具有轨迹偏移的自适应迭代学习控制研究.pdfVIP

摘要

迭代学习控制算法简单、对任意给定期望轨迹的收敛精度高，受到了学者的广泛

关注。然而，传统的D-型、P-型及最优ILC算法要求期望轨迹在系统运行过程中沿着

迭代方向严格重复，一旦期望轨迹发生偏移，所设计的控制策略将失去意义。另一方

面，D-型、P-型等传统的ILC控制策略的收敛性条件都依赖于精确的系统模型参数。

本文针对以上问题，提出了几种新的控制策略，具体研究内容和主要结果如下：

针对参数未知的线性离散时变系统，通过求解二次规划问题构建参数自适应更新

算法，将参数的估计信息和具有偏移的轨迹信息应用到迭代学习控制策略的设计过程

中，形成一种自适应迭代学习控制策略。理论分析及证明表明：参数的估计误差是有界

的，并且轨迹在适当范围内偏移时，系统的跟踪误差也是有界的。并且通过数值仿真验

证了该自适应迭代学习控制策略的有效性和实用性。

针对具有噪声且参数未知的线性离散时变系统，提出一种基于粒子群算法的鲁棒

自适应迭代学习控制策略：首先，通过梯度下降法最小化系统实际输出与估计输出之

间的误差来估计系统的下三角参数矩阵；然后给出系统参数矩阵估计算法和自适应迭

代学习控制策略；接着，利用粒子群算法对自适应更新算法中的参数进行寻优，将手动

选取参数问题转化为算法优化参数问题。通过2-范数理论证明了所提算法的有效性。

数值仿真验证了该基于粒子群优化参数的自适应迭代学习控制方案是可行和高效的。

针对线性离散时变系统，设计了一种基于粒子群算法和双径向基神经网络的迭代

学习控制策略：首先引入第一个径向基神经网络来估计系统的输出，并构建辅助误差

函数来补偿神经网络的近似误差；其次根据以往试验的跟踪误差数据建立第二个神经

网络来自适应的调整输入更新律中的学习增益矩阵；接着利用粒子群算法确定了两个

神经网络的权值矩阵以及激活函数的中心和半径的更新算法中最优搜索步长。通过理

论证明，神经网络权值的估计误差是有界的；迭代学习控制系统的输出估计误差和跟

踪误差也都是有界的。数值模拟验证了控制策略的有效性。

关键词：轨迹偏移；自适应迭代学习控制；参数估计；神经网络；粒子群算法

论文类型：理论研究

ABSTRACT

Iterativelearningcontrolalgorithmshavereceivedalotofattentionfromscholarsforits

simplicityandhighconvergenceaccuracyforanygivendesiredtrajectory.However,the

traditionalD-type,P-typeandoptimalILCalgorithmsrequirethedesiredtrajectorytobe

strictlyrepeatedalongtheiterativedirectionduringthesystemoperation,andthedesigned

controlstrategywillloseitsmeaningoncethedesiredtrajectoryisshifted.Ontheotherhand,

theconvergenceconditionsoftraditionalILCcontrolstrategiessuchasD-typeandP-typeare

dependentontheexactsystemmodelparameters.Inthispaper,severalnewcontrolstrategies

areproposedtoaddresstheaboveproblems,andthedetailsofthestudyandthemajorresults

areasfollows.

Foralineardiscretetime-varyingsystemwithunknownparameters,anadaptiveparameter

updatealgorithmisconstructedbysolvingaquadrati