高效優(yōu)化迭代學習控制算法的關鍵技術(shù)研究.pdf

1、迭代學習控制算法針對具有重復性和周期性運動特征的控制對象，解決對期望軌跡完全跟蹤的問題。它采用系統(tǒng)的實際輸出和系統(tǒng)的期望輸出的偏差，對系統(tǒng)的控制輸入進行調(diào)節(jié)，使得系統(tǒng)的跟蹤性能得以提高，達到跟蹤期望軌跡的目的。在現(xiàn)代工業(yè)生產(chǎn)中，具有重復性和周期性特點的生產(chǎn)過程是屢見不鮮的，因此迭代學習控制作為可以解決此類問題的一種先進的控制方法，得到廣泛的重視和快速的發(fā)展，現(xiàn)已成為現(xiàn)代工業(yè)控制技術(shù)中的重要控制方法之一。
　　早期迭代學習控制算法的

2、收斂速度較慢，應用范圍較窄。本文針對高效快速的優(yōu)化迭代學習控制算法進行研究，主要通過優(yōu)化迭代學習控制算法的學習率，實現(xiàn)對迭代學習控制算法收斂速度的提高。首先，采用模糊控制的方法對PD型迭代學習控制算法進行優(yōu)化。其次，基于智能算法求解優(yōu)化問題的最優(yōu)解，實現(xiàn)對迭代學習控制算法進行優(yōu)化的目的。主要工作可以分為：基于克隆選擇算法提出帶干擾的基于克隆選擇算法的迭代學習控制優(yōu)化算法；基于時間序列分析提出DTW迭代學習控制優(yōu)化算法，并將DTW-ILC

3、算法用于農(nóng)業(yè)灌溉水的預測控制方面；為了進一步提高DTW-ILC算法的收斂速度，提出提前終止的DTW-ILC算法。最后，在研究過程中發(fā)現(xiàn)系統(tǒng)在實施控制的過程數(shù)據(jù)經(jīng)常產(chǎn)生傳遞，如果操作不當總會發(fā)生丟失的現(xiàn)象。因此基于 P型迭代學習控制算法，考慮發(fā)生數(shù)據(jù)丟失情況的P型迭代學習控制算法的收斂性問題。主要研究工作如下：
　　（1）針對系統(tǒng)存在不確定性情況，當系統(tǒng)為相對階大于1的嚴格正則系統(tǒng)時候迭代學習控制算法的收斂性問題，提出基于模糊控制的

4、加權(quán)PD型迭代學習控制算法，不僅保證算法收斂性，而且使得算法收斂速度得到提高。
　?。?）針對克隆選擇算法進行改進并應用于優(yōu)化迭代學習控制，通過克隆選擇算法求解迭代學習控制中的優(yōu)化問題，并且考慮系統(tǒng)存在干擾信號，提出帶隨機干擾的基于克隆選擇算法的優(yōu)化迭代學習控制算法。通過嚴格的數(shù)學證明，證明了帶隨機干擾的基于克隆選擇算法的優(yōu)化迭代學習控制算法的收斂性。最后通過仿真實驗驗證帶隨機干擾的基于克隆選擇算法的優(yōu)化迭代學習控制算法不僅保證算

5、法的收斂速度得到提高，而且解決算法中模型的不確定性問題。
　?。?）針對如何高效優(yōu)化迭代學習控制算法學習效率的問題，實現(xiàn)對迭代學習控制算法的收斂速度提高的目標。采用時間序列相似性度量方法求解迭代學習控制算法中的優(yōu)化問題，提出一種基于時間序列理論的快速迭代學習控制算法。通過求解迭代學習控制算法中的優(yōu)化問題，使得構(gòu)建的迭代學習控制算法具有模型自修正功能，由此減小算法對系統(tǒng)模型的依賴程度，并對算法進行收斂性、有效性分析，完成相應的理論證

6、明。根據(jù)DTW-ILC控制方法的思想，先計算出灌溉用水，將其存放在灌溉池中，再根據(jù)實際農(nóng)業(yè)灌溉用水量進行灌溉，反復用計算出來的灌溉池儲水量逼近實際用水量，達到修正系統(tǒng)參考模型的作用，同時將下次灌溉的用水量存儲在蓄水池中，可以很好地預防干旱帶來的無水灌溉的問題。仿真結(jié)果表明經(jīng)過幾次蓄水灌溉的過程可以很好地跟蹤農(nóng)業(yè)灌溉的實際用水量，提前作好蓄水池的蓄水工作，需要灌溉時有適當?shù)墓喔扔盟?，減少浪費，最終達到節(jié)水目的。
　　（4）針對如何進

7、一步高效的優(yōu)化迭代學習控制算法的學習效率，進一步提高迭代學習控制算法的收斂速度，針對提出的DTW-ILC算法展開研究，提出提前終止的DTW-ILC算法（EADTW-ILC）。在求解迭代學習控制算法的優(yōu)化問題過程中，通過設定閾值的方法，當求出最優(yōu)解大于閾值時，終止求解過程節(jié)省算法的計算時間，達到提高算法收斂速度的目的。并將構(gòu)建的算法運用于除冰機器人機械手臂的運動軌跡跟蹤，進一步證明提出算法的實用性。
　?。?）針對控制系統(tǒng)數(shù)據(jù)傳遞過