CN110376901A - 一种基于动态控制器的迭代学习控制方法 - Google Patents
一种基于动态控制器的迭代学习控制方法 Download PDFInfo
- Publication number
- CN110376901A CN110376901A CN201910763196.2A CN201910763196A CN110376901A CN 110376901 A CN110376901 A CN 110376901A CN 201910763196 A CN201910763196 A CN 201910763196A CN 110376901 A CN110376901 A CN 110376901A
- Authority
- CN
- China
- Prior art keywords
- controller
- iterative learning
- value
- dynamic
- learning control
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出了一种基于动态控制器的迭代学习控制方法,属于控制科学与工程领域。对于一般的非线性差分系统,作者首先给出了一种迭代学习动态控制器的构造方法,然后根据梯度下降法对控制器动态增益进行估计并得出动态增益估计表达式。由于受控系统的精确模型比较复杂或者是未知的,我们无法求得控制器动态增益估计表达式中系统伪偏导数(PPD)的真实值,我们提取伪梯度(PG)估计表达式当中PPD的估计值进行数值代替。这样就生了一个可以运行的无模型迭代学习控制算法。最后,举例说明了本算法在非线性系统和抓放机器人系统当中的数值仿真是有效的。因此这个算法可应用到一般的(未知的)非线性差分系统当中去。
Description
技术领域
本发明涉及迭代学习控制技术领域,尤其涉及一种基于动态控制器的迭代学习控制方法。
背景技术
迭代学习是被控系统在有限时间区间不断吸取先前经验进行重复学习的一种控制方法。可以理解为:在被控系统进行第i次操作的时候,控制器把第(i-1)次及其之前的输入数据,输出数据和误差利用起来,使被控系统在第i次操作当中获得比较好的执行效果。按照这样的方法不断地进行控制器修正,从而使被控系统走向期望的轨迹。
我们知道,为了能够有效的控制被控系统,就必须对控制器进行合理的设计。过去三十年来,迭代学习控制取得了丰富的成果,我们就从控制器的角度来说明已有的迭代学习算法。线性系统作为最基本的系统模型,其迭代学习理论自提出伊始就得到发展和丰富,如:对于简单的可以重复的连续(或离散)线性时变系统。已经有诸如P型,D型,PI型,PD型,PID型等类型的PID型迭代学习控制器,此外还有比较普遍的高阶控制器,反馈-前馈控制器等。这些控制器的显著特色是借助于先前输入数据和误差数据来完成控制器的更新过程。对于非线性系统。例如仿射非线性系统也有着成熟的PID型,高阶控制器等类型的迭代学习控制器,也有从仿射系统本身出发借助于已有数据而设计的迭代学习控制器(参考非专利文献2:Li X D,Xiao T F,Zheng H X.Brief paper-Adaptive discrete-time iterativelearning control for non-linear multiple input multiple output systems withiteration-varying initial error and reference trajectory[J].Iet ControlTheory&Applications,2011,5(9):1131-1139.)。对于非仿射非线性系统,控制器的类型不多,但也有着类似的P型,反馈-前馈型等迭代学习控制器。由此我们可以知道,除过特殊的控制器类型,如神经网络控制器,大多数的控制器都是由先前数据组合来完成控制器的更新过程的。
因此,如何有效的利用更多的先前数据来设计非线性系统的迭代学习控制器,并且所设计的控制器能够很好地反映受控系统的(数据)模型特征以使其具有更强的适应性,是我们亟待要解决的问题。
发明内容
本发明提供了一种基于动态控制器的迭代学习控制方法,包括依次执行以下步骤:
步骤1:建立非线性差分系统的动态线性化模型,在这个模型的基础上设计迭代学习控制器,并给出控制器动态增益的更新法则;
步骤2:在系统动态线性化模型的基础上给出其伪梯度PG的估计值表达式;
步骤3:从伪梯度PG的估计表达式当中提取伪偏导数PPD的估计值来代替控制器动态增益更新法则中真实值,设计迭代学习控制方案。
上述一种基于动态控制器的迭代学习控制方法的步骤1中,系统的动态线性化和动态控制器设计如下:
第一步骤,受控系统的数学模型:
假设所要进行迭代学习控制的受控系统具有如下非线性差分方程模型:
yi(t+1)=f(yi(t),yi(t-1),…,yi(t-ny),ui(t),ui(t-1),…,ui(t-nu)) (1)
其中,ui(t)和yi(t)分别是第i次迭代和第t个采样时刻的输入和输出信号;i∈I[1,+∞),t∈I[1,T];nu,ny是两个未知的正整数;f(…)是未知非线性标量函数;
定义
是由一个在长度为Ly的输入数据窗口[yi(t)yi(t-1)…yi(t-Ly+1)]T和一个长度为Lu的输出数据窗口[ui(t)ui(t-1)…ui(t-Lu+1)]T组成的信号向量,其中整数Ly,Lu(0≤Ly≤ny,0≤Lu≤nu)称为系统的伪阶数,特别地,当t≤0时有
对于公式(1)的SISO非线性系统,在提出其全格式动态线性化模型之前,以下两个假设是必需的:
假设1f(…)关于(它所包含的输入输出)各个变量的偏导数是连续的;
假设2系统沿着迭代轴方向满足Lipschitz条件,即对于t∈I[1,T],i∈I[1,+∞),若则下式成立
其中,Δyi(t+1)=yi(t+1)-yi-1(t+1),b>0是个常数;
第二步骤,对受控系统的数学模型进行动态线性化;
对于受控系统(1),如果假设1和假设2成立,则系统可以转化为如下动态线性化形式:
其中,PG
是一个时变参数向量,且满足数据向量:
第三步骤,动态控制器的设计:
受控系统(1)能够写成公式(3)所示的动态线性化形式,对关系式(3)展开可得
由关系式(4)可知,误差
其中yd(t+1)是期望轨迹。
当系统在第i次迭代第t+1时刻达到期望的轨迹时,这里有ei(t+1)=0,也就是
假设伪偏导数此时通过关系式(6)可以求得理想控制器的表达式如下:
设定
那么理想控制器(7)的表达式能够写成:
由此,实际当中控制器的表达式能够写成:
其中分别为ψi,e(t),ψi,y,j(t),j=1,2,…,Ly,ψi,u,k(t),k=1,2,…,Lu-1的估计值;
第四步骤,求取控制器增益 的更新法则:
引入能量函数根据梯度下降法求得控制器增益 的更新法则为:
其中μe,μy,j,j=1,2,…,Ly,μu,j,k=1,2,…,Lu-1为学习因子。
上述一种基于动态控制器的迭代学习控制方法的步骤2中,受控系统的PG估计过程如下:
为了能够估计系统的提出以下准则函数:
根据梯度下降法,可以得到的如下估计表达式:
其中,μ是步长因子,并且对于t∈I[1,T],初值有界并且给定。
上述一种基于动态控制器的迭代学习控制方法的步骤3中,实际运行的控制器动态增益的更新法则和迭代学习控制方案如下:
第一步骤,实际运行的控制器增益更新法则:
由于无法求得更新法则公式(10),(11)和(12)中的PPD的真实值为保证动态控制器增益更新程序能够运行,提取步骤2中PG估计值中的PPD估计值来代替更新法则中的可得控制增益的更新法则如下:
第二步骤,迭代学习控制方案,包括执行以下步骤:
步骤S1:选取受控系统的输入输出数据长度Lu和Ly的值,这样就可以得到系统的动态线性化数据模型和控制器表达式;
步骤S2:对控制过程中的初值和参数进行设定;给定系统的初始输入u1(t),t∈I[1,T]的值;给出动态参数 t∈I[1,T]的值;同时选择步长因子和学习因子μ,μe,μy,j,j=1,2,…,Ly,μu,k,k=1,2,…,Lu-1的值;设置受控系统的初始值即对于i∈I[1,+∞),每次运行时在t=1时刻均有yi(1)=yd(1);
步骤S3:为了使系统能够接近期望轨迹,需要对运动过程当中的参数i∈I[1,+∞),t∈I[1,T]值进行数值限制;
步骤S4:根据初值和参数值的设置使受控系统按照如下顺序运行:
步骤S5:重复执行步骤S1至步骤S4的操作,直到本发明的迭代学习控制方法取得良好的控制效果。
作为本发明的进一步实施,该迭代学习控制方法还包括以下执行步骤:步骤4:将步骤3所得到迭代学习控制方案应用到非线性系统数学模型和抓放机器人的数学模型的控制中。
本发明的有益效果是:本发明提出的基于动态控制器的迭代学习控制方法,有效的把先前误差数据,先前输出差分数据,先前输入差分数据,应用到控制器的结构当中去,使得这样的控制器能够很好的应对非线性系统的复杂结构。随后,该控制器结合系统动态线性化模型中的PPD参数估计值(从PG的估计值中提取),构造了一套有效的迭代学习控制方案。这种迭代学习方案完全的从数据驱动方面实现了对非线性系统,特别是未知的非线性系统的迭代学习控制。仿真研究验证了这种方案的有效性,并且达到了高效的跟踪效果。
附图说明
图1是本发明实施例1对于非仿射非线性系统的最大跟踪误差曲线图;
图2是本发明实施例2的抓放机器人模型图;
图3是本发明实施例2对于抓放机器人模型的速度实行迭代学习控制时的最大跟踪误差曲线图。
具体实施方式
下面结合两个实施用例对本发明做进一步说明。
实施例1:
考虑如下系统:
显然,这是一个非仿射非线性系统。迭代学习任务当中期望的输出轨迹为
yd(t)=sin(0.002πt),t∈I[1,100]
现在我们对这个系统进行迭代学习控制。选取输入输出数据长度Lu=1,Ly=1。这个系统的动态线性化数据模型可以被表示为
由此可得控制器的模型如下
对于所有的t∈I[1,T],第1次迭代时输入我们设定为u1(t)=1;第1次迭代系统的动态线性化当中伪梯度的值设定为学习因子初值设定为ψe,1(t)=0.1,ψy,1(t)=0.1;对于所有的i∈I[1,+∞),系统在时刻t=1的输出设定为yi(1)=yd(1);伪偏导数的估计值表达式中步长因子设定为μ=0.25,控制器增益的学习因子设定为μe=0.7,μy=0.7。运行迭代学习程序。
以每次迭代的最大误差作为考量标准,图1给出100次迭代过程当中ei,max的仿真曲线,可以看出被控系统每次迭代的最大误差呈现出逐渐减小趋势,迭代学习控制达到了很好的效果。
实施例2:
如图2是一个抓放机器人模型(参考非专利文献3:Liu N.Learningidentification and control for repetitive linear time-varying systems[D].University of Illinois at Urbana-Champaign,2014.),对于机械臂的转角θ,我们取状态变量x1=θ和并且以角速度为系统输出,可以得到如下二阶线性数学模型
其中β=2Nm/rad是粘性摩擦系数,Kt=100是执行器增益,M(t)是时变的机械臂底端的质量,L=0.1m是机械臂的长度。在机械臂抓放过程当中,重物在第5秒被抓取,第10秒被放下。M(t)的质量也从1kg变到了10kg,然后又变回1kg。
取采样时间Ts=0.01s,在时间区间[1,10]内离散化模型(20)可以得到如下切换系统
设定迭代学习任务当中期望的输出轨迹为
yd(t)=2sin(πt/1000) t∈I[1,1000]
现在我们对这个系统进行迭代学习控制。选取输入输出数据长度Lu=1,Ly=1。这个系统的动态线性化数据模型可以被表示为
由此可得控制器的模型如下
对于所有的t∈I[1,T],第1次迭代时输入我们设定为u1(t)=0;第1次迭代系统的动态线性化当中伪梯度的值设定为学习因子初值设定为ψe,1(t)=0.1,ψy,1(t)=0.1;对于所有的i∈I[1,+∞),系统在时刻t=1的输出设定为yi(1)=yd(1);伪偏导数的估计值表达式中步长因子设定为μ=0.01,控制器增益的学习因子设定为μe=0.01,μy=0.01。运行迭代学习程序。
同样以每次迭代的最大误差作为考量标准,图3给出50次迭代过程当中ei,max的仿真曲线,可以看出被控系统每次迭代的最大误差呈现出逐渐减小趋势,迭代学习控制达到了很好的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于动态控制器的迭代学习控制方法,其特征在于,包括依次执行以下步骤:
步骤1:建立非线性差分系统的动态线性化模型,在这个模型的基础上设计迭代学习控制器,并给出控制器动态增益的更新法则;
步骤2:在系统动态线性化模型的基础上给出其伪梯度PG的估计值表达式;
步骤3:从伪梯度PG的估计表达式当中提取伪偏导数PPD的估计值来代替控制器动态增益更新法则中真实值,设计迭代学习控制方案。
2.根据权利要求1所述的迭代学习控制方法,其特征在于,所述步骤1中,系统的动态线性化和动态控制器设计如下:
第一步骤,受控系统的数学模型:
假设所要进行迭代学习控制的受控系统具有如下非线性差分方程模型:
yi(t+1)=f(yi(t),yi(t-1),…,yi(t-ny),ui(t),ui(t-1),…,ui(t-nu)) (1)
其中,ui(t)和yi(t)分别是第i次迭代和第t个采样时刻的输入和输出信号;i∈I[1,+∞),t∈I[1,T];nu,ny是两个未知的正整数;f(…)是未知非线性标量函数;
定义
是由一个在长度为Ly的输入数据窗口[yi(t) yi(t-1)…yi(t-Ly+1)]T和一个长度为Lu的输出数据窗口[ui(t) ui(t-1)…ui(t-Lu+1)]T组成的信号向量,其中整数Ly,Lu(0≤Ly≤ny,0≤Lu≤nu)称为系统的伪阶数,特别地,当t≤0时有
对于公式(1)的SISO非线性系统,在提出其全格式动态线性化模型之前,以下两个假设是必需的:
假设1f(…)关于(它所包含的输入输出)各个变量的偏导数是连续的;
假设2系统沿着迭代轴方向满足Lipschitz条件,即对于t∈I[1,T],i∈I[1,+∞),若则下式成立
其中,Δyi(t+1)=yi(t+1)-yi-1(t+1),b>0是个常数;
第二步骤,对受控系统的数学模型进行动态线性化:
对于受控系统(1),如果假设1和假设2成立,则系统可以转化为如下动态线性化形式:
其中,PG
是一个时变参数向量,且满足数据向量:
第三步骤,动态控制器的设计:
受控系统(1)能够写成公式(3)所示的动态线性化形式,对关系式(3)展开可得
由关系式(4)可知,误差
其中yd(t+1)是期望轨迹。
当系统在第i次迭代第t+1时刻达到期望的轨迹时,这里有ei(t+1)=0,也就是
假设伪偏导数此时通过关系式(6)可以求得理想控制器的表达式如下:
设定
那么理想控制器(7)的表达式能够写成:
由此,实际当中控制器的表达式能够写成:
其中分别为ψi,e(t),ψi,y,j(t),j=1,2,…,Ly,ψi,u,k(t),k=1,2,…,Lu-1的估计值;
第四步骤,求取控制器增益 的更新法则:
引入能量函数根据梯度下降法求得控制器增益 的更新法则为:
其中μe,μy,j,j=1,2,…,Ly,μu,j,k=1,2,…,Lu-1为学习因子。
3.根据权利要求1所述的迭代学习控制方法,其特征在于,所述步骤3中,受控系统的PG估计过程如下:
为了能够估计系统的提出以下准则函数:
根据梯度下降法,可以得到的如下估计表达式:
其中,μ是步长因子,并且对于t∈I[1,T],初值有界并且给定。
4.根据权利要求1所述的迭代学习控制方法,其特征在于,所述步骤3中,实际运行的控制器动态增益的更新法则和迭代学习控制方案如下:
第一步骤,实际运行的控制器增益更新法则:
由于无法求得更新法则公式(10),(11)和(12)中的PPD的真实值为保证动态控制器增益更新程序能够运行,提取步骤2中PG估计值中的PPD估计值来代替更新法则中的可得控制增益的更新法则如下:
第二步骤,迭代学习控制方案,包括执行以下步骤:
步骤S1:选取受控系统的输入输出数据长度Lu和Ly的值,这样就可以得到系统的动态线性化数据模型和控制器表达式;
步骤S2:对控制过程中的初值和参数进行设定;给定系统的初始输入u1(t),t∈I[1,T]的值;给出动态参数 的值;同时选择步长因子和学习因子μ,μe,μy,j,j=1,2,…,Ly,μu,k,k=1,2,…,Lu-1的值;设置受控系统的初始值即对于i∈I[1,+∞),每次运行时在t=1时刻均有yi(1)=yd(1);
步骤S3:为了使系统能够接近期望轨迹,需要对运动过程当中的参数 值进行数值限制;
步骤S4:根据初值和参数值的设置使受控系统按照如下顺序运行:
步骤S5:重复执行步骤S1至步骤S4的操作,直到本发明的迭代学习控制方法取得良好的控制效果。
5.根据权利要求1-4所述的迭代学习控制方法,其特征在于:该迭代学习控制方法还包括执行以下步骤:
步骤4:将步骤3所得到迭代学习控制方案应用到非线性系统数学模型和抓放机器人的数学模型的控制中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910763196.2A CN110376901B (zh) | 2019-08-19 | 2019-08-19 | 一种基于动态控制器的迭代学习控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910763196.2A CN110376901B (zh) | 2019-08-19 | 2019-08-19 | 一种基于动态控制器的迭代学习控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110376901A true CN110376901A (zh) | 2019-10-25 |
CN110376901B CN110376901B (zh) | 2022-09-02 |
Family
ID=68259864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910763196.2A Active CN110376901B (zh) | 2019-08-19 | 2019-08-19 | 一种基于动态控制器的迭代学习控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110376901B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989495A (zh) * | 2019-12-24 | 2020-04-10 | 广东省智能制造研究所 | 基于自适应迭代学习的误差补偿方法及数控控制系统 |
CN111610719A (zh) * | 2020-07-07 | 2020-09-01 | 青岛科技大学 | 一种基于观测器的非线性执行器故障系统的容错控制方法 |
CN112015081A (zh) * | 2020-06-18 | 2020-12-01 | 浙江大学 | Siso紧格式无模型控制器基于pso-lstm协同算法的参数自整定方法 |
CN112947090A (zh) * | 2021-03-23 | 2021-06-11 | 河南理工大学 | 一种dos攻击下轮式机器人数据驱动迭代学习控制方法 |
CN114488818A (zh) * | 2022-01-28 | 2022-05-13 | 青岛科技大学 | 一种pid控制系统的设定点迭代学习优化技术 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912013A (zh) * | 2016-07-04 | 2016-08-31 | 上海航天控制技术研究所 | 一种组合体航天器姿态无模型自适应控制方法 |
CN106647271A (zh) * | 2016-12-23 | 2017-05-10 | 重庆大学 | 基于神经网络理论的非线性系统自适应比例积分控制方法 |
CN106935033A (zh) * | 2017-04-28 | 2017-07-07 | 青岛科技大学 | 快速路交通系统的迭代动态线性化及自学习控制方法 |
CN106959613A (zh) * | 2017-04-12 | 2017-07-18 | 哈尔滨工业大学深圳研究生院 | Siso系统基于最近更新信息的动态线性化自适应控制律算法 |
CN108828960A (zh) * | 2018-09-11 | 2018-11-16 | 武汉理工大学 | 一种气动肌肉无模型高阶迭代学习控制方法 |
CN109031958A (zh) * | 2018-10-16 | 2018-12-18 | 廊坊师范学院 | 分数阶多智能体追踪一致性的迭代学习控制方法 |
SG11201811002UA (en) * | 2017-10-12 | 2019-05-30 | Beijing Didi Infinity Technology & Development Co Ltd | Systems and methods for braking control |
CN109917643A (zh) * | 2018-09-20 | 2019-06-21 | 青岛农业大学 | 深水安装升沉补偿反馈控制系统 |
-
2019
- 2019-08-19 CN CN201910763196.2A patent/CN110376901B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912013A (zh) * | 2016-07-04 | 2016-08-31 | 上海航天控制技术研究所 | 一种组合体航天器姿态无模型自适应控制方法 |
CN106647271A (zh) * | 2016-12-23 | 2017-05-10 | 重庆大学 | 基于神经网络理论的非线性系统自适应比例积分控制方法 |
CN106959613A (zh) * | 2017-04-12 | 2017-07-18 | 哈尔滨工业大学深圳研究生院 | Siso系统基于最近更新信息的动态线性化自适应控制律算法 |
CN106935033A (zh) * | 2017-04-28 | 2017-07-07 | 青岛科技大学 | 快速路交通系统的迭代动态线性化及自学习控制方法 |
SG11201811002UA (en) * | 2017-10-12 | 2019-05-30 | Beijing Didi Infinity Technology & Development Co Ltd | Systems and methods for braking control |
CN108828960A (zh) * | 2018-09-11 | 2018-11-16 | 武汉理工大学 | 一种气动肌肉无模型高阶迭代学习控制方法 |
CN109917643A (zh) * | 2018-09-20 | 2019-06-21 | 青岛农业大学 | 深水安装升沉补偿反馈控制系统 |
CN109031958A (zh) * | 2018-10-16 | 2018-12-18 | 廊坊师范学院 | 分数阶多智能体追踪一致性的迭代学习控制方法 |
Non-Patent Citations (3)
Title |
---|
WU AIGUO: "PMID Observer Design of Descriptor Linear Systems", 《PROCEEDINGS OF THE 26TH CHINESE CONTROL CONFERENCE》 * |
胡益民: "无模型自适应控制参数输入方法改进及在气体分馏装置操作调整中的应用", 《化工学报》 * |
赵云杰等: "非圆车削系统的无模型自适应迭代学习控制", 《控制工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989495A (zh) * | 2019-12-24 | 2020-04-10 | 广东省智能制造研究所 | 基于自适应迭代学习的误差补偿方法及数控控制系统 |
CN112015081A (zh) * | 2020-06-18 | 2020-12-01 | 浙江大学 | Siso紧格式无模型控制器基于pso-lstm协同算法的参数自整定方法 |
CN112015081B (zh) * | 2020-06-18 | 2021-12-17 | 浙江大学 | Siso紧格式无模型控制器基于pso-lstm协同算法的参数自整定方法 |
CN111610719A (zh) * | 2020-07-07 | 2020-09-01 | 青岛科技大学 | 一种基于观测器的非线性执行器故障系统的容错控制方法 |
CN112947090A (zh) * | 2021-03-23 | 2021-06-11 | 河南理工大学 | 一种dos攻击下轮式机器人数据驱动迭代学习控制方法 |
CN114488818A (zh) * | 2022-01-28 | 2022-05-13 | 青岛科技大学 | 一种pid控制系统的设定点迭代学习优化技术 |
CN114488818B (zh) * | 2022-01-28 | 2023-09-29 | 青岛科技大学 | 一种pid控制系统的设定点迭代学习优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110376901B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376901A (zh) | 一种基于动态控制器的迭代学习控制方法 | |
Shi et al. | Non-fragile sampled-data robust synchronization of uncertain delayed chaotic Lurie systems with randomly occurring controller gain fluctuation | |
Wang et al. | Robust adaptive neural tracking control for a class of stochastic nonlinear interconnected systems | |
CN110376879B (zh) | 一种基于神经网络的pid型迭代学习控制方法 | |
Liu et al. | An improved delay-dependent stability criterion of networked control systems | |
Chi et al. | Active disturbance rejection control for nonaffined globally Lipschitz nonlinear discrete-time systems | |
CN113110059B (zh) | 基于事件触发的单连杆机械臂系统实际跟踪的控制方法 | |
Zhu et al. | On sliding mode control of single input Markovian jump systems | |
Zhang et al. | Adaptive actuator failure compensation with unknown control gain signs | |
CN109086686B (zh) | 基于自适应动量因子的时变信道下的盲源分离方法 | |
Chun et al. | Reinforcement Q-learning based on multirate generalized policy iteration and its application to a 2-DOF helicopter | |
Chen et al. | Adaptive control of MIMO mechanical systems with unknown actuator nonlinearities based on the Nussbaum gain approach | |
Ng et al. | Model predictive control and transfer learning of hybrid systems using lifting linearization applied to cable suspension systems | |
Huo et al. | Off-policy model-free learning for multi-player non-zero-sum games with constrained inputs | |
Oprzędkiewicz et al. | A tuning of a fractional order PID controller with the use of particle swarm optimization method | |
Xia et al. | Iterative learning control based on dynamic time warping for a class of discrete‐time nonlinear systems with varying trial lengths and terminus constraint | |
Zhang et al. | Stochastic stability analysis of nonlinear semi-Markov jump systems with time delays and incremental quadratic constraints | |
CN107220214B (zh) | 一种基于多项式拟合的变阶分数阶微积分频域分析方法 | |
Zhu et al. | Stability of sampled-data systems with application to networked control systems | |
Lei et al. | Semi-global bounded output regulation of linear two-time-scale systems with input saturation | |
CN109039166B (zh) | 一种永磁同步直线伺服系统速度环pi-ip控制参数自校正方法 | |
Cong et al. | Position Regulation of Industrial Robots via Bounded Integral Terminal Sliding Mode Control Algorithm | |
Hai | Further results on sampled-data synchronization control for chaotic Lur’e systems with time delay | |
Santos et al. | Robust model predictive control for a magnetic levitation system employing linear matrix inequalities | |
Thakur et al. | Trajectory tracking and link vibration reduction of flexible manipulator in the presence of matched uncertainty and external disturbances using lyapunov-based controller |
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 |