论文部分内容阅读
众所周知,设计可在未知扰动下通过对控制量进行不断修正从而使得系统实际输出能够快速而又准确的跟踪理想输出轨迹的控制器一直以来都是控制界梦寐以求的目标。就迭代学习控制而言,学术界主要精力均投注在迭代学习控制鲁棒性和学习收敛性研究方面,伴随着大量文献的产生该方面理论研究己趋于完善;但纵观已有文献,可以发现鲜有人对迭代学习的收敛速度进行研究。在实际工程中,存在一类具有重复运动特性的非线性系统,其初始状态存在不确定随机扰动、输出存在重复有界随机扰动;考虑到已有大量文献针对该类系统进行迭代学习控制鲁棒性和学习收敛性研究,本文将针对此类系统进行迭代学习控制收敛速度研究,主要研究工作如下:(1)针对一类具有重复输出扰动且初值在一定范围内随机变化的非线性系统,采用开闭环D型迭代学习控制算法,给出其谱半径形式的收敛条件,并进行其收敛性证明。然后根据λ范数理论,压缩映射,鲁棒最优控制理论对其进行收敛速度分析研究。最后通过仿真对比研究证明理论的正确性。(2)针对一类具有重复输出扰动且初值在一定范围内随机变化的非线性系统,采用带遗忘因子的开闭环D型迭代学习控制算法,给出其收敛条件,并进行其收敛性证明。然后根据压缩映射,鲁棒最优控制理论对其进行收敛速度分析研究,并与开闭环D型迭代学习算法收敛速度进行比较分析。最后通过对比仿真研究证明理论的正确性。(3)针对一类具有重复输出扰动且初值在一定范围内随机变化的非线性系统,分别采用二阶和M(M>3)阶带遗忘因子的开闭环D型迭代学习控制算法,给出其收敛条件,并进行其收敛性证明。然后根据压缩映射,鲁棒最优控制理论对其进行收敛速度分析研究,并与前面研究的迭代学习算法收敛速度进行比较分析。最后通过对比仿真研究证明理论的正确性。(4)以不饱和聚酯树脂的生产这一具体的典型的间歇生产过程作为研究对象,通过对现场反应釜温度数据的采集,进行温度曲线拟合,确定理想温控曲线。然后基于反应釜内物料温度的物理机理进行建模,并对连续搅拌釜式反应器温度进行带遗忘因子的开闭环D型迭代学习控制,并通过本文得出的结论选取恰当的学习增益矩阵与文献[71],文献[72]满足收敛条件给出的增益矩阵进行收敛速度对比,通过仿真对比研究验证理论的正确性。