检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

变批次长度非线性时滞系统的迭代学习控制

信息与控制 2023年第4期52卷 542-550,560页

作者：韩洋陶洪峰江南大学教育部轻工过程先进控制重点实验室江苏无锡214122

针对一类变批次长度的非线性系统,研究了其带输入时滞情况下的期望轨迹跟踪PD(proportional-derivative)型迭代学习控制问题。批次长度变化通过系统在时刻点输出的概率进行描述,其造成的跟踪误差信息缺失使用零补偿方法进行修正,以便于... 详细信息

针对一类变批次长度的非线性系统,研究了其带输入时滞情况下的期望轨迹跟踪PD(proportional-derivative)型迭代学习控制问题。批次长度变化通过系统在时刻点输出的概率进行描述,其造成的跟踪误差信息缺失使用零补偿方法进行修正,以便于不同批次控制律的全时间轴信息更新;然后基于给定超前法设计PD型迭代学习控制算法,消除输入时滞对控制律更新的影响;再根据数学期望与范数分析证明了所提算法能够保证跟踪误差在初始状态相同时严格收敛,在初始状态不同时期望收敛。最后通过直流电机驱动单杆系统的输出跟踪控制仿真验证了所提算法的有效性。

关键词：迭代学习控制变批次长度非线性系统输入时滞

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

变批次长度非线性时滞系统的迭代学习控制

变批次长度非线性时滞系统的迭代学习控制

作者：韩洋江南大学

学位级别：硕士

迭代学习控制(Iterative Learning Control,ILC)是一种智能控制方法,适用于具有重复运行性质的系统,主要用于处理轨迹跟踪问题。该方法通过学习之前批次的信息对当前输入信号进行更新修正,从而使系统输出能够在有限批次内对期望输出轨... 详细信息

迭代学习控制(Iterative Learning Control,ILC)是一种智能控制方法,适用于具有重复运行性质的系统,主要用于处理轨迹跟踪问题。该方法通过学习之前批次的信息对当前输入信号进行更新修正,从而使系统输出能够在有限批次内对期望输出轨迹实现精确跟踪。ILC仅需输入与误差信息便可设计学习律对系统进行有效控制,因此被广泛应用于各类非线性系统。传统ILC要求系统每批次的运行在固定有限时间内完成,然而工业生产过程中很难实现这类严格重复条件。为了放宽这一条件,产生了许多有关变批次长度的ILC研究。在实际工业系统中,受测量与信息传递、物理条件约束等因素影响,时滞现象普遍存在,因此针对时滞系统的ILC研究具有实际意义和应用价值。多年来,非线性系统的ILC研究在时滞问题和变批次长度问题上各有一定的成果,但许多实际工业系统很可能同时存在时滞和批次长度不等这两种问题,而目前尚未有相关研究。因此,本文对变批次长度非线性时滞系统的迭代学习控制问题进行了研究,主要工作内容如下:1.针对一类变批次长度离散非线性系统,研究其带有定常状态时滞情况下的期望轨迹跟踪迭代学习控制问题。定常状态时滞采用常规ILC学习律处理,批次长度变化通过系统在时刻点有输出的概率进行描述,其造成的跟踪误差信息缺失使用零补偿方法进行修正。结合修正跟踪误差设计了P型与PD型ILC算法,根据数学期望与范数分析证明了所提算法能够保证跟踪误差在初始状态相同时严格收敛。最后用数值模型仿真验证所提算法的有效性。2.研究一类变批次长度离散非线性系统带有定常输入时滞情况下的期望轨迹跟踪迭代学习控制问题。使用给定超前法消除定常输入时滞对控制律更新的影响,同时结合零补偿方法设计了PD型ILC学习律。根据数学期望与范数分析证明了所提算法能够保证跟踪误差在初始状态相同时严格收敛,在初始状态有界变化时期望收敛。最后用网络环境下直流电机驱动单个连杆的实例仿真验证了所提算法的有效性。3.结合前两部分的研究内容,考虑变批次长度离散非线性系统同时带状态与输入时滞情况下的期望轨迹跟踪迭代学习控制问题。基于零补偿方法与给定超前法设计PD型ILC算法以消除时滞问题与变批次长度问题对控制律更新的影响,根据数学期望与范数分析证明了所提算法能够保证跟踪误差在初始状态相同时严格收敛,在初始状态不同时期望收敛。最后用数值模型仿真验证了所提算法的有效性。

关键词：迭代学习控制非线性系统变批次长度时滞

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

变批次长度下时变系统的迭代学习控制研究

变批次长度下时变系统的迭代学习控制研究

作者：官上雷江南大学

学位级别：硕士

在许多的工业过程及应用中,系统需要在规定的时间内完成特定的任务,并且需要反复执行多次,例如机械臂系统、电机控制、发酵过程等。针对此类系统重复运行的性质,迭代学习控制作为智能控制的一个分支被广泛应用。迭代学习控制的核心思想... 详细信息

在许多的工业过程及应用中,系统需要在规定的时间内完成特定的任务,并且需要反复执行多次,例如机械臂系统、电机控制、发酵过程等。针对此类系统重复运行的性质,迭代学习控制作为智能控制的一个分支被广泛应用。迭代学习控制的核心思想是通过多次执行同一任务,根据上一次执行的误差和控制输入来修正控制信号,不断改进控制策略,以使得系统的输出逐步接近期望输出轨迹。工业过程中的诸多问题具有时间依赖性,对时变系统的研究有着更普遍的代表性与重要的研究价值。相比于其他控制方法,迭代学习控制具有先验知识要求低、适应性强、易于实现等优点。然而,在实际应用中,由于系统扰动、不确定性以及出于安全考虑的人为干预等因素,不同迭代批次的实际运行长度可能会有所不同,即系统的实际迭代批次长度会在若干种取值之间变化。该类变批次长度问题会对迭代学习的过程产生影响,并降低系统的跟踪性能。因此,寻求对缺失信息的处理策略以及设计适宜高效的迭代学习控制律以减轻变批次长度问题对迭代学习过程的影响,是改善具有该问题的系统跟踪性能的关键所在。本文研究了变批次长度下一类时变系统的迭代学习控制,对于变批次长度模型、缺失信息补偿、控制律设计等问题进行了探讨。具体的研究工作总结如下:(1)针对变批次长度下的一类时变系统,提出了一种针对被控制系统的高阶反馈辅助PD型迭代学习控制律。首先通过离散均匀分布对系统的可能迭代批次长度进行描述,进一步得到系统不同时刻到达概率的随机性模型。利用迭代平均算子构建高阶信息,以补偿变批次长度问题所造成的信息缺失。给出可使系统收敛的控制律增益选取条件后,利用λ范数与压缩映射法证明了被控系统随着迭代次数的上升,其跟踪误差可以在数学期望的意义下收敛。最后,通过对注塑机模型的填充过程进行仿真验证,证明了所提迭代学习控制律的优点与有效性。(2)针对变批次长度下的一类时变系统,通过确定性的模型对变批次长度问题进行刻画,并以此为基础设计了一个反馈辅助PD型迭代学习控制律。利用引入的指示函数,构建了一个递归更新的误差序列和一个更新输入序列,分别用于形成全长的误差信号和存储历史有效的输入信号,用来进行所提控制律的设计和构建。通过将压缩映射技术和归纳分析方法相结合,完成了控制律的收敛性分析,证明了被控系统使用所提控制律可以使得跟踪误差收敛。最后,通过一个数值仿真模型验证了所提迭代学习控制律的优点与有效性。(3)针对变批次长度问题下一类变参考轨迹系统的轨迹跟踪问题,首先采用提升技术将系统转化为提升系统,并引入随机矩阵来描述系统不同迭代批次间的变批次长度问题。通过提取不同参考轨迹的共性设计控制目标,进一步利用逐次投影策略设计需要迭代减少的性能指标。在提升系统框架下设计了最优迭代学习控制律,并证明了所提控制律可以使得被控系统的跟踪误差收敛。最后,通过对龙门机器人垂直轴运动模型进行仿真,验证了所提迭代学习控制律的优点与有效性。

关键词：迭代学习控制变批次长度时变系统优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于复合能量函数的变长度迭代学习控制

基于复合能量函数的变长度迭代学习控制

作者：曾春北京化工大学

学位级别：硕士

迭代学习控制(Iterative Learning Control,简称ILC)作为智能控制领域的重要分支,特别适用于那些能够在固定的有限时间内完成特定任务并重复执行相同操作的系统。迭代学习控制利用先前批次的经验改进系统的控制信号,通过重复试验逐步提... 详细信息

迭代学习控制(Iterative Learning Control,简称ILC)作为智能控制领域的重要分支,特别适用于那些能够在固定的有限时间内完成特定任务并重复执行相同操作的系统。迭代学习控制利用先前批次的经验改进系统的控制信号,通过重复试验逐步提高控制性能。为了确保系统的跟踪性能可以沿迭代轴逐渐提高,迭代学习控制要求系统在每一批次的操作长度都必须保持一致。而在实际应用中,由于存在复杂的因素和未知的不确定性,系统每一批次运行的时间长度可能是随机变化的。针对迭代学习控制中的变长度问题,已经取得一些研究成果,但它们大多数都是关于线性离散系统的,而很少考虑非线性连续系统。基于这一背景,本文主要研究了非线性连续系统中的变长度迭代学习控制问题,具体工作包括:1.第二章研究参数化非线性系统的变长度迭代学习控制问题。基于已知的部分结构信息,提出了两种迭代学习控制方案。具体来说,未知参数既有时变类型也有时不变类型时,应用差分-微分叠加型学习算法;所有未知参数都为常数时,应用差分-微分混合型学习算法,该算法也可以处理时变参数。文中给出了两种误差补偿机制,并针对变长度问题引入新的复合能量函数(Composite Energy Function,简称CEF),从理论上严格证明了两种控制算法的收敛性。2.第三章研究机械臂系统的变长度迭代学习控制问题。文中定义了虚拟跟踪误差,并基于该辅助变量构造一种新的复合能量函数,证明了机械臂关节位置跟踪误差的收敛性。另外,考虑了初始状态随机变化的情况,在设计控制器时,引入初始校正机制,确保机械臂关节位置可以在较小初始时间间隔以外跟踪上目标轨迹。3.第四章研究控制方向未知的高阶严格反馈系统的变长度迭代学习控制问题。文中使用神经网络对系统中未建模的非线性动态进行逼近,并设计微分型算法学习神经网络中的相关参数。基于补偿后的虚拟跟踪误差信号,构造新的复合能量函数分析了控制算法的收敛性。

关键词：迭代学习控制变批次长度非线性连续系统虚拟跟踪误差复合能量函数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

反馈辅助PD型量化迭代学习控制方法研究

反馈辅助PD型量化迭代学习控制方法研究

作者：周楠北京化工大学

学位级别：硕士

在人类学习过程的启发下,迭代学习控制（Iterative Learning Control,ILC）应运而生,其关键思想是在重复中学习,从而改善系统的暂态响应和跟踪性能。若将迭代学习控制与反馈控制结合,形成反馈辅助迭代学习控制方法,可实现优势互补,增强... 详细信息

在人类学习过程的启发下,迭代学习控制（Iterative Learning Control,ILC）应运而生,其关键思想是在重复中学习,从而改善系统的暂态响应和跟踪性能。若将迭代学习控制与反馈控制结合,形成反馈辅助迭代学习控制方法,可实现优势互补,增强系统在非重复干扰下的鲁棒性,并加快收敛速度。随着网络通信技术的发展,迭代学习控制理论逐渐应用于网络控制系统（Networked Control Systems,NCSs）领域。通过量化可有效减轻网络传输负载、提高系统的响应速率,但它在迭代学习控制方面的相关研究仍处于起步阶段。本文研究了反馈辅助PD型量化迭代学习控制的收敛性和鲁棒性问题,同时给出P型、PD型学习律,对比验证了所提算法在加快收敛速度方面的优越性。具体工作包括:1、将量化与反馈辅助迭代学习控制的思想相融合,提出一种反馈辅助PD型量化迭代学习控制方案,初步讨论了在量化误差信号时,系统控制器设计与收敛性分析。在接下来的具体工作中,将扩展讨论数据包丢失、随机变批次长度和变初始条件这三种情况,解决了系统数据缺失和非重复性条件的问题。2、研究了通信约束条件下的迭代学习控制问题。输出信号从远端设备向控制器传送的过程中,会发生数据量化与数据丢包的情况。将丢包模型描述为已知概率的伯努利序列。设计新的反馈辅助PD型量化迭代学习控制方案,采用压缩映射法分析证明了所提算法能够保证跟踪误差收敛到零。随后针对初始状态偏移情况,对该算法的鲁棒性进行了讨论。3、研究了批次长度和初始状态均随机变化的迭代学习控制问题。在量化误差信号的分析基础上,增加考虑量化输入信号这种方案。基于修正后的跟踪误差,设计一种新的反馈辅助PD型量化迭代学习控制算法,降低了先前ILC算法中对批次长度和初始条件均为相同的要求。利用堆积系统框架,分析证明了两种量化方案在数学期望下的学习收敛性和鲁棒性。

关键词：迭代学习控制反馈辅助PD策略数据量化数据包丢失变批次长度初始状态