谢振东[1]2000年在《非线性迭代学习控制理论及其在机器人控制中的应用》文中认为本文以建立非线性系统迭代学习控制的基本理论为目的，研究了非线性连续系统、离散系统、分布参数系统、广义系统的迭代学习控制方法，以及系统在不满足一般收敛条件下的学习控制方法。最后，我们还讨论了迭代学习控制方法在机器人系统中的应用问题。 本文共分六部分，第一部分为第一章的绪论，主要介绍了迭代学习控制理论产生的背景、迭代学习控制理论国内外研究的现状，指出目前迭代学习控制理论研究中主要存在的问题，阐明了研究目的和研究内容。 第二部分为第二章和第三章。第二章主要研究了一般非线性系统的迭代学习控制方法，并介绍了一个新的概念—(λ，ζ)范数，在充分利用控制系统先前控制经验的基础上，将控制量和输出量作为一个整体来进行讨论，使得算法不象已有结果那样，只是局部收敛，而是全局收敛。第三章主要研究了一类退化系统目标跟踪的迭代学习控制的吸引流形方法，在系统不满足一般收敛条件的情况下，我们通过构造一个相应于所给系统稳定而吸引的流形，导出所满足要求的迭代学习控制，该方法对系统有较好的鲁棒性。 第三部分包括第四章和第五章，主要研究了一般非线性离散系统及一类不确定离散系统的目标跟踪问题。对于一般非线性离散系统，引进了离散的(λ，ζ)范数，所给的算法不依赖于学习控制算法中的初始数据，对于一类不确定离散系统的状态跟踪问题，我们也采用迭代学习控制的方法，将相应的学习控制问题转化为一个下三角动力系统的平凡解全局稳定性问题，获得了对系统理想状态的跟踪结果，并对所给的算法的收敛性进行了分析。 第四部分包括第六章、第七章、第八章，主要研究了一般非线性分布参数系统、不确定分布参数系统的迭代学习控制方法，获得了系统轨线于L_2(Ω)空间和W~(1，2)(Ω)空间中跟踪期望目标的结果，所给的学习算法避免了其收敛性要依赖于理想控制输入这一不确定的条件，拓宽了系统的鲁棒裕度；对于不确定的系数矩阵只是一个定性的要求——有界，而没有定量的要求——是多少。另外，对不确定分布参数系统，我们还给出了一种二阶P-型学习算法，该算法有较好的收敛性。 第五部分为第九章，主要研究了一类滞后广义非线性系统状态跟踪的迭代学
杨小军[2]2002年在《自适应迭代学习控制新算法及其在工业过程控制中的应用》文中认为迭代学习控制理论是智能控制的一个重要分支，传统迭代学习的基本方法是，基于上次迭代时的输入信息和输出误差的PID校正项，获得本次迭代的控制输入，经过若干次迭代，以期达到在给定的时间区间上实现被控对象以较高精度跟踪一给定目标轨线。但当被控对象含有不确定的参数或迭代学习控制律的增益系数时变时，现有的方法存在很大缺陷，如要求非线性项满足Lipschitz连续性，控制律的收敛性分析依赖于实际上是未知的理想输入，初值重置问题等。由于自适应控制在非线性不确定系统中的成功应用，如何充分利用系统的先验信息，用自适应控制设计迭代学习控制，这是一个值得研究的新课题。本文利用自适应理论设计迭代学习控制，基于Lyapunov稳定性理论，结合本质非线性系统的Backstepping设计方法，提出了两类本质非线性系统的迭代学习控制新算法，这些算法克服了传统迭代学习控制的许多缺陷，放松了传统算法的一些限制性假设。并且针对非线性工业过程稳态优化中的设定值多次变动，目标轨线多次变动的问题，提出了一种新的自适应迭代学习算法，以改善系统过渡过程的动态品质。本文的主要工作包括以下几个方面：第一，对一类未知非线性高阶系统，将神经网络引入迭代学习控制，迭代学习控制与自适应控制相结合，实现了任意精度的跟踪。实例仿真分析说明了该算法相对传统算法的有效性及其所具有的优点。第二，对一类不确定非线性系统，提出一种自适应鲁棒迭代学习控制方案。将迭代学习控制，变结构滑模控制，神经网络自适应控制以互补的方式相结合，使得跟踪误差渐近收敛于零。第三，对非线性工业控制系统的稳态优化问题，用自适应迭代学习控制对其动态施行控制，不需要状态重置，系统是连续运行的，并且有效克服了ILC应用到稳态优化控制中目标轨线选取的困难。并且推广到一类非线性系统的跟踪控制，实现了对一列期望轨迹的精确跟踪。第四，对每种迭代学习算法及其应用都做了仿真研究，验证了算法的可行性和有效性。
陶丽丽[3]2001年在《迭代学习控制在机器人中的应用》文中认为本文主要研究了迭代学习控制在机器人中的应用，并分别在零初始误差条件下和非零初始误差条件下设计了迭代学习控制算法，并采用Lyapunov稳定性理论证明了算法的收敛性，最后将迭代学习控制算法应用于机器人中进行了仿真研究。文章的主要研究内容如下：1．机器人运动学和动力学。主要介绍了机器人运动学的问题和机器人动力学模型的建立。2．迭代学习控制。主要介绍了零初始误差条件下和非零初始误差条件下的迭代学习控制算法。3．零初始误差条件下迭代学习控制在机器人中的应用。主要介绍了在零初始误差条件下D型改进型迭代学习控制算法和PD型改进型迭代学习控制算法、收敛性分析及其在机器人中的应用。4．非零初始误差条件下迭代学习控制在机器人中的应用。主要介绍了在非零初始误差条件下D型改进型迭代学习控制算法和PD型改进型迭代学习控制算法、收敛性分析及其在机器人中的应用。最后进行了仿真试验说明本文设计的控制算法对机器人进行控制时的有效性和鲁棒性。
韦巍[4]1994年在《学习控制及其在机器人控制中的应用》文中研究说明传统的控制系统设计都要依赖于系统的数学模型，虽然自适应控制和鲁棒控制部分地解决了系统模型的不确定性问题，但在实用上，由于对其不确定因素限制较多，且计算量普遍偏大，使得实际应用上存在一定困难。学习控制是针对未知模型系统的控制而提出来的。本文着重研究了学习控制的两个分支—迭代学习控制和基于神经网络的学习控制，目的在于提高系统执行级的智能度。并对机器人高精度轨迹跟踪控制方面进行了较为系统详细的研究。本文的主要贡献在于： 1．从简单的DC伺服系统入手，提出了迭代学习的基本思想，利用高增益反馈原理，推导和证明了一类非线性动态系统的迭代学习控制方法。并在单自由度的伺服系统实验和三关节机械手的轨迹控制中得到了验证，文中就单纯迭代学习方法对负载变化适应能力差的情况，提出了基于知识库的学习思想，通过数学变换，实现了控制算法的推理计算，达到高效控制目的。 2．明确提出了可分离非线性系统的神经网络辨识新思想。实现了递推最小二乘估计和BP学习算法估计的有机结合，简化了被辨识系统的网络复杂度，提高了系统学习收敛速度。此外，就常规BP算法提出了一些改进措施，增强快速学习能力。 3．全面分析了各种网络控制结构和学习方法，提出了带反馈的直接网络控制器和多网络逆模型学习控制方法，提高了网络控制器的抗扰能力，解决了被控对象模型未知条件下的网络控制器的学习问题，从而增强了整个控制系统的学习和应变能力。 4．本文揭示了网络结构选择上的盲目性，提出了一种自适应网络结构学习的新思想。 5．本文就提高神经网络应用上的智能度，引入了模糊控制的概念，把语言变量的处理技术引入到神经网络中来，提出了混合型模糊神经网络结构和相应的学习算法，从而拓宽了神经网络的应用领域。 6．本文将所研究的成果应用于机器人的精确轨迹跟踪，在这个多变量、强耦合、未知模型的非线性动态系统控制中得到成功的应用。
战兴群[5]1999年在《静液驱动二次调节技术控制特性的研究》文中研究说明二次调节技术是一个或一组压力耦连的执行元件工作于恒压网络中并可以实现能量回收与再生的静液驱动技术。该技术通过调整二次元件的斜盘倾角来适应外负载的变化进而达到调速的目的,它不仅具有良好的动静态特性,而且在一定条件下,二次元件可以进行液压马达与泵工况的转换,回收负载的惯性能或重力势能,在能源紧缺的当今世界,这无疑具有广阔的应用前景。但是,目前二次调节技术在理论和应用上还存在许多问题。本文以二次调节扭矩伺服加载实验装置为研究对象,对二次调节技术进行了全面深入的理论和实验分析。本文首先在查阅大量国内外资料的基础上,综述了自动控制技术的发展历程,归纳了各种控制理论在控制中的职能,综述了电液伺服控制的最新发展和二次调节技术的应用现状,指出了目前存在的主要问题,并在此基础上确定了本文的研究方向。本文研究了在不同负载条件下二次调节系统的静态调速特性。研究表明,在重力负载下,二次元件可以在斜盘不过零点的情况下实现由液压马达工况到泵工况的转换,回收负载的重力势能,达到节能目的,并且由于泵工况处于斜盘倾角的一个有界区间,因而具有能量回收的峰值功率;在恒转矩负载条件下,二次元件必须在斜盘过零点的前提下才能实现液压马达/泵工况的转换,二次元件具有驱动状态、换向状态以及能耗制动状态等三种工作状态,可以四象限工作,但泵工况下没有稳定工作点。仿真结果证明了理论分析的正确性。本文在分别建立恒压变量泵、液压蓄能器和二次元件的数学模型后,建立了二次调节扭矩加载装置的整体数学模型,通过该模型可以清楚地看到,转速系统和转矩系统间存在耦合,转速系统和转矩系统以负载流量的形式对油源系统引入了干扰,由此而产生的油源压力波动反过来又形成了对转速系统和转矩系统的扰动,表明油源系统、转速系统和转矩系统三者间是紧密关联的。本文在所建立的数学模型基础上采用仿真方法研究了二次调节转速系统的动态速度刚度问题,指出小闭环和外环积分作用有利于提高二次调节转速系统的动态速度刚度。本文提出了神经优化的TAKAGI-SUGENO模糊模型控制和基于神经网络的迭代学习控制算法,这些算法具有适应系统非线性、参数时变和外部扰动的能力。本文还研究了加权D(微分)型迭代学习控制算法,在其基础上得到几个有用的推论,并针对二次调节扭矩加载实验台在加载过程中具有轨迹可重复的特点,探讨了将其应用于二次调节转速系统的可能性。本文研究了二次调节加载装置中转速系统与转矩系统间耦合作用的产生机理,提出了从硬件上消除耦合的两种方案及各自的优缺点,并设计了二次调节加载实验装置的解耦网络,该解耦网络可以从软件上实现转速转矩系统动态的近似完全解耦。本文设计制作了二次调节加载装置的全部硬件接口电路,局部改造了实验台。为了该加载装置更加接近实用化,在Windows95环境下,用Visual C++语言编制了功能较为完善的用户界面友好的控制软件。最后,本文在二次调节加载实验装置上进行实验研究,提高了该加载装置的动静态性能。
孙何青[6]2013年在《改进的迭代学习控制算法及其在列车运行控制应用中的几类问题研究》文中提出摘要：论文研究了改进的迭代学习控制方法及其在列车自动控制应用中的若干问题。主要研究内容和创新点总结如下：一、考虑到基于反馈的列车运行控制方法中存在的无法利用列车重复运行信息、无法实现整个运行区间精确跟踪等缺点,设计了一种基于反馈.前馈迭代学习控制的列车运行曲线跟踪控制方法,并分别在系统存在与不存在控制输入约束及测量噪声的情况下,证明了该控制算法的收敛性。算法既利用迭代学习控制方法的学习性能学习了系统重复运行的信息,又利用反馈控制方法即时处理外部扰动的能力增加了系统对外部随机扰动的鲁棒性；二、为解决已有的2.范数最优迭代学习控制方法中存在的计算量和所占存储空间过大的问题,为离散时间线性时变系统设计了一种计算高效的范数最优迭代学习控制方法。通过理论分析验证了该控制算法的收敛性、鲁棒性、收敛速度、控制性能、计算复杂度等性质,并在电机运动控制实验平台上验证了有效性。算法通过避免使用超向量的系统描述方式,使得范数最有控制算法的计算负责度大大降低,拓宽了算法的实际应用范围；三、考虑到多智能体编队的协调控制问题,针对由离散时间线性时变系统描述的多智能体,研究并设计了一种计算高效范数最优迭代学习协调控制方法。该控制方法将迭代学习独立控制和迭代学习协调控制统一到一个基于优化的迭代学习框架下。同时,证明了算法的收敛性、鲁棒性、收敛速度、控制性能等性质。算法通过引入优化的思想,与已有的迭代学习协调控制方法相比,拥有更好的沿迭代轴暂态性能；四、为改善列车运行控制效果和多列车协调运行控制效果,将上述针对线性时变系统的计算高效的范数最优迭代学习控制方法和计算高效范数最优迭代学习协调控制方法扩展到控制输入仿射的非线性系统中,并分别将其应用到列车运行曲线跟踪控制问题和多列车运行曲线协调跟踪控制问题中；五、考虑到列车运行中的安全问题,通过加入超速防护状态反馈项,研究了一种带有超速防护的迭代学习列车运行曲线跟踪控制方法；通过交互相邻列车的位置信息,加入系统输出协调项,研究了一种带有追踪防撞的迭代学习多列车运行曲线协调跟踪控制方法。两种算法在控制中考虑安全问题,增加了列车运行系统的安全性能。
孙炜[7]2002年在《智能神经网络的机器人控制理论方法研究》文中指出本文在回顾了机器人控制技术和神经网络技术的发展和现状后，提出了智能神经网络的概念和模型，总结了它的定义，研究了多种形式的智能神经网络模型并将它们应用于机器人的控制中。所研究的智能神经网络可以分为两类，一类是具有模糊推理归纳和自学习能力的神经网络；另一类是具有全局稳定性和鲁棒性的神经网络。在本文中，我们通过将模糊控制与神经网络结合构成模糊神经网络来使神经网络具有模糊推理归纳和自学习能力；通过从系统的稳定性出发，用稳定性理论来设计鲁棒神经网络学习算法来使神经网络具有全局的稳定性。模糊神经网络用神经网络模拟模糊推理，使得神经网络具有了模糊推理和归纳能力。由于神经网络具有自学习的能力，又使得模糊神经网络的推理归纳方式在实际的控制过程中是可以不断修正的。同时由于模糊神经网络的结构具有明确的物理意义，模糊神经网络的结构设计和权值初始化非常容易。在模糊神经网络的研究方面，论文首先利用采用高斯基函数作为模糊隶属函数，构造了一种模糊高斯基神经网络；而后，为了使模糊隶属函数的形状可以得到实时在线的调整，在分析了样条基函数的特性后，利用B样条基函数作为模糊隶属函数，构造了一种模糊样条基神经网络；再然后，将小脑模型关节控制器中的空间划分方式进行模糊化处理，提出了一种模糊小脑模型关节控制器；之后，又在小波神经网络的基础上，设计了一种模糊小波基神经网络；最后，在模糊神经网络中引入反馈单元，提出了一种递归模糊神经网络。在鲁棒神经网络的研究方面，本论文基于李雅普诺夫定理等稳定性理论和鲁棒控制方法，设计了一种鲁棒神经网络控制系统，该系统首先利用具有鲁棒学习算法的神经网络来逼近系统中的不确定性因素，然后用鲁棒控制器来消除神经网络的逼近误差的影响。论文从理论上分析了整个鲁棒神经网络控制系统的稳定性。论文中提出的各种智能神经网络模型均被应用于机器人的轨迹跟踪控制中以克服机器人控制系统中非线性、耦合、不确定性等因素对控制性能的影响。对提出的每一种方法本文都进行了仿真实验研究，仿真实验结果证明了所提出的各种智能神经网络模型具有良好的智能特性，在应用于机器人的控制时，都能取得很好的控制效果，是行之有效的。
李洋[8]2007年在《迭代学习控制及其在电厂汽温控制中的应用》文中研究表明火电厂热工对象总是存在着非线性、参数不确定、大滞后和大惯性的特征,以PID控制为基础的常规控制系统己无法适应越来越高的控制要求。本文以稳态优化控制中设定值改变以及工业过程中反复出现扰动的情形为背景研究了迭代学习控制理论的应用问题。针对工业过程线性、非线性系统等分别给出了不同的迭代学习控制算法,证明了收敛性并加以仿真研究。最后以火电厂主汽温控制系统为例,设计了迭代学习控制器,仿真结果表明该控制策略具有良好的控制效果,是具有广阔应用前景的方法。
柳春平[9]2013年在《迭代学习控制理论及其在网络控制系统中的应用》文中研究指明迭代学习控制(iterative learning control,简称ILC)策略适合于某种具有重复运动性质的被控对象。其控制的基本思想是：将控制系统历史的控制信号和误差信号相结合来修正当前控制信号,产生新的控制信号,实现在有限时间区间上的完全跟踪任务。本文先对迭代域变化的参考轨迹跟踪问题进行高阶内模迭代学习控制的研究,然后针对具有网络传输的控制系统中不同数据丢失和时延情况采用三种不同的迭代学习方法研究,并证明迭代学习律的收敛性。论文的主要研究内容包括如下几方面：1.针对变参考轨迹跟踪问题,提出了高阶内模迭代学习控制。首先构造一个高阶内模(HOIM)描述变参考轨迹,然后将高阶内模嵌入到迭代学习律中,从而构造生成新型高阶内模迭代学习律。通过严格的数学分析和仿真实例,证明高阶内模算法能够保证跟踪误差沿迭代轴的渐近收敛性质。最后将高阶内模算法推广到非线性系统。2.针对传感器至控制器通过网络连接的一类网络控制系统,存在Bernoulli分布的数据丢失和传输一步时延问题,应用经典迭代学习控制算法的前馈特性对网络控制系统进行有效补偿,确保系统的跟踪性能。3.研究传感器至控制器通道存在随机数据丢失和传输时延行为的网络化控制系统。首先将随机数据丢失和传输时延行为建模为Markov链,然后提出了移动权重平均高阶迭代学习算法,最后证明新型算法对于网络控制系统的有效性。4.针对控制器至执行器通道存在数据丢失的离散时变网络化控制系统问题。首先建立Bernoulli分布的数据丢失模型,其次提出了含平均迭代学习律的输入保持补偿算法,该方法的迭代学习控制器将所有的历史输入信号和所有误差信号叠加取平均,从而形成新的控制信号,而在执行器端采用零阶保持方法补偿丢失的控制信号,最后经理论分析和仿真实验,证明了该方法的有效性。本文最后对全文进行了总结和展望。
詹炜[10]2007年在《DGR-5A机器人迭代学习控制研究》文中进行了进一步梳理迭代学习控制技术,作为智能控制的一个分支,因其简单有效而受到了不少研究人员的关注,近年来得到了很大的发展,在各个领域都有着广泛的运用。迭代学习控制针对具有重复运行性质的被控对象,利用对象以前运行的信息,通过迭代的方式,实现在有限时间区间上的完全跟踪任务。本文研究工作的目的是为了实现对机器人期望轨迹的完全跟踪,以本实验室的DGR-5A五自由度机器人作为控制对象,研究迭代学习控制算法在其上面的应用。首先,本文对DGR-5A五自由度机器人寻求有效的分析方法,建立机器人的运动学方程及其逆运动学方程,通过计算机仿真验证了方法的正确性,并且对轨迹规划基本理论做了一般性探讨,给出了仿真结果。接着本文建立了DGR-5A五自由度机器人的动力学模型。然后,本文主要介绍了迭代学习控制的基本概念,包括开、闭环迭代学习控制,对其收敛条件进行了分析,并且讨论了其在机器人上的应用。在此基础上对学习算法作了改进,分别给出了指数变增益加速学习算法和反馈—前馈迭代学习控制算法。前者可以大大提高学习速度,后者则能在系统受到外部扰动和系统参数发生变化时保证系统的鲁棒性,二者均在DGR-5A五自由度机器人的动力学模型上通过仿真试验进行了验证分析。
参考文献：
[1]. 非线性迭代学习控制理论及其在机器人控制中的应用[D]. 谢振东. 华南理工大学. 2000
[2]. 自适应迭代学习控制新算法及其在工业过程控制中的应用[D]. 杨小军. 西安电子科技大学. 2002
[3]. 迭代学习控制在机器人中的应用[D]. 陶丽丽. 福州大学. 2001
[4]. 学习控制及其在机器人控制中的应用[D]. 韦巍. 浙江大学. 1994
[5]. 静液驱动二次调节技术控制特性的研究[D]. 战兴群. 哈尔滨工业大学. 1999
[6]. 改进的迭代学习控制算法及其在列车运行控制应用中的几类问题研究[D]. 孙何青. 北京交通大学. 2013
[7]. 智能神经网络的机器人控制理论方法研究[D]. 孙炜. 湖南大学. 2002
[8]. 迭代学习控制及其在电厂汽温控制中的应用[D]. 李洋. 华北电力大学（河北）. 2007
[9]. 迭代学习控制理论及其在网络控制系统中的应用[D]. 柳春平. 浙江大学. 2013
[10]. DGR-5A机器人迭代学习控制研究[D]. 詹炜. 南京航空航天大学. 2007
标签：自动化技术论文; 机器人论文; 神经网络模型论文; 智能算法论文; 模糊算法论文; 非线性误差论文; 仿真软件论文; 网络模型论文; 线性系统论文; 控制理论论文; 非线性论文; 模糊理论论文; 迭代计算论文; 系统学习论文; 迭代模型论文; 误差分析论文; 人工智能论文; 数据分析论文; bp神经网络算法论文; 算法论文;