间歇过程最优迭代学习控制的发展:从基于模型到数据驱动

本文综述了间歇过程的基于模型的和数据驱动的最优迭代学习控制方法.基于模型的最优迭代学习控制方法需要已知被控对象精确的线性模型,其研究较为成熟和完善,有着系统的设计方法和分析工具.数据驱动的最优迭代学习控制系统设计和分析的关键是非线性重复系统的迭代动态线性化.本文简要综述了基于模型的最优迭代学习控制的研究进展,详细回顾了数据驱动的迭代动态线性化方法,包括其详细的推导过程和突出的特点.回顾和讨论了广义的数据驱动最优迭代学习控制方法,包括完整轨迹跟踪的数据驱动最优迭代学习控制方法,提出和讨论了多中间点跟踪的数据驱动最优点到点迭代学习控制方法,和终端输出跟踪的数据驱动最优终端迭代学习控制方法.进一步,迭代学习控制研究中的关键问题,如随机迭代变化初始条件、迭代变化参考轨迹、输入输出约束、高阶学习控制律、计算复杂性等.本文突出强调了基于模型的和数据驱动的最优迭代学习控制方法各自的特点与区别联系,以方便读者理解.最后,本文提出数据驱动的迭代学习控制方法已成为越来越复杂间歇过程控制发展的未来方向,一些开放的具有挑战性的问题还有待于进一步研究.

最优迭代学习控制的鲁棒稳定性及其在注塑机控制中的应有(英文)

提出了一种鲁棒最优迭代控制器的设计方法 .对于任意有界的参考输出和不确定的初始值 ,建立了由最优迭代学习控制器保证闭环系统有界输入有界输出 (BIBO)鲁棒稳定性的充要条件 .实际应用中可根据不确定初始设定值和干扰对加权矩阵进行调整 ,从而保证闭环系统性能随迭代过程的进行而得到改进 .在注塑机控制中的应用验证了本文结论的有效性 .

基于最优迭代学习控制的四旋翼轨迹跟踪控制

针对四旋翼无人机的轨迹跟踪问题,设计了基于干扰观测器的最优迭代学习控制器。在考虑外界干扰的情况下,建立了四旋翼无人机的运动学离散模型,通过设计离散形式的干扰观测器实现对未知干扰的估计,并用Lyapunov方法对干扰估计误差的收敛性进行了严格证明。在对干扰进行补偿的基础上,设计了最优迭代学习控制器,保证了四旋翼无人机对期望轨迹的跟踪误差渐近收敛。最后,通过仿真验证了所设计的干扰观测器和迭代学习控制器的有效性。

Optimal Iterative Learning Control for Batch Processes Based on Linear Time-varying Perturbation Model

为在批的产品质量的追踪的控制的最佳的反复的学习控制(ILC ) 策略处理的 batch-to-batch 被介绍。线性变化时间的不安(LTVP ) 模型在名字的轨道附近为产品质量被造。到模型植物失配的地址问题，在以前的成批处理的模型预言错误为当前的成批处理被加到模型预言。然后追踪错误转变模型能被造，并且有直接错误反馈的 ILC 法律明确地被获得。一条严密定理被建议，到证明在 ILC 下面追踪错误的集中。建议方法论在一个典型的批反应堆和轨道追踪的表演被 ILC 逐渐地改进的结果表演上被说明。