非正则线性系统的闭环P型迭代学习控制

迭代学习控制是改善具有重复运行性质过程的跟踪性能的有效方法。开环迭代学习控制学习周期长,在迭代学习的初期容易出现不稳定和高增益的现象。对非正则系统的迭代学习控制,需要采用高阶微分学习律。该文针对一类非正则线性定常连续系统,讨论了闭环P型迭代学习控制律,给出并证明了闭环P型迭代学习控制律的收敛性条件的两个定理,解决了非正则系统的P型迭代学习控制问题。仿真实例说明闭环迭代学习律的有效性和快速性。

功能性电刺激中应用P型迭代学习控制在上肢多关节运动控制的试验研究

目的 在功能性电刺激 (FNS)中 ,利用P型迭代学习控制方法 ,研究对健康人上肢肘关节运动角度和腕关节运动角度同时进行运动反馈控制。方法 FNS刺激肱二头肌和前臂屈肌 ,以预期关节角度为目标 ,以肘关节和腕关节的角度传感器数值为反馈标准。结果 采用迭代学习控制 ,算法简单 ,参数易调整 ,控制量变化平缓 ,轨迹跟踪精确度高 ,在对多关节运动控制中 ,基本能达到预期效果。结论 P迭代学习控制方法为FNS在临床上的应用提供了一个新的控制方法。

模糊增益P型迭代学习控制器的FPGA实现

针对非线性系统模型在P型迭代学习过程中,固定不变的学习增益会使学习系统的收敛速度很慢,鲁棒性差,提出采用模糊推理来整定P型迭代学习增益的方法,即提高了鲁棒性又保证了精度,并利用FPGA完成模糊增益P型迭代学习控制器的设计。通过理论分析和硬件测试验证了该方法的有效性,并且得出该方法的学习速度与学习效果均优于传统学习系统的结论。

基于2-D线性连续—离散系统理论的P型闭环迭代学习控制

将2-D线性连续-离散系统理论应用于迭代学习控制中,给出能很好反映迭代学习控制过程的数学模型(2-D线性连续-离散系统Roessor模型)。在2-D系统理论基础上证明了P型闭环迭代学习控制律的收敛性。根据该系统理论设计的闭环迭代学习控制器,受到的限制较小。

线性系统闭环P型迭代学习算法的仿真分析

线性闭环P型迭代学习算法,针对一具体的LTI系统,运用四阶的龙格库塔方法。先求得序列值,再利用新产生的参数值和闭环学习律产生相应常数序列,然后一直迭代下去,用求其数值解的方法进行仿真。结论表明,该算法在对期望轨迹的跟踪中,很少出现一些不稳定的情况,其在收敛的有效性方面相对于开环更具优势。

基于数据驱动的数控机床自适应迭代学习控制

数控机床位置伺服系统受加工环境、零件形状和机床机电特性等变化因素的影响,其零件加工是一个典型的非线性、时变和不确定动力学变化过程,因此,建立其精确机制模型很困难。针对相同零件批量加工过程呈现的重复运行特点,基于被控对象的等价数据模型,提出一种基于数据驱动的自适应迭代学习控制方法。所提控制方法采用沿迭代轴的动态线性化方法,通过最小化控制目标函数,仅利用数控机床位置伺服系统的输入输出数据,实现学习控制增益的自适应更新,克服传统P型迭代学习控制方法固定增益的问题,并经过严格理论分析保证了该方法的收敛特性。仿真结果表明:提出的数据驱动自适应迭代学习控制方法,相比传统P型迭代学习控制方法,平均绝对误差和最大绝对误差分别减小了46%和56%。

基于嵌入式环境的智能移动机器人跟踪控制

基于自主搭建的履带式移动机器人研究了一个P型迭代学习控制算法,它使移动机器人能够根据位置和速度偏差的大小及方向,实时控制其在运动过程中的变化趋势,以获得合适的学习增益矩阵,达到更好的控制效果.利用设计的P型迭代学习控制算法,对履带式移动机器人的路径规划与路径跟踪实现准确的控制.实验结果表明,迭代学习控制可使履带式移动机器人在路径跟踪控制过程中有更好的稳定性、准确性和快速性.