P)型ILC控制器提升系统在批次方向上对变参考轨迹的跟踪性能,实现对变化的参考轨迹精确跟踪。针对不确定性参数带来的扰动问题,设计一类性能指标函数,将系统模型在间接型ILC控制器作用下转换为等价的重复过程模型;基于重复过程模型稳定性理论,将保证系统具有沿批次鲁棒稳定的性能指标条件转换为线性矩阵不等式(LMI)。最后通过一类永磁电机的控制仿真验证了所提算法的有效性。

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。

大行程推拉电磁驱动微定位平台的内环阻尼与迭代学习控制

为了解决音圈电机驱动柔性微定位平台驱动力小和低阻尼谐振等问题,本文采用两侧音圈电机的推拉模式来提升驱动力的大小,并且利用内环阻尼控制器结合迭代学习控制方法来实现平台的精准控制。首先,搭建了互补配置的双音圈电机驱动双平行四边形柔性机构的微定位平台。其次,设计了内环阻尼速度反馈控制器。然后,采用逆模型迭代学习控制方法来进一步消除周期性的干扰和误差。最后进行了跟踪实验。结果表明:在跟踪1 Hz和2.5 Hz的正弦波时,相比于PI控制,最大误差分别减少74.6%和68.6%,满足微定位平台精准控制的要求。

机械臂外力的时延强跟踪Kalman估计与自学习控制

为了提高机械臂与环境交互过程中的接触力估计精度和关节控制精度,提出了基于时延强跟踪Kalman滤波的接触力估计方法和基于熵-自学习控制网络的关节角位置控制方法。建立了机械臂系统的关节驱动模型和动力学模型;基于时延估计理论,建立了4自由度机械臂系统的时延模型;在Kalman滤波中引入了渐消因子,使估计残差强行正交,从而提出了基于时延强跟踪Kalman的接触力估计方法。以接触力误差和关节位置误差为输入,以关节力矩为输出构建了自学习控制网络,并提出使用熵聚类确定网络结构和参数,从而设计了熵-自学习控制网络。经仿真验证,基于时延强跟踪Kalman的估计误差区间分布小于标准Kalman和文献[12]柔顺控制,且分布密度在0误差处极高;熵-自学习控制网络对期望轨迹的绝对跟踪误差和收敛时间远小于自学习控制网络和变阻抗阻尼控制。仿真结果验证了本文接触力估计方法和角位置控制方法的优越性。

神经网络类机理建模下的持续自学习控制

针对未知、时变复杂动力学系统在基于模型的控制中的动态建模问题,本文采用前向全连接神经网络对动力学系统进行数据驱动下的非机理拟合建模.通过动态线性化和归一化/反归一化数据处理,基于前向传播算法,将神经网络的网络拓扑计算过程转化成动力学系统机理模型的同构等价表达形式.与基于模型的预测与反演控制相结合,提出了神经网络类机理建模下的持续自学习控制方法,探索了神经网络在动力学系统建模与控制中的可解释性问题.以机械臂为控制对象的仿真结果表明,神经网络类机理模型与机理模型在形式上同构,在参数上近似或等价,可用于控制系统控制品质的定性、定量分析.持续自学习控制对非线性未知、时变复杂系统具有较好的动态适应能力.

基于功能性电刺激的肘部运动迭代学习控制研究

功能性电刺激(functional electrical stimulation,FES)是治疗脑卒中后运动障碍的重要方法。考虑到现有动力学建模方法复杂、控制精度有待提高,该文提出了一种基于FES的肘部运动的带有遗忘因子的迭代学习控制方法。该研究利用Hammerstein结构建立肘部肌肉骨骼模型,在此基础上设计了带有遗忘因子的迭代学习控制的FES系统。通过计算样本实际输出与模型输出角度之间的均方根误差和最大角度误差,检验所建立的肌骨模型的可靠性。通过仿真分析和实际控制实验,评估了闭环FES系统的控制效果,并与传统的迭代学习控制FES系统进行了对比,说明了控制方法的有效性。研究结果表明,所建立的肘部肌骨模型适用于研究电刺激下肘关节的运动特性,并且带有遗忘因子的迭代学习控制方法在肘部控制中表现出更优越的性能。

一种橡胶混炼室温度的数据驱动学习控制方法

申请的专利(申请号CN 117850235A,申请公布日2024年4月9日)介绍了一种橡胶混炼室温度的数据驱动学习控制方法。本发明主要针对橡胶混炼室温度过程中存在不同初始状态、非重复不确定性、变批次长度及无法获取精确模型等挑战,控制方法如下:建立带执行器约束的橡胶混炼温度过程的热力学模型;建立沿批次方向的等价迭代线性数据模型;设计迭代线性预测模型补偿未达到期望操作长度的输出温度;设计迭代扩张状态观测器估计不同初始状态和非重复不确定性;设计迭代自适应更新律及不确定性补偿的迭代学习控制律,实现混炼过程的温度调节。本发明公开的迭代学习温度控制方法温度跟踪精度好、抗干扰能力强,满足混炼过程的温度控制要求。

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.

机械臂的P型闭环时变滑模迭代学习控制

针对周期运动的机械臂轨迹跟踪控制问题,在任意迭代初始值背景下,提出一种P型闭环滑模迭代学习控制算法。结合滑模控制原理,提出一种带遗忘因子的P型闭环滑模迭代学习控制策略,使处于任意初始位置的状态变量先迭代收敛到滑模面内,再在滑模面内收敛到期望位置,有效解决了任意迭代初始值的控制问题。从理论上证明了P型闭环滑模迭代学习控制算法的收敛性,给出了迭代收敛的条件。机械臂轨迹跟踪控制的仿真结果表明,当迭代初始值远离期望初始值时,机械臂的实际位置能精确跟踪期望位置,大的外部干扰不影响机械臂的轨迹跟踪性能。

基于智能自学习控制的船舶微电网预同步控制策略

针对船舶靠港期间微电网并网预同步控制过程的频率偏移越限问题,提出一种基于智能自学习控制的船舶微电网预同步控制策略。首先,通过利用已知虚拟同步发电机输出相角计算船舶微电网与船舶主电网之间的相位差。然后,基于改进的动态线性化方法将离散后相位差非线性系统转化为紧格式局部线性化数据模型。之后,根据数据模型设计智能自学习虚拟同步发电机预同步控制算法。最后,通过船舶虚拟同步发电机预同步过程中功频下垂系数的自适应调整避免船舶微电网输出频率的偏移越限。通过对比仿真实验,所提控制策略可实现快速平滑的并网预同步控制并有效规避了频率越限,实现了船舶本地异步电机负载的正常稳定工作,验证了该控制策略应用于靠港船舶微电网的优越性和精确性。

地震模拟振动台迭代学习控制算法对比研究

为解决传统控制方法下电液伺服振动台复现波形精度不高的问题,对5种迭代学习控制算法进行了对比研究。采用的迭代学习控制算法包括时域迭代算法和频域迭代算法,时域迭代算法有P型学习律和PD型学习律,频域迭代算法有直接迭代、修正迭代和幂指数迭代,通过振动台仿真模型对比研究各种方法的控制效果。研究结果表明:在相同模型和相同波形条件下,所采用的5种算法中,频域迭代算法优于时域迭代算法,频域迭代算法下波形的相关系数可达98%以上,最大峰值误差在5%以内。

基于因果建模的强化学习控制:现状及展望

基于因果建模的强化学习技术在智能控制领域越来越受欢迎.因果技术可以挖掘控制系统中的结构性因果知识,并提供了一个可解释的框架,允许人为对系统进行干预并对反馈进行分析.量化干预的效果使智能体能够在复杂的情况下(例如存在混杂因子或非平稳环境)评估策略的性能,提升算法的泛化性.本文旨在探讨基于因果建模的强化学习控制技术(以下简称因果强化学习)的最新进展,阐明其与控制系统各个模块的联系.首先介绍了强化学习的基本概念和经典算法,并讨论强化学习算法在变量因果关系解释和迁移场景下策略泛化性方面存在的缺陷.其次,回顾了因果理论的研究方向,主要包括因果效应估计和因果关系发现,这些内容为解决强化学习的缺陷提供了可行方案.接下来,阐释了如何利用因果理论改善强化学习系统的控制与决策,总结了因果强化学习的四类研究方向及进展,并整理了实际应用场景.最后,对全文进行总结,指出了因果强化学习的缺点和待解决问题,并展望了未来的研究方向.

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.

同结构近参数系统协同迭代学习控制算法研究

为提升一组同结构近参数系统的迭代学习控制效率,从突破传统迭代学习控制算法对系统参数严格的可重复性的要求的角度出发,提出一种协同迭代学习控制算法。建立了同结构近参数系统协同迭代学习控制问题的数学描述;形成同结构近参数系统协同迭代学习控制算法,在理论分析的基础上确定了收敛的协同控制量并建立其协同迭代控制律,进一步形成同结构近参数系统迭代学习控制算法;对建立的协同迭代学习控制算法进行仿真验证。结果表明:与传统迭代学习控制算法相比,协同迭代学习控制算法可在保证输出精度的基础上提升收敛速率,且以协同控制量作为初始控制量进行迭代,可进一步缩短迭代学习所需的次数和时间。

切换拓扑下测量受限多智能体系统一致性迭代学习控制

针对通信拓扑至少含有一个沿迭代轴的联合生成树且同时沿有限时间轴和无限迭代轴切换的情况,文本研究了存在测量受限的连续线性多智能体系统输出一致性迭代学习控制问题.首先,文章采用迭代学习控制方法设计了一种基于跟随者局部信息的分布式输出一致性协议.然后,给出了系统可解输出一致性问题的两个充分性条件,其中之一可使跟随者实时获取迭代学习增益,避免了全局信息对学习增益设计的影响,且保证了算法的分布式实现.接着,利用λ范数理论和圆盘定理严格证明了所设计算法的收敛性.最后,通过实例仿真验证了所得结论的有效性.