时滞系统采样迭代学习控制

针对一类具有状态时滞的连续系统提出一种采样迭代学习控制算法。给出并证明了算法指数收敛的充分条件 ,该条件可保证系统输出无论在采样点或非采样点上 ,都能以指数收敛速率收敛至期望输出的一个与采样周期有关的误差范围内。

时滞非线性系统的采样迭代学习控制

针对一类输入时滞非线性系统,提出了一种采样迭代学习控制算法,该算法不含跟踪误差的微分信号,给出了学习算法收敛的充分条件,当不存在初始误差、不确定扰动时,算法在采样点处能实现对期望输出信号的完全跟踪,否则,跟踪误差一致有界,仿真结果表明了该算法的有效性。

高阶PID采样迭代学习控制

针对一类非线性带扰动系统提出了高阶PID采样迭代学习控制算法,讨论了高阶算法的收敛性问题以及该算法的优势与缺陷。与传统的证明方法不同,利用泰勒级数展开法证明了被控对象在输入干扰和输出测量噪声均有界的情况下,高阶PID采样迭代学习控制算法的收敛性,并且得出了收敛条件。由于收敛条件中没有积分项,因此更加利于分析计算。与传统的一阶采样迭代学习控制算法相比,高阶采样迭代学习控制算法由于利用了更多先前的控制信息而能使被控对象的实际输出更加接近理想输出。给出了相应的数值仿真,证明了理论分析的有效性。与此同时,结合啤酒生产过程中糖化阶段中酒花添加等实际问题对该算法的应用前景作了一定的分析。

具有指数收敛速率的时滞系统采样迭代学习控制

针对具有状态时滞的连续时间系统提出一种采样迭代学习控制算法 ,可以避免连续系统 D型和 P型算法的不足 .给出并证明了算法指数收敛的充分条件 ,该条件可保证系统跟踪误差能以指数收敛速率收敛至一个与采样周期相关的误差范围内 .

采样迭代学习发电机的励磁控制器设计

为了提高电力系统的暂态稳定性,采用采样迭代学习方法,在不需要已知被控系统精确数学模型和对机端电压误差进行求导运算的情况下,设计出了一种同步发电机的励磁控制器,给出了励磁控制系统范数形式的收敛条件.研究结果表明:该控制器避免了以往采用PD型迭代学习控制算法的不足,显著提高了同步发电机功角和机端电压的稳定性.该成果不仅解决了在实际应用中迭代学习励磁控制算法的计算机实现问题,而且还将可能成为发电机的励磁控制方式发展的一种趋势.

一类非线性采样系统高阶迭代学习控制

迭代学习控制能够实现期望轨迹的完全跟踪而被广泛关注,但是采样迭代学习控制成果目前还比较少。针对一类有相对阶和输出延迟的非线性采样系统,研究了高阶迭代学习控制算法。利用Newton-Leibniz公式、贝尔曼引理和Lipschiz条件证明了当系统的采样周期足够小,迭代学习初态严格重复,且学习增益满足要求的条件,那么系统输出在采样点上收敛于期望输出。对一阶和二阶学习算法的仿真表明高阶算法在收敛速度上比一阶有明显改善。