摘要：针对未知非线性非仿射重复离散时间系统,将迭代域的动态线性化技术应用于非线性被控系统和未知非线性理想学习控制器,提出一种新的数据驱动迭代学习控制方案。通过设计一种改进的无模型自适应迭代学习控制算法对理想学习控制器的增益进行估计,该方案仅利用非线性系统的输入输出数据,便可自动调整迭代学习控制律。数值仿真和对高速列车模型的仿真验证了该方法的有效性和适用性。

摘要：针对集成式电液制动系统(integrated electro-hydraulic brake system,IEHB)存在的复杂液压非线性特性和时变摩擦干扰,提出一种自适应压力控制策略。外环压力控制器引入液压特性的动态线性化模型并基于滑模观测器对模型参数实时辨识实现对非线性液压特性的自适应。内环伺服控制器采用基于压力的连续摩擦补偿和反步动态面控制应对传动机构摩擦阻碍。硬件在环实验结果表明,与现有的先进级联压力控制相比,设计的压力控制策略在多种工况下均表现出更高的控制精度和鲁棒性,并显著提升了IEHB在不同液压回路结构下的压力控制效果。

摘要：针对一类具有测量扰动的离散时间非线性系统,提出一种基于集中式卡尔曼滤波干扰观测器的无模型自适应控制方法。利用动态线性化方法构造被控系统的线性化数据模型;根据线性化数据模型和传感器的测量数据,设计最优集中式卡尔曼滤波干扰观测器;并利用观测器的输出在线调整伪偏导数,提出系统的控制更新方案。该方案的设计和分析不依赖于除输入输出数据的任何模型信息,可避免常规无模型自适应控制方法容易受测量扰动的影响。仿真结果表明:与基于单个传感器卡尔曼滤波干扰观测器的无模型自适应控制方法相比,提出的基于多传感器最优集中式卡尔曼滤波干扰观测器的无模型自适应控制方法具有更好的跟踪性能和更大的数据信噪比。

摘要：传统PD控制对非线性系统和参数时变摄动的控制效果不理想,该文提出一种基于动态线性化方法的自适应PD控制器的设计方法。该方法通过输入输出数据对控制器中的比例增益实时调整,从而获得更强的鲁棒性,改善了动、静态性能。仿真结果表明,所提出的方法对系统的参数摄动具有较好的控制效果。

摘要：传统PD控制对非线性系统和参数时变摄动的控制效果不理想,本文提出一种采用动态线性化方法的自适应PD控制器的设计方法。该方法通过输入输出数据对控制器中的比例增益实时调整,从而获得更强的鲁棒性,使得新控制器的动、静态性能得到改善。仿真结果表明,本文提出的方法对系统的参数摄动具有较好的鲁棒性和实时性,并且具有在线校正功能。

摘要：为解决气动肌肉驱动的脚踝康复机器人实际控制中,无模型自适应迭代学习控制在系统噪声干扰下或初始拟伪偏导选择不当会导致算法收敛速度过慢、控制效果差的问题,提出一种基于高阶拟伪偏导整定的无模型迭代学习控制方法,并设计基于零化神经网络误差递归的迭代学习控制律.通过引入系统观测数据对初始拟伪偏导进行修正,减少拟伪偏导初始值的选取对于算法收敛速度的影响;通过设计抗噪声零化神经网络控制律,减小系统噪声对控制性能的影响,进而实现噪声环境下柔性康复机器人的高性能轨迹跟踪.仿真实验结果表明在噪声环境下能够利用较少的迭代轮次降低最大跟踪误差.机器人实际控制实验结果表明:该方法能够在7次迭代后使气动肌肉平均跟踪误差控制在2%以内,并且在不同初始拟伪偏导条件下均能获得较好的收敛性和轨迹跟踪性能.

摘要：针对阀控电液回转系统在围岩钻进过程中,由于参数不确定、未知负载以及外部扰动等非线性因素影响难以精确控制输出轴转速的问题,设计了基于RBFNN扰动观测器的MFA-SM控制方案。首先,通过改进的动态线性化方法将电液系统等价线性化为仅与系统I/O数据相关的增量模型,而未知负载及外部扰动则被合并为一个未知非线性时变项;然后,设计了RBFNN扰动观测器对该非线性项进行在线实时估计,并根据系统的I/O数据来估计系统时变伪梯度参数;最后,给出了相应的控制器设计。仿真实验结果表明,所设计的MFA-SM控制器能够对未知负载及外部干扰进行有效补偿,相较于其他方法,该方案使得系统调节时间缩短了约10~15 s,最大超调量降低了7.4%左右,且转速跟踪误差能够收敛到0。

摘要：针对一类离散时间非线性系统,基于数据驱动自适应滤波故障诊断(data-driven adaptive filtering for fault diagnosis,DDAF-FD)方法,实现对执行器和传感器故障的同时在线估计。首先采用动态线性化技术,将非线性系统等价转化为类线性模型,解决非线性系统难以精确建模的问题;其次,仅利用系统I/O数据,在数据驱动滤波和递归最小二乘算法的框架下,设计一种数据驱动自适应故障诊断方法,实现对两种故障失效因子的实时准确估计;最后,利用Lyapunov方法验证所提方法的稳定性,并利用对比仿真实验验证了该方法的有效性。

摘要：针对一类带扰动有限时间内重复运行的离散时间非线性非仿射不确定系统,本文提出了一种基于迭代扩张状态观测器的数据驱动最优迭代学习控制方法.首先,提出了改进的迭代动态线性化方法,将被控系统线性化为与控制输入有关的仿射形式,并将不确定性合并到一个非线性项中;然后,设计了迭代扩张状态观测器对非线性不确定项进行估计,作为对扰动的补偿;最后,设计了性能指标函数,通过最优技术,提出了参数迭代更新律和最优学习控制律.本文通过数学分析,证明了跟踪误差的有界收敛性.仿真结果验证了方法的有效性.所提出的新型迭代动态线性化方法可很大程度上降低线性化后的控制增益的动态复杂性,使其易于估计.所提出的迭代扩张状态观测器可以在重复中学习,对非重复扰动可进行有效的估计.此外,本文控制器的设计与分析是数据驱动的控制方法,除了被控系统的输入输出数据以外,不需要任何其他模型信息.

摘要：针对有输入饱和约束的轮式移动机器人(WMR)的轨迹跟踪问题,提出一种抗饱和无模型自适应积分终端滑模控制方案.该方案基于紧格式动态线性化技术,构建WMR系统的在线数据驱动模型.在积分终端滑模控制器设计过程中,引入动态抗饱和补偿器,以解决WMR系统轨迹跟踪过程中执行器饱和问题.控制器设计仅利用控制系统的输入输出数据,与WMR系统模型信息无关.因此,针对不同类型的WMR系统,该方案均可实现.最后,通过仿真实验将所提出的方法与PID方法的控制效果进行对比,仿真结果表明,所提出的控制算法的跟踪误差更小且响应速度更快.