论文部分内容阅读
迭代学习控制是一种用来改善具有重复运动特性的过程、机械、装置或系统的瞬态响应和跟踪特性的控制技术。它是以系统的实际输出与期望输出的偏差修正不理想的控制信号,使系统的跟踪性能得以提高。随着现代工业中具有重复性和周期性的系统和生产过程不断出现,迭代学习控制已经成为了现代控制技术中的一种重要控制方法。传统迭代学习控制算法中的学习系数对迭代学习控制的收敛性和收敛速度的影响非常大,例如在PID型迭代学习控制算法的实际应用中,算法分析给出的收敛性条件并不能用于指导学习增益的选取,学习增益的设置需要凭借经验选取,因此具有一定的盲目性。为了克服猜测设置学习增益的盲目性,直接的方法是利用系统模型知识。由此引伸出来的一个可行方法就是利用优化理论来设计迭代学习控制律,即优化迭代学习控制算法。优化迭代学习控制算法又可以分为范数优化迭代学习控制算法和参数优化迭代学习控制算法。参数优化迭代学习控制算法是基于二次型性能指标提出的优化算法,在保证跟踪误差的单调收敛的同时,相对于范数最优算法更为简单、高效、易实现。但是,目前在优化迭代学习控制算法的研究中仍然存在一些急待解决的问题:1)如何进一步提高算法收敛速度;2)当被控对象不满足正定条件时,如何使得算法仍然能够单调收敛至零;3)如何建立用于非线性系统的参数优化迭代学习控制算法;4)在优化过程中,如何减小算法对于模型的依赖性。为了实现迭代域中误差的快速、单调收敛,获得更好的暂态跟踪性能,本文针对离散系统建立一种基于范数性能指标的PID型快速参数优化迭代学习控制算法。该算法将PID型控制器引入到参数优化迭代学习控制算法中,来拓展算法的维数,增加最优参数的自由度,从而最终达到提高学习效率的目的。针对非正定系统迭代误差趋于局部极小的问题,本文将基函数的概念引入到参数优化迭代学习控制中,建立了一种基于基函数项的参数优化迭代学习控制算法。这种算法在保证算法仍然具有快速收敛特性的同时进一步扩大算法的收敛条件。理论证明,无论被控对象正定与否,算法都能够单调收敛至零。为了进一步提高非线性优化迭代学习控制算法的收敛性能,本文将克隆选择算法进行改进并应用于优化迭代学习控制中,提出了一种基于克隆选择算法(CSA)的优化迭代学习控制。采用改进的CSA来求解迭代学习控制中的非线性优化问题,一方面因为CSA具有很高的搜索性能,更重要的是可以将控制输入的先验信息编码到CSA中,从而大大减小算法搜索空间、节约运算成本,并且能很方便地处理输入上有约束的问题。此外,采用实数编码和限制变异扩展半径可以使得CSA求出的输入曲线更加光滑。优化迭代学习控制算法的卓越收敛性能都是建立在事先拥有被控对象精确的数学模型的基础上。然而,在工程实践中获得被控对象的精确数学模型几乎是不可能的。为了减小算法对系统模型的依赖性,本文提出了一种基于克隆选择算法的模型修正机制,在每次迭代学习之后,利用学习时的输入信息以及真实系统的输出与模型输出的偏差信息来修正系统模型。修正了的模型将被用于下一次迭代学习过程。这是针对非线性优化迭代学习控制算法设计的,自然也可以应用于其他线性算法中。最后,本文对2-自由度“质量弹簧阻尼”振动主动控制系统进行分析研究,探讨了迭代学习控制算法在其中的应用。对比分析得出,参数优化迭代学习控制算法是一种不错的选择。在震动频率较低的情况下能够达到较好的效果,使整个主动控制系统达到减震的目的。而在各种参数优化迭代学习控制算法中,本中提出的PID型快速参数优化迭代学习算法和基于基函数项的参数优化迭代学习算法相比其他参数优化迭代学习算法具有更好的收敛效果,尤其是基于基函数项的参数优化迭代学习算法对这一非正定的被控对象具有其他算法所不具有的单调收敛至零的特性,在振动主动控制中具有很好的应用前景。