CN110110711B - 一种噪声信道下的迭代学习控制系统输入信号估计方法 - Google Patents

一种噪声信道下的迭代学习控制系统输入信号估计方法 Download PDF

Info

Publication number
CN110110711B
CN110110711B CN201910491159.0A CN201910491159A CN110110711B CN 110110711 B CN110110711 B CN 110110711B CN 201910491159 A CN201910491159 A CN 201910491159A CN 110110711 B CN110110711 B CN 110110711B
Authority
CN
China
Prior art keywords
input signal
vector
noise
input
iterative
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910491159.0A
Other languages
English (en)
Other versions
CN110110711A (zh
Inventor
黄立勋
霍林林
刘伟华
张喆
陈雪艳
张秋闻
赵永博
王丹丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN201910491159.0A priority Critical patent/CN110110711B/zh
Publication of CN110110711A publication Critical patent/CN110110711A/zh
Application granted granted Critical
Publication of CN110110711B publication Critical patent/CN110110711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Algebra (AREA)
  • Electromagnetism (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提出了一种噪声信道下的迭代学习控制系统输入信号估计方法，用于解决在测量信号和控制信号无线传输时受到信道噪声干扰，不能实现精确追踪的问题。本发明的步骤为：分别获取控制器端和执行器端的输入信号迭代差值和噪声迭代差值的关系表达式，然后用两个关系表达式构建用于输入信号迭代差值估计的滤波方程，最后用估计得到的输入信号迭代差值得到执行器端用于驱动执行器的输入信号。本发明通过在执行器端对接收到的控制信号进行滤波，有效改善了存在信道噪声情况下的迭代学习控制系统输出的跟踪精度。

Description

一种噪声信道下的迭代学习控制系统输入信号估计方法
技术领域
本发明涉及网络控制的技术领域，尤其涉及一种噪声信道下的迭代学习控制系统输入信号估计方法，用于无线信道环境下存在信道噪声时的保障迭代学习控制系统收敛性的输入信号估计。
背景技术
近些年来，随着信息通信技术的飞速发展，网络控制系统的概念随之提出并得到了极大关注。这种系统利用有线或无线通信方式传输相应的测量信号和控制信号，进而构成闭合的控制回路。特别是无线通信网络下的控制系统，此类系统不仅具备了低成本、重量轻、布线简单、易于安装和维护等优点，而且控制器和系统平台实现了分离，使用方式更为灵活。
当受控对象具备重复运动特性时，网络控制系统的控制器采用迭代学习控制(ILC)策略是一种有效的方式。这种方式通过给定初始输入，对受控对象进行尝试，得到相应的输出误差，并利用输出误差和当前输入进行迭代学习，进而修正下次控制所需的输入信号。随着“学习、修正”过程的不断进行，当学习增益满足一定条件，输出误差即可得到收敛。相较于PID等其他控制策略，ILC策略具备了简单且有效的特点。
显然，无线通信方式下的ILC系统同时具备了上述两方面的优点。但是，通信链路的引入也给ILC系统收敛性能的保障带来了新的挑战。由于无线信道的不可靠性，通过其传输的测量信号和控制信号不可避免地会受到各种干扰影响，其中最为典型的一种就是测控信号无线传输过程中叠加上的信道噪声。显然，无线信道引入的信道噪声会干扰控制器迭代学习过程的进行，并随着节点学习过程的进行得到累积，进而影响系统输出的收敛性。
需要指出的是，过程噪声作用下的ILC系统收敛性一直是该领域的研究重点之一，且提出了遗忘因子，可变增益等多种方法用来抑制其对系统收敛性的影响，但与过程噪声不同的是，信道噪声是测控信号在无线传输过程中叠加上的，属于外部干扰，而过程噪声是在系统状态更新过程中引入的，属于内部干扰。因此，用来处理过程噪声干扰的方法不能够直接用来处理信道噪声的干扰。
发明内容
针对测量信号和控制信号均通过无线信道传输受到噪声干扰，本发明提出一种噪声信道下的迭代学习控制系统输入信号估计方法，从而保障系统输出在存在信道噪声干扰的情况下仍能实现对期望轨迹的精确跟踪。
为了达到上述目的，本发明的技术方案是这样实现的：一种噪声信道下的迭代学习控制系统输入信号估计方法，首先分别获取控制器端和执行器端的输入信号迭代差值和噪声迭代差值的关系表达式，然后用两个关系表达式构建用于输入信号迭代差值估计的滤波方程，最后用估计得到的输入信号迭代差值得到执行器端用于驱动执行器的输入信号，其步骤如下：
步骤一：利用超级向量法对包含噪声干扰的系统模型进行转换，在控制端和执行端分别获取输入信号向量迭代差值和噪声向量迭代差值的关系表达式；
步骤二：利用步骤一获得的输入信号向量迭代差值和噪声向量迭代差值的两个关系表达式构建用于输入信号估计的状态方程和测量方程；
步骤三：根据步骤二获得的用于输入信号估计的状态方程和测量方程利用卡尔曼滤波估计理论构建用于输入信号迭代差值估计的预测方程组；
步骤四、根据步骤三得到的预测方程组构建用于输入信号迭代差值估计的更新方差组，并分别在迭代域用预测值对输入信号估计值进行更新；
步骤五、利用估计得到的输入信号迭代差值获得用于驱动执行端的输入信号。
所述步骤二获取输入信号向量迭代差值和噪声向量迭代差值的关系表达式的方法为：所述噪声干扰的系统模型为噪声信道条件下的系统输入、输出和噪声向量之间的关系，其表达式为：
Figure BDA0002087073030000021
yk(t)＝Cxk(t)，
其中，xk(t)、yk(t)和
Figure BDA0002087073030000022
分别表示系统第k次迭代学习的运行时间为t的状态、输出和执行器接收到的输入，xk(t+1)表示第k次迭代学习的运行时间为t+1的状态；执行器接收到的输入
Figure BDA0002087073030000023
uk(t)为控制器端发送的输入信号，mk(t)是输入信号无线传输过程中叠加的信道噪声；k表示系统的迭代学习次数，t∈[0,T′-1]表示系统运行时间；A、B、C为系统的系数矩阵，T′表示系统运行的时间周期；
系统的比例型学习控制策略为：
Figure BDA0002087073030000024
其中，Γ(t)为学习增益，
Figure BDA0002087073030000025
为控制器接收到的测量误差信号，且ek(t+1)＝yd(t+1)-yk(t+1)为传感器端发送的测量误差信号，nk(t+1)为测量误差信号传输过程中叠加的信道噪声，yd(t+1)和yk(t+1)分别为运行时间t+1的期望轨迹和输出；
利用超级向量法将噪声干扰的系统模型和比例型策略分别压缩表示为：
Yk＝G(Uk+Mk)，
Uk+1＝Uk+Γ(Ek+Nk)，
其中，Yk、Uk、Ek、Mk和Nk分别表示系统的输出向量、输入向量、输出误差向量、输入信号噪声向量和输出信号噪声向量，G表示系统矩阵，Γ表示学习增益矩阵；且Yk＝[yk(1) yk(2) ··· yk(T)]T，Ek＝[ek(1) ek(2) ··· ek(T)]T，Uk＝[uk(0) uk(1) ··· uk(T-1)]T，
Figure BDA0002087073030000031
Figure BDA0002087073030000032
其中，T表示矩阵的转置，gt＝CAt-1B,t＝1,2,…,T′；
定义输出误差向量的迭代差值ΔEk+1＝Ek+1-Ek，利用压缩后的系统模型和输出误差向量Ek＝Yd-Yk，可得：
Figure BDA0002087073030000033
其中，ΔUk+1＝Uk+1-Uk为输入向量迭代差值，ΔMk+1＝Mk+1-Mk为输入噪声迭代差值；
利用压缩后的比例型策略和输出误差向量的迭代差值得到控制端的输入信号向量迭代差值、输入噪声向量迭代差值和输出噪声向量迭代差值之间的关系表达式：
Figure BDA0002087073030000034
其中，ΔNk+1＝Nk+1-Nk为输出噪声迭代差值；
最后，根据执行器接收到的输入
Figure BDA0002087073030000035
利用超级向量法将执行器端的输入向量迭代差值
Figure BDA0002087073030000036
和输入信号噪声向量迭代差值之间的关系表达式表示为：
Figure BDA0002087073030000037
所述步骤二中构建用于输入信号估计的状态方程和测量方程的方法为：利用步骤一获得的控制器端的输入信号噪声向量差值和输出信号噪声向量差值之间的关系表达式ΔUk+1＝(I-ΓG)ΔUk+ΓGΔMk+ΓGΔNk和执行器端的输入向量迭代差值和输入信号噪声向量差值之间的关系表达式
Figure BDA0002087073030000038
根据卡尔曼滤波估计理论，构建用于执行器端输入信号滤波估计的状态方程和测量方程分别为：
Figure BDA0002087073030000041
Figure BDA0002087073030000042
其中，
Figure BDA0002087073030000043
uk＝ΔUk，vk＝ΔMk+ΔNk，wk＝ΔMk，且vk～N(0,Q)，wk～N(0,R)，Q为状态方程噪声方差，R为测量方程噪声方差。
所述步骤三中构建用于输入信号迭代差值估计的预测方程组的方法为：根据执行器端输入信号估计的状态方程
Figure BDA0002087073030000044
和测量方程式
Figure BDA0002087073030000045
根据卡尔曼滤波估计理论，构建用于输入信号迭代差值估计的预测方程组：
Figure BDA0002087073030000046
Figure BDA0002087073030000047
其中，
Figure BDA0002087073030000048
表示迭代域内预测的输入向量迭代差值，
Figure BDA0002087073030000049
表示迭代域内预测的输入向量迭代差值
Figure BDA00020870730300000410
对应的方差；
Figure BDA00020870730300000411
表示迭代域内估计的输入向量迭代差值，
Figure BDA00020870730300000412
表示迭代域内估计的输入向量迭代差值
Figure BDA00020870730300000413
对应的方差。
所述步骤四中构建用于输入信号迭代差值估计的更新方差组的方法为：利用卡尔曼滤波估计理论，根据输入信号迭代差值估计的预测方程组构建用于输入信号迭代差值估计的更新方程组：
Figure BDA00020870730300000414
Figure BDA00020870730300000415
Figure BDA00020870730300000416
其中，
Figure BDA00020870730300000417
表示估计得到的输入信号迭代差值，
Figure BDA00020870730300000418
表示估计得到的输入信号迭代差值
Figure BDA00020870730300000419
对应的方差，Kk表示用方差
Figure BDA00020870730300000420
得到对应的滤波估计增益。
所述步骤五中获得用于驱动执行器端的输入信号的方法为：利用更新方程组中估计得到的输入信号迭代差值
Figure BDA00020870730300000421
计算获得第k次迭代用于驱动执行端的输入信号估计值
Figure BDA00020870730300000422
Figure BDA00020870730300000423
本发明的有益效果：通过对系统模型进行转换分别获取控制器端和执行器端的输入信号迭代差值与信道噪声迭代差值之间的关系表达式，构建了用于在执行器端对输入信号迭代差值进行估计的滤波方程，进而获得执行器端的输入信号的估值。本发明通过在执行器端对接收到的控制信号进行滤波，有效改善了存在信道噪声情况下的迭代学习控制系统输出的跟踪精度，可以保证在测量信号和控制信号受噪声干扰的条件下系统输出仍能实现对期望轨迹的精确跟踪。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
图2为无线信道条件下的ILC系统框图。
图3为本发明输入迭代差值范数的收敛性对比图。
图4为本发明的期望轨迹示意图。
图5为无滤波估计噪声干扰下的第40次迭代输出轨迹的示意图。
图6为本发明的第40次迭代输出轨迹的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种噪声信道下的迭代学习控制系统输入信号估计方法，其构思是：首先利用超级向量法对包含噪声干扰的系统模型进行转换；分别在控制端和执行端获取输入信号信号迭代差值，测量信号向量迭代差值和控制信号迭代差值之间的关系，即分别获取控制端和执行端的输入信号迭代差值和噪声迭代差值的关系表达式；然后用这两个关系表达式构建用于输入信号迭代差值估计的滤波方程；最后利用估计得到的输入信号迭代差值得到执行端用于驱动执行器的输入信号。其具体实现步骤是：
步骤一：利用超级向量法对包含噪声干扰的系统模型进行转换，在控制端和执行端分别获取输入信号向量迭代差值和噪声向量迭代差值的关系表达式。
如图2所示，无线信道条件下的ILC系统的原理框图，首先考虑如下一类网络通信条件下的线性、离散、时不变的ILC控制系统：
Figure BDA0002087073030000051
其中，xk(t)、yk(t)和
Figure BDA0002087073030000052
分别表示系统第k次迭代学习的运行时间t的状态、输出和执行器接收到的输入。xk(t+1)表示运行时间t+1的状态。这里，执行器接收到的输入
Figure BDA0002087073030000061
uk(t)为控制器端发送的输入信号，mk(t)是输入信号无线传输过程中叠加的信道噪声。k表示系统的迭代学习次数，t∈[0,T′-1]表示系统运行时间，A、B、C为系统的系数矩阵。T′表示系统运行的时间周期。
控制的目标是在期望输入ud(t)的作用下，实现对期望轨迹yd(t)的精确跟踪，二者满足：
Figure BDA0002087073030000062
其中，xd(t)和xd(t+1)分别为运行时间t和t+1的期望状态。为了实现对期望轨迹yd(t)的精确跟踪，现有多种ILC策略，其中一种比例型策略为：
Figure BDA0002087073030000063
其中，
Figure BDA0002087073030000064
为控制器接收到的测量误差信号，ek(t+1)＝yd(t+1)-yk(t+1)为传感器端发送的测量误差信号，nk(t+1)为测量误差信号传输过程中叠加的信道噪声。yd(t+1)和yk(t+1)分别为运行时间t+1的期望轨迹和输出。
利用超级向量法，可以将噪声信道条件下的系统输出和噪声向量之间的关系表达式即式(1)、系统输入和噪声向量之间的关系表达式即式(3)分别压缩表示为：
Yk＝G(Uk+Mk) (4)
Uk+1＝Uk+Γ(Ek+Nk) (5)
其中，Yk、Uk、Ek、Mk和Nk分别表示系统的输出向量、输入向量、输出误差向量、输入信号噪声向量和输出信号噪声向量，G表示系统矩阵，Γ表示学习增益矩阵，其实现方法分别如式(6)—(12)所示：
Yk＝[yk(1) yk(2) ··· yk(T)]T (10)
Ek＝[ek(1) ek(2) ··· ek(T)]T (11)
Uk＝[uk(0) uk(1) ··· uk(T-1)]T (12)
Mk＝[mk(0) mk(1) ··· mk(T-1)]T (13)
Nk＝[nk(1) nk(2) ··· nk(T)]T (14)
Figure BDA0002087073030000065
Figure BDA0002087073030000071
其中，gt＝CAt-1B,t＝1,2,…,T。
然后，利用超级向量法压缩表示的系统模型分别获取控制器端和执行器端输入向量迭代差值、输入噪声向量迭代差值和输出噪声向量迭代差值之间的关系。
定义输出误差向量的迭代差值ΔEk+1＝Ek+1-Ek，利用式(4)和输出误差向量的定义Ek＝Yd-Yk，可得：
ΔEk+1＝-GΔUk+1-GΔMk+1 (17)
其中，ΔUk+1＝Uk+1-Uk为输入向量迭代差值，ΔMk+1＝Mk+1-Mk为输入噪声迭代差值。利用式(5)和式(17)即可得到控制端的输入信号向量迭代差值、输入噪声向量迭代差值和输出噪声向量迭代差值之间的关系表达式：
Figure BDA0002087073030000072
其中，ΔNk+1＝Nk+1-Nk为输出噪声迭代差值。最后，根据执行器接收到的输入
Figure BDA0002087073030000073
利用超级向量法可将执行器端的输入向量迭代差值
Figure BDA0002087073030000074
和输入信号噪声向量迭代差值之间的关系表达式表示为：
Figure BDA0002087073030000075
步骤二：利用步骤一获得的输入信号向量迭代差值和噪声向量迭代差值的两个关系表达式构建用于输入信号估计的状态方程和测量方程。
利用获得的控制器端和执行器端的输入信号向量迭代差值、输入信号噪声迭代差值和输出噪声迭代差值之间的关系式(18)和式(19)，参考标准Kalman滤波估计方差式，构建用于执行器端输入信号估计的状态方程和测量方程，分别如式(20)和(21)所示：
Figure BDA0002087073030000076
Figure BDA0002087073030000077
其中，
Figure BDA0002087073030000078
uk＝ΔUk，vk＝ΔMk+ΔNk，wk＝ΔMk，vk～N(0,Q)，wk～N(0,R)。Q为状态方程噪声方差，R为测量方程噪声方差。
步骤三：根据步骤二获得的用于输入信号估计的状态方程和测量方程，利用卡尔曼滤波估计理论构建用于输入信号迭代差值估计的预测方程组，对迭代域内预测的输入向量迭代差值以及其对应的方差进行预测。
根据执行器端输入信号估计的状态方程和测量方程式(20)和式(21)构建用于输入信号迭代差值估计的预测方程组：
Figure BDA0002087073030000081
Figure BDA0002087073030000082
其中，
Figure BDA0002087073030000083
表示迭代域内预测的输入向量迭代差值，
Figure BDA0002087073030000084
表示迭代域内预测的输入向量迭代差值
Figure BDA0002087073030000085
对应的方差。
Figure BDA0002087073030000086
表示迭代域内估计的输入向量迭代差值。
Figure BDA0002087073030000087
迭代域内估计的输入向量迭代差值
Figure BDA0002087073030000088
对应的方差。
步骤四、根据步骤二获得的用于输入信号估计的状态方程和测量方程，利用卡尔曼滤波估计理论构建用于输入信号迭代差值估计的更新方差组，在迭代域用预测值对输入信号估计值、输入信号估计值对应的方差以及滤波增益进行更新。
根据方程组式(20)和式(21)，利用卡尔曼滤波估计理论构建用于输入信号迭代差值估计的更新方程组：
Figure BDA0002087073030000089
Figure BDA00020870730300000810
Figure BDA00020870730300000811
其中，
Figure BDA00020870730300000812
表示估计得到的输入信号迭代差值，
Figure BDA00020870730300000813
表示估计得到的输入信号迭代差值
Figure BDA00020870730300000814
对应的方差，Kk表示用方差
Figure BDA00020870730300000815
得到对应的卡尔曼滤波估计增益。
步骤五、利用估计得到的输入信号迭代差值获得用于驱动执行端的输入信号。
利用估计得到的输入信号迭代差值
Figure BDA00020870730300000816
计算获得当前第k次迭代用于驱动执行端的输入信号估计值
Figure BDA00020870730300000817
Figure BDA00020870730300000818
为了更好地理解本发明是具体操作步骤，图1给出了相应的操作流程图。
下面，考虑参数如式(28)所示的一类受控系统，其迭代学习控制方式如式(29)所示，期望跟踪轨迹如式(30)所示。
Figure BDA0002087073030000091
uk+1(t)＝uk(t)+Γ(t)(ek(t+1)+nk(t+1)) (29)
yd(t)＝5(sin(8(t-1)/T)+π/2) (30)
其中，信道噪声mk(t)和nk(t)的均值均为零，方差均为0.05。控制器学习增益Γ(t)为0.05。利用本发明所提迭代输入差值滤波估计方法，在执行器端对输入信号进行处理，以无滤波处理情况下的系统性能为参照，分别从系统输出和输入迭代差值范数两个角度验证所提算法的有效性。仿真实验结果如图3～6所示。其中，图3是无滤波估计和有滤波估计的输入迭代差值范数的收敛情况对比。由图3可知，在采用本发明所提方法进行滤波估计处理后，输入迭代差值的收敛情况明显改善。图4为期望跟踪轨迹，图5为信道噪声条件下无滤波估计处理的系统第40次迭代输出轨迹，图6为采用本发明所提滤波估计方法处理的系统第40次迭代输出轨迹。通过对比图4～6可知，在采用本发明所提滤波估计方法对输入信号处理后，信道噪声对系统输出跟踪精度的影响明显得到抑制，跟踪精度明显提高。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种噪声信道下的迭代学习控制系统输入信号估计方法，其特征在于，首先分别获取控制器端和执行器端的输入信号迭代差值和噪声迭代差值的关系表达式，然后用两个关系表达式构建用于输入信号迭代差值估计的滤波方程，最后用估计得到的输入信号迭代差值得到执行器端用于驱动执行器的输入信号，其步骤如下：
步骤一：利用超级向量法对包含噪声干扰的系统模型进行转换，在控制端和执行端分别获取输入信号向量迭代差值和噪声向量迭代差值的关系表达式；
步骤二：利用步骤一获得的输入信号向量迭代差值和噪声向量迭代差值的两个关系表达式构建用于输入信号估计的状态方程和测量方程；
步骤三：根据步骤二获得的用于输入信号估计的状态方程和测量方程，利用卡尔曼滤波估计理论构建用于输入信号迭代差值估计的预测方程组；
步骤四、根据步骤三得到的预测方程组构建用于输入信号迭代差值估计的更新方程组，并分别在迭代域用预测值对输入信号估计值进行更新；
步骤五、利用估计得到的输入信号迭代差值获得用于驱动执行端的输入信号；
所述步骤二中构建用于输入信号估计的状态方程和测量方程的方法为：利用步骤一获得的控制器端的输入信号噪声向量差值和输出信号噪声向量差值之间的关系表达式ΔUk+1＝(I-ΓG)ΔUk+ΓGΔMk+ΓGΔNk和执行器端的输入向量迭代差值和输入信号噪声向量差值之间的关系表达式
Figure FDA0002996563230000011
根据卡尔曼滤波估计理论，构建用于执行器端输入信号滤波估计的状态方程和测量方程分别为：
Figure FDA0002996563230000012
Figure FDA0002996563230000013
其中，
Figure FDA0002996563230000014
uk＝ΔUk，vk＝ΔMk+ΔNk，wk＝ΔMk，且vk～N(0,Q)，wk～N(0,R)，Q为状态方程噪声方差，R为测量方程噪声方差；ΔUk+1和ΔUk为控制器端的输入向量迭代差值，ΔMk为输入噪声迭代差值，ΔNk为输出噪声迭代差值，G表示系统矩阵，Γ表示学习增益矩阵，
Figure FDA0002996563230000015
为执行器端的输入向量迭代差值。
2.根据权利要求1所述的噪声信道下的迭代学习控制系统输入信号估计方法，其特征在于，所述步骤二获取输入信号向量迭代差值和噪声向量迭代差值的关系表达式的方法为：所述噪声干扰的系统模型为噪声信道条件下的系统输入、输出和噪声向量之间的关系，其表达式为：
Figure FDA0002996563230000021
yk(t)＝Cxk(t)，
其中，xk(t)、yk(t)和
Figure FDA0002996563230000022
分别表示系统第k次迭代学习的运行时间为t的状态、输出和执行器接收到的输入，xk(t+1)表示第k次迭代学习的运行时间为t+1的状态；执行器接收到的输入
Figure FDA0002996563230000023
uk(t)为控制器端发送的输入信号，mk(t)是输入信号无线传输过程中叠加的信道噪声；k表示系统的迭代学习次数，t∈[0,T′-1]表示系统运行时间；A、B、C为系统的系数矩阵，T′表示系统运行的时间周期；
系统的比例型学习控制策略为：
Figure FDA0002996563230000024
其中，Γ(t)为学习增益，
Figure FDA0002996563230000025
为控制器接收到的测量误差信号，且ek(t+1)＝yd(t+1)-yk(t+1)为传感器端发送的测量误差信号，nk(t+1)为测量误差信号传输过程中叠加的信道噪声，yd(t+1)和yk(t+1)分别为运行时间t+1的期望轨迹和输出；
利用超级向量法将噪声干扰的系统模型和比例型策略分别压缩表示为：
Yk＝G(Uk+Mk)，
Uk+1＝Uk+Γ(Ek+Nk)，
其中，Yk、Uk、Ek、Mk和Nk分别表示系统的输出向量、输入向量、输出误差向量、输入信号噪声向量和输出信号噪声向量；且Yk＝[yk(1) yk(2)···yk(T')]T，Ek＝[ek(1) ek(2)···ek(T')]T，Uk＝[uk(0) uk(1)···uk(T'-1)]T，Mk＝[mk(0) mk(1)···mk(T'-1)]T，Nk＝[nk(1) nk(2)···nk(T')]T，
Figure FDA0002996563230000026
其中，上标T表示矩阵的转置，gt＝CAt-1B,t＝1,2,…,T′；
定义输出误差向量的迭代差值ΔEk+1＝Ek+1-Ek，利用压缩后的系统模型和输出误差向量Ek＝Yd-Yk，可得：
Figure FDA0002996563230000027
其中，ΔUk+1＝Uk+1-Uk为输入向量迭代差值，ΔMk+1＝Mk+1-Mk为输入噪声迭代差值；
利用压缩后的比例型策略和输出误差向量的迭代差值得到控制端的输入信号向量迭代差值、输入噪声向量迭代差值和输出噪声向量迭代差值之间的关系表达式：
Figure FDA0002996563230000031
其中，ΔNk+1＝Nk+1-Nk为输出噪声迭代差值；
最后，根据执行器接收到的输入
Figure FDA0002996563230000032
利用超级向量法将执行器端的输入向量迭代差值
Figure FDA0002996563230000033
和输入信号噪声向量迭代差值之间的关系表达式表示为：
Figure FDA0002996563230000034
3.根据权利要求2所述的噪声信道下的迭代学习控制系统输入信号估计方法，其特征在于，所述步骤三中构建用于输入信号迭代差值估计的预测方程组的方法为：根据执行器端输入信号估计的状态方程
Figure FDA0002996563230000035
和测量方程式
Figure FDA0002996563230000036
根据卡尔曼滤波估计理论，构建用于输入信号迭代差值估计的预测方程组：
Figure FDA0002996563230000037
Figure FDA0002996563230000038
其中，
Figure FDA0002996563230000039
表示迭代域内预测的输入向量迭代差值，
Figure FDA00029965632300000310
表示迭代域内预测的输入向量迭代差值
Figure FDA00029965632300000311
对应的方差；
Figure FDA00029965632300000312
表示迭代域内估计的输入向量迭代差值，
Figure FDA00029965632300000313
表示迭代域内估计的输入向量迭代差值
Figure FDA00029965632300000314
对应的方差。
4.根据权利要求3所述的噪声信道下的迭代学习控制系统输入信号估计方法，其特征在于，所述步骤四中构建用于输入信号迭代差值估计的更新方程组的方法为：利用卡尔曼滤波估计理论，根据输入信号迭代差值估计的预测方程组构建用于输入信号迭代差值估计的更新方程组：
Figure FDA00029965632300000315
Figure FDA00029965632300000316
Figure FDA00029965632300000317
其中，
Figure FDA00029965632300000318
表示估计得到的输入信号迭代差值，
Figure FDA00029965632300000319
表示估计得到的输入信号迭代差值
Figure FDA00029965632300000320
对应的方差，Kk表示用方差
Figure FDA00029965632300000321
得到对应的滤波估计增益。
5.根据权利要求4所述的噪声信道下的迭代学习控制系统输入信号估计方法，其特征在于，所述步骤五中获得用于驱动执行器端的输入信号的方法为：利用更新方程组中估计得到的输入信号迭代差值
Figure FDA0002996563230000041
计算获得第k次迭代用于驱动执行端的输入信号估计值
Figure FDA0002996563230000042
Figure FDA0002996563230000043
CN201910491159.0A 2019-06-06 2019-06-06 一种噪声信道下的迭代学习控制系统输入信号估计方法 Active CN110110711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910491159.0A CN110110711B (zh) 2019-06-06 2019-06-06 一种噪声信道下的迭代学习控制系统输入信号估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910491159.0A CN110110711B (zh) 2019-06-06 2019-06-06 一种噪声信道下的迭代学习控制系统输入信号估计方法

Publications (2)

Publication Number Publication Date
CN110110711A CN110110711A (zh) 2019-08-09
CN110110711B true CN110110711B (zh) 2021-06-04

Family

ID=67494123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910491159.0A Active CN110110711B (zh) 2019-06-06 2019-06-06 一种噪声信道下的迭代学习控制系统输入信号估计方法

Country Status (1)

Country Link
CN (1) CN110110711B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112631130B (zh) * 2020-12-17 2022-03-11 郑州轻工业大学 一种面向时延和噪声的ilc系统输入信号最优估计方法
CN115085841B (zh) * 2022-06-15 2024-09-06 郑州轻工业大学 信道衰落干扰下迭代学习控制系统的收敛性保障方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1128076A (zh) * 1993-06-07 1996-07-31 亚特兰大科技公司 具有可编程显示参数的显示系统
CN1347493A (zh) * 1999-04-19 2002-05-01 内茨精密运动传感器有限公司 电容式位移编码器
US7181296B2 (en) * 2003-08-06 2007-02-20 Asml Netherlands B.V. Method of adaptive interactive learning control and a lithographic manufacturing process and apparatus employing such a method
CN102427341A (zh) * 2011-11-22 2012-04-25 上海大学 基于卡尔曼滤波的远程迭代学习控制系统传输噪声抑制方法
CN102722102A (zh) * 2012-06-19 2012-10-10 浙江工业大学 基于误差分析的h∞反馈与迭代学习协调控制方法
CN107547067A (zh) * 2017-09-15 2018-01-05 北京航空航天大学 一种多模型自校准扩展卡尔曼滤波方法
US9874459B2 (en) * 2015-02-24 2018-01-23 The Regents Of The University Of Michigan Actuation and sensing platform for sensor calibration and vibration isolation
CN107632959A (zh) * 2017-09-15 2018-01-26 北京航空航天大学 一种多模型自校准卡尔曼滤波方法
CN107783944A (zh) * 2017-09-20 2018-03-09 北京航空航天大学 一种多模型自校准无迹卡尔曼滤波方法
CN107807906A (zh) * 2017-09-20 2018-03-16 北京航空航天大学 一种多模型自校准秩滤波方法
CN108459504A (zh) * 2018-03-08 2018-08-28 上海阜有海洋科技有限公司 多点系泊协同自适应迭代学习控制方法
CN108508749A (zh) * 2018-05-07 2018-09-07 北京航空航天大学 一种用于抓捕非合作目标的空间机械臂系统抗干扰迭代学习控制方法
CN109582914A (zh) * 2019-01-28 2019-04-05 杭州电子科技大学 噪声相关的带偏差系统的并行式融合估计方法
CN109769096A (zh) * 2019-01-23 2019-05-17 电子科技大学 一种用于线阵ccd扫描过程的伺服运动控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI513154B (zh) * 2014-04-23 2015-12-11 Nat Univ Tsing Hua 可允許電感值變化之換流器負載阻抗估測控制方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1128076A (zh) * 1993-06-07 1996-07-31 亚特兰大科技公司 具有可编程显示参数的显示系统
CN1347493A (zh) * 1999-04-19 2002-05-01 内茨精密运动传感器有限公司 电容式位移编码器
US7181296B2 (en) * 2003-08-06 2007-02-20 Asml Netherlands B.V. Method of adaptive interactive learning control and a lithographic manufacturing process and apparatus employing such a method
CN102427341A (zh) * 2011-11-22 2012-04-25 上海大学 基于卡尔曼滤波的远程迭代学习控制系统传输噪声抑制方法
CN102722102A (zh) * 2012-06-19 2012-10-10 浙江工业大学 基于误差分析的h∞反馈与迭代学习协调控制方法
US9874459B2 (en) * 2015-02-24 2018-01-23 The Regents Of The University Of Michigan Actuation and sensing platform for sensor calibration and vibration isolation
CN107547067A (zh) * 2017-09-15 2018-01-05 北京航空航天大学 一种多模型自校准扩展卡尔曼滤波方法
CN107632959A (zh) * 2017-09-15 2018-01-26 北京航空航天大学 一种多模型自校准卡尔曼滤波方法
CN107783944A (zh) * 2017-09-20 2018-03-09 北京航空航天大学 一种多模型自校准无迹卡尔曼滤波方法
CN107807906A (zh) * 2017-09-20 2018-03-16 北京航空航天大学 一种多模型自校准秩滤波方法
CN108459504A (zh) * 2018-03-08 2018-08-28 上海阜有海洋科技有限公司 多点系泊协同自适应迭代学习控制方法
CN108508749A (zh) * 2018-05-07 2018-09-07 北京航空航天大学 一种用于抓捕非合作目标的空间机械臂系统抗干扰迭代学习控制方法
CN109769096A (zh) * 2019-01-23 2019-05-17 电子科技大学 一种用于线阵ccd扫描过程的伺服运动控制方法
CN109582914A (zh) * 2019-01-28 2019-04-05 杭州电子科技大学 噪声相关的带偏差系统的并行式融合估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Effects Elimination of Channel Noises for Wireless Remote ILC Systems Based on Kalman Filter;Li-xun Huang等;《2012 International Conference on System Science and Engineering》;20120702;全文 *
基于迭代学习和卡尔曼滤波的相机精确抓拍控制方法;周文举等;《仪器仪表学报》;20140531;第35卷(第5期);全文 *

Also Published As

Publication number Publication date
CN110110711A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110209148B (zh) 一种基于描述系统观测器的网络化系统的故障估计方法
CN109269497B (zh) 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法
CN110110711B (zh) 一种噪声信道下的迭代学习控制系统输入信号估计方法
CN111443718B (zh) 基于预报误差法的高速列车状态反馈预测控制方法及系统
CN105223808A (zh) 基于神经网络动态面滑模控制的机械臂系统饱和补偿控制方法
CN108153259B (zh) 一种基于卡尔曼滤波的多控制器最优状态估计控制策略设计方法
CN107292410A (zh) 隧道形变预测方法和装置
CN110501686A (zh) 基于一种新型自适应高阶无迹卡尔曼滤波的状态估计方法
CN103680515A (zh) 采用系数重用的比例自适应滤波器系数向量更新方法
CN109848990B (zh) 基于pso的膝关节外骨骼增益可变无模型角度控制方法
CN108121204A (zh) 一种组合体航天器姿态无模型的自适应控制方法和系统
CN110635858B (zh) 一种基于量子计算的自回归模型信道预测方法
CN111459031A (zh) 一种面向学习的扰动观测器设计方法
CN117896468A (zh) 一种用于电话通信的偏差补偿回声消除方法及系统
CN104331087B (zh) 一种鲁棒的水下传感器网络目标跟踪方法
CN113625677A (zh) 一种基于自适应迭代学习算法的非线性系统故障检测与估计方法和装置
Hatori et al. Teleoperation with variable and large time delay based on MPC and model error compensator
CN112631130B (zh) 一种面向时延和噪声的ilc系统输入信号最优估计方法
CN117769010A (zh) 通感一体化物联网功率资源智能分配方法及系统
CN112636719B (zh) 数据丢失和信道噪声干扰下的ilc系统输入信号滤波方法
CN103914628B (zh) 一种空间遥操作系统输出状态预测方法
CN115800957A (zh) 一种基于矩阵特征值分解法的偏差补偿自适应滤波方法
CN108507593A (zh) 一种惯性导航系统误差模型的降维rts椭球集员平滑方法
JP2016015586A (ja) Ｌｒｌｓフィルタ
CN110727196B (zh) 基于鲁棒滤波器的正线性网络控制系统故障检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant