余琼霞[1]2017年在《迭代学习辨识与控制及在高速列车运行控制系统中的应用》文中进行了进一步梳理本文以重复运行的非线性系统为研究对象,分别研究了仿射非线性系统在同时存在输入和状态受限、随机初始状态、迭代变化外部扰动情况下的自适应迭代学习控制(iterative learning control,ILC)方法,以及非仿射非线性系统的数据驱动预测ILC方法。同时,针对具有重复性运行特征的高速列车控制系统建模困难问题,以及高速列车高控制性能和高安全性的运行需求,提出了基于数据驱动ILC动态建模及模最优ILC的新颖方法。论文的主要工作及创新点总结如下:一、研究了一类同时存在输入与状态约束、非严格重复迭代初态以及非严格重复外部扰动的仿射非线性系统的自适应迭代学习控制问题。当系统中存在参数化不确定性时,时变的未知参数可通过迭代轴上的自适应学习律进行估计;而对于非参数化的不确定性,采用径向基函数(Radial Basis Function,RBF)神经网络对其进行逼近,神经网络的权值通过设计自适应的学习律在迭代轴上进行更新,同时在控制器中设计补偿项估计神经网络的逼近误差。所提出的自适应ILC通过使用障碍李雅谱诺夫函数并结合组合能量函数,不但能够保证系统的跟踪误差沿迭代轴渐近收敛,同时通过选取合适的控制参数可使得系统的输入及状态自动满足约束条件要求。二、针对更一般的非仿射非线性系统,分别提出了无约束和存在输入输出约束的数据驱动预测迭代学习控制算法。通过利用动态线性化技术,所设计的算法无需利用任何被控系统的模型信息,是一种完全数据驱动的控制方法。严格的理论分析分别保证无约束的数据驱动预测ILC能够使得系统跟踪误差单调收敛,存在输入输出约束的数据驱动预测ILC能够使得跟踪误差渐近收敛。叁、对于难以建立精确动力学模型的含有快时变参数的非线性重复运行高速列车运行控制系统,改变传统的先建模后控制的设计方法步骤,在结构已知的高速列车模型没有精确建立之前,利用D-型ILC对列车进行有效的控制,并设计改进的最小二乘迭代学习辨识算法实现同时的高速列车运行控制与动态建模。通过选取合适的增益矩阵,所设计的迭代学习辨识算法从理论上可以保证辨识误差在迭代轴上以较快速度收敛到预先设定的辨识精度要求。待所建立的非线性高速列车模型达到预设建模精度要求后,同时以列车运行安全性、准时准点性以及乘客舒适性为目标设计模最优ILC,并实现D-型ILC与模最优ILC之间的切换,提升高速列车运行系统的控制性能,同时保证列车安全运行。进一步地,针对更一般化的对时变参数非线性的重复运行非线性系统,设计基于P-型ILC的迭代轴改进的投影算法来辨识未知的时变参数,同步实现基于P-型ILC的系统正常运行控制与动态建模,并设计相应的模最优ILC方法。所建立的系统模型不仅可以用于实现高品质的控制,还可以实现精确地预报、监测、诊断等功能。严格的理论分析、仿真和实验研究均验证了所提方法的有效性和在列车自动控制中的应用前景。
孙何青[2]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》文中研究说明摘要：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；叁、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。
吉鸿海[3]2016年在《自适应迭代学习控制和卡尔曼一致性滤波及在高速列车运行控制中的应用》文中研究表明本文以自适应迭代学习控制和卡尔曼一致性滤波理论为基础,从列车速度跟踪控制技术和速度测量估计技术两个角度,着重研究了高速列车重复运行控制中的若干实际问题。论文的主要研究内容和创新点总结如下:一、针对高速列车运行中存在的控制输入饱和与未知的速度时变时滞问题,研究了一类自适应迭代学习控制方法,实现高速列车速度运行曲线的精确跟踪控制。首先,考虑列车运行中存在的控制输入饱和情况,利用非线性参数化系统描述高速列车动力学模型,进行系统非线性特性研究,提出基于参数分离原理的半饱和自适应迭代学习控制律,以及沿迭代轴的系统时变参数辨识的全饱和参数学习律。其次,考虑列车运行中同时存在控制输入饱和与未知的速度时变时滞情况,通过加入时滞补偿项,提出带有时滞补偿改进的自适应迭代学习控制方法。然后,基于Lyapunov泛函分析方法,证明自适应迭代学习控制方法及其改进形式都可以严格保证列车速度在2-范数意义下沿迭代轴逐点收敛到期望速度轨迹。最后,数值仿真和比对实验进一步验证所提方法的有效性。二、针对高速列车运行中存在的牵引/制动执行器故障问题,研究一类自适应迭代学习容错控制方法,实现高速列车速度运行曲线的精确跟踪控制。首先,考虑列车运行中同时存在控制输入饱和、未知速度时变时滞以及牵引/制动执行器故障的情况,设计含有非线性反馈补偿和鲁棒补偿项的半饱和自适应迭代学习控制律和全饱和参数学习律。对于SISO高速列车系统,该方法是一种不依赖于精确模型结构、系统参数、时滞与故障等信息的速度跟踪控制方法,可以同步补偿和处理控制输入饱和、状态时滞、执行器故障等非线性影响。其次,对于一类MIMO非线性参数化系统,考虑系统同时存在执行器故障、被控对象和控制增益矩阵非线性参数不确定的情况,提出扩展的自适应迭代学习容错控制方法。然后,通过设计一个新颖的时间权重Lyapunov-Krasovskii-Like复合能量函数,证明了自适应迭代学习容错控制方法及其扩展形式都可以严格保证SISO列车速度误差和MIMO系统状态误差在2-范数意义下沿迭代轴逐点收敛到零。最后,仿真结果进一步验证算法的有效性和优越性。叁、针对传感器网络中传感器节点观测受限、分布式测量模型对网络拓扑信息利用不足以及传感器节点间通信噪声等问题,研究了一类分布式连续时间信息权重的卡尔曼一致性滤波方法,实现传感器网络中含有噪声的连续时间线性动态系统状态最优估计。首先,考虑控制输入已知的情况,根据传感器网络拓扑结构,选取局部状态估计误差的协方差矩阵的逆作为信息权重矩阵,设计了新颖的传感器局部测量模型,推导并得到局部最优的系统状态卡尔曼一致性滤波估计方法。其次,考虑系统控制输入未知的情况,给出改进的分布式连续时间信息权重的卡尔曼一致性滤波算法,可以对含有噪声的系统状态和控制输入同步进行分布式估计,避免使用系统输入等全局信息,能够减少通信负担和拓展应用范围。然后,利用Lyapunov稳定性理论,证明连续时间信息权重的卡尔曼一致性滤波方法及其改进形式都可以严格保证分布式传感器对系统状态的局部最优估计。所有传感器对含有噪声的系统状态估计在最小二乘的意义下都一致收敛到系统真实状态的有界邻域内。最后,通过仿真数例和对比实验,验证提出的分布式滤波方法在传感器网络中对连续线性系统状态估计有效,并且明显优于其他已有的滤波方法。四、针对离散时间线性或非线性系统的参数辨识和状态一致性最优估计问题,研究一类基于卡尔曼滤波的系统参数辨识方法和一类分布式离散时间信息权重卡尔曼一致性滤波估计方法,实现传感器网络中非重复运行线性系统的状态最优估计以及高速列车重复运行非线性系统的速度最优估计。首先,考虑一般的含有噪声的离散时间线性系统,提出基于网络信息流拓扑的信息矩阵权重的分布式测量模型,设计分布式离散时间信息权重卡尔曼一致性滤波方法,并给出了基于Lyapunov泛函的收敛性分析。仿真研究及对比实验验证提出的分布式滤波方法在传感器网络中对离散线性系统状态估计有效。其次,考虑一般的含有噪声的离散时间非线性系统,利用全格式动态线性化技术,将非线性模型等价转化为含有外源输入的线性时变自回归模型,分别提出非重复系统的基序列拟合卡尔曼滤波和重复系统的迭代卡尔曼滤波两种系统参数辨识方法。然后,考虑高速列车离散时间重复运行的非线性系统,设计一种分布式离散时间数据驱动的信息权重卡尔曼一致性滤波的速度估计方法,可以通过列车速度传感器网络,实现高速列车含有噪声的速度测量与估计。理论分析表明提出的滤波方法可以保证列车速度估计在最小二乘的意义下都一致收敛到列车真实速度的有界邻域内。最后,高速列车速度估计仿真研究及对比实验进一步验证算法的有效性。
屈国庆[4]2016年在《综合舒适度模拟试验台气压控制系统设计与算法研究》文中提出我国高速轨道交通事业蓬勃发展,高速、安全、舒适是现如今高速轨道交通运输体系的核心竞争力。列车在线路上高速运行时,由于列车交会及通过隧道等,会引起列车周围空间剧烈的气压变化,这种剧烈的气压变化会通过车体门窗的密封不严及空调换气系统等传递到列车内部,进而影响旅客的乘坐舒适性。综合舒适度模拟试验台气压控制系统的主要功能是在实验室内利用先进测控技术来可重复性模拟复现高速列车在运行时车内气压的典型变化工况,进而研究旅客的乘坐舒适性与车内气压变化的关系。本论文的主要工作是根据气压控制系统的技术指标和现场条件,设计可行的系统总体方案,并针对气压控制系统的设计方案进行前期的控制系统控制算法设计与仿真研究。主要有如下几个方面的研究内容：1、针对气压控制系统的技术指标以及试验台现场的既有条件和设备,通过流量需求分析确定了系统的总体方案,其中包括气路实施方案和测控方案,并结合所设计的方案阐明了系统的工作原理,对主要设备进行了选型和性能介绍。2、根据所设计的系统硬件方案,结合流体力学等基础理论知识,针对气压控制系统关键设备及部件建立数学模型,主要包括：正负压储气罐、试验车体、风机系统、气动阀门及气路管道。3、利用气压控制系统加载波形曲线的周期性重复的特点,确定了系统采用迭代学习控制算法。通过理论推导得出了迭代学习控制输入初值与算法收敛速度的关系；在对气压控制系统历史运行数据的大数据特性分析的基础上,建立了气压控制系统历史运行数据库,并设计了包括工况匹配算法和迭代学习控制输入初值寻优算法的大数据寻优迭代学习控制算法。4、利用MATLAB/Simulink软件根据数学模型结果建立了气压控制系统的实物抽象仿真模型,并完成了大数据寻优ILC控制算法的软件实现,实现了控制算法与仿真模型的互联,最终建立了气压控制系统实物抽象-算法仿真模型。5、利用LabVIEW虚拟仪器平台进行系统的测控软件设计,在实验室完成了测控软件的初步调试,并到现场进行设备安装。通过与PID控制、模糊控制及传统ILC的对比仿真分析,本文设计的大数据寻优ILC算法具有更快的收敛速度、更高的控制精度。进一步仿真结果表明：本文设计的大数据寻优ILC算法具有良好的变工况适应性和寻优特性,同时还具有较强的模型摄动自补偿能力。
彭李乔[5]2018年在《连续固态物料称量的优化控制设计》文中认为本文将着手工程应用实例,对连续固态物料称量系统中的称量配料过程进行优化研究,针对连续固态物料称量过程进行误差分析并且作计算机仿真实验,提出基于迭代自学习控制的称量优化控制算法。本文针对的实际工程项目源于河南省中国科学院科技成果转化项目《复合墙板生产工艺及其成套设备研发与示范》,具体研究实例为由中国科学院广州能源研究所联合河南省中国联合装备集团安阳机械有限公司联合制备的复合墙板成套工艺生产线中的固态物料称量混合搅拌配料系统。本论文首先综述本课题连续固态物料称量系统的概况、研究实例来源复合墙板生产线总体概况及其物料称重配料系统,提出连续固态物料称量的关键问题及难点,即对速度和精度的优化控制,与此同时指明研究重点和研究目标。接下来针对复合墙板生产线的具体实例,分析原生产线中的称量配料工艺流程及其控制系统的软硬件总体设计方案。然后对实际生产线的称量配料控制系统进行计算机软件仿真建模,通过分析所建立的模型指出连续固态物料称量过程的难点并得出相应解决方案及结论。而后针对称量数据进行预处理,以对物料称量过程中可能出现的误差消除及修正,主要是通过软件算法来对称量数据进行预处理。最后对预处理之后的称量数据作为控制输入,提出迭代自学习控制算法,基于该算法对控制量进行优化控制,在计算机上进行MATLAB软件仿真,分析验证得出控制算法的有效性。通过对复合墙板生产线的称重配料系统进行仿真研究并进行迭代自学习算法进行控制,达到提高称量精度和速度的目的,并且能应用在连续固态物料称量的工业生产当中,实现动态称量的准确性和连续性。
汪权[6]2010年在《建筑结构振动控制理论与计算方法研究》文中指出土木工程结构中的房屋建筑作为重要的社会基础设施,是现代社会的组成部分。传统意义上,这些结构是设计成用来抵抗静荷载的。然而,土木工程结构同样承受着各种各样的动荷载,包括风、浪、地震和车辆荷载。这些动荷载会引起严重且持续的振动,对结构和结构构件以及居住者均有害,这些结构需要保护的内容可能涉及使用的可靠性,居住者的舒适度以及结构的耐久性。提高房屋建筑结构的抗震性能和高层建筑结构的抗风性能是减轻动力作用危害,加强区域安全的基本措施之一,是土木工程领域所面临的重大课题。建筑结构振动控制是多学科交叉的新技术领域,结构振动控制可以有效地减轻结构在风和地震等动力作用下的反应和损伤、有效地提高结构的抗振能力和抗灾性能,结构振动控制经过几十年的发展,已被理论和实践证明是抗振减灾积极有效的对策。在深入了解建筑结构的动力反应特性的基础上,研究合理且可行的控制措施保护建筑结构免遭地震和风荷载破坏,将是一个具有极大工程应用价值且时间紧迫的研究课题。随着社会的进步和科学技术的发展,人们对居所的振动环境有着越来越高的要求,振动被动控制的局限性就暴露出来了,难以满足人们的要求。主动控制技术由于具有效果好、适应性强等潜在的优越性,自然成为一条重要的新途径。然而主动控制系统一般需要很大的能量驱动和多个作动器,这在实际工程中难以实现。结构半主动控制基本原理与主动控制相同,但是半主动控制巧妙地利用了结构振动的往复相对变形或相对速度,从而只需要少量的能量调节便有可能实现主动最优控制力。采用诸如模糊控制、神经网络控制和遗传算法等智能算法为标志的结构智能控制是目前结构振动控制领域研究的前沿课题。结构智能振动控制不需要精确的结构模型,运用智能算法来确定输入、输出反馈与控制增益的关系,采用磁流变液智能材料制作的智能阻尼器同样仅需少量的能量调节便可以很好的实现主动最优控制力。本文以建筑结构模型为研究对象,运用现代控制理论以及智能控制理论分别对建筑结构振动控制进行了理论分析和计算方法的研究。首先,研究在地震激励下采用主动控制方法进行地震响应控制,对主动控制方法中的一些关键性问题进行研究,其次,在主动控制研究的基础上,重点研究了建筑结构的半主动控制方法,第叁,文章探讨了模糊控制及遗传算法在建筑结构振动控制中的应用。在结构地震响应主动控制系统设计中,采用线性二次型(LQR)经典最优控制、线性二次型Gauss(LQG)最优控制、结构极点配置控制、结构模态控制和滑移模态控制五种控制算法分别对线性结构模型进行了理论分析和数值仿真计算,为结构振动半主动控制提供基础。在主动变刚度(AVS)控制策略的基础上,提出了一种新的结构地震响应控制主动变刚度频率控制算法。利用希尔伯特—黄变换理论分析非线性非平稳地震信号的时频信息,当地震信号的瞬时频率接近于结构的固有频率时,主动变刚度装置改变结构的刚度以减小地震激励下的结构响应。文章选取两个建筑结构的Benchmark模型作为算例来验证该算法的可行性及有效性。仿真分析表明,该方法简便可行,能有效地控制受控结构位移反应,有着广泛的工程实际应用前景。基于固有模态分解技术和希尔伯特—黄变换理论提出了一种半主动变刚度调谐质量阻尼器(SAVS-TMD)对高层建筑结构进行风振响应频率控制算法。该算法控制系统的优点在于调谐质量阻尼器(TMD)频率可以实时连续可调,而且对结构的刚度和阻尼的变化具有很好的鲁棒性。本文选取的研究对象为拟在澳大利亚墨尔本建造的76层306m钢筋混凝土塔式办公楼建筑。SAVS-TMD控制仿真计算的结果与结构无控情况相比,可以充分地降低结构的风振响应,同时与TMD控制相比控制效果更好。此外,SAVS-TMD控制在结构刚度变化±15%的情况下依然可以降低结构的风振响应,具有很好的鲁棒性。SAVS-TMD控制的效果类似于主动调谐质量阻尼器(ATMD)控制,但是比ATMD控制耗能少。根据Davenport脉动风速谱,采用自回归模型(Auto-regressive)法和经过FFT算法改进的谐波迭加法(WAWS)分别对高层建筑结构进行脉动风速时程模拟。考虑竖向相关性、平稳的多变量随机过程以及它的互谱密度矩阵模拟生成具有随机性的脉动风速时程曲线和风速谱的功率谱密度。模拟风速的功率谱密度函数与Davenport目标谱的比较表明两种方法具有很高的精度和效率。本文算例以76层306m高钢筋混凝土结构风振Benchmark模型为研究对象,研究了风荷载作用下高层建筑动力响应的控制方法,给出了结构在模拟脉动风荷载作用下的被动TMD控制和主动LQG控制的控制结果。迭代学习控制是一种比较理想的控制策略,其本身具有某种智能,能够在控制过程中不断地完善自身,以使控制效果越来越好,逐渐成为令人关注的课题。针对高层建筑结构的地震响应,基于线性二次型最优控制与迭代学习控制相结合的思想,研究线性二次型迭代学习混合控制方法,提高迭代学习控制的收敛速度,对高层建筑结构进行有效的控制。其次结合自校正控制、模糊逻辑和迭代学习控制的基本思想,提出采用自整定模糊控制确定迭代学习律的方法,提高了迭代学习控制的鲁棒性。选取建筑结构振动控制Benchmark第二阶段的地震作用Benchmark模型作为研究对象,进行二次型迭代学习混合控制和模糊迭代地震响应计算,计算结果表明两种控制方法均能够对Benchmark模型的地震响应进行有效地控制,并且控制效果得到了一定的改进。在结构振动智能控制中模糊控制是被采用的方法之一,基于遗传算法的模糊系统的优化设计,把模糊控制和遗传算法结合起来,利用遗传算法的优点,克服了一般模糊控制设计中模糊变量的隶属度和控制规则的选取通常靠经验来获取的不足,使得系统的模糊控制设计更灵活方便,能取得更好的控制效果。
杨胜跃[7]2004年在《迭代学习控制算法设计与优化研究》文中进行了进一步梳理迭代学习控制是上世纪80年代提出的一门新兴学科,它在非线性、未知模型等系统的控制方面有着独到优势。在工业机器人、数控机床等具有重复运行特性的领域有着非常好的应用前景。当然,作为一门年轻的学科,迭代学习控制在很多方面还有待进行一步研究与完善。 迭代学习算法设计一直是迭代学习控制研究的重点,本文从一些新的视角做了探讨。首先,在深入分析动力学系统输入、输出变量因果关系的基础上,讨论了现有迭代学习算法在学习机理上存在的不足,并提出一类新的P型因果性迭代学习算法。新算法不需要系统输出误差的导数信息,同时能很好反映系统输入输出因果性关系。论文还重点针对线性离散系统,给出了具体的迭代学习律。仿真结果也表明所提出的迭代学习算法相对于普通P型迭代学习算法具有更好的收敛特性。 其次,考虑了两类最优迭代学习算法设计问题:1) 时间域内二次型性能函数最优化的迭代学习算法设计;2) 迭代域内确定性系统最优迭代学习律设计和不确定性系统的保性能迭代学习律设计。 对于问题1),本文在模型已知与未知情况下,针对线性离散系统,得到了实现二次型性能函数最优化的迭代学习算法与迭代域内参数估计方法,并得到了相应的收敛性条件。仿真结果表明,所得出的最优迭代学习算法方法及参数估计方法是非常有效的,能够获得最优或者非常接近于最优的次优控制效果。 对于问题2),论文首先定义了迭代域内二次型性能函数,然后基于新的性能函数,重点讨论了确定性线性离散系统最优迭代学习律以及不确定性线性离散系统保性能迭代学习律的设计方法。这些方法具有一条非常好的特性:通过调整性能函数中的参数矩阵,可以很好地控制迭代学习的速度。另外,针对不确定性系统给出的保性能迭代学习律完全基于LMI方法进行设计,可以很方便地利用MATLAB工具箱进行求解。 与其优点相比,迭代学习控制的不足之处一样明显。尤其是要求被控制对象的模型结构、参数在每次运行时都保持高度的重复性。为增强系统对于非重复不确定性的鲁棒性,本文针对迭代学习控制应用较好的刚性不确定性机器人系统以及受限柔性连杆机器人臂,将迭代学习控制与鲁棒控制方法相结合,得到了鲁棒迭代学习控制策略,
胡振邦[8]2011年在《输电线路除冰机器人控制策略研究》文中认为本文针对高压输电线路除冰机器人的特殊工作环境,设计了除冰机器人冲击除冰的工作方式,并对除冰机器人的运行轨迹进行规划,采用柔性较好的S形曲线作为运行轨迹规划算法。文章充分利用S形曲线的诸多优点,在传统的复杂S形曲线算法的基础上做了改进,采用4段加减速后退,2段加速前进的轨迹规划算法,同时给出了该S形曲线的数学描述。并通过仿真验证了本文所提出的S形曲线轨迹规划算法柔性良好,能够使除冰机器人实现有效除冰的目的,在实际工程中具有实用价值。文章利用迭代学习控制作为除冰机器人冲击除冰方式的控制策略,实现机器人在重复冲击过程中的完全跟踪,同时将模糊控制技术和迭代学习控制相结合,设计了模糊PID迭代学习控制系统,系统采用模糊整定单元对传统PID迭代学习控制系统的经验参数进行实时整定,解决了传统PID迭代学习控制系统实时性差和收敛速度慢的问题,通过仿真验证了该方法具有良好的控制效果。本文还针对传统模糊控制器稳态误差较大的问题,引入变论域模糊控制思想,深入探讨了变论域模糊控制系统的特性,设计了变论域模糊PID迭代学习控制算法,最后把该系统应用于除冰机器人的轨迹跟踪中,并将传统PID迭代学习控制系统的跟踪效果和变论域模糊PID迭代学习控制系统的跟踪效果进行比较分析,验证了该方法的有效性和优越性。
殷辰堃[9]2011年在《基于高阶内模的迭代学习控制及应用》文中进行了进一步梳理本论文以非线性系统为研究对象,着重研究了针对一些非严格重复问题的迭代学习控制设计方法,特别考虑了由一类高阶内模生成的不确定参数的非严格重复性,同时也考虑了参考轨迹、未知时变输入增益、输入输出扰动和迭代初态的非严格重复性。论文的主要工作及其创新点总结如下。第一、针对一般连续时间非参数系统对非严格重复参考轨迹的跟踪问题,利用内模原理,提出了一种基于高阶内模的迭代学习控制器,理论上证明了当参考轨迹由一个高阶内模生成时系统跟踪误差的有界收敛性,并给出了相应的收敛条件。第二、针对一类结构已知的连续时间非线性参数系统,考虑了一种由高阶内模生成的单参数非严格重复性,利用内模原理,提出了基于高阶内模的自适应迭代学习控制算法,特别说明了平行格式的学习更新律比高阶学习更新律具有更广的适用范围。通过严格的数学分析,证明了当参考轨迹可以任意迭代变化时,所提出的算法能够保证跟踪误差沿迭代轴的渐进收敛。还考虑了由混合高阶内模生成的多参数非严格重复性,并相应地将算法扩展为混合的平行自适应迭代学习控制以处理更加复杂多样的非严格重复性。第叁、针对一类含有非严格重复参数的连续时间非线性系统,及任意迭代变化的有界输入输出扰动和任意迭代变化的有界初始状态,提出了基于高阶内模的自适应迭代学习控制器的一种鲁棒设计方法,实现了跟踪误差沿迭代轴的有界收敛。第四、针对一类结构已知的离散时间非线性参数系统,考虑了一种由高阶内模生成的参数非严格重复性,利用内模原理,分别提出了离散时间的基于最小二乘算法和基于投影算法的平行自适应迭代学习控制器,并分别证明了算法的有效性。第五、将平行自适应迭代学习控制算法扩展到有限空间区间情形下,并分别应用于列车运行速度曲线跟踪控制和列车运行时间曲线跟踪控制,通过证明和仿真说明了所提出算法的有效性和在列车自动控制中的应用前景。
梅景[10]2018年在《城市快速路系统的无模型自适应迭代学习控制研究》文中指出近年来,由于城市车辆数的急剧增加,快速路主辅路交通流分布不均衡的状况已经成为当今的普遍现象。因此,必须从全局考虑研究合理有效的快速路主辅路均衡控制方法,来提高快速路系统的使用效率。现有的城市快速路主辅路系统控制方法大多是将主路和辅路分开,分别进行控制。此外,现有的绝大多数主辅路控制方法对模型的依赖大,很难适应主辅路系统的强非线性、时变性、周期性特点。因此,本文以无模型自适应迭代学习控制(Model free adaptive iterative learning control,MFAILC)为理论基础,深入系统地研究城市快速路主辅路系统的均衡控制方法。论文的主要工作总结如下:第一,本文将Papageogiou提出的宏观交通流模型作为主路的交通流模型,将存储转发模型(Store-and-forward model)进行简化,并作为辅路的交通流模型。最终建立起适合理论和仿真研究的主辅路系统模型。第二,本文从局部均衡控制,即主路和辅路之间的均衡控制以及全局均衡控制,即主路和辅路之间、辅路各路段之间的均衡控制这两个方面进行了研究。在城市主辅路系统局部均衡控制研究中,以主路与辅路之间的交通密度均衡为控制目标,提出了基于MFAILC的城市主辅路系统局部均衡控制方案;在城市主辅路系统全局均衡控制研究中,进一步考虑了相邻两个辅路路段的交通密度均衡,其中,主辅路之间使用局部均衡控制方法,辅路各路段之间使用多交叉口协调控制。第叁,对于提出的基于MFAILC的城市快速路主辅路系统局部均衡控制方案和全局均衡控制方案这两种控制方案进行了收敛性分析。经过分析表明,所提出的两种控制方案能确保均衡控制误差收敛,从而保证完成主辅路系统的均衡控制任务。第四,利用MATLAB和Vissim仿真工具对所提两种控制方案的有效性进行仿真验证,给出了不同仿真平台下的不同控制方案的仿真结果。
参考文献：
[1]. 迭代学习辨识与控制及在高速列车运行控制系统中的应用[D]. 余琼霞. 北京交通大学. 2017
[2]. 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
[3]. 自适应迭代学习控制和卡尔曼一致性滤波及在高速列车运行控制中的应用[D]. 吉鸿海. 北京交通大学. 2016
[4]. 综合舒适度模拟试验台气压控制系统设计与算法研究[D]. 屈国庆. 西南交通大学. 2016
[5]. 连续固态物料称量的优化控制设计[D]. 彭李乔. 广东工业大学. 2018
[6]. 建筑结构振动控制理论与计算方法研究[D]. 汪权. 合肥工业大学. 2010
[7]. 迭代学习控制算法设计与优化研究[D]. 杨胜跃. 中南大学. 2004
[8]. 输电线路除冰机器人控制策略研究[D]. 胡振邦. 兰州理工大学. 2011
[9]. 基于高阶内模的迭代学习控制及应用[D]. 殷辰堃. 北京交通大学. 2011
[10]. 城市快速路系统的无模型自适应迭代学习控制研究[D]. 梅景. 北京交通大学. 2018
标签：自动化技术论文; 自适应算法论文; 仿真软件论文; 参数估计论文; 迭代计算论文; 迭代模型论文; 系统学习论文; 人工智能论文; 算法论文;