迭代学习控制的抗非重复性干扰研究

论文摘要

迭代学习控制(Iterative Learning Control,简称ILC)是近二十年发展起来的一种新的智能控制方法。迭代学习控制就是根据工业过程的某种重复特性,利用系统先前的控制经验和输出误差来修正当前的控制信息,使系统输出尽可能收敛于期望值。但是实际系统中经常存在非重复性干扰,传统的迭代学习控制算法不能很好地对其加以抑制。本文通过对非重复性干扰的研究,建立了新的迭代学习控制算法来抑制非重复性干扰,并加以计算机仿真实验,为进一步在实际装置上实验做了准备,拓宽了迭代学习控制的应用领域,使迭代学习控制能更好地应用于实际生产之中。本文的主要研究内容及结论如下:(1)介绍了迭代学习控制的基本描述,深入分析了迭代学习控制的发展历程、近年来国内外发展现状及存在的问题。(2)提出了迭代学习控制中基于超级向量法分析的一般性描述框架并介绍了kalman滤波的基本理论,理论上分析并得到了迭代域kalman滤波器的收敛条件。(3)介绍了内模控制原理的基本描述及重要性质,通过将内模控制原理引入迭代学习控制迭代域的研究框架之中,推导出基于内模控制原理的迭代学习控制框架,通过加入反馈滤波器,得到了鲁棒性较好的高阶迭代学习控制算法。(4)借鉴自适应逆控制的基本原理,在内模控制的基础上,采用自适应逆控制的方法,结构简单,克服了纯内模控制的缺点,提高了系统的抗干扰能力。(5)利用Matlab软件建立上述迭代学习控制算法,通过仿真实验验证了所述算法的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 迭代学习控制的原理
• 1.2 迭代学习控制的研究现状
• 1.2.1 经典迭代学习律
• 1.2.2 迭代学习控制研究现状
• 1.2.3 迭代学习控制存在的问题
• 1.2.4 非重复性干扰的控制方法
• 1.3 本文的研究背景
• 1.4 本文的主要研究工作
• 第2章 基于超级向量法的迭代域kalman滤波
• 2.1 超级向量方法
• 2.2 高阶超级向量法的稳定性分析
• 2.2.1 高阶超级向量的渐进稳定性
• 2.2.2 高阶超级向量的单调收敛性
• 2.3 基于kalman滤波的迭代学习控制
• 2.3.1 卡尔曼滤波器原理
• 2.3.2 Kalman滤波分析的SV框架
• 2.3.3 基于SV的Kalman滤波的收敛性分析
• 2.4 本章小结
• 第3章 基于内模控制的迭代学习控制
• 3.1 内模控制概述
• 3.2 内模控制基本原理
• 3.2.1 内模控制结构及其等价形式
• 3.2.2 内模控制的主要性质
• 3.3 迭代域内模控制器设计
• 3.3.1 控制器设计
• 3.3.2 控制器收敛性分析
• 3.4 仿真研究
• 3.5 本章小结
• 第4章 基于AIC-IMC的迭代学习控制
• 4.1 自适应逆控制概述
• 4.2 自适应逆控制的基本原理
• 4.2.1 逆控制与传统控制的比较
• 4.2.2 自适应逆控制的建模
• 4.2.3 基于模型的自适应逆控制扰动消除
• 4.3 AIC-IMC型的迭代学习控制器的设计
• 4.3.1 控制器设计
• 4.3.2 收敛性分析
• 4.4 仿真研究
• 4.5 本章小结
• 结论
• 参考文献
• 致谢
• 研究生履历