具有反馈信息的PDα型迭代学习控制律在Lebesguep范数意义下.PDFVIP

２０１７年４月 西 北 工 业 大 学 学 报 Ａｐｒ． ２０１７ 第３５卷第２期 Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｗｅｓｔｅｒｎ Ｐｏｌｙｔｅｃｈｎｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ Ｖｏｌ．３５ Ｎｏ．２ α 具有反馈信息的ＰＤ ⁃型迭代学习控制律 在Ｌｅｂｅｓｇｕｅ⁃ｐ 范数意义下的收敛性分析 １，２ １ 张克军 ，彭国华 （１．西北工业大学 理学院，陕西 西安　 ７１０１２９；２．徐州工程学院数理学院，江苏 徐州　 ２２１０１８） α 摘　 要：针对一类分数阶线性时不变系统，提出了具有反馈信息的ＰＤ ⁃型分数阶迭代学习控制律，在 Ｌｅｂｅｓｇｕｅ⁃ｐ 范数意义下，利用卷积的推广Ｙｏｕｎｇ 不等式，对控制律单调收敛性进行分析，推导出单调 α 收敛的充分条件。 分析表明，具有反馈信息的ＰＤ ⁃型迭代学习控制律的收敛性不仅取决于控制律的 学习增益，而且依赖于系统自身的属性；同时，若选用适当的反馈增益，可加快迭代学习控制律的收敛 速度。 仿真实验验证了理论的正确性和控制律的有效性。 关　 键　 词：迭代学习控制；分数阶；Ｌｅｂｅｓｇｕｅ⁃ｐ 范数；收敛性 中图分类号：ＴＰ１３　 　 　 文献标志码：Ａ　 　 　 文章编号：１０００⁃２７５８（２０１７）０２⁃０３１０⁃０６ ［１］ α 　 　 迭代学习控制 （ｉｔｅｒａｔｉｖｅ ｌｅａｒｎｉｎｇ ｃｏｎｔｒｏｌ，简称 控制律拓展到更一般的开闭环ＰＤ ⁃型迭代学习控 ＩＬＣ）是人工智能与自动控制相结合的学习控制技 制律，并给出了控制律收敛的充分条件。 术，它是一种无模型控制，不需要具体的模型参数， 以上研究分数阶迭代学习控制的文献是在λ⁃ 只需利用自身重复性的特性，进行足够多次的学习， 范数意义下对跟踪误差进行度量。 在某种程度上， 便可使被控对象完全跟踪理想输出。 正是由于这一 λ⁃范数不能对跟踪误差的本质特征客观地量化描 特性，迭代学习控制自提出以来就受到国内外众多 述［１０⁃１１］。 相关文献［１２⁃１３］研究发现，当选取比较 学者的青睐，涌现出大量的研究成果，这些成果主要 大的参数λ 时，虽然在理论上能保证学习律的单调 是在整数阶系统下研究的。 但现实世界中的动态系 收敛，但在系统的重复运行过程中，它的暂态跟踪误 统主要是分数阶的，与整数阶模型相比，分数阶模型 差的上确界值不在实际工程的误差容许范围内，从 能够更加准确地描述动态系统。 因此，将迭代学习 而导致系统崩溃。 为了使系统的收敛性不依赖参数 控制应用于分数阶系统逐渐成为一个新的研究 λ 的选取，而主要取决于系统本身的动力学特性以 ［２⁃９］ ［１４］ 热点 。 及学习增益 ，针对一类分数阶线性时不变系统， α ２００１年，文献［２］首次提出Ｄ ⁃型迭代学习控 本文选取Ｌｅｂｅｓｇｕｅ⁃ｐ 范数作为迭代学习控制收敛性 制律，并得到其在频域中的收敛条件，推广了迭代学