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。

基于PID型迭代学习控制的列车自动驾驶曲线跟踪算法研究

针对基于比例微分积分(PID,Proportional Integral Derivative)控制的列车速度跟踪算法在跟踪进度、收敛性和稳定性等方面存在的不足,提出一种基于PID型迭代学习控制(ILC,Iterative Learning Control)的列车自动驾驶(ATO,Automatic Train Operation)曲线跟踪算法。通过迭代学习控制,优化跟踪过程,减小跟踪误差,缩短收敛时间;设置典型场景对所设计的算法进行仿真试验,并将仿真结果与基于PID控制算法的跟踪效果进行对比分析。结果表明,PID型ILC算法对列车目标速度和目标位移具有较高的跟踪精度,能够在有限的迭代次数内实现精确跟踪,验证了所提算法的有效性。

机械臂的P型闭环时变滑模迭代学习控制

针对周期运动的机械臂轨迹跟踪控制问题,在任意迭代初始值背景下,提出一种P型闭环滑模迭代学习控制算法。结合滑模控制原理,提出一种带遗忘因子的P型闭环滑模迭代学习控制策略,使处于任意初始位置的状态变量先迭代收敛到滑模面内,再在滑模面内收敛到期望位置,有效解决了任意迭代初始值的控制问题。从理论上证明了P型闭环滑模迭代学习控制算法的收敛性,给出了迭代收敛的条件。机械臂轨迹跟踪控制的仿真结果表明,当迭代初始值远离期望初始值时,机械臂的实际位置能精确跟踪期望位置,大的外部干扰不影响机械臂的轨迹跟踪性能。

地震模拟振动台迭代学习控制算法对比研究

为解决传统控制方法下电液伺服振动台复现波形精度不高的问题,对5种迭代学习控制算法进行了对比研究。采用的迭代学习控制算法包括时域迭代算法和频域迭代算法,时域迭代算法有P型学习律和PD型学习律,频域迭代算法有直接迭代、修正迭代和幂指数迭代,通过振动台仿真模型对比研究各种方法的控制效果。研究结果表明:在相同模型和相同波形条件下,所采用的5种算法中,频域迭代算法优于时域迭代算法,频域迭代算法下波形的相关系数可达98%以上,最大峰值误差在5%以内。

结合迭代学习和模型预测的重载列车运行控制

为实现重载列车单次行程的高鲁棒高精度轨迹跟踪,根据列车纵向运动特性,构建重载列车多质点的动力学模型;基于利用批次化的运行过程积累控制经验,结合迭代学习和模型预测控制方法设计1种增强抗扰的重载列车跟踪控制器,将重载列车动力学模型转化为基于模型预测控制框架下的线性二次型最优控制模型,用二次型最优控制的速度和位置状态反馈增益表示迭代学习增益,利用批次化积累的控制经验不断提高跟踪性能,实现单次行程的滚动时域优化,提升轨迹跟踪的鲁棒性和精度;对某货运专线上的2万t重载列车进行跟踪控制仿真,分别从时域稳定性和迭代收敛性验证该控制器的稳定性。结果表明:结合迭代学习和模型预测控制方法能够很好地利用重载列车系统操纵重复性特征并实现全程跟踪控制,较传统控制方法跟踪效果更好并能有效降低列车纵向冲动,同时能够动态响应非重复性扰动,满足重载列车运行控制要求。

一种基于PID-迭代学习的无人机控制方法

自20世纪80年代以来,固定翼无人机在军用以及民用方面得到了极为广泛的应用与发展,应用场景如空中侦察、通信中继、物资运送、森林防火和军事巡逻等,大部分应用场景都会涉及重复航线的飞行。无人机在执行任务时,通常对航迹,高度的跟踪精度有较高的要求,而实现固定翼无人机位置控制的基础是无人机的姿态与速度的精确控制。无人机作为一个耦合性强的非线性系统,实现精确控制的难度较大,并且在航迹跟踪控制中容易受到诸多不确定性的影响,使其偏离预设轨迹。中大型固定翼无人机是一个惯量大,滞后性高的受控系统,在经典的无人机飞行控制律设计中,常采用PID算法进行控制,其优势是鲁棒性强,有较好的普适性,适合绝大多数类型的固定翼无人机飞行控制,但是存在测试成本高,风险大。

分数阶微分D^(λ)型迭代学习算法在机器人控制中应用

工业机器人作为工业4.0的重点研究对象及重要装备支撑,其相关技术研究特别是控制技术研究具有重要的研究意义。由于工业机器人具有特殊的应用环境和任务性质,因此,迭代学习控制在工业机器人等具有重复运行特性的领域有着非常好的应用前景。鉴于此,针对一般迭代学习算法存在的收敛速度、精确等问题,在D型迭代学习控制算法的基础上推广到分数阶微分D^(λ)型,并对这种算法进行了相应的稳定性证明和仿真验证,通过对比,分数阶微分D^(λ)型迭代学习算法通过选取合适的λ可以相应地提高收敛速度和控制精度,同时,新算法通过数值计算的方式可以较好的诠释系统I/0因果性关系。最后,为了进一步增加这类算法的适用性,将D^(λ)迭代学习控制算法和自适应控制算法相结合,以水平关节工业机器人为例,设计了一种自适应D^(λ)型迭代学习控制算法。

非线性系统开闭环PID型迭代学习控制算法的鲁棒性

针对非线性时变系统的迭代学习控制问题提出了一种开闭环PID型迭代学习控制律,并证明了系统满足收敛条件时,具有开闭环PID型迭代学习律的一类非线性时变系统在动态过程存在干扰的情况下控制算法的鲁棒性问题。分析表明,系统在状态干扰、输出干扰和初态干扰有界的情况下跟踪误差有界收敛,在所有干扰渐近重复的情况下可以完全地跟踪给定的期望轨迹。

改进的时不变系统PD型迭代学习控制算法

针对时不变线性系统的迭代学习控制问题,提出了一种改进的时不变系统的PD型迭代学习控制算法,理论证明了系统满足收敛条件时的改进算法是收敛的。仿真实例分析表明,改进的算法利用最新算出的控制分量代替旧的控制分量,使系统的实际输出以更快的收敛速度逼近系统的理想输出。

非线性系统的改进型迭代学习控制算法研究

针对普通闭环PD型迭代学习控制算法收敛速度慢且收敛精度不高的问题,通过在闭环PD型控制算法中引入动态扩张-收缩因子(dynamic expansion compression coefficient,DECC)的方法,提高闭环PD型算法的收敛速度以及收敛精度。同时将鲁棒控制引入至算法中,进一步提高算法抑制外界干扰的能力。通过构造李雅普诺夫函数证明了在所提改进的控制律作用下的信号是有界且收敛的。最后将改进的迭代学习控制算法应用在一类具有重复运行性质的非线性系统中,证明所提算法是有效的。

基于误差最小化的新型迭代学习算法

采用1种新方法对基于时间域内二次型性能函数的最优迭代学习算法进行研究,并采用仿真实例对该方法进行验证。该方法的基本原理是:以整个学习过程输出误差的最小化为目标,并以控制增量的二次型作为函数得到新的性能函数进行分析和设计,研究确定以及不确定性线性离散系统的最优迭代学习律、保性能迭代学习律的设计优化问题。研究结果表明:采用这种新方法可使输出误差很小;仿真结果证明了该算法的正确性和有效性。

基于一种加速PD型迭代学习控制算法的机械臂轨迹跟踪

针对二自由度机械臂非线性系统,迭代学习控制(iterative learning control,ILC)对于具有重复运动特性的机械臂有较好的控制效果。在扰动的情况下,设计了一种PD型迭代学习控制律,随着系统迭代次数的不断增加,通过在区间内对增益矩阵进行实时修改来缩短所需的修正区间,进而达到加快收敛速度的目的。首先,结合λ范数分析ILC的收敛性。其次,通过仿真验证所提出控制策略的可行性和有效性。最后,在相同条件下,仿真结果表明,PD型ILC收敛速度比P型ILC更快;带有扰动的PD型ILC比传统扰动型PD控制收敛效果更好。

具有自适应学习的开环PD型迭代学习控制算法研究

针对常见的PD型迭代学习控制算法收敛速度慢、收敛精度低的问题,提出了一种具有自适应学习的开环PD型迭代学习控制算法。该算法融合自适应学习和开环PD型学习律,采用自适应因子来优化学习率,通过数学方法证明了其收敛性,并通过仿真验证了算法的有效性。

改进狼群算法的交通子区迭代学习边界控制方法

针对基于固定增益迭代学习的交通子区边界控制方法收敛速度慢、迭代次数过多及控制精度差的问题。提出了一种迭代学习结合改进狼群算法的交通子区边界控制方案。该方案首先根据宏观基本图理论建立交通子区路网的车辆平衡方程,设计出系统的迭代学习控制律。其次分析了迭代学习控制对宏观基本图的影响,引入自适应步长的狼群算法,该算法以上一批次的宏观基本图为模型,离线对迭代学习控制器的比例和微分增益系数进行寻优,再将最优结果代入下一控制周期迭代学习控制中,进而改善收敛速度与精度。最后,对该方案的收敛性提供了数学证明,而仿真实验结果也表明该算法相较于具有固定增益的迭代学习控制器,收敛速度得到提升,对系统期望轨迹也具有较好的跟踪精度,具有较强的可行性与有效性。

一种可用于线性动态延迟控制系统的闭环比例型一阶给定超前迭代学习控制算法

讨论了迭代学习控制的基本概念,并给出了一种可用于线性动态延迟系统的比例型一阶给定超前迭代学习控制算法.理论分析证明,这种控制算法对于跟踪重复运动的轨迹具有良好的效果.

基于二维Roesser模型与范数优化迭代学习控制的市域铁路列车速度追踪研究

ATO(列车自动运行)技术通过控制算法实现列车运行速度自动调节,通过对控制算法进行优化,可使列车运行速度更加贴合目标速度。轨道交通列车作为具有高度重复性的非线性动力学系统,在固定线路的时间轴和批次轴具有二维动态演化的特性,因此考虑将二维模型迭代学习控制应用于轨道交通列车。不同车厢在列车运行时所受空气阻力不同,将列车车厢分为头、中、尾三类,求解基于多质点模型的列车动力学方程,对其进行线性化处理,得到列车的状态空间方程;应用二维系统理论,将其转换为二维Roesser模型;设计范数优化迭代学习控制算法,将其作为二维模型的输入信号,验证了新建立的二维模型具有渐进稳定性。同时,选择市域铁路D型列车组作为研究对象,通过对速度、位移追踪仿真,验证了优化后算法的可行性;并选择了两种常用的一维系统ILC(迭代学习控制)进行速度追踪仿真,通过比较三者的追踪误差,验证了优化后算法的追踪性能优于其余两者。

一种可用于线性动态延迟系统控制的开环比例型一阶给定超前迭代学习控制算法

本文讨论了迭代学习控制的基本概念，并给出了一种可用于线性动态延迟系统的比例型一阶给定超前迭代学习控制算法。理论分析证明，这种控制算法对于跟踪重复运动的轨迹具有良好的效果。

线性时变系统闭环PID型迭代学习算法的仿真分析

对闭环PID型迭代学习算法进行了收敛分析,并针对一类线性时变系统,分别运用开环和闭环PID型迭代学习算法进行了仿真研究。仿真结果表明,闭环比开环PID型迭代学习算法更能较快地跟踪期望轨迹,而且很少出现不稳定的现象,在收敛速度方面显示了该算法的优越性。

基于PID型迭代学习控制算法的电阻炉温度控制

基于压缩性原理,讨论了PID型迭代学习控制算法,并对这种算法在理论上进行了收敛性分析.将PID型迭代学习控制算法应用于电阻炉温度控制,仿真曲线表明,该算法对电阻炉温度控制的效果,明显优于普通PID算法的P型和D型迭代学习算法.

双线性型迭代学习控制算法

基于迭代学习控制中的开闭环配合方案，本文提出了一类双线性型学习控制算法．针对刚性关节机器人动力学特性，文中给出了保证算法迭代收敛性的充分条件．仿真结果表明，适当选取双线性学习控制成分的增益矩阵可加速收敛过程．