迭代學習控制算法設計與優(yōu)化研究.pdf

1、迭代學習控制是上世紀80年代提出的一門新興學科，它在非線性、未知模型等系統(tǒng)的控制方面有著獨到優(yōu)勢。在工業(yè)機器人、數(shù)控機床等具有重復運行特性的領域有著非常好的應用前景。當然，作為一門年輕的學科，迭代學習控制在很多方面還有待進行一步研究與完善。 迭代學習算法設計一直是迭代學習控制研究的重點，本文從一些新的視角做了探討。首先，在深入分析動力學系統(tǒng)輸入、輸出變量因果關系的基礎上，討論了現(xiàn)有迭代學習算法在學習機理上存在的不足，并提出一類新

2、的P型因果性迭代學習算法。新算法不需要系統(tǒng)輸出誤差的導數(shù)信息，同時能很好反映系統(tǒng)輸入輸出因果性關系。論文還重點針對線性離散系統(tǒng)，給出了具體的迭代學習律。仿真結果也表明所提出的迭代學習算法相對于普通P型迭代學習算法具有更好的收斂特性。 其次，考慮了兩類最優(yōu)迭代學習算法設計問題：1)時間域內二次型性能函數(shù)最優(yōu)化的迭代學習算法設計；2)迭代域內確定性系統(tǒng)最優(yōu)迭代學習律設計和不確定性系統(tǒng)的保性能迭代學習律設計。 對于問題1)，本

3、文在模型已知與未知情況下，針對線性離散系統(tǒng)，得到了實現(xiàn)二次型性能函數(shù)最優(yōu)化的迭代學習算法與迭代域內參數(shù)估計方法，并得到了相應的收斂性條件。仿真結果表明，所得出的最優(yōu)迭代學習算法方法及參數(shù)估計方法是非常有效的，能夠獲得最優(yōu)或者非常接近于最優(yōu)的次優(yōu)控制效果。 對于問題2)，論文首先定義了迭代域內二次型性能函數(shù)，然后基于新的性能函數(shù)，重點討論了確定性線性離散系統(tǒng)最優(yōu)迭代學習律以及不確定性線性離散系統(tǒng)保性能迭代學習律的設計方法。這些方法

4、具有一條非常好的特性：通過調整性能函數(shù)中的參數(shù)矩陣，可以很好地控制迭代學習的速度。另外，針對不確定性系統(tǒng)給出的保性能迭代學習律完全基于LMI方法進行設計，可以很方便地利用MATLAB工具箱進行求解。 與其優(yōu)點相比，迭代學習控制的不足之處一樣明顯。尤其是要求被控制對象的模型結構、參數(shù)在每次運行時都保持高度的重復性。為增強系統(tǒng)對于非重復不確定性的魯棒性，本文針對迭代學習控制應用較好的剛性不確定性機器人系統(tǒng)以及受限柔性連桿機器人臂，將

5、迭代學習控制與魯棒控制方法相結合，得到了魯棒迭代學習控制策略，同時利用自適應參數(shù)估計方法對非重復不確定性的界進行估計，有效降低了魯棒控制的保守性。為了盡可能利用好能夠獲取的系統(tǒng)信息，在控制策略中還考慮了系統(tǒng)標稱模型，可減輕系統(tǒng)學習負擔。 在現(xiàn)有的迭代學習控制方法中，控制輸入初值(第一迭代時的控制輸入)的選取完全是主觀的，一般將其定為零或一有界隨機量。為避免這一盲目性，本文利用控制系統(tǒng)對以往諸多任務的控制經(jīng)驗建立“數(shù)據(jù)模型”，然后