论文部分内容阅读
本文主要对离散时间非线性系统的模型未知问题和控制问题进行了研究,提出了局部线性化方法,以此为基础设计了一系列智能自学习控制方案。论文的主要研究内容总结如下:第一,针对一类离散时间非线性系统,提出了局部线性化方法,包括紧格式局部线性化(CFLL)、偏格式局部线性化(PFLL)和全格式局部线性化(FFLL)。这些线性化方法不需要任何的模型信息,仅利用I/O量测数据将非线性系统等价线性化成具有非线性不确定项的线性仿射数据模型。然后将其扩展到具有重复运动性质的离散时间非线性系统中,相应地提出了迭代域的局部线性化方法,给出了严格的数学分析和证明。第二,针对一类离散时间非线性系统,在局部线性化方法下,利用最优原理,设计了一类无模型自学习控制器,并针对控制器中的未知参数提出了自适应估计算法。该方法仅利用受控系统的在线I/O数据进行控制器设计,不需要任何的模型信息,具有较强的鲁棒性。仿真结果验证了所提出控制方法的有效性。第三,针对一类离散时间非线性系统,在局部线性化方法下,将其转化为具有非线性项的线性仿射系统。在数据驱动框架下,提出一类智能自学习PID控制方法。同时,为了解决非线性不确定项和未知参数问题,提出基于差分的不确定性估计算法和梯度参数的自适应估计算法。理论分析和仿真研究验证了所提出方法的有效性。第四,针对具有重复运动性质的离散时间非线性系统,在迭代域中进行局部线性化,使其转换成具有非线性项的线性数据模型。在此基础上,设计了基于二次性能指标函数的智能模最优迭代学习控制器。所提出的控制方法是基于I/O量测数据的,不需要任何的模型信息,是数据驱动的方法。仿真研究证明了所提出方法的有效性。第五,针对具有非重复不确定性的离散时间非线性系统,考虑迭代学习控制(ILC)中的期望轨迹随迭代变化以及初值问题。在局部线性化方法的基础上,引入期望信号作为反馈补偿,提出了智能PID型ILC方法。该方法不仅具有传统PID型控制算法的数据驱动特性,而且能够处理初始状态、期望轨迹、扰动等非重复不确定性,具有传统自适应控制算法的优点。理论分析和仿真研究验证了所提出方法的有效性。