改进的PID型迭代学习控制器设计

为了提高PID型控制器的性能,针对当前网络拥塞控制存在的不足:网络拥塞不能建立精确的数学模型,当前的控制方法也没有取得很好地控制效果,尝试将迭代学习控制应用于网络拥塞控制器的设计,即提出一种改进的PID型迭代学习控制的设计。仿真和实验结果表明,采用上述的PID型控制器,被控系统可以获得较佳的动态响应。

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。

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。

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。

PID型离散系统迭代学习控制参数的优化设计

基于控制参数的优化设计针对线性时不变离散系统提出了一种PID型迭代学习控制算法.此算法的收敛速度快于P型和PI型学习算法,并能够用于震荡的不稳定系统,仿真结果证明了算法的有效性.

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。

迭代学习PID控制器在液压系统中的应用

针对快速锻造液压机工作过程的重复性和液压系统节流产生热量的特点 ,在传统的PID控制器的基础上 ,利用重复性的特点和计算机的记忆储存特性 ,将每一次打击所得到的系统误差应用于下一次的控制过程中 ,构成迭代学习PID控制器。该控制器具有设计简单、重复精度高的特点 ,仿真结果和实际应用表明 。

鲁棒高阶PD型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 ,提出了一种鲁棒高阶PD型迭代学习控制器 ,给出了该控制器的收敛性条件 ,证明跟踪误差界是本次迭代学习与前次迭代学习初始值之差的界和系统输出干扰项界的线性函数 .仿真与实验均表明了该方法的有效性 .

带控制时滞广义系统的PID型迭代学习算法

研究了一类线性时滞广义系统的迭代学习控制问题。针对广义系统的特点,引入迭代学习控制方法,给出了线性时滞广义系统的PID型迭代学习算法。结合矩阵广义逆理论,利用λ范数和Bellman引理,并从理论上给出了算法收敛性的完整证明。研究结果表明,只要充分利用广义系统的特点,寻找合适的收敛性分析方法,便可解决控制时滞广义系统的收敛性问题,对时滞广义系统迭代学习控制问题的研究具有重要的理论意义与应用价值。

基于迭代学习的PID控制器研究

将目前对u(t)的记忆与修正改成对期望控制ud(t)的记忆与修正,提出两种新的拟合控制系统的PID控制器参数的方法。这两种方法实现的PID控制器较常规的PID控制器结构简单,作用于系统可获得较佳的动态特性和较强的鲁棒性。研究目的是为迭代学习控制理论在设计性能优良的控制器方面扩大应用领域。

线性广义系统的P型、PD型和PID型迭代学习控制

本文研究了线性定常广义系统在P型、PD型和PID型学习律作用下的迭代控制问题,利用矩阵理论和微分不等式方法,得到了其迭代控制收敛性结果.不仅对于时变系统也成立,而且,可以移植到线性定常广义离散时间系统.

非线性系统在任意初值下的PID型迭代学习控制

针对一类在有限时间区间上重复运行的非线性系统,给出了一种可以解决迭代学习控制中任意初值问题的PID型迭代学习算法及其收敛条件。采用算子理论证明了该算法的收敛性,结果表明该算法不仅有效解决了迭代学习控制的初值问题,而且放宽了收敛条件。仿真分析及与PD型迭代学习控制算法的仿真结果的对比证明,非线性系统在任意初值条件下经过PID型迭代学习后跟踪精度显著提高,输出误差曲线更快速趋于零,表明了该算法的有效性。

工业过程稳态优化中的PID型迭代学习控制

给出一种PID型迭代学习算法．对工业过程稳态优化中的动态施行迭代学习控制，加快了动态响应，提高了控制效果．从理论上分析了算法的收敛性，并给出数字仿真结果．

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。

时滞系统的PID型迭代学习控制

通过对智能控制、人工智能、自动控制和控制论的相互关系的分析和总结,提出了时滞系统中应用迭代学习控制的思想方法,给出了时滞系统PID型迭代学习算法。

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.

分域设计迭代学习控制器抑制非重复性扰动

为了抑制迭代方向上已知重复样式的非重复性输出扰动,提出了迭代学习控制(Iterative Learning Control,ILC)的分域算法。时间域内设计传统PID型迭代学习控制器,并且优化其参数;迭代域内利用内模原理抑制非重复性输出扰动,跟踪期望轨迹;利用加权思想将两者相结合,得到迭代学习控制器的分域设计算法。相对于已有算法,建立了针对一般扰动的设计框架,并且合理配置了算法的参数,使收敛速度及精度有所提高。仿真结果说明了该算法的有效性。

基于迭代学习的PID控制器在直流电机控制中的应用

针对重复运动的直流电机系统,利用已知的电机固有的转动惯量,在MATLAB中设计基于迭代学习的PD控制器,获得精确逼近的期望轨迹跟踪,继而利用最后一次迭代学习获得的输入输出数据序列,采用最小二乘法拟合获得PID控制参数,将此PID参数在实际搭建的直流电机平台上试验,获得较好的控制效果。整个设计方法不需要精确的数学模型,且可以方便地获取符合期望控制要求的PID参数。

非线性系统开闭环PID型迭代学习控制的收敛性分析

针对一类参数未知非线性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,这种迭代学习律同时利用了系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作用,给出了迭代学习控制算法收敛的充分性条件.分析表明,所给出的迭代学习控制律推广了现有的结果.