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。

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。

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。

时变参数化非线性系统自适应迭代学习控制器设计

针对一类时变参数化非线性系统的控制问题进行深入研究,提出一种新的迭代神经网络估计器,并证明了其逼近引理,实现了对时变不确定性的逼近.在用迭代神经网络对时变不确定性进行估计的同时,以Lyapunov稳定性理论为基础,综合运用Backstepping和自适应控制技术,设计了自适应迭代学习控制器,并进行了稳定性分析,得到了稳定性定理,解决了这类时变非线性系统的控制问题.最后的仿真实验验证了所提出设计方法的正确性.

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.

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。

高阶无模型自适应迭代学习控制

针对一类非线性非仿射离散时间系统,提出了高阶无模型自适应迭代学习控制方案.控制器的设计和分析仅依赖于系统的输入/输出(I/O)数据,不需要已知任何其他知识.该方法采用了高阶学习律,可利用更多以前重复过程中的控制信息提高系统收敛性,且学习增益可通过"拟伪偏导数"更新律迭代调节.仿真结果验证了所提出算法的有效性.

离散时间非线性系统的数据驱动无模型自适应迭代学习控制(英文)

本文基于迭代域的动态线性化方法,提出了一类单入单出离散时间非线性系统的数据驱动无模型自适应迭代学习控制方案.无模型自适应迭代学习控制本质上属于一种数据驱动控制方法,仅利用被控对象的输入输出数据即可实现控制方案的设计.理论分析表明无模型自适应迭代学习控制方案可以保证最大学习误差的单调收敛性.数值仿真和快速路交通控制应用验证了无模型自适应迭代学习控制方案的有效性.

不确定性机器人系统自适应鲁棒迭代学习控制(英文)

利用Lyapunov方法 ,提出了一种不确定性机器人系统的自适应鲁棒迭代学习控制策略 ,整个系统在迭代域里是全局渐近稳定的 .所考虑的机器人系统同时包含了结构和非结构不确定性 .在设计时 ,系统的不确定性被分解成可重复性和非重复性两部分 ,并考虑了系统的标称模型 .在所提出的控制策略中 ,自适应策略用来估算做法确定性的界 ,界的修正与迭代学习控制量一样的迭代域得以实现的 .计算机仿真表明本文提出的控制策略是有效的 .

永磁同步电机伺服系统自适应迭代学习控制

针对执行重复性任务的永磁同步电机伺服系统,由于参数摄动、随机扰动等不确定因素影响导致的跟踪精度下降,误差发散问题,提出一种自适应迭代学习控制方法.该方法在PD型反馈控制的基础上增加自适应迭代项对控制律中未知参数进行迭代学习,减少不确定因素对系统性能的影响.建立了含有不确定性扰动的系统模型和PMSM自适应迭代学习控制系统,并且基于Lyapunov稳定性理论,分析了该方案的收敛性.结果表明,与传统PD型ILC相比,该方法收敛速度更快,跟踪精度更高,可有效改善系统的性能.

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.

基于反馈控制的迭代学习控制器设计

针对具有不确定项或干扰项的重复非线性时变系统 ,提出了基于反馈控制的迭代学习控制器 ,其中迭代学习控制器设计为高阶PD型 ,它以前馈的形式作用于对象 .在满足一定的收敛性条件下 ,证明了该控制器的跟踪误差界是系统初始状态误差界和系统输出干扰项界的线性函数 ,同时改变反馈增益可以调整系统的最终跟踪误差界 .仿真与实验均表明了该方法的有效性 .

基于边界层的不确定机器人自适应迭代学习控制

针对不确定的多连杆机械手的跟踪控制问题,提出一种基于边界层的自适应迭代学习控制方法.自适应控制用来估计系统的未知参数的上界,本文主要特征是基于边界层设计自适应迭代学习控制器,避免了传统方法设计控制器的不连续性,削弱抖振现象的同时也提高系统的鲁棒性.理论证明系统所有信号有界,系统误差渐进收敛到边界层邻域内.仿真表明了算法的有效性.

非一致目标跟踪的混合自适应迭代学习控制

针对一类含有时变和时不变参数的高阶非线性系统,结合Backstepping方法,提出了一种新的自适应迭代学习控制方法,该方法由微分-差分型自适应率和学习控制率组成,保证对非一致目标的跟踪误差平方在一个有限区间上的积分渐近收敛于零,克服了传统的迭代学习控制(ILC)对目标轨线限制,可以跟踪非一致目标轨线.通过构造复合能量函数,给出了闭环系统收敛的一个充分条件,仿真结果说明了该方法的有效性和可行性.

环卫车辆轨迹跟踪系统的无模型自适应迭代学习控制

针对环卫车辆周期重复性工作特点,考虑模型时变以及未知扰动问题,提出一种基于无模型自适应迭代学习的环卫车辆轨迹跟踪控制方法.首先,针对环卫车辆建立了两轮移动机器人的运动学模型,然后,给出带时变参数和非线性不确定项的迭代域下全格式动态线性化数据模型,引入时间差分估计算法,设计基于最优性能指标的轨迹跟踪无模型自适应迭代学习控制方法,并进行仿真分析.结果表明,环卫车轨迹跟踪系统车身角随迭代增加超调减小,与传统迭代学习控制算法相比,具有松弛的条件限制和较好的鲁棒性,同时提高了控制系统精度.