若干類非線性系統(tǒng)的學習控制.pdf

1、從上世紀中葉逐步形成的非線性控制方法主要包括自適應控制、滑模變結構控制、魯棒控制、神經(jīng)網(wǎng)絡與模糊系統(tǒng)控制。學習控制發(fā)展至今才二十余年，是一個嶄新的研究領域。學習控制理論的提出啟發(fā)于機器人控制，其核心思想是人為給定規(guī)則，讓機器通過規(guī)則自我學習和完善，通過反復運作，實現(xiàn)控制目標。將這一思想用于非線性系統(tǒng)的控制器設計，不需要對控制對象進行精確建模，在系統(tǒng)存在大量未知不確定性的情況下，實現(xiàn)輸出的精確跟蹤。本文深入研究非線性系統(tǒng)的學習控制方法，包

2、括迭代學習控制和重復控制，具體內(nèi)容有以下幾個方面：
　　 1．研究了一類非線性系統(tǒng)的采樣迭代學習控制。解決學習控制器的計算機實現(xiàn)問題。首先分析固定初始偏移下的采樣控制算法的收斂性；然后設計帶初始修正作用的學習算法，使得收斂起始點能人為控制；最后引入變階學習算法以提高系統(tǒng)的收斂速度和收斂精度，提出的變階策略能進一步改善系統(tǒng)的控制性能。分別給出了以上三種算法的系統(tǒng)收斂性條件，仿真實例驗證了算法的有效性。
　　 2．討論了輸入

3、具有強非線性特性的不確定性系統(tǒng)的學習控制方法。分別針對死區(qū)非線性輸入和齒隙非線性輸入兩種情形，設計迭代學習控制器和重復控制器。同時考慮死區(qū)非線性和系統(tǒng)本身的未知非線性，引入人工神經(jīng)網(wǎng)絡，研究基于逼近器技術的學習控制方法，分析神經(jīng)網(wǎng)絡的逼近誤差對系統(tǒng)輸出收斂性的影響，并予以消除。探討處理齒隙非線性等動態(tài)非線性的方法，基于Lyapunov-like方法設計自適應學習控制器，保證控制器的可導性，引入級數(shù)逼近技術將時變參數(shù)常數(shù)化處理，對于不可參

4、數(shù)化部分，采用魯棒控制技術予以消除，最終實現(xiàn)系統(tǒng)輸出的漸進跟蹤性能。
　　 3．解決了嚴格反饋非線性系統(tǒng)的學習控制問題。對于嚴格三角形結構的非線性系統(tǒng)，常規(guī)方法采用自適應Backstepping方法，但只適合于常參數(shù)擾動系統(tǒng)。針對未知時變參數(shù)不滿足匹配條件的非線性系統(tǒng)，結合魯棒控制方法和Backstepping方法，設計學習反饋控制器，在使用級數(shù)展開技術處理時變參數(shù)不確定性時，充分考慮截斷誤差對系統(tǒng)性能的影響，并予以消除。討論嚴

5、格反饋非線性周期系統(tǒng)的控制器設計問題．對周期系統(tǒng)來說，最簡單直接的方法是采用重復控制技術，但對于嚴格反饋系統(tǒng)，重復控制器的差分形式并不適用于Backstepping設計。為解決這一矛盾，綜合和歸納了一類特殊函數(shù)，并明確定義為“S類函數(shù)”，分析了此類函數(shù)在用魯棒自適應方法處理有界擾動時的作用，基于S類函數(shù)設計自適應控制器，理論分析與仿真結果表明，提出的控制方法能夠?qū)崿F(xiàn)系統(tǒng)輸出跟蹤期望軌跡，且閉環(huán)系統(tǒng)所有信號有界。
　　 4．針對系

6、統(tǒng)狀態(tài)不可量測的時變非線性不確定性系統(tǒng)，提出基于輸出反饋的迭代學習控制和重復學習控制。在Luenberger觀測器的基礎上設計魯棒學習觀測器，在所構造的誤差方程中，采用狀態(tài)估計值替代系統(tǒng)狀態(tài)以便于系統(tǒng)收斂性分析?；贚yapunov-like方法設計迭代學習控制器，對未知時變參數(shù)采用全飽和學習律以保證參數(shù)估計的有界性，進而保證整個系統(tǒng)所有變量的有界性。將基于觀測器的迭代學習控制方法進一步推廣到重復學習控制中，同樣能保證閉環(huán)系統(tǒng)所有變量的