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。

曲面雕刻机器人的自适应迭代学习控制研究

为解决现有曲面雕刻平台存在运动误差较大且运动控制精度低的问题,本文以3-PRR并联曲面雕刻机器人为研究对象,对机器人的输出轨迹跟踪控制精度展开研究。采用闭环矢量法求解机器人反解运动学方程和雅可比矩阵。应用拉格朗日法建立并联机器人动力学方程,针对并联机器人在考虑干扰的情况下,建立了一种基于PD反馈结构的控制增益随迭代次数变化的自适应迭代学习控制策略,并采用联合数值仿真方法对机器人的稳定性及轨迹控制跟踪精度进行了验证。结果表明:当跟踪轨迹的最大误差降低为0.000115 mm时,可以实现3-PRR并联曲面雕刻机器人的高精度跟踪期望轨迹。验证了该控制策略的有效性,为实现曲面雕刻平台的高精度运动控制定位奠定了理论基础和应用前景。

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。

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。

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。

基于自适应切换迭代学习的绳驱踝外骨骼力控制器设计

人-外骨骼构成强耦合系统,步态的偶然变异对控制器产生较大干扰,导致系统震荡。针对这一问题,提出了一种自适应切换的迭代学习控制策略。在峰值误差较大时,采用峰值迭代学习控制,仅对力控信号峰值点进行迭代更新;当峰值误差较小时,切换为传统的PD型迭代学习控制,对力控信号所有点进行迭代更新。为进一步改善控制效果,设计了前馈控制器来补偿鲍登绳传动的非线性摩擦。仿真和外骨骼实验结果表明,与传统PD型迭代学习算法相比,自适应切换的迭代学习控制策略保证了助力曲线的平稳升降,同时该策略具有更快的收敛速度以及受干扰后更快的恢复速度,实现了行走过程中辅助力的准确跟踪控制。

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.

考虑干扰的交通子区模糊迭代学习边界控制

针对固定增益迭代学习控制器跟踪交通子区内期望累计车辆数n^(*)的速度较慢,迭代次数过多的问题,并考虑到实际交通子区内存在的干扰对其运行状态的影响,建立了含有干扰项的交通流模型并对其进行离散化。采用开闭环比例微分(proportion differentiation,PD)型模糊迭代学习控制器,根据研究子区实际路网内的累计车辆数与期望累计车辆数n^(*)的误差及其变化率对开闭环PD型迭代学习控制器的迭代学习增益和反馈增益进行调整,使交通子区内的实际累计车辆数可以较快速地跟踪期望累计车辆数n^(*),并对开闭环PD型模糊迭代学习控制器的收敛性进行严格证明。通过对轻度和中度干扰影响下的交通子区进行仿真,结果显示,对比固定增益迭代学习控制器,开闭环PD型模糊迭代学习控制器的误差收敛速度分别提高24%和31%,平均排队长度分别减少24.52%和16.55%,平均延误分别减少21.63%和19.23%,平均停车次数分别减少23.68%和10.77%。

配电网保护装置自适应迭代学习控制技术

针对复杂的配电网保护装置结构,现有的控制技术在控制结果收敛和误差控制方面存在限制的问题,提出了一种配电网保护装置自适应迭代学习控制技术。使用图论原理对配电网络进行分析和优化设计,通过分解复杂的配电网结构,将其简化为更简单的形式。结合迭代学习控制和自适应控制理论,对配电网保护装置进行改进和优化。利用k-means聚类方法将具有相似最优补偿能力的数据进行划分和整合,并进行补偿容量调整,以满足最大投切次数约束。根据自适应迭代学习控制收敛性证明函数构建控制模型,实现配电网保护装置的渐进跟踪。实验结果表明,该技术误差小,能够对加密功能、保护功能和拓扑自适应测点进行有效迭代学习控制。

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。

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。

基于策略迭代的滑动自平衡偏置倒立摆自适应最优控制

针对具有未知参数的滑动自平衡偏置倒立摆系统,提出一种自适应控制方案,能够在线求解系统最优反馈增益,而不需要了解系统内部动态模型。基于策略迭代技术,所提出的算法在策略评估和策略更新步骤之间交替进行,直到控制策略的更新不再改善系统性能为止。因此,该方法提供了一种自适应最优控制算法,能通过收集系统状态数据,求得最优控制策略。通过在滑动自平衡偏置倒立摆系统上仿真验证和进行实物实验证明所提出算法的有效性。

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.

基于迭代策略的自适应ADRC磁轴承控制仿真

针对磁悬浮轴承位置控制过程中存在非线性耦合、内外部扰动不确定性的问题,提出了一种基于自抗扰控制的四自由度磁轴承迭代学习控制策略。首先依据四自由度磁悬浮轴承系统模型搭建自抗扰控制器,其次将估计的总扰动通过间接迭代控制在线调整扩张状态观测器的带宽,实现不同增益下观测器参数的自适应整定。Simulink仿真实验数据表明:系统约在0.14 s处达到稳定,加入干扰后约0.05 s恢复稳定;基于迭代控制的自适应ADRC四自由度磁悬浮轴承控制性能好,同时调节速度快,具有较强的抗干扰能力。经比例-微分型间接迭代学习控制律在线更新带宽后,超调量小且跟踪目标误差积分性能指标小。