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。

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。

基于高阶内模的非线性离散系统迭代学习控制

针对一类工作于重复条件下的一阶非正则离散时间非线性系统追踪迭代域非严格重复的参考轨迹问题,提出基于高阶内模(HOIM)的迭代学习控制方法.利用高阶内模,描述系统输出追踪参考轨迹的迭代域变化规律问题.在针对非线性系统的迭代学习控制律设计过程中,根据内模原理,将高阶内模与D型迭代学习控制律相结合,设计合适的学习增益.从理论上严格证明,在所提出的基于高阶内模的迭代学习控制律的作用下,系统跟踪误差的迭代域收敛性.对机械手离散时间模型的仿真结果表明了该迭代学习控制方法的有效性.

一种具有高阶无静差特性的内模控制器

本文在内模控制的基础上提出了一种易于实现高阶无静差的控制结构 ,并对其鲁棒稳定性及无静差跟踪性能进行了理论研究。基于 MATLAB的仿真表明 :双口控制结构可实现对高速度。

基于高阶内模的鲁棒自适应迭代学习控制

针对一类带有非严格重复的未知参数的离散时间非线性系统跟踪迭代域变化的参考轨迹问题,考虑系统中存在未知时变控制增益和时变外部扰动的情况,提出了一种鲁棒自适应迭代学习控制算法。迭代域变化的未知参数由高阶内模产生。系统中还存在迭代域任意有界变化的状态初值问题。采用设计迭代轴观测器的方法,对产生未知参数的高阶内模的基函数进行估测。严格的理论推导证明了跟踪误差在有限时间区间上沿迭代轴的渐近收敛性。多个仿真实例表明了基于高阶内模的鲁棒自适应迭代学习算法的有效性。

基于高阶内模的鲁棒迭代学习算法

针对一阶非正则离散时间非线性系统追踪迭代域变化的参考轨迹问题,考虑系统中存在时变状态扰动和时变量测噪声的情况,提出了一种鲁棒迭代学习控制算法。迭代域变化的参考轨迹由高阶内模产生。该算法利用内模原理,先嵌入参考轨迹特征,然后针对时变扰动,用积分器剔除其影响。利用?范数,从理论上严格证明了系统跟踪误差的迭代域收敛性。对机械手模型的仿真结果表明了基于高阶内模的鲁棒迭代学习算法的有效性。

一种基于高阶内模的新型自适应迭代学习算法

本文针对一类含多个时间迭代变化参数控制方向未知的非线性离散时间系统的输出跟踪问题,提出了一种基于高阶内模的新型自适应迭代学习算法.假设多个时间迭代变化参数由不同的高阶内模所生成,本文所提出的算法借鉴了模型预测控制的思想,通过构建预测输入,将获得的当次迭代预测跟踪误差作为先验知识,应用到系统输入的控制律的设计中,从而在预测跟踪误差的基础上进一步缩小系统的跟踪误差.相较于基于高阶内模的传统迭代学习算法,大幅度缩减了系统的输出跟踪误差,明显地提高了跟踪精度.此外,由于预测跟踪误差作为先验知识参与了系统输入控制律的设计,该方法对于系统扰动和输出噪声具有较强的鲁棒性.通过Lyapunov稳定性理论,证明了该方法下系统跟踪误差的收敛性和所提算法的优越性.通过两组仿真算例,考虑在控制方向已知和未知两种情况下,和两种基于高阶内模的已有迭代学习算法进行了对比,验证了理论结果.

线性系统高阶内模迭代学习控制研究

针对迭代域变化的参考跟踪轨迹问题,提出了高阶内模迭代学习控制方法.通过将高阶内模引入到迭代学习控制中,形成新的迭代学习控制算法.设计了合适的学习增益,满足连续线性时变系统的收敛条件,并证明了控制算法的有效性.

基于新型滤波器的内模控制器设计

针对工业中普遍存在的高阶系统,提出一种基于Butterworth滤波器的内模控制方法.采用低阶系统来近似高阶系统会造成模型误差,同时,传统的PID控制方法及内模控制方法对高阶系统控制均不理想.利用Butter-worth滤波器的理想低通特性,通过将优化改进后的Butterworth滤波器代替传统的内模控制器中的低通滤波器,使得控制系统具有较好的动态特性和稳态特性.仿真研究表明,该方法对高阶系统具有良好的控制性能,当模型失配时具有较强的鲁棒性,适合于高阶系统的控制.

高阶反向响应过程的分数阶PID控制器设计

针对具有反向响应特性的高阶过程,提出了一种分数阶PID控制器设计方法.为了便于控制器设计,采用一种改进的微粒群优化算法对高阶过程模型进行简化处理,在此基础上,根据内模控制原理设计分数阶PID控制器,该控制器仅有一个可调参数,有效降低了控制器整定的复杂度,并根据最大灵敏度指标推导出控制器参数整定的解析表达式,克服了参数选择的盲目性.仿真结果表明,该方法可使系统具有良好的设定值跟踪、扰动抑制特性以及克服参数摄动的鲁棒性.

基于鲁棒降阶模型的内模控制研究

针对大量物理对象的高阶模型,将H∞控制中的模型匹配问题与高阶系统平衡截断降阶方法相结合,提出了鲁棒降阶控制方法。并将该方法应用于内模控制系统模型降阶,设计出低阶的内模控制器,使控制过程更为简洁,且易于实现。对设计的内模控制系统进行了仿真验证,仿真结果表明,该方法具有较好的适用性,能达到较好的预期效果。

一种复杂系统的分数阶内模PID控制器设计

高阶次复杂控制系统在系统分析与设计的过程中难以达到理想的效果,控制过程影响系统的准确性和控制性能,针对此问题提出了一种基于混合粒子群算法降阶的分数阶内模PID控制的设计方法。利用混合粒子群优化算法将原模型降阶为含有延迟环节的新型分数阶模型,再依据分数阶内模控制器的结构设计进行控制器的参数整定。仿真结果表明,降阶后的简单模型可以精确地逼近复杂的高阶系统,在降阶基础上的分数阶内模控制器具有良好的控制性能以及鲁棒稳定性。

2-D系统H∞输出反馈迭代学习控制器设计

针对2-D线性离散系统设计迭代学习控制器。首先,给出描述参考轨迹、初始状态、外界干扰等迭代变化参数的高阶内模。然后,聚合这些高阶内模得到增广的高阶内模并构造一种新的迭代学习控制器。针对非零边界条件和干扰的2-D Roesser模型,利用2-D分析方法提出其渐近稳定性。建立了适用于零边界条件和非零边界条件的迭代学习控制律设计准则以实现完美跟踪和2-D H∞性能,并提出了基于高阶内模的H∞输出反馈迭代学习控制器。针对控制器的求解问题,提出了两种不同的解法。最后,对一个初始温度、外界干扰迭代变化的化学反应过程的数值计算,表明了所提出的2-D控制器设计方法的有效性。

一类复杂非线性系统的迭代学习控制算法

针对一类可重复运行的复杂非线性系统,考虑系统中未知变量的变化模式为时域-迭代域变化并满足高阶内模规律,设计一种复杂非线性系统迭代学习控制算法。当系统中还存在非严格重复规律未知的初态定位和跟踪参考轨迹时,充分利用实际系统中未知变量的已知边界条件和高阶内模规律,将最小二乘法与已知边界条件结合,解决系统中的多种非严格重复问题。研究结果表明,在系统同时具有未知控制增益和扰动的情况下,所设计的控制律能保证跟踪误差的渐近收敛,以及控制输入、状态变量和参数估计矩阵的有界性。多个仿真实例进一步验证了所设计算法的有效性。

基于相位裕度和幅值裕度的IMC-PID整定方法

提出了一种新的内模PID转换方法,得到了解析PID控制器参数。本方法以相位裕度为稳定性指标,通过数学推导证明了内模控制系统固有的相对稳定性范围。并且在内模PID转化过程中,没有应用任何近似方法来处理内模控制器中的非线性部分。另外,针对高阶过程,采用两点法建模来替代高阶过程,进而使系统取得精确的稳定裕度。通过将提出的控制器应用于二阶、三阶、高阶过程控制器系统中,证明了提出的解析PID控制器取得与内模控制器相同的控制效果。

一种高阶系统的分数阶IMC-ID^μ控制器设计

针对高阶系统提出了一种模型降阶以及分数阶内模IDμ控制器设计方法。首先基于积分平方误差(ISE)性能指标,利用微粒群优化(Particle Swarm Optimization,PSO)算法将高阶系统模型降阶为含有时滞环节的分数阶模型;然后根据内模控制(Internal Model Control,IMC)原理,并用一阶泰勒表达式逼近模型中的时滞环节,推导出了分数阶IMC-IDμ控制器,该控制器仅包含一个可调参数;最后根据系统的最大灵敏度指标,实现了控制器参数的鲁棒整定。仿真结果表明,本文方法可使系统同时具有较好的动态响应、干扰抑制性能以及克服参数摄动的鲁棒性。

基于功能性电刺激的腕关节震颤抑制自适应重复控制研究

震颤是肢体一种非自主和重复性的摆动动作,在基于功能性电刺激(FES)的震颤抑制系统中可将其视为周期性扰动信号。因此,利用重复控制器调节施加在相应肌肉上的FES强度和时间,从而产生与震颤运动反相的肌肉力矩,是震颤抑制的一种可行手段。目前,大多数基于FES的重复控制系统都假设震颤是固定的单一频率信号,但实际上震颤可能是多频率信号,且震颤频率也会随时间变化。本文从频率角度对意向性震颤患者数据进行分析,提出了内模切换的自适应重复控制器来抑制不同频率的腕关节震颤。仿真和试验结果表明,所提出的并联多内模和串联高阶内模切换的自适应重复控制对多频率和单频率震颤信号可实现平均84.98%的抑制效果,比传统单内模重复控制器和基于滤波的反馈控制器在震颤抑制性能上均有明显提高。因此本文所提基于FES的自适应重复控制方法可以更为有效地解决意向性震颤患者腕部震颤问题,为患者后续运动功能障碍的康复提供有效的技术支撑。