迭代学习控制算法设计与优化研究

【摘要】：迭代学习控制是上世纪80年代提出的一门新兴学科,它在非线性、未知模型等系统的控制方面有着独到优势。在工业机器人、数控机床等具有重复运行特性的领域有着非常好的应用前景。当然,作为一门年轻的学科,迭代学习控制在很多方面还有待进行一步研究与完善。 迭代学习算法设计一直是迭代学习控制研究的重点,本文从一些新的视角做了探讨。首先,在深入分析动力学系统输入、输出变量因果关系的基础上,讨论了现有迭代学习算法在学习机理上存在的不足,并提出一类新的P型因果性迭代学习算法。新算法不需要系统输出误差的导数信息,同时能很好反映系统输入输出因果性关系。论文还重点针对线性离散系统,给出了具体的迭代学习律。仿真结果也表明所提出的迭代学习算法相对于普通P型迭代学习算法具有更好的收敛特性。 其次,考虑了两类最优迭代学习算法设计问题:1) 时间域内二次型性能函数最优化的迭代学习算法设计;2) 迭代域内确定性系统最优迭代学习律设计和不确定性系统的保性能迭代学习律设计。 对于问题1),本文在模型已知与未知情况下,针对线性离散系统,得到了实现二次型性能函数最优化的迭代学习算法与迭代域内参数估计方法,并得到了相应的收敛性条件。仿真结果表明,所得出的最优迭代学习算法方法及参数估计方法是非常有效的,能够获得最优或者非常接近于最优的次优控制效果。 对于问题2),论文首先定义了迭代域内二次型性能函数,然后基于新的性能函数,重点讨论了确定性线性离散系统最优迭代学习律以及不确定性线性离散系统保性能迭代学习律的设计方法。这些方法具有一条非常好的特性:通过调整性能函数中的参数矩阵,可以很好地控制迭代学习的速度。另外,针对不确定性系统给出的保性能迭代学习律完全基于LMI方法进行设计,可以很方便地利用MATLAB工具箱进行求解。 与其优点相比,迭代学习控制的不足之处一样明显。尤其是要求被控制对象的模型结构、参数在每次运行时都保持高度的重复性。为增强系统对于非重复不确定性的鲁棒性,本文针对迭代学习控制应用较好的刚性不确定性机器人系统以及受限柔性连杆机器人臂,将迭代学习控制与鲁棒控制方法相结合,得到了鲁棒迭代学习控制策略,