非線性參數(shù)化系統(tǒng)的自適應迭代學習控制.pdf

1、迭代學習控制(ILC)無需精確已知受控對象動力學特性，可利用重復操作過程中測得的I/O數(shù)據(jù)修正控制輸入，實現(xiàn)有限時間上的完全跟蹤，ILC現(xiàn)已成為智能控制領(lǐng)域的重要發(fā)展方向并在工業(yè)過程中廣泛應用。
　　 傳統(tǒng)的迭代學習控制方法因為其固定的學習律形式不能很好的適應系統(tǒng)的變化以及外界的干擾。雖然自適應迭代學習控制學習律具有自學習的優(yōu)點，但是大多要求已知非線性參數(shù)的線性化結(jié)構(gòu)。即需要已知系統(tǒng)的模型信息。從而與迭代學習控制本質(zhì)上屬于幾乎無

2、模型的方法相背離。
　　 (1)本文針對一類結(jié)構(gòu)已知的非線性參數(shù)化不確定系統(tǒng)，提出了帶有死區(qū)設計的自適應迭代學習控制方案，控制器的設計和分析不需要相同的初始條件和相同參考軌跡，并給出了收斂性分析，從理論上證明了方案的可行性。最后仿真結(jié)果證明方案的有效性，這使得自適應迭代學習控制的應用范圍更廣。
　　 (2)論文進一步針對上述非線性參數(shù)化系統(tǒng)，利用神經(jīng)網(wǎng)絡對系統(tǒng)的非線性部分進行迭代逼近，提出了基于多模型切換的自適應ILC方

3、法，該方法通過設定切換規(guī)則，可以進行非線性補償，能夠更快速，更準確的跟蹤期望軌跡，保證信號的有界性，使系統(tǒng)得到較好的穩(wěn)定性和性能表現(xiàn)，最后分別給出了多模型AILC和單模型AILC的仿真結(jié)果，表明該方案能夠提高系統(tǒng)的控制性能。
　　 (3)針對一般結(jié)構(gòu)、階數(shù)均未知的非線性離散時間系統(tǒng)，提出了基于BP神經(jīng)網(wǎng)絡的無模型自適應迭代學習控制方案。該方案只需要受控系統(tǒng)的I/O數(shù)據(jù)，不必對系統(tǒng)建模，其控制器的分析和設計也不需要知道系統(tǒng)模型的任