基于自适应迭代学习的多智能体系统编队控制

针对带未知时变参数的非线性多智能体系统的编队问题,提出一种分布式自适应迭代学习控制策略。首先,通过傅里叶级数对系统的不确定参数进行展开,采用一个收敛级数序列处理傅里叶级数展开产生的截断误差,结合多智能体运行过程中的编队误差推导自适应迭代学习控制律和参数更新律;其次,针对领导者动态对大部分智能体都是未知的情况,设计新的辅助控制来补偿未知动态和避免未知有界干扰;然后,基于李亚普诺夫能量函数证明了在所设计控制律作用下多智能体系统编队误差随着迭代次数的增加在有限时间内趋于0;最后,将该控制策略运用到多无人机编队系统中,并通过搭建半物理实验平台,验证了控制方法的有效性。实验结果表明该控制方法可以确保多智能体快速形成所需编队,并且每个智能体在有限时间内可以精确跟踪期望轨迹。所提方法充分考虑了多智能体系统的参数不确定性以及抗干扰的能力,为实际应用中复杂多智能体系统的精确控制提供了有效的方法。

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.

非线性分布参数切换系统事件触发采样迭代学习控制

本文研究了一类非线性分布参数切换系统事件触发采样迭代学习控制问题。基于系统的输入和系统的输出数据采样,利用Lyapunov函数的方法得出事件触发条件,使得控制器只在事件触发条件被满足时才更新,有效地减少了迭代学习过程中控制器的更新。通过严格的数学推导证明了事件触发采样迭代学习控制的收敛性。最后,通过数值仿真实验验证了算法的有效性。

非线性广义分数阶多智能体系统迭代学习趋同控制

针对一类含有扰动的非线性广义分数阶多智能体系统,研究其在不同通信拓扑协议下闭环Dα型迭代学习一致性趋同跟踪问题。首先,基于分数阶微积分特性及广义的Gronwall不等式,给出非线性广义分数阶多智能体系统在固定通信拓扑下一致性趋同误差收敛的充分条件。然后,将所得到的理论结果推广到通信拓扑随迭代变轴变化的情形,并分析了被控多智能体系统趋同跟踪误差的收敛特性。最后,通过2个数值仿真实例验证了所提闭环Dα型迭代学习趋同控制协议的有效性。

加载系统迭代学习控制器设计与控制算法研究

为了使电动伺服加载系统达到更好的控制效果,解决扭矩跟随效果较差、幅值误差和相位误差较大、复杂的控制算法难以应用等一系列问题,利用模糊控制自适应和迭代学习跟踪精度高的特点,设计一种基于模糊控制的迭代学习控制器。控制器算法采用ST语言编写,并通过实验台的加载采集扭矩曲线。结果表明,基于模糊控制的迭代学习控制器不仅具有普通迭代学习控制器跟踪精度高的优点,还具有模糊控制自适应的特点,能够用更少的迭代次数更快地达到所需要的跟随扭矩曲线,证明了基于模糊控制的迭代学习控制器的优越性和可行性。

基于数据驱动的范数最优迭代学习控制

在系统模型确定的前提下,传统的范数最优迭代学习控制(NOILC)可以有效提高伺服系统的跟踪精度。但是在实际控制过程中,系统模型参数往往是变化的,从而导致控制器性能的下降。为此,提出了一种基于数据驱动的范数最优迭代学习控制方法。以系统的输入输出为依据,建立系统估计模型的代价函数,对代价函数进行偏微分处理,得到一种基于数据驱动的非参数模型辨识方法,最后将此模型辨识方法和NOILC相结合。实验结果表明:针对时变系统,此控制方法的跟踪误差为NOILC(Norm optimal iterative learning control,NOILC)的57.1%,并且相比NOILC提前5次收敛。因此,提出的方法能有效改善时变系统的跟踪性能。

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.

基于自适应终端滑模的高速列车迭代学习速度控制

针对高速列车的速度追踪控制问题,充分利用列车运行的重复性,考虑工程应用中迭代初始状态不同和复杂的外部环境,提出一种基于线性扩张状态观测器(LESO)的自适应非奇异终端滑模迭代学习控制算法,使系统在任意迭代初值时均能保证追踪精度。提出一种时变非奇异终端滑模面以抑制初态误差影响,采用LESO估计并补偿列车扰动,设计自适应迭代更新律估计LESO的观测误差,设计全饱和自适应迭代控制律计算输入并将其约束于允许范围内。建立类Lyapunov的复合能量函数,通过严格的数学分析证明其迭代域的差分负定性和有界性,证明所设计的时变滑模面可实现渐进收敛,并证明追踪误差在滑模面内可在有限时间内收敛至平衡点。将本文提出的算法与滑模控制、变增益迭代学习控制、自抗扰控制等算法进行比较。仿真结果表明:无论是否存在迭代初始误差,在相同的条件下,本文提出的算法较其他算法具有更强的抗干扰能力,速度追踪精度提高90%及以上,停车误差可迭代收敛至001 m。

基于迭代学习的楼宇空调湿度控制研究

传统楼宇变风量空调控制方法,存在对被控系统数学模型的精度要求较高以及抗干扰能力弱的不足,因此限制了变风量空调系统的应用。针对变风量楼宇空调系统运行时存在的重复干扰与系统模型精度问题,采用迭代学习控制方法对变风量空调空气湿度进行控制。将变风量空调空气调节过程看成间歇过程,并且将室内空间湿度控制过程当作间歇过程对目标轨迹的跟踪问题,设计迭代学习控制器,使被控系统能够获得更好的精度和鲁棒性,实现变风量空调的高精度湿度轨迹跟踪。

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。

基于无模型自适应迭代学习的液压锚杆钻机转速控制

针对存在参数不确定、非线性约束液压锚杆钻机回转系统的转速高精度控制问题,利用钻机作业的重复性,提出了一种基于无模型自适应迭代学习的液压锚杆钻机回转系统转速控制方案。首先,搭建钻机回转控制系统关于转速的状态空间模型。其次,利用动态线性化技术,构造钻机回转系统液压马达与伺服阀电流在迭代域的等价线性映射关系,并根据系统采集的历史伺服阀电流输入、液压马达转角输出数据,提出无模型自适应迭代学习转速控制设计方法。然后在理论上给出液压锚杆钻机回转系统转速跟踪误差沿数据方向以及重复作业方向的渐近收敛性。最后,利用MATLAB软件和AMEsim平台联合仿真验证算法的有效性。结果表明,相比于传统PID算法和迭代学习控制算法,所提出的算法在不需要已知锚杆钻机系统模型的情况下,能够仅利用可测数据实现钻机转速的高精度控制,并且在面对突加外部干扰、油温波动情况下仍具备良好的自适应、抗干扰能力。

改进无模型自适应迭代学习的直线电机滑模控制

二维直线电机具有非线性、多变量及强耦合等特点,其精确模型无法获得,同时,在实际过程中由于参数摄动及扰动而造成的运行不稳定现象,致使对其跟踪控制十分困难。针对以上问题,根据无模型自适应迭代学习控制不依赖被控系统精确数学模型的特点,及滑模控制具有可设计且与对象参数和扰动无关的滑动模态,提出一种改进无模型自适应迭代学习的滑模结构复合控制策略。在无模型自适应迭代学习控制方案的准则函数中加入误差变化率,并对其收敛性进行分析论证;然后在紧格式动态线性化基础上,设计指数趋近律滑模控制,使改进无模型自适应迭代学习的滑模控制复合策略能够克服不稳定现象并具有很强的鲁棒性,从而进一步提高系统响应速度和控制精度。最后通过仿真和实物验证,控制精度稳定在1μm范围内,并与其他控制方案相比,验证了所提方法的准确性和有效性。

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。

基于高阶内模迭代学习的关节机器人控制研究

为了提升关节机器人在非严格重复条件下工作过程中的跟踪精度及响应速度,设计了三关节机器人模型,进行运动学及动力学分析来验证模型结构合理。针对关节机器人系统非重复性、非线性的特点,提出将高阶内模迭代学习控制算法应用于关节机器人系统控制中,设计合理的学习增益及更高的内模阶数,从理论上严格证明其收敛性。设计了仿真对比实验及加入扰动后的轨迹跟踪实验,结果表明,高阶内模迭代学习算法收敛速度更快并且具有良好的控制效果。

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。

基于指数增益迭代学习三轴运动平台轮廓控制

为了得到三轴运动平台精确的轮廓误差估计值,提出了一种基于指数增益型迭代学习的轮廓控制方法。以永磁直线同步电机驱动的三轴运动平台为研究对象,建立三轴运动平台的数学模型,采用泰勒扩展轮廓误差估计法对轮廓误差进行估计,并设计了基于指数增益的PD型迭代学习控制器。采用交叉耦合控制策略,选取按比例的分配方式将轮廓误差补偿到原始参考轮廓上。仿真结果表明,针对给定马鞍形和心形曲线采用指数增益迭代学习比传统迭代学习控制的轮廓误差最大值以及均方差值均有所减小,可证明该方法能够有效减小系统轮廓误差,提升轮廓控制精度。

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。

自适应迭代学习控制的发展现状与展望

本文在不同问题框架下阐述了自适应迭代学习控制方法的研究现状,并介绍了该领域未来的一些研究方向.首先,简要概述了自适应迭代学习控制的分析方法与控制器结构;其次,从系统的结构特征和运行特征两个角度,讨论了近年来自适应迭代学习控制领域的研究热点,包括非参数型不确定性、输入不确定性、状态受限、状态不可测、非重复运动等关键问题.针对每一类问题,指出了自适应迭代学习控制器的设计和分析特点;然后,探讨了数据驱动自适应迭代学习控制的设计方法;最后,提出了自适应迭代学习控制领域的一些开放性的、具有挑战性的关键问题,亟待进一步研究和探索.