2D VARIABLE FACTOR LEARNING CONTROLLER AND ITS APPLICATION IN PNEUMATIC SERVO SYSTEM

A new learning control law is presented which can obtain learning gain matrices from a recursive identifier along the learning axis. The system convergence is proved when disturbances exist in the system. Finally it is applied to pneumatic servo control system, the experiment results show its validity.

Neural-network adaptive controller for nonlinear systems and its application in pneumatic servo systems

In this paper, a novel control law is presented, which uses neural-network techniques to approximate the affine class nonlinear system having unknown or uncertain dynamics and noise disturbances. It adopts an adaptive control law to adjust the network parameters online and adds another control component according to H-infinity control theory to attenuate the disturbance. This control law is applied to the position tracking control of pneumatic servo systems. Simulation and experimental results show that the tracking precision and convergence speed is obviously superior to the results by using the basic BP-network controller and self-tuning adaptive controller.

基于低频学习的电液位置伺服系统鲁棒自适应控制

电液位置伺服系统存在高频干扰和传感器测量噪声,导致传统自适应控制参数收敛性差、性能一致性低等问题。针对这些问题,提出一种基于低频学习的鲁棒控制策略。设计低通滤波器修正电液位置伺服系统的自适应参数,将修正前后出现的残差反馈到鲁棒自适应控制中构造新型控制律,滤除自适应律中存在的高频成分,从而有效地降低参数的波动程度,达到稳定收敛的目的。通过Lyapunov稳定性理论验证了闭环系统的全局稳定性。对比实验结果表明,所提方法能够有效解决电液位置伺服系统在高频干扰和传感器测量噪声作用下的参数稳定收敛问题,同时获得了系统动态误差的渐进稳定性,实验取得了预期效果。

一类新型自学习控制器及其在气动伺服系统中的应用

设计了一种新的学习控制律，它通过沿学习轴递推辨识学习增益矩阵以改善控制效果，并分别针对连续系统及离散系统设计了学习控制律，给出了相应的收敛性证明结果，同时考虑了系统存在噪声干扰及初始误差不为零时学习控制器收敛性条件，最后把它用于气动伺服系统位置控制，给出了相应仿真结果，结果表明本文提出的控制算法能达到很高控制精度．

一类二维变学习因子自学习控制器

设计了一种新的学习控制律，通过沿学习轴递推辨识学习增益矩阵以改善控制效果。分别对连续系统及离散系统设计了学习控制律，给出了相应的收敛性证明结果，同时考虑了系统存在噪声干扰及初始误差不为零时学习控制器的收敛性条件。仿真结果表明该控制算法能达到很高的控制精度。

基于规则的自学习控制在气动脉宽调制位置伺服系统中的应用

气动脉宽调制位置伺服系统是非线性的系统,在气缸摩擦力较大的情况下,采用传统的控制方法难以取得满意的效果。本文应用基于规则的自学习控制方法对气动脉宽调制位置伺服系统进行控制,使系统获得了一定的在线自我调整能力,提高了系统的性能。

气动伺服系统的BELC压力控制

由于气动伺服系统受非线性因素的影响,传统PID控制在解决高精度非线性控制问题时效果不理想。一种基于大脑情感学习控制器(Brain Emotion Learning Controller,BELC)的气动伺服系统压力控制方法被提出。首先,对气动伺服系统进行数学建模。然后,结合气动系统非线性和BELC控制特性进行算法改进,采用模糊控制对BELC权值学习率进行在线调节。最后,搭建实验平台分别对传统PID控制、BELC控制及改进的模糊BELC控制进行实验,结果表明:改进后模糊BELC算法有效提高了气动伺服系统的控制精度和响应速度,改善了气动系统控制性能。

航天电静液伺服系统复合自适应跟踪控制

针对电静液伺服系统自适应控制过程中存在参数收敛速度慢、跟踪性能差、参数辨识过程中持续激励条件苛刻的问题,进行了复合学习自适应位置跟踪控制算法研究。依据电静液伺服系统的动力学模型,采用反步控制和复合学习的方式设计自适应跟踪控制器,由跟踪误差和预测误差同时驱动参数估计,从而在间歇激励的条件下保证跟踪误差和参数估计误差的收敛性,通过李雅普诺夫理论证明了控制器的一致稳定性。仿真及实验结果表明,相比于传统自适应控制,该方法不需要油缸加速度信号,且表现出更好的轨迹跟踪效果,经过复合学习,系统跟踪误差下降了50%,并且表现出更高的鲁棒性。

基于数据驱动的自适应最优迭代学习控制研究

传统最优迭代学习控制(Traditional optimal iterative learning control,TOILC)可以有效提高伺服系统的跟踪性能,但系统在运行过程中可能存在参数摄动,其参数在不断地缓慢变化,导致TOILC收敛性变差,进而会使系统的跟踪性能严重恶化。因此,针对系统时变特性,将非参数模型辨识与TOILC相结合提出一种基于数据驱动的自适应最优迭代学习控制(Data-driven adaptive optimal iterative learning control,DDAOILC)算法,在迭代过程中根据输入输出信号对系统名义模型进行辨识从而更新最优迭代学习控制器,该算法不需要事先获取精确的系统模型信息,弥补了TOILC的不足;仿真和试验结果表明,DDAOILC可以有效应对伺服系统时变特性,当系统有参数摄动时,仍具有较高的跟踪性能。