摘要：针对一类不确定非线性系统,结合Backstepping方法,设计重复学习控制方法.采用Lyapunov-like综合,设计重复学习控制器处理系统中的参数和非参数不确定性,可实现系统状态在整个作业区间上完全跟踪期望轨迹.分别讨论部分限幅和完全限幅学习机制,证明闭环系统中各变量的一致有界性以及跟踪误差的一致收敛性.仿真结果验证了所提出控制方法的有效性.

摘要：提出一种双自调谐二阶广义积分器锁频环(frequency-locked loop based on double self-tuning second ordergeneralized integrator,DSSOGI-FLL)同步方法,该方法将自调谐滤波器(self-tuning filter)与优化的SOGI两种结构相级联,构成一种双自调谐二阶广义积分器(self-tuning second order generalized integrator,SSOGI),该结构具有较SOGI更佳的滤波能力;同时,通过引入求差节点和一阶高通滤波器,使其具备了消除直流分量的能力;最后,应用幅值归一化算法对锁频环(FLL)结构进行参数设计,达到易于数字化实现的效果。仿真与实验结果验证文中所提DSSOGI-FLL方法的可行性与有效性。

摘要：针对一类在有限时间区间上重复作业的不确定非线性系统,本文提出一种重复学习控制方法,用于解决非参数不确定性问题.该方法采用死区修正学习律对期望控制输入与界函数进行估计,以避免参数的正向累加导致系统发散,并使该控制算法较少地依赖于系统信息,更方便于控制器的实现.基于Lyapunov方法所设计的控制器,保证了闭环系统所有信号的有界性,并使得跟踪误差收敛于死区界定的邻域.通过仿真算例及电机实验结果验证所提学习控制算法的有效性.

摘要：针对一类严格反馈非线性系统,本文提出误差跟踪学习控制算法,旨在解决状态约束问题和系统的初值问题.文中构造了二次分式型对称障碍Lyapunov函数以及二次分式型非对称障碍Lyapunov函数,并结合反推技术来分别设计学习控制器.两种控制方案里分别采用积分学习律和微分–差分学习律估计未知系数.系统跟踪误差在控制器作用下囿于预设的界内,从而实现迭代过程中对状态的约束;引入期望误差轨迹,经迭代学习后,两种控制方案均能够实现状态误差在整个作业区间上对期望误差轨迹的完全跟踪,并且实现系统输出在预指定作业区间上精确跟踪参考信号.数值仿真结果表明了控制方案的有效性.

摘要：提出一种基于无切换吸引律的离散控制器设计方法,将干扰差分补偿措施嵌入吸引律中构建理想误差动态,依据理想误差动态推导离散时间控制器.所提控制方案既回避了抖振,也能够有效抑制干扰.给出稳态误差带、绝对吸引层、单调减区间和跟踪误差首次进入稳态误差带的最多步数的具体表达式,用以刻画系统跟踪误差瞬态、稳态性能,并指导控制器参数整定.数值仿真与实验结果验证了所提出方法的有效性.

摘要：针对一类含有状态约束和任意初态的严格反馈非线性系统,本文提出了基于二次分式型障碍李雅普诺夫函数的误差跟踪学习控制算法.二次分式型障碍李雅普诺夫函数保证了系统跟踪误差在迭代过程中限制于预设的界内,进而保持状态在约束区间内.引入一级数收敛序列用于处理扰动对系统跟踪性能的影响.构造期望误差轨迹解决了系统的初值问题.经迭代学习后,所设计的学习控制器能够实现系统输出在预指定作业区间上精确跟踪参考信号.最后的仿真结果验证了所提控制算法的有效性.

摘要：针对周期离散系统的跟踪控制问题,提出一种有限时间单调收敛的无抖振吸引律,讨论扰动补偿措施并将其嵌入吸引律形成理想误差动态用于设计离散重复控制器.通过分析补偿误差上界说明扰动补偿措施能抑制重复控制未能消除的扰动,通过推导控制器稳态误差带说明吸引律的收敛性可使系统具有鲁棒稳定性.针对伺服电机系统的仿真与实验验证了设计工作的有效性.

摘要：为了改善并联系统在不平衡工况下出现的输出电压不平衡、功率不均分的问题,提出了一种针对三相四桥臂逆变器的分序控制方法;同时,为了削弱三相四桥臂这种带中线的系统固有的共模电压干扰问题,采用了高频链矩阵式三相四桥臂的拓扑结构。由于系统中的零序分量全部流经第四桥臂,故可将第四桥臂与前三桥臂分开进行独立控制;为了实现并联系统各逆变器的容量匹配,提出在前三桥臂上采用两相静止坐标系下无耦合的虚拟阻抗相匹配的下垂控制,而第四桥臂采用独立虚拟电阻控制的方案。与传统方案相比,该方案优化了虚拟阻抗设计结构的同时解除了各坐标轴间的耦合,方便了闭环控制器的设计,同时还能在一定程度上滤除电流噪声,提高输出电压质量。最终可在实现不平衡工况下并联高频链矩阵式三相四桥臂逆变器系统输出电压平衡的同时按容量分配负载消耗的功率。仿真和实验验证了该方法的可行性和正确性。

摘要：提出适用于参数不确定系统的增量自适应学习算法,为连续时间自适应控制系统提供了一种新的设计方法。针对现有积分自适应算法,首先指出其近似实现方式,即实现时采用的离散算法与原算法存在着差别。对于非限幅增量自适应学习算法,证明了闭环系统收敛性,并给出其参数估值性质;为了保证参数估值本身有界,提出限幅增量自适应学习算法,借助类Barbalat引理,获得闭环系统的收敛性结果。与积分自适应系统相比较,所提出学习算法规避了积分自适应律在实现时离散化造成的近似问题,从而能够有效处理参数不确定性。针对运动控制系统设计了增量自适应鲁棒控制器,并用于电机位置跟踪,实验结果验证了所提控制方法的有效性。

摘要：本文针对一类非参数不确定系统提出一种全限幅自适应重复学习控制方法.利用期望轨迹的周期特性,构造周期性期望控制输入,并基于Lyapunov方法设计自适应重复学习控制器,实现系统对周期性期望轨迹的高精度跟踪,且无需已知非参数不确定性的上界.设计全限幅学习律估计未知的期望控制输入,保证估计值被限制在指定的界内.同时,通过构造完全平方式消除部分误差相关项,控制器设计中可避免使用符号函数,从而抑制控制器抖振问题.最后,基于Lyapunov方法对误差收敛性进行了分析,并通过仿真对比验证本文所提方法的有效性.