论文部分内容阅读
迭代学习控制是智能控制的一个分支,具有“学习”的能力,在控制过程中可以通过对前次控制经验的学习,指导修正下一次的控制输入,是一种基于控制误差而非被控对象数学模型的控制算法。因此它既可以控制线性时不变系统,也适用于复杂非线性时变系统的控制。并且越是模型具有复杂性、不确定性的系统应用迭代学习控制越有优越性。但是传统的迭代学习控制往往采用固定参数的学习律,控制的收敛速度受到限制,灵活性差,并且动态过程有振荡现象。因此本文针对提高迭代学习控制一类非线性系统的收敛速度、改善动态过程的振荡现象展开研究,并针对被控对象的初态误差、输入时滞情况,研究如何进一步改进迭代学习控制方法。论文首先研究非线性系统的固定参数学习律迭代学习控制,分析学习增益参数对控制过程的影响。提出引入模糊控制器设计学习增益的改进方法,根据学习误差的大小模糊控制器适应性地调整学习增益。但在设计模糊控制器部分时,模糊规则库的编辑与被控对象的状态变量维数有关系,变量太多会造成“规则爆炸”,控制器实施难,因此进一步提出结合反馈线性化算法和信息融合技术,降低模糊控制器输入变量维数,实现了模糊迭代学习控制器的设计。其与固定参数迭代学习控制器相比,收敛速度明显提高,控制稳定性明显改善。其次,实际生产中系统可能受到很多干扰而导致控制性能下降,如测量和执行设备等误差会引起初态偏移、控制器计算速度和数据传输延时会引起系统输入时滞等。因此,本文考虑被控对象存在初态误差的情况,提出增加初态学习控制环节,通过对初态误差的不断“学习”,使系统输出和初值都收敛到期望。由于系统对输出和初值的迭代学习环节相对独立,控制器的收敛速度不受影响。经验证,具有初态学习功能的模糊迭代学习控制器在系统初态误差固定和任意两种情况下,都能使系统快速收敛于期望,且动态特性曲线平滑。针对被对象控存在输入时滞的问题,本文进一步引入了超前给定算法改进控制器,即将输入时滞可能引起的学习误差提前送入迭代学习控制器来尽可能消除控制误差,算子理论证明了算法的收敛性,在期望初值下,控制器可以使系统快速收敛。并在此基础上提出了具有初态学习的超前给定型模糊迭代学习控制方法,大大改善了具有初态误差和输入时滞系统的迭代学习控制性能。通过二自由度机械臂的轨迹跟踪控制仿真,充分验证了本文提出的控制方法的优越性。由于本文研究的被控对象更接近实际生产时的系统,因此对应用迭代学习控制解决工业中一类复杂非线性系统的控制问题具有重要意义。