论文部分内容阅读
迭代学习控制是一种新兴的智能控制技术，迭代学习控制的基本思想是针对具有重复运行性质的被控对象，利用前次迭代时的输入信息和输出误差的校正项，通过迭代的方式修正控制信号，实现在固定的时间区间上对期望输出轨迹的精确跟踪。本文的研究工作主要包括以下几个方面：(1)针对具有不确定性和干扰的线性时变系统和一类非线性系统，对开、闭环PID型迭代学习控制算法进行了收敛性证明，并进行了仿真分析。开、闭环PID型迭代学习算法与开环PID型迭代学习算法相比具有更快的收敛速度，在系统存在不确定性和扰动时，开、闭环PID型迭代学习算法对不确定性和扰动有更强的鲁棒性。(2)针对具有初始状态误差、迭代非重复扰动和不确定性的一类非线性系统，本文提出了一种带有遗忘因子的高阶开、闭环PID型迭代学习控制算法并进行了收敛性证明。这种算法可以削弱系统模型的不确定部分及非重复干扰对系统收敛性的影响。仿真结果表明了这种算法的有效性。(3)针对线性时不变离散系统，利用迭代域分析方法对开、闭环P型迭代学习控制算法的单调收敛问题进行了研究，并分析了这种控制算法单调收敛的充分条件。(4)针对具有迭代非重复干扰的线性时不变离散系统，利用迭代域分析方法，提出了具有迭代域扰动观测器的PID型迭代学习控制算法。这种算法可以削弱迭代非重复干扰对迭代学习控制算法收敛性的影响。仿真结果也体现了算法的有效性。(5)对迭代学习控制算法在批量过程控制中的应用进行了研究。针对生物发酵批量过程中的补料控制问题，提出高阶开、闭环结构的PID型迭代学习控制方法。仿真结果表明了这种方法的有效性。