一、自适应迭代学习控制新算法及其在工业过程控制中的应用（论文文献综述）
杨小军[1]（2002）在《自适应迭代学习控制新算法及其在工业过程控制中的应用》文中研究表明迭代学习控制理论是智能控制的一个重要分支，传统迭代学习的基本方法是，基于上次迭代时的输入信息和输出误差的PID校正项，获得本次迭代的控制输入，经过若干次迭代，以期达到在给定的时间区间上实现被控对象以较高精度跟踪一给定目标轨线。但当被控对象含有不确定的参数或迭代学习控制律的增益系数时变时，现有的方法存在很大缺陷，如要求非线性项满足Lipschitz连续性，控制律的收敛性分析依赖于实际上是未知的理想输入，初值重置问题等。由于自适应控制在非线性不确定系统中的成功应用，如何充分利用系统的先验信息，用自适应控制设计迭代学习控制，这是一个值得研究的新课题。本文利用自适应理论设计迭代学习控制，基于Lyapunov稳定性理论，结合本质非线性系统的Backstepping设计方法，提出了两类本质非线性系统的迭代学习控制新算法，这些算法克服了传统迭代学习控制的许多缺陷，放松了传统算法的一些限制性假设。并且针对非线性工业过程稳态优化中的设定值多次变动，目标轨线多次变动的问题，提出了一种新的自适应迭代学习算法，以改善系统过渡过程的动态品质。本文的主要工作包括以下几个方面：第一，对一类未知非线性高阶系统，将神经网络引入迭代学习控制，迭代学习控制与自适应控制相结合，实现了任意精度的跟踪。实例仿真分析说明了该算法相对传统算法的有效性及其所具有的优点。第二，对一类不确定非线性系统，提出一种自适应鲁棒迭代学习控制方案。将迭代学习控制，变结构滑模控制，神经网络自适应控制以互补的方式相结合，使得跟踪误差渐近收敛于零。第三，对非线性工业控制系统的稳态优化问题，用自适应迭代学习控制对其动态施行控制，不需要状态重置，系统是连续运行的，并且有效克服了ILC应用到稳态优化控制中目标轨线选取的困难。并且推广到一类非线性系统的跟踪控制，实现了对一列期望轨迹的精确跟踪。第四，对每种迭代学习算法及其应用都做了仿真研究，验证了算法的可行性和有效性。
马一鸣[2]（2021）在《基于强化学习的前馈控制器》文中研究说明当前的工业过程控制系统中,线性控制器仍占绝大部分。然而真实的工业系统都是非线性的,工况切换,设备老化等等实际工业问题都对传统控制器带来挑战。研究更加智能的,具有自学习能力的控制算法具有重要意义。随着机器学习算法的不断发展,以深度学习、机器学习为基础的强化学习算法使得非线性系统自适应控制出现了新的研究方向。强化学习是具有自我决策能力的控制算法,通过探索与试错拥有类似人类的学习能力,通过学习不断改善自身策略,具有优秀的环境自适应能力。好比工厂培训新工人一样,强化学习算法在具有优秀控制能力之前,需要一个长时间的复杂的训练过程,虽然拥有自适应的能力,但学习过渡的过程中存在为控制系统带来负面影响的可能。同时,当被控对象具有时变特性的时候,纯强化学习算法的学习过渡过程会为算法带来鲁棒性问题。针对强化学习用于过程控制时的训练时间较长,过渡性较差问题,本文提出了基于强化学习的自适应补偿控制算法,讨论了其在非线性系统过程控制中的应用问题。本文的主要工作如下:首先,针对典型非线性系统,设计强化学习算法控制方案,研究不同深度强化学习算法在非线性系统优化控制中的表现,证明强化学习算法的有效性,同时引出其存在的问题。再次,研究利用前馈结构降低强化学习训练难度。通过前馈反馈结构,将强化学习作为外挂优化器,保留原过程控制系统的反馈回路。从而将控制问题简化为优化问题,加快强化学习收敛速度,通过与传统的强化学习方法对比,设计仿真实验证明该方法的优越性。同时,考虑过程控制中存在的时变特性问题,传统的强化学习算法会存在适应新对象的过渡问题。针对这一问题,本文所述方法中反馈回路的存在会提高控制系统的鲁棒性,同样设计仿真实验验证时变对象本方法的有效性。接着,考虑复杂的过程控制系统大多很难建立精确的仿真模型用于强化学习算法的训练,提出了一种基于网络监督控制的强化学习算法。利用网络监督控制方法,根据过程运行历史数据来求解基础的策略网络,结合强化学习方法对策略网络进行后续的优化,并通过仿真实验验证了该方法的有效性。最后,对全文内容进行总结并提出了本文所述方法仍存在的问题及未来研究的前景。
李素芳[3]（2020）在《基于迭代学习算法的机械臂轨迹跟踪控制研究》文中认为近年来,国内人力资源成本不断上升,国内大型企业纷纷引入工业机器人代替人力做一些繁复沉重的重复性工作,但这些大型企业多采用的是国外一些知名机器人制造商生产的机械臂;而对于中小企业来讲,引入国外厂商机械臂的购买和维护成本太高,研发生产适合于我们自己使用的工业机械臂具有十分现实的意义。在国内,实际投入使用的机械臂中,就使用数量而言,四轴机器人排在第一位,其中平面关节型SCARA机械臂是使用非常广泛的一类。本文选择SCARA机械臂为本文的主要研究对象,主要对其控制器进行研究。迭代学习控制算法是于20世纪80年代提出的一种控制算法,它本身就是以机械臂的控制为背景提出的;迭代学习控制算法在进行控制时不需要知道被控对象的结构和参数信息,而是经过不断的重复学习来习得被控对象的各种信息,它十分适用于对机械臂这种强耦合非线性且具有各种未知扰动的动力学系统进行控制。针对选定的研究对象SCARA机械臂,本文基于迭代学习控制提出了轨迹跟踪控制算法,以提高机械臂的轨迹跟踪控制精度,本文所做的主要工作如下:（1）对SCARA机械臂进行了运动学和动力学分析,得到了其工作空间和拉格朗日动力学方程,并对其进行运动轨迹规划得到期望目标轨迹。（2）对迭代学习控制算法的基本原理、适用性条件、学习律以及收敛性分析方法进行了深入的研究与分析。（3）研究提出了变增益迭代学习控制算法,使用MATLAB对提出的变增益迭代学习控制算法和一般的PD型迭代学习控制算法进行了仿真实验,仿真实验对比结果证明了变增益算法的有效性、优越性;另外,还针对带不同负载和不确定量的机械臂动力学模型进行了变增益迭代学习算法的仿真实验,实验结果证明了所提出算法的鲁棒性与适应性。（4）研究提出了自适应迭代学习控制算法,证明了其稳定性和收敛性,使用MATLAB对算法进行了仿真实验,与变增益迭代学习控制的实验结果对比显示自适应控制算法的控制精度更高、控制效果更好。文中也针对带不同负载和不确定量的机械臂动力学模型进行了自适应迭代学习算法的仿真实验,实验结果证明了自适应迭代学习算法的鲁棒性和自适应性。文中仿真实验使用的均是SCARA机械臂的动力学模型,期望轨迹是在SCARA机械臂的工作空间中进行运动轨迹规划得到的。
张小青[4]（2020）在《计算智能GWO算法优化及其在运动控制中的应用》文中提出工业生产和科学技术的发展与运动控制技术日益密不可分。永磁同步电动机性能优越,以其为被控对象的运动系统在各行各业中已占有举足轻重的地位。机器人功能强大,是人工劳动的优秀替代,已服务于众多行业中。无论是以单一的永磁同步电动机还是以复杂的机器人为被控对象的运动控制系统,都是一类非线性、强耦合多变量控制系统,传统优化方法已很难满足现代运动控制的高要求,而计算智能技术具备自适应能力及鲁棒性强的特点,为求解复杂的非线性运动控制系统的优化问题提供了新的途径。本文主要研究计算智能算法优化及其在运动控制系统中的应用,从算法改进与算法应用两方面展开研究。对苍狼优化算法及其改进进行研究。介绍与分析苍狼优化算法,证明算法具备全局收敛性。为增加搜索样本多样性及减小算法陷入局部最优的概率,提出了基于淘汰重组机制与变异算子的改进苍狼优化算法。引入衍生算法,得出淘汰重组机制与优秀搜索狼变异算子在功能上互相补充的结论。标准苍狼优化算法被称为静态苍狼优化算法,以减少搜索狼更新等待为目的,提出了两种动态苍狼优化算法。在动态苍狼优化算法中搜索狼的位置更新不需等待,及时更新,加快了算法的迭代收敛速度,使得算法具备了更强的竞争力。以动态苍狼优化算法的结构为基础,探讨其它改进苍狼优化算法的性能,通过实验进一步验证了动态苍狼优化算法改进的有效性。将苍狼优化算法等应用于永磁同步电动机的混沌控制与混沌同步控制中。针对不利的永磁同步电动机混沌,提出了一种以哈密顿理论与苍狼优化算法为基础的非线性扰动补偿与跟踪控制相结合的混沌控制器。通过分析永磁同步电动机严格耗散的广义约化模型中的扰动非线性项,提出了一种带可调增益的非线性扰动补偿器,证明了此补偿器能使系统在平衡点附近渐近稳定。以修正互联与阻尼控制为参考,依期望平衡点的不同而改变相应的哈密顿能量函数,提出了一种参数待定的跟踪控制器。然后以苍狼优化算法为手段对所设计的控制器中可调增益及待定参数进行有目的的优化,最后通过实验测试,系统的混沌得到了较好的抑制,系统具备了良好的跟随性能及抗负载扰动的能力。针对永磁同步电动机混沌的存在对系统有利的场合,鉴于混沌同步控制具有普遍意义,以径向基神经网络为基础,结合苍狼优化算法及其多种变体算法,提出了RBF-GWO混沌同步控制器。用苍狼优化算法以同步误差平方平均值最小为优化目标来优化径向基神经网络的中心矩阵、输出权重及宽度矢量,使得所设计的RBF-GWO网络在应用时性能最佳。从永磁同步电动机混沌同构同步与混沌异构同步两方面验证了所提出的混沌同步控制器的有效性,使系统能更合理的利用永磁同步电动机的混沌现象。对Par4并联机器人高速拾取路径进行了轨迹规划与跟踪控制。针对Par4并联机器人的高速拾取路径,提出了一种基于苍狼优化算法以Lamé曲线为圆滑过渡曲线、以五次及六次不对称多项式为运动规律的机械能耗最小的轨迹规划方法。在该方法中,采取苍狼优化算法,以机器人机械能耗最小为目的,对轨迹进行了优化研究,最终找出了基于Lamé曲线机械能耗最低的轨迹,验证了方法的有效性。通过实验还得知最优轨迹中的Lamé曲线的参数e最佳值可选为拾取跨度一半,而参数f的最佳值需依拾取坐标及拾取高度等具体情况进行寻优选择。以Par4并联机器人优化规划的电机角度为期望控制输入,设计了基于Type-2模糊预估补偿的PID控制器,把系统输入变量的变化率与跟踪误差的变化率之和作为Type-2模糊预估补偿的一个输入,提高了系统对输入的动态跟随性能,减少了驱动电机的角度跟踪误差。利用动态苍狼优化算法对Type-2模糊控制器进行了离线优化,使得系统性能更佳。最后通过实验验证了所提出的控制器的有效性,Par4并联机器人的四个驱动电机都能较好地跟踪期望的输入角度。
杨振[5]（2018）在《机器人若干控制问题分析与设计》文中研究指明当前,机器人技术已经成为智能制造及工业自动化的关键技术。其整体发展水平的高低标志着一个国家产业现代化水平和综合国力的强弱。本文以工业机器人基于关节空间的位置跟踪控制与基于图像的视觉伺服控制为研究内容,以自适应控制、迭代学习控制等方法为手段,主要研究了机器人在模型不确定、存在干扰等情况下的跟踪控制问题及基于图像雅克比矩阵伪逆的动力学视觉伺服控制问题。本文的主要工作如下:1.针对机器人在作业任务中具有重复性的特点,对机器人存在不确定参数及外部干扰情况下的轨迹跟踪问题,提出了几种具有变增益的自适应迭代学习控制策略,控制器包含PD反馈控制部分及用于处理系统参数不确定、干扰的学习控制部分。使用类Lyapunov函数证明,机器人系统是稳定的和渐进收敛的。仿真结果验证了算法的可行性。2.针对机器人迭代学习控制中迭代参数较多及初始运行点受限的问题,文中提出的学习控制器将正定的学习系数矩阵作用于轨迹跟踪误差和误差导数,得到了逐次更新的二维学习控制量,迭代参数可以减少到两个。这对于节约存储空间和提高运算速度具有重要意义。在假设某些系统参数有界的情况下,迭代学习参数可以进一步的减少到1个。新提出的控制策略可以将系统每次运行时都应在期望位置的初始状态这一条件放宽（将机器人控制系统的初始校正条件放宽）,即系统的运行从上一次运行结束时开始,而不是每次机器人系统都从同一个起始点开始运行。3.针对一类具有不确定动力学模型,受到不重复干扰情况下的机器人系统,提出了一种自适应鲁棒迭代学习控制方法。新提出的方法结合了变增益的PD控制与迭代学习的反馈控制,在简单的控制结构情况下具有自适应性和学习能力。通过周期性迭代,当前的控制信息由以前的控制信息来更新。新方法以类似于切换控制的形式来更新控制增益,增加了控制的灵活性,使得机器人系统的轨迹跟踪收敛速度更快速,使用Lyapunov函数证明了方法的渐进收敛性。仿真研究表明:随着迭代次数的增加,机器人系统的位置误差及速度误差将单调减少。4.针对机器人系统易受外部干扰及内部参数变化影响的问题,本文以设计具有良好跟踪性能及优良控制品质、保证系统稳定性和鲁棒性的控制器为目标,提出了两种自适应切换控制方法。第一种策略是在机器人有界干扰的上确界已知的情况,第二种策略是在干扰上确界未知的情况下设计的。以上两种控制器都包含自适应切换律和一个PD控制器。应用李雅谱诺夫稳定性理论证明了所提控制方法既能够保证机器人的跟踪性能,也可以适应变化的未知负载。以二连杆机器人为被控对象的仿真研究表明,所提出的控制方法有效可行,对系统负载的变化具有一定的鲁棒性。5.针对基于图像的机器人动力学无标定视觉伺服中,需要求取图像雅克比矩阵或其逆矩阵较为困难的问题,提出了一种可以获取图像雅克比伪逆阵的动力学无标定视觉伺服新方法。该方法无需摄像机的内外参数、无需机器人的关节速度参数。由李雅普诺夫理论证明,图像误差具有渐进收敛性。仿真研究验证了算法的有效性。
王娜[6]（2013）在《迭代学习控制算法研究及在机械臂中的应用》文中认为迭代学习控制利用迭代修正达到预定控制目的改善，特别适用于具有重复运动性质的被控对象，实现在有限时间区间内对期望轨迹的高精度跟踪。与其它算法相比迭代学习算法不依赖于系统的精确数学模型，而是利用以往的的控制信息和误差信息构成控制输入信号。它不需要辨识系统的参数，也不要求过多的先验知识。因此迭代学习算法为具有高度非线性、强耦合、时变的系统，如机器人系统提供了一种行之有效的方法。在现有文献的基础上，本文针对不同问题进行了深入讨论，并提出了相应的改进方法，具体工作如下：首先，针对含有初始误差的机械臂轨迹跟踪问题，提出指数变增益的非因果型迭代学习算法。该算法消除了常规迭代算法要求迭代初态与期望初态一致或迭代初态固定的限制。变增益迭代学习相比于固定增益的迭代学习不仅避免了增益选择的盲目性，还加快了收敛速度。非因果型算法与因果型算法相比，由于利用了前次迭代控制中未来时刻的误差信息，使得控制器具有提前补偿未来扰动的功能，且算法易于执行。最后，将本文所提算法在机械臂轨迹跟踪控制中进行仿真，仿真结果表明了该算法的有效性。其次，由于迭代学习算法不需要精确的数学模型，且对未建模的系统有一定的鲁棒性，因此本文针对一类具有不确定状态扰动和输出干扰的非线性系统的跟踪控制问题采用了带角度修正的迭代学习算法。用输出向量的角度关系作为评价系数来判断控制输入好坏，并对所设计的迭代学习律的变化趋势做出“奖惩”，因此大大提高了收敛速度。最后，针对一般的非线性系统，提出了一种具有可变遗忘因子的非因果型迭代学习算法。引入的可变遗忘因子可以根据系统所处的状态有效的调节控制输入，同时沿迭代方向进行滤波，从而加快了收敛速度，并削弱了系统的不确定部分对收敛性的影响。与常规的PD型算法相比，既增加了信息量又避免了导数信号的使用。将所提算法在机械臂轨迹跟踪控制中进行仿真应用，仿真结果表明了该算法的有效性和实时性。
曹伟[7]（2013）在《迭代学习控制及其在故障诊断中的应用研究》文中研究指明由于迭代学习控制无需被控系统的精确数学模型，只需要利用实际系统输出和期望输出产生的偏差信号，经过简单的迭代运算来修正不理想的控制信号，以实现在有限时间区间内对期望轨迹的完全跟踪，并且该算法在线计算量小，结构简单便于工程实现。因此迭代学习控制自被提出以来，一直是控制领域里的研究热点之一。为了使存在任意初态偏移的非线性系统能够有限时间区间内完全跟踪理想轨迹，并放宽收敛条件，加快算法的收敛速度，论文对迭代学习控制的初值问题和收敛速度问题进行了深入研究。同时，由于现代控制系统越来越复杂，增加了系统发生故障的可能性。因此，为了提高控制系统的安全性和可靠性，精确估计出系统发生的故障，以便更好地对系统进行容错控制，论文将迭代学习控制理论应用到系统的故障诊断中，分别对基于比例差分型迭代学习的连续系统故障诊断方法和基于离散迭代学习的离散系统故障诊断方法进行了深入研究。论文的主要工作如下：1.首先分析了系统初值对D型和PD型迭代学习控制的影响，然后，为了放宽系统在任意初态条件下的收敛条件，提高算法的收敛速度，放松算法对初始状态函数的要求，分别研究了一类控制时滞和状态时滞非线性系统在任意初态偏移下的迭代学习控制问题，对系统的初始状态和输入同时采用迭代学习策略，并利用算子谱理论证明了算法的收敛性，给出了系统收敛的谱半径形式的充分条件。2.为了加快算法的收敛速度和解决初态偏移问题，对带有初始状态学习的指数变增益迭代学习控制算法进行了研究，并基于算子理论严格证明了系统在任意初始状态下的收敛性，给出了系统收敛的谱半径形式的充分条件；为了在迭代学习控制律中回避误差的微分信号，同时又能使系统的收敛速度得到提高，增强其鲁棒性，提出了一种具有反馈信息的比例差分型迭代学习控制算法，并基于压缩映射方法严格证明了系统在λ-范数和Lebesgue-p范数意义下的收敛性，给出了算法收敛的充分条件。最后，基于几何分析方法，对迭代学习律采用输出向量空间的角度关系来调节，加快了离散时变系统的收敛速度。3.将预测控制中的滚动优化思想和迭代学习控制原理应用到故障诊断中，针对连续系统提出了一种基于比例差分型迭代学习的故障诊断方法。通过引入的虚拟故障构建起故障估计器，并利用估计器输出和系统实际输出产生的残差信号以及迭代轴上相邻两次残差的差分信号，在选取的优化时域周期内对引入的虚拟故障进行逐次修正，使其随着迭代次数的增加逐渐逼近系统的实际故障，从而达到对故障估计的目的。并基于压缩映射方法对故障估计器的收敛性进行了证明，给出了算法收敛的充分条件。4.结合滚动优化思想和迭代学习控制理论，将离散迭代学习策略应用到离散时变系统的故障诊断中，提出了一种基于离散迭代学习的故障诊断方法。利用引入的虚拟故障建立离散形式的故障估计器，并利用实际系统输出和估计器输出产生的残差信号，在优化时域内对引入的虚拟故障通过离散迭代学习算法来逐次调节，使其随着迭代次数的增加逐渐逼近系统的实际故障。并基于压缩映射方法，对算法在λ-范数度量意义下的收敛性进行证明，给出了算法的收敛条件。
殷辰堃[8]（2011）在《基于高阶内模的迭代学习控制及应用》文中提出本论文以非线性系统为研究对象,着重研究了针对一些非严格重复问题的迭代学习控制设计方法,特别考虑了由一类高阶内模生成的不确定参数的非严格重复性,同时也考虑了参考轨迹、未知时变输入增益、输入输出扰动和迭代初态的非严格重复性。论文的主要工作及其创新点总结如下。第一、针对一般连续时间非参数系统对非严格重复参考轨迹的跟踪问题,利用内模原理,提出了一种基于高阶内模的迭代学习控制器,理论上证明了当参考轨迹由一个高阶内模生成时系统跟踪误差的有界收敛性,并给出了相应的收敛条件。第二、针对一类结构已知的连续时间非线性参数系统,考虑了一种由高阶内模生成的单参数非严格重复性,利用内模原理,提出了基于高阶内模的自适应迭代学习控制算法,特别说明了平行格式的学习更新律比高阶学习更新律具有更广的适用范围。通过严格的数学分析,证明了当参考轨迹可以任意迭代变化时,所提出的算法能够保证跟踪误差沿迭代轴的渐进收敛。还考虑了由混合高阶内模生成的多参数非严格重复性,并相应地将算法扩展为混合的平行自适应迭代学习控制以处理更加复杂多样的非严格重复性。第三、针对一类含有非严格重复参数的连续时间非线性系统,及任意迭代变化的有界输入输出扰动和任意迭代变化的有界初始状态,提出了基于高阶内模的自适应迭代学习控制器的一种鲁棒设计方法,实现了跟踪误差沿迭代轴的有界收敛。第四、针对一类结构已知的离散时间非线性参数系统,考虑了一种由高阶内模生成的参数非严格重复性,利用内模原理,分别提出了离散时间的基于最小二乘算法和基于投影算法的平行自适应迭代学习控制器,并分别证明了算法的有效性。第五、将平行自适应迭代学习控制算法扩展到有限空间区间情形下,并分别应用于列车运行速度曲线跟踪控制和列车运行时间曲线跟踪控制,通过证明和仿真说明了所提出算法的有效性和在列车自动控制中的应用前景。
曹晰[9]（2009）在《开放型嵌入式旋转机械自动平衡控制系统的研究》文中认为转子自动平衡系统多年来一直是工程技术研究与开发的热点领域,具有很大的发展潜力。该项技术不仅可以消除运行中随机产生的动不平衡、实时减小设备振动,而且可以有效延长转动设备的运行周期、减少故障停机、降低维修费用,经济效应可观。同时其潜在的应用范围极为广泛,目前已知的应用报道,不仅有压缩机、汽轮机、离心分离机等大型机械设备,而且还有类似于硬盘磁头等高精密旋转机构。事实上,任何需要保持旋转体稳定运行的机械机构都是其潜在应用对象,因而转子自动平衡技术的发展及应用前景非常广阔。作为国家自然科学基金项目《机械复杂系统建模仿真、运行优化和自愈调控理论与方法》（编号：50635010）的组成部分,本课题在总结数种典型自动平衡系统的基础上,以自愈调控理论为指导,讨论了工业应用中自动平衡控制系统可能遇到的几类实际问题及其解决方案；通过数学建模对自动平衡控制算法与不平衡信号处理算法进行了仿真研究；分别就连续注排式平衡头、单一注入式平衡头以及电磁式平衡头等三类平衡头构造了开放型嵌入式自动平衡控制系统,并利用北京化工大学DSE中心超重力机实验台进行物理验证；作为自动平衡最小系统的补充完善,探讨了可用于嵌入式环境的旋转机械自动推理故障诊断系统；最终逐步完善了具有自主知识产权的开放型嵌入式转子自动平衡控制系统样机,为该项技术的国产化、工业化进行了初步探索。课题主要工作有：（1）典型自动平衡控制系统分析与总结对北京化工大学DSE中心现有的三类典型自动平衡系统（连续注排式自动平衡系统、单一注液式自动平衡系统、电磁式自动平衡系统）进行了综述与比较,分析了自动平衡系统中各组成部件的结构,研究了配重原理及平衡原理；在此基础上讨论了自动平衡控制系统在工业现场实际应用中需要解决的几个核心问题。（2）构建开放型嵌入式自动平衡系统硬件平台针对工业现场可能存在的粉尘环境、振动环境、污染环境及狭窄空间等多种不利情况,选用PC／104标准总线作为系统硬件开发平台并对系统硬件进行功能划分,通过“从顶至底”的模块化设计,在最小功能系统的基础上,针对不同类型平衡头与传感器,配合相应功能的扩展单元模块,进而实现对多种平衡头的控制,最大限度的匹配与利用现有资源。（3）控制算法仿真与优化工业转子自动平衡控制有其特殊性,表现在：1)仅允许极小范围内可预见的控制超调,从安全角度而言,一般要求不存在超调；2)系统过渡过程中的振荡不仅是对转子工况的干扰,而且将降低平衡头的平衡能力,需要尽可能抑制；3)随着生产负荷等外部条件的变化,转子系统的振动范围可能发生变化,平衡控制系统需要在多个设定值之间平滑过渡。另一方面,嵌入式系统中可利用的硬件资源十分有限。根据这些特点,本课题着重研究了基于迭代学习算法的自动平衡控制策略并利用向量几何原理改进了基本算法,从理论上证明了其收敛性、鲁棒性等关键性质；建立了超重力机转子数学模型,在模型振动特性分析基础上,对PI增量控制、基本迭代学习控制以及基于几何分析的迭代学习控制进行了仿真研究,并确立了适于转子自动平衡控制的迭代学习算法结构,给出了相关控制参数范围。（4）不平衡量信号提取与处理不平衡量信号的提取是平衡控制系统的核心问题之一,直接影响到最终的控制效果,特别是避免平衡控制中的“错调”现象很大程度上依赖于不平衡信号提取的精度与准确性。结合系统硬件资源较少,而且是时变参数测量对象等因素,本课题着重考察了自适应滤波算法在不平衡振动信号提取中的应用,并对基本LMS算法进行了改进。利用国际开源振动测试数据库中的信号数据作为分析基准,对比了基本LMS算法、基于向量分析的LMS算法、维纳滤波等自适应信号处理方法,结果表明基于向量分析的LMS算法在算法复杂度、系统资源消耗、信号提取精度等方面有着较好的均衡性。（5）构建旋转机械自动推理故障诊断系统机械振动原因繁多,不是任意振动均可通过自动平衡系统进行校正。作为本课题最小功能系统的扩展模块,旋转机械自动推理故障诊断系统的设计目标是对于不可进行自动平衡的振动进行判别并提供可能故障原因的排列,通过融合粗糙集约简、规则属性化、信息模糊化等手段,降低人工输入次数,令系统自动推理程度得以大幅提高。（6）开放型嵌入式自动平衡控制系统样机结合上述各项工作,逐步完善系统结构,获取开放型嵌入式自动平衡控制系统的原始样机。
李恒杰[10]（2009）在《优化迭代学习控制算法及其应用研究》文中研究说明迭代学习控制是一种用来改善具有重复运动特性的过程、机械、装置或系统的瞬态响应和跟踪特性的控制技术。它是以系统的实际输出与期望输出的偏差修正不理想的控制信号,使系统的跟踪性能得以提高。随着现代工业中具有重复性和周期性的系统和生产过程不断出现,迭代学习控制已经成为了现代控制技术中的一种重要控制方法。传统迭代学习控制算法中的学习系数对迭代学习控制的收敛性和收敛速度的影响非常大,例如在PID型迭代学习控制算法的实际应用中,算法分析给出的收敛性条件并不能用于指导学习增益的选取,学习增益的设置需要凭借经验选取,因此具有一定的盲目性。为了克服猜测设置学习增益的盲目性,直接的方法是利用系统模型知识。由此引伸出来的一个可行方法就是利用优化理论来设计迭代学习控制律,即优化迭代学习控制算法。优化迭代学习控制算法又可以分为范数优化迭代学习控制算法和参数优化迭代学习控制算法。参数优化迭代学习控制算法是基于二次型性能指标提出的优化算法,在保证跟踪误差的单调收敛的同时,相对于范数最优算法更为简单、高效、易实现。但是,目前在优化迭代学习控制算法的研究中仍然存在一些急待解决的问题:1)如何进一步提高算法收敛速度;2)当被控对象不满足正定条件时,如何使得算法仍然能够单调收敛至零;3)如何建立用于非线性系统的参数优化迭代学习控制算法;4)在优化过程中,如何减小算法对于模型的依赖性。为了实现迭代域中误差的快速、单调收敛,获得更好的暂态跟踪性能,本文针对离散系统建立一种基于范数性能指标的PID型快速参数优化迭代学习控制算法。该算法将PID型控制器引入到参数优化迭代学习控制算法中,来拓展算法的维数,增加最优参数的自由度,从而最终达到提高学习效率的目的。针对非正定系统迭代误差趋于局部极小的问题,本文将基函数的概念引入到参数优化迭代学习控制中,建立了一种基于基函数项的参数优化迭代学习控制算法。这种算法在保证算法仍然具有快速收敛特性的同时进一步扩大算法的收敛条件。理论证明,无论被控对象正定与否,算法都能够单调收敛至零。为了进一步提高非线性优化迭代学习控制算法的收敛性能,本文将克隆选择算法进行改进并应用于优化迭代学习控制中,提出了一种基于克隆选择算法（CSA）的优化迭代学习控制。采用改进的CSA来求解迭代学习控制中的非线性优化问题,一方面因为CSA具有很高的搜索性能,更重要的是可以将控制输入的先验信息编码到CSA中,从而大大减小算法搜索空间、节约运算成本,并且能很方便地处理输入上有约束的问题。此外,采用实数编码和限制变异扩展半径可以使得CSA求出的输入曲线更加光滑。优化迭代学习控制算法的卓越收敛性能都是建立在事先拥有被控对象精确的数学模型的基础上。然而,在工程实践中获得被控对象的精确数学模型几乎是不可能的。为了减小算法对系统模型的依赖性,本文提出了一种基于克隆选择算法的模型修正机制,在每次迭代学习之后,利用学习时的输入信息以及真实系统的输出与模型输出的偏差信息来修正系统模型。修正了的模型将被用于下一次迭代学习过程。这是针对非线性优化迭代学习控制算法设计的,自然也可以应用于其他线性算法中。最后,本文对2-自由度“质量弹簧阻尼”振动主动控制系统进行分析研究,探讨了迭代学习控制算法在其中的应用。对比分析得出,参数优化迭代学习控制算法是一种不错的选择。在震动频率较低的情况下能够达到较好的效果,使整个主动控制系统达到减震的目的。而在各种参数优化迭代学习控制算法中,本中提出的PID型快速参数优化迭代学习算法和基于基函数项的参数优化迭代学习算法相比其他参数优化迭代学习算法具有更好的收敛效果,尤其是基于基函数项的参数优化迭代学习算法对这一非正定的被控对象具有其他算法所不具有的单调收敛至零的特性,在振动主动控制中具有很好的应用前景。
二、自适应迭代学习控制新算法及其在工业过程控制中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、自适应迭代学习控制新算法及其在工业过程控制中的应用（论文提纲范文）
（1）自适应迭代学习控制新算法及其在工业过程控制中的应用（论文提纲范文）
| 第一章 绪论 |
| §1.1 自适应迭代学习控制理论的发展概况与研究现状 |
| §1.2 迭代学习控制在工业过程控制中的应用研究现状 |
| §1.3 本文主要工作简介 |
| 第二章 自适应迭代学习控制原理 |
| 第三章 非线性未知系统的自适应迭代学习控制 |
| §3.1 引言 |
| §3.2 多层神经网络逼近理论 |
| §3.3 问题描述 |
| §3.4 自适应控制设计 |
| §3.5 自适应迭代学习控制设计 |
| §3.6 实例仿真 |
| §3.7 小结 |
| 第四章 基于神经网络的自适应滑模迭代学习控制 |
| §4.1 引言 |
| §4.2 变结构滑模控制简介 |
| §4.3 问题描述 |
| §4.4 逆动态分割 |
| §4.5 自适应鲁棒迭代学习控制 |
| §4.6 实例仿真 |
| §4.7 小结 |
| 第五章 自适应迭代学习控制在非线性工业过程控制系统中的应用 |
| §5.1 引言 |
| §5.2 非线性工业过程的自适应迭代学习控制 |
| §5.3 轨迹初始化 |
| §5.4 一类非线性系统的自适应迭代学习控制 |
| §5.5 AILC在工业过程控制应用中的若干问题分析 |
| §5.6 算例仿真研究 |
| §5.7 小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
（2）基于强化学习的前馈控制器（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 强化学习研究现状 |
| 1.3 强化学习的应用问题 |
| 1.4 本文的创作动机与结构安排 |
| 第2章 强化学习理论基础 |
| 2.1 强化学习理论基础 |
| 2.1.1 强化学习基本概念 |
| 2.1.2 马尔可夫决策过程 |
| 2.1.3 探索与利用 |
| 2.2 强化学习常用算法 |
| 2.2.1 Q学习(Q-learning) |
| 2.2.2 策略梯度(Policy Gradient) |
| 2.3 深度强化学习 |
| 2.3.1 DQN算法 |
| 2.3.2 DDPG算法 |
| 第3章 基于强化学习的非线性系统自适应控制 |
| 3.1 问题描述 |
| 3.2 强化学习算法设计 |
| 3.2.1 环境设计 |
| 3.2.2 网络设计 |
| 3.2.3 通用参数设计 |
| 3.3 仿真实验 |
| 3.4 小结 |
| 第4章 基于强化学习的自适应补偿控制系统 |
| 4.1 基于强化学习的自适应补偿控制算法 |
| 4.1.1 前馈-反馈控制系统 |
| 4.1.2 强化学习前馈控制器 |
| 4.1.3 强化学习前馈控制器训练算法 |
| 4.2 仿真实验 |
| 4.2.1 实验对象 |
| 4.2.2 强化学习自适应补偿控制系统搭建 |
| 4.2.3 纯强化学习控制系统搭建 |
| 4.2.4 实验结果 |
| 4.3 小结 |
| 第5章 无模型强化学习自适应补偿控制系统 |
| 5.1 神经网络前馈监督控制器 |
| 5.2 无模型强化学习自适应补偿控制 |
| 5.3 仿真实验 |
| 5.4 小结 |
| 第6章 总结与展望 |
| 6.1 本文的主要工作及贡献 |
| 6.2 问题与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）基于迭代学习算法的机械臂轨迹跟踪控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 机械臂控制简介 |
| 1.2.1 机械臂的发展历史与应用现状 |
| 1.2.2 机械臂的控制原理与技术 |
| 1.3 迭代学习控制简介 |
| 1.3.1 迭代学习控制的起源与发展 |
| 1.3.2 迭代学习控制的主要研究内容 |
| 1.4 论文主要工作与内容安排 |
| 第二章 迭代学习控制原理 |
| 2.1 迭代学习控制的基本思想 |
| 2.2 迭代学习控制的适用条件 |
| 2.2.1 被控系统的可重复性 |
| 2.2.2 执行任务的可重复性 |
| 2.2.3 初始条件的可重复性 |
| 2.3 迭代学习控制的敛散性分析 |
| 2.4 迭代学习控制的学习律 |
| 2.5 迭代学习控制的整体流程 |
| 2.6 小结 |
| 第三章 SCARA机械臂的运动学及动力学分析与建模 |
| 3.1 SCARA本体介绍 |
| 3.2 机械臂的空间位姿描述和坐标变换 |
| 3.2.1 机械臂的空间位姿描述 |
| 3.2.2 机械臂的空间坐标变换 |
| 3.3 SCARA机械臂的运动学分析 |
| 3.4 机械臂的动力学分析 |
| 3.5 SCARA机械臂的动力学建模 |
| 3.6 SCARA机械臂的运动轨迹规划 |
| 3.7 小结 |
| 第四章 基于变增益迭代学习算法的机械臂轨迹跟踪控制 |
| 4.1 变增益迭代学习控制算法 |
| 4.2 算法的收敛性分析 |
| 4.3 变增益迭代学习算法在机械臂轨迹跟踪中的应用 |
| 4.3.1 变增益迭代学习算法的仿真实现 |
| 4.3.2 仿真结果分析 |
| 4.4 小结 |
| 第五章 基于自适应迭代学习算法的机械臂轨迹跟踪控制 |
| 5.1 自适应控制简介 |
| 5.1.1 自适应控制的定义与分类 |
| 5.1.2 自适应控制的主要研究内容 |
| 5.2 自适应迭代学习控制 |
| 5.2.1 自适应控制与迭代学习控制的结合 |
| 5.2.2 自适应迭代学习控制的稳定性和收敛性分析 |
| 5.2.3 自适应迭代学习控制基本方案 |
| 5.3 自适应迭代学习控制算法 |
| 5.3.1 自适应迭代学习控制律 |
| 5.3.2 算法的收敛性和有界性分析 |
| 5.4 自适应迭代学习控制在机械臂轨迹跟踪控制中的应用 |
| 5.4.1 自适应迭代学习控制的仿真实现 |
| 5.4.2 仿真结果及实验分析 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录:攻读硕士期间参加的项目及成果 |
（4）计算智能GWO算法优化及其在运动控制中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究的内容 |
| 1.2 计算智能概述 |
| 1.2.1 计算智能的发展 |
| 1.2.2 苍狼优化算法发展现状 |
| 1.3 永磁同步电机混沌控制与混沌同步控制的研究现状 |
| 1.4 机器人轨迹规划与优化控制的研究现状 |
| 1.5 论文章节内容安排 |
| 第二章 标准苍狼优化算法 |
| 2.1 引言 |
| 2.2 标准的苍狼优化算法 |
| 2.2.1 算法的思路来源 |
| 2.2.2 标准苍狼优化算法各环节模拟与分析 |
| 2.2.3 标准苍狼优化算法 |
| 2.3 苍狼优化算法收敛性能分析 |
| 2.4 实验验证苍狼优化算法 |
| 2.5 小结 |
| 第三章 基于淘汰重组机制与变异算子的改进GWO算法 |
| 3.1 引言 |
| 3.2 MR-GWO算法 |
| 3.2.1 淘汰与重组机制 |
| 3.2.2 优秀搜索狼的变异算子 |
| 3.2.3 改进的苍狼优化算法(MR-GWO) |
| 3.2.4 MR-GWO算法讨论与分析 |
| 3.3 苍狼优化算法的其它变体 |
| 3.4 无约束连续函数寻优实验 |
| 3.4.1 实验结果分析 |
| 3.4.2 算法误差分析 |
| 3.4.3 参数影响分析 |
| 3.5 有约束函数寻优实验 |
| 3.6 小结 |
| 第四章 动态GWO算法 |
| 4.1 引言 |
| 4.2 动态GWO算法 |
| 4.2.1 第一种动态GWO算法 |
| 4.2.2 第二种动态GWO算法 |
| 4.3 实验测试 |
| 4.3.1 测试函数介绍 |
| 4.3.2 实验结果 |
| 4.3.3 分析与讨论 |
| 4.4 动态GWO算法与其它改进策略的结合 |
| 4.5 小结 |
| 第五章 GWO在PMSM混沌控制与混沌同步控制中的应用 |
| 5.1 引言 |
| 5.2 PMSM的数学模型 |
| 5.2.1 PMSM的混沌分析 |
| 5.2.2 PMSM的哈密顿模型 |
| 5.3 基于GWO的PMSM哈密顿模型的混沌控制 |
| 5.3.1 扰动补偿器的设计 |
| 5.3.2 跟踪控制器的设计 |
| 5.3.3 基于GWO的PMSM混沌优化控制器的设计 |
| 5.4 基于GWO的PMSM混沌优化控制仿真验证 |
| 5.5 基于RBF-GWO网络PMSM混沌同步控制 |
| 5.5.1 RBF神经网络 |
| 5.5.2 基于苍狼优化算法的RBF-GWO神经网络 |
| 5.6 实验验证 |
| 5.6.1 PMSM混沌同构同步实验 |
| 5.6.2 PMSM混沌异构同步实验 |
| 5.6.3 讨论与分析 |
| 5.7 小结 |
| 第六章 GWO能量优化的Par4并联机器人轨迹规划与跟踪控制 |
| 6.1 引言 |
| 6.2 Par4并联机器人运动学反解与动力学方程 |
| 6.3 Par4并联机器人轨迹规划 |
| 6.3.1 基于Lamé曲线的轨迹形状规划 |
| 6.3.2 空间路径坐标变换 |
| 6.3.3 运动规律规划 |
| 6.4 基于GWO算法的能量最小轨迹优化 |
| 6.4.1 Par4并联机器人机械能耗 |
| 6.4.2 基于GWO算法的轨迹优化 |
| 6.5 基于GWO优化的轨迹规划实验验证 |
| 6.5.1 基础实验 |
| 6.5.2 相同的拾取点,不同的拾取高度的实验 |
| 6.5.3 不同拾取点,相同的拾取高度与跨度的实验 |
| 6.5.4 不同的跨度与拾取点,相同的拾取高度实验 |
| 6.6 轨迹规划的比较与分析 |
| 6.6.1 与其它计算智能算法的比较 |
| 6.6.2 与其它曲线的比较 |
| 6.6.3 轨迹规划的总结 |
| 6.7 基于DMR-GWO2并联机器人Type-2 模糊轨迹跟踪控制 |
| 6.7.1 Type-2 模糊逻辑系统 |
| 6.7.2 Par4并联机器人轨迹跟踪控制系统结构 |
| 6.7.3 Type-2 模糊预估补偿PID控制器的设计 |
| 6.7.4 基于DMR-GWO2的Type-2 模糊逻辑控制器与优化 |
| 6.8 Par4并联机器人轨迹跟踪实验 |
| 6.9 小结 |
| 第七章 结论 |
| 附录 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）机器人若干控制问题分析与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景 |
| 1.2 国内外工业机器人行业发展现状 |
| 1.3 机器人的主要控制方法 |
| 1.4 本文拟采用控制方法 |
| 1.4.1 迭代学习控制 |
| 1.4.1.1 迭代学习控制的提出及特点 |
| 1.4.1.2 迭代学习控制在机器人系统的研究现状 |
| 1.4.1.3 迭代学习在机器人控制中的研究趋势 |
| 1.4.2 自适应控制 |
| 1.4.2.1 自适应控制的分类及基本概念 |
| 1.4.2.2 自适应控制在机器人系统的研究现状 |
| 1.4.3 机器人视觉伺服控制 |
| 1.4.3.1 视觉伺服 |
| 1.4.3.2 无标定视觉伺服的研究现状 |
| 1.5 本文的主要工作 |
| 第二章 预备知识 |
| 2.1 机器人的动力学特性 |
| 2.2 几个重要引理 |
| 第三章 机器人自适应变增益迭代学习控制 |
| 3.1 引言 |
| 3.2 系统描述 |
| 3.3 自适应迭代学习控制器的设计与分析 |
| 3.4 仿真实例 |
| 3.4.1 定理3.1 的仿真结果 |
| 3.4.2 定理3.3 的仿真结果 |
| 3.5 本章小结 |
| 第四章 模型不确定的机器人自适应鲁棒迭代学习控制 |
| 4.1 引言 |
| 4.2 系统描述 |
| 4.3 控制器设计与分析 |
| 4.3.1 机器人模型线性化 |
| 4.3.2 控制器收敛性分析 |
| 4.4 仿真实例 |
| 4.5 本章小结 |
| 第五章 带有扰动的机器人自适应切换控制 |
| 5.1 引言 |
| 5.2 系统描述 |
| 5.3 控制器的设计与分析 |
| 5.3.1 情形1:机器人系统有界干扰的上确界为已知时 |
| 5.3.2 情形2:机器人系统有界干扰的上确界为未知时 |
| 5.4 仿真研究 |
| 5.4.1 有界干扰的上确界为已知时的切换自适应控制仿真 |
| 5.4.2 有界干扰的上确界为未知时的切换自适应控制仿真 |
| 5.5 本章小结 |
| 第六章 无标定图像雅克比伪逆的机器人视觉伺服 |
| 6.1 引言 |
| 6.2 系统描述 |
| 6.2.1 机器人动力学模型 |
| 6.2.2 问题描述 |
| 6.3 图像雅克比矩阵伪逆估计 |
| 6.3.1 一般非线性函数的线性逆 |
| 6.3.2 图像雅可比矩阵伪逆估计 |
| 6.3.2.1 离线估计法 |
| 6.3.2.2 在线估计法 |
| 6.3.3 图像雅可比矩阵奇异性分析 |
| 6.4 控制器的设计与分析 |
| 6.4.1 基于图像雅可比矩阵转置的视觉伺服 |
| 6.4.2 基于图像雅可比矩阵伪逆的视觉伺服 |
| 6.5 仿真研究 |
| 6.5.1 平面机器人动力学方程 |
| 6.5.2 平面机器人仿真参数 |
| 6.5.3 控制策略 |
| 6.5.4 固定目标仿真结果及分析 |
| 6.5.5 运动目标仿真结果及分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间完成的论文及参加的科研项目 |
| 1.发表的论文 |
| 2.主持或参与的科研项目 |
（6）迭代学习控制算法研究及在机械臂中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题的研究背景及意义 |
| 1.3 迭代学习控制的研究内容及现状 |
| 1.3.1 算法的收敛性和稳定性 |
| 1.3.2 鲁棒性 |
| 1.3.3 初值问题 |
| 1.3.4 收敛速度 |
| 1.3.5 分析方法 |
| 1.3.6 学习律 |
| 1.4 迭代学习控制与其它控制方法的联系 |
| 1.5 机器人的发展及相关控制技术 |
| 1.5.1 机器人发展概况 |
| 1.5.2 机器人控制技术 |
| 1.6 本文的主要研究内容和结构 |
| 第2章 迭代学习控制的理论基础 |
| 2.1 迭代学习控制的基本原理 |
| 2.2 迭代学习控制过程的表述 |
| 2.2.1 动力学特性的可重复性 |
| 2.2.2 跟踪任务 |
| 2.2.3 初始定位 |
| 2.2.4 迭代学习律 |
| 2.2.5 停止条件 |
| 2.2.6 干扰环境 |
| 2.3 迭代学习算法的基本流程 |
| 2.4 数学知识准备 |
| 2.4.1 Banach 空间 |
| 2.4.2 向量与矩阵的范数 |
| 2.4.3 Bellman-Gronwall 引理 |
| 2.4.4 Lipschitz 条件 |
| 2.5 本章小结 |
| 第3章 机器人指数变增益快速迭代学习控制 |
| 3.1 引言 |
| 3.2 系统描述 |
| 3.3 主要结果 |
| 3.3.1 新算法的提出 |
| 3.3.2 考虑机械臂转角限位时算法的改进 |
| 3.4 收敛性分析 |
| 3.5 仿真研究 |
| 3.6 本章小结 |
| 第4章 带扰动的非线性系统的快速迭代学习控制 |
| 4.1 引言 |
| 4.2 问题的描述 |
| 4.3 主要结果 |
| 4.4 收敛性证明 |
| 4.5 仿真研究 |
| 4.6 本章小结 |
| 第5章 具有可变遗忘因子的迭代学习算法及在机械臂中的应用 |
| 5.1 引言 |
| 5.2 新算法的提出 |
| 5.3 主要结果 |
| 5.4 可变遗忘因子的设计 |
| 5.5 系统模型转换 |
| 5.6 仿真研究 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
| 作者简介 |
（7）迭代学习控制及其在故障诊断中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 迭代学习控制的研究现状 |
| 1.2.1 学习律 |
| 1.2.2 算法的稳定性和收敛性 |
| 1.2.3 算法的鲁棒性 |
| 1.2.4 学习算法的收敛速度 |
| 1.2.5 初值问题 |
| 1.2.6 分析方法 |
| 1.3 迭代学习控制的应用 |
| 1.4 故障诊断研究内容和方法分类 |
| 1.4.1 基于解析模型的方法 |
| 1.4.2 基于信号处理的方法 |
| 1.4.3 基于知识的方法 |
| 1.5 论文研究的主要内容 |
| 第2章 迭代学习控制的初值问题 |
| 2.1 迭代学习控制的基本原理 |
| 2.2 具有固定初态偏差的 D 型迭代学习控制 |
| 2.2.1 问题描述 |
| 2.2.2 收敛性分析 |
| 2.2.3 仿真研究 |
| 2.3 具有固定初态偏差的 PD 型迭代学习控制 |
| 2.3.1 问题描述 |
| 2.3.2 收敛性分析 |
| 2.3.3 仿真研究 |
| 2.4 带有初态学习的 D 型迭代学习控制 |
| 2.4.1 问题描述 |
| 2.4.2 收敛性分析 |
| 2.4.3 仿真研究 |
| 2.5 初态学习下控制时滞非线性系统的迭代学习控制 |
| 2.5.1 问题描述 |
| 2.5.2 收敛性分析 |
| 2.5.3 仿真研究 |
| 2.6 初态学习下状态时滞非线性系统的迭代学习控制 |
| 2.6.1 问题描述 |
| 2.6.2 收敛性分析 |
| 2.6.3 仿真研究 |
| 2.7 本章小结 |
| 第3章 新型快速迭代学习控制 |
| 3.1 带有初态学习的指数变增益迭代学习控制 |
| 3.1.1 问题描述 |
| 3.1.2 收敛性分析 |
| 3.1.3 仿真研究 |
| 3.2 具有反馈信息的比例差分型迭代学习控制 |
| 3.2.1 问题描述 |
| 3.2.2 收敛性分析 |
| 3.2.3 仿真研究 |
| 3.3 比例差分型学习律在 LEBESGUE-P 范数意义下的收敛性 |
| 3.3.1 问题描述 |
| 3.3.2 收敛性分析 |
| 3.3.3 仿真研究 |
| 3.4 带有角度修正的非线性离散系统迭代学习控制 |
| 3.4.1 问题描述 |
| 3.4.2 收敛性分析 |
| 3.4.3 仿真研究 |
| 3.5 本章小结 |
| 第4章 基于迭代学习的连续系统故障诊断 |
| 4.1 基于比例差分型迭代学习的连续线性系统故障诊断 |
| 4.1.1 故障诊断算法 |
| 4.1.1.1 新算法的提出 |
| 4.1.1.2 算法的收敛性分析 |
| 4.1.1.3 虚拟故障分析 |
| 4.1.2 仿真研究 |
| 4.2 基于比例差分型迭代学习的连续非线性系统故障诊断 |
| 4.2.1 故障诊断算法 |
| 4.2.1.1 新算法的提出 |
| 4.2.1.2 算法的收敛性分析 |
| 4.2.1.3 虚拟故障分析 |
| 4.2.2 仿真研究 |
| 4.3 基于比例差分型迭代学习的连续不确定线性系统故障诊断 |
| 4.3.1 故障诊断算法研究 |
| 4.3.1.1 新算法的提出 |
| 4.3.1.2 故障检测阈值分析 |
| 4.3.1.3 算法的收敛性分析 |
| 4.3.1.4 故障跟踪特性分析 |
| 4.3.2 仿真研究 |
| 4.4 基于比例差分型迭代学习的连续不确定非线性系统故障诊断 |
| 4.4.1 故障诊断算法研究 |
| 4.4.1.1 新算法的提出 |
| 4.4.1.2 故障检测阈值分析 |
| 4.4.1.3 算法的收敛性分析 |
| 4.4.1.4 故障跟踪特性分析 |
| 4.4.2 仿真研究 |
| 4.5 本章小结 |
| 第5章 基于迭代学习的离散系统故障诊断 |
| 5.1 基于迭代学习的线性离散时变系统故障诊断 |
| 5.1.1 故障诊断方法研究 |
| 5.1.1.1 新算法的提出 |
| 5.1.1.2 算法的收敛性分析 |
| 5.1.1.3 虚拟故障分析 |
| 5.1.2 仿真研究 |
| 5.2 基于迭代学习的非线性离散时变系统故障诊断 |
| 5.2.1 故障诊断方法研究 |
| 5.2.1.1 新算法的提出 |
| 5.2.1.2 算法的收敛性分析 |
| 5.2.1.3 虚拟故障分析 |
| 5.2.2 仿真研究 |
| 5.3 基于迭代学习的不确定线性离散时变系统故障诊断 |
| 5.3.1 故障诊断方法研究 |
| 5.3.1.1 新算法的提出 |
| 5.3.1.2 故障检测阈值分析 |
| 5.3.1.3 算法的收敛性分析 |
| 5.3.1.4 故障跟踪特性分析 |
| 5.3.2 仿真研究 |
| 5.4 基于迭代学习的不确定非线性离散时变系统故障诊断 |
| 5.4.1 故障诊断方法研究 |
| 5.4.1.1 新算法的提出 |
| 5.4.1.2 故障检测阈值分析 |
| 5.4.1.3 算法的收敛性分析 |
| 5.4.1.4 故障跟踪特性分析 |
| 5.4.2 仿真研究 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（8）基于高阶内模的迭代学习控制及应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 迭代学习控制的总体回顾 |
| 1.1.1 什么是迭代学习控制 |
| 1.1.2 迭代学习控制的发展沿革和现状 |
| 1.1.3 迭代学习控制理论研究中的若干重要问题 |
| 1.1.4 迭代学习控制与其他自动控制方法的关系 |
| 1.2 研究动机:ILC研究中的非严格重复问题 |
| 1.2.1 参考轨迹的非严格重复性 |
| 1.2.2 系统不确定参数的非严格重复性 |
| 1.2.3 迭代初态的非严格重复性 |
| 1.2.4 迭代系统中的其他非严格重复因素 |
| 1.3 内模原理 |
| 1.4 论文主要工作和组织结构 |
| 1.4.1 论文主要工作 |
| 1.4.2 论文结构安排 |
| 2 连续时间非参数系统的高阶内模ILC |
| 2.1 引言 |
| 2.2 系统描述和基本假设 |
| 2.3 非严格重复性:参考轨迹的高阶内模 |
| 2.4 基于高阶内模的迭代学习控制 |
| 2.4.1 控制算法设计 |
| 2.4.2 收敛性能分析 |
| 2.5 仿真研究 |
| 2.6 本章小结 |
| 3 连续时间参数系统的高阶内模自适应ILC:一般设计 |
| 3.1 引言 |
| 3.2 问题描述和基本假设 |
| 3.3 非严格重复性:连续时变不确定参数的高阶内模 |
| 3.4 问题初探:两种基于二阶内模的自适应ILC算法的比较 |
| 3.4.1 阶的自适应ILC |
| 3.4.2 平行自适应ILC |
| 3.4.3 数值仿真 |
| 3.5 连续单时变参数系统的平行自适应ILC |
| 3.5.1 平行格式的高阶内模自适应ILC算法设计 |
| 3.5.2 迭代初态重置条件下的收敛性分析 |
| 3.5.3 迭代初末态alignment条件下的收敛性分析 |
| 3.6 连续多时变参数系统的混合平行自适应ILC |
| 3.6.1 问题描述 |
| 3.6.2 非严格重复性:多时变不确定参数和未知时变输入增益的混合高阶内模 |
| 3.6.3 混合平行格式的高阶内模自适应ILC算法设计 |
| 3.6.4 收敛性分析 |
| 3.7 仿真研究 |
| 3.8 本章小结 |
| 4 连续时间参数系统的高阶内模自适应ILC:鲁棒设计 |
| 4.1 引言 |
| 4.2 问题描述和基本假设 |
| 4.3 非严格重复性:任意的有界输入输出扰动和任意的有界迭代初态 |
| 4.3.1 非严格重复的有界输入输出扰动 |
| 4.3.2 非严格重复的有界迭代初态 |
| 4.4 连续单时变参数系统的平行自适应ILC:鲁棒设计 |
| 4.4.1 平行自适应ILC算法的鲁棒设计 |
| 4.4.2 主要结论 |
| 4.5 仿真研究 |
| 4.6 本章小结 |
| 5 离散时间参数系统的高阶内模自适应ILC |
| 5.1 引言 |
| 5.2 问题描述和基本假设 |
| 5.3 离散时间系统中的非严格重复性 |
| 5.3.1 任意的有界参考轨迹 |
| 5.3.2 任意的有界迭代初态 |
| 5.3.3 离散时变不确定参数的高阶内模 |
| 5.4 基于最小二乘法的平行自适应ILC |
| 5.4.1 控制器设计 |
| 5.4.2 收敛性分析 |
| 5.5 基于投影算法的平行自适应ILC |
| 5.5.1 控制器设计 |
| 5.5.2 收敛性分析 |
| 5.6 仿真研究 |
| 5.7 本章小结 |
| 6 空间自适应ILC在列车运行曲线跟踪控制中的应用 |
| 6.1 引言 |
| 6.2 列车运行的动力学模型 |
| 6.3 空间自适应ILC在列车运行速度曲线跟踪控制中的应用 |
| 6.3.1 问题描述 |
| 6.3.2 空间自适应ILC设计 |
| 6.3.3 收敛性分析 |
| 6.4 基于高阶内模的空间自适应ILC在列车运行时间曲线跟踪控制中的应用 |
| 6.4.1 问题描述 |
| 6.4.2 基于高阶内模的空间自适应ILC |
| 6.4.3 主要结论 |
| 6.5 数值仿真研究 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 有待于进一步研究的问题 |
| 参考文献 |
| 作者简历 |
| 教育经历 |
| 论文及科研 |
| 学位论文数据集 |
（9）开放型嵌入式旋转机械自动平衡控制系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源及研究目的与意义 |
| 1.2 国内外相关研究和应用综述 |
| 1.2.1 故障自愈的研究 |
| 1.2.2 转子自动平衡的研究 |
| 1.2.2.1 平衡头设计 |
| 1.2.2.2 平衡算法 |
| 1.2.2.3 振动信号处理 |
| 1.2.3 PC/104嵌入式系统 |
| 1.2.3.1 PC/104协议历史 |
| 1.2.3.2 PC/104总线特点 |
| 1.2.4 非线性系统的控制 |
| 1.2.5 自适应滤波器及算法 |
| 1.2.6 机械故障诊断推理 |
| 1.2.6.1 知识的粗糙集约简 |
| 1.2.6.2 知识的规则化处理 |
| 1.3 研究内容和研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 研究目标和研究意义 |
| 1.4.1 研究目标 |
| 1.4.2 研究意义 |
| 1.5 本章小结 |
| 第二章 开放型嵌入式转子自动平衡控制系统 |
| 2.1 平衡执行器 |
| 2.2 平衡控制系统 |
| 2.2.1 封闭式平衡控制系统 |
| 2.2.2 开放式平衡控制系统 |
| 2.2.3 嵌入式平衡控制器 |
| 2.3 PC/104开放型嵌入式自动平衡控制器 |
| 2.3.1 PC/104体系结构 |
| 2.3.1.1 PC/104产生的背景 |
| 2.3.1.2 PC/104标准的特点 |
| 2.3.2 PC/104开放型嵌入式自动平衡控制系统 |
| 2.3.2.1 硬件结构 |
| 2.3.2.2 软件结构 |
| 2.4 本章小结 |
| 第三章 自动平衡控制算法:迭代学习控制 |
| 3.1 迭代学习控制技术及发展概况 |
| 3.1.1 迭代学习控制技术发展概况 |
| 3.1.2 迭代学习控制的研究内容 |
| 3.2 迭代学习控制 |
| 3.2.1 迭代学习控制基本描述 |
| 3.2.2 开、闭环迭代学习控制算法 |
| 3.3 迭代学习律及其收敛性 |
| 3.3.1 P型学习律 |
| 3.3.2 非线性时滞系统学习律 |
| 3.4 迭代学习鲁棒性 |
| 3.4.1 鲁棒收敛性 |
| 3.4.2 P型学习律控制鲁棒性 |
| 3.5 学习速度 |
| 3.6 P型学习律初值问题 |
| 3.7 基于向量分析的迭代学习控制 |
| 3.7.1 向量图分析及其算法结构 |
| 3.7.2 新算法的收敛性证明及鲁棒性分析 |
| 3.8 本章小结 |
| 第四章 转子建模与自动平衡控制仿真 |
| 4.1 转子自动平衡控制系统框图 |
| 4.2 转子自动平衡系统之一阶纯滞后模型(FOPTD模型) |
| 4.2.1 Cohen-Coon法整定标准增量PI控制算法 |
| 4.2.2 迭代学习自动平衡控制算法 |
| 4.2.3 振动平衡控制算法数值仿真对比(FOPTD模型) |
| 4.2.3.1 工作设定点迁移 |
| 4.2.3.2 典型干扰 |
| 4.2.4 FOPTD模型控制仿真小结 |
| 4.3 超重力机转子模型 |
| 4.3.1 超重力机 |
| 4.3.2 超重力机转子模型的建立 |
| 4.3.2.1 数学模型的建立 |
| 4.3.2.2 模型参数设置 |
| 4.3.2.3 超重力机转子自动平衡控制仿真 |
| 4.3.2.4 超重力机模型仿真小结 |
| 4.3.3 超重力机实验台实时控制测试 |
| 4.3.3.1 刚性转子单平面动平衡算法 |
| 4.3.3.2 超重力机实验台影响系数的测量 |
| 4.3.3.3 超重力机实验台闭环控制实验 |
| 第五章 可自由旋转的双盘电磁型转子自动平衡系统 |
| 5.1 双盘电磁型自动平衡系统 |
| 5.1.1 动环结构 |
| 5.1.2 平衡盘的平衡原理 |
| 5.2 平衡盘的定位与转动 |
| 5.2.1 平衡盘定位 |
| 5.2.2 平衡盘转动方式 |
| 5.2.3 平衡盘移动仿真 |
| 5.3 本章小结 |
| 第六章 自动平衡中振动信号的时域自适应处理 |
| 6.1 自适应滤波的基本概念 |
| 6.2 LMS算法 |
| 6.3 基于几何分析的自适应滤波算法 |
| 6.3.1 LMS算法向量分析 |
| 6.3.2 向量LMS算法中参数设置研究 |
| 6.3.2.1 迭代步长μ |
| 6.3.2.2 滑动因子α与β |
| 6.3.3 LMS算法性能对比研究 |
| 6.3.3.1 噪声测试 |
| 6.3.3.2 信号突变测试 |
| 6.3.4 实际信号处理 |
| 6.5 振动信号预处理 |
| 6.5.1 消除多项式趋势项 |
| 6.6 本章小结 |
| 第七章 用于转子自动平衡的故障自动诊断系统 |
| 7.1 基于蚁群算法的转子故障快速聚类 |
| 7.1.1 蚁群算法的仿生原理 |
| 7.1.2 基本蚁群算法 |
| 7.1.3 利用蚁群算法快速聚类转子故障 |
| 7.1.3.1 "饵料"诱导 |
| 7.1.3.2 重要度因子与难易度因子 |
| 7.1.3.3 带评估和诱导因子的蚁群算法 |
| 7.1.4 基于蚁群算法的涡轮机械故障聚类实验 |
| 7.2 面向嵌入式应用的自动推理模型 |
| 7.2.1 知识的粗糙集约简 |
| 7.2.2 规则化处理 |
| 7.2.2.1 自动推理部分 |
| 7.2.2.2 不可自动推理部分 |
| 7.2.2.3 模糊化处理 |
| 7.2.3 旋转设备自动故障诊断系统 |
| 7.3 本章小结 |
| 第八章 结论与展望 |
| 8.1 论文的创新与研究成果 |
| 8.2 未来研究的发展方向 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者简介 |
| 导师简介 |
| 北京化工大学 博士研究生学位论文答辩委员会决议书 |
（10）优化迭代学习控制算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 迭代学习控制的基本原理 |
| 1.3 迭代学习控制的数学描述 |
| 1.4 迭代学习控制的研究内容及研究现状 |
| 1.5 迭代学习控制算法的研究现状 |
| 1.5.1 PID 型迭代学习控制算法 |
| 1.5.2 反馈-前馈迭代学习控制算法 |
| 1.5.3 基于模型的迭代学习控制算法 |
| 1.5.4 自适应迭代学习控制算法 |
| 1.5.5 优化迭代学习控制算法 |
| 1.6 本文的研究内容 |
| 1.7 本文的章节安排 |
| 第2章 优化迭代学习控制算法 |
| 2.1 优化迭代学习控制算法的发展历程 |
| 2.1.1 梯度法在迭代学习控制算法中的应用 |
| 2.1.2 控制量有柔性约束的迭代学习控制算法 |
| 2.1.3 最速下降法在连续迭代学习控制系统中的应用 |
| 2.1.4 Newton-Raphson 法在迭代学习控制中的应用 |
| 2.1.5 有约束的优化与迭代学习控制的结合 |
| 2.2 范数优化迭代学习控制（NOILC） |
| 2.2.1 范数优化迭代学习控制算法的提出 |
| 2.2.2 范数优化迭代学习控制算法的收敛性分析 |
| 2.2.3 连续时间系统的因果实现 |
| 2.2.4 离散时间系统的因果实现 |
| 2.3 参数优化迭代学习控制算法（POILC） |
| 2.3.1 参数优化迭代学习控制算法的提出 |
| 2.3.2 反馈型参数优化迭代学习控制算法 |
| 2.3.3 预测参数优化迭代学习控制算法 |
| 2.4 小结 |
| 第3章 PID 型快速参数优化迭代学习控制算法 |
| 3.1 引言 |
| 3.2 PID 型快速参数优化迭代学习控制算法 |
| 3.2.1 PID 型快速POILC 算法的描述 |
| 3.2.2 PID 型快速POILC 算法的实现 |
| 3.3 PID 型快速POILC 算法的收敛性分析 |
| 3.4 PID 型快速POILC 算法的性能分析 |
| 3.5 PID 型快速POILC 算法仿真实例 |
| 3.5.1 算法收敛速度对比仿真分析 |
| 3.5.2 算法收敛性仿真分析 |
| 3.5.3 算法参数仿真分析 |
| 3.6 小结 |
| 第4章 基于基函数项的PID 型快速POILC 算法 |
| 4.1 引言 |
| 4.2 基于基函数项的PID 型快速POILC 算法 |
| 4.2.1 基于基函数项的PID 型快速POILC 算法的描述 |
| 4.2.2 基于基函数项的PID 型快速POILC 算法的实现 |
| 4.3 基于基函数项的PID 型快速POILC 算法的收敛性分析 |
| 4.4 基于基函数项的PID 型快速POILC 算法仿真分析 |
| 4.4.1 算法收敛速度对比仿真分析 |
| 4.4.2 算法收敛性仿真分析 |
| 4.5 小结 |
| 第5章 基于克隆选择算法的优化迭代学习控制 |
| 5.1 引言 |
| 5.2 克隆选择算法概述 |
| 5.2.1 克隆选择原理 |
| 5.2.2 克隆选择的基本特点 |
| 5.2.3 克隆选择在优化中的应用 |
| 5.3 基于克隆选择算法的优化迭代学习控制(CSA-ILC) |
| 5.3.1 CSA-ILC 结构 |
| 5.3.2 用于迭代学习控制的改进型克隆选择算法 |
| 5.4 仿真分析 |
| 5.4.1 输入有约束的线性非最小相位系统仿真分析 |
| 5.4.2 饱和非线性工业控制系统仿真实例 |
| 5.5 小结 |
| 第6章 具有模型自修正机制的优化迭代学习控制 |
| 6.1 引言 |
| 6.2 算法中的ILC 问题描述 |
| 6.3 具有模型自修正机制的优化迭代学习控制 |
| 6.3.1 具有模型自修正机制的 ILC 算法结构 |
| 6.3.2 用于迭代学习控制的改进型克隆选择算法 |
| 6.4 仿真分析 |
| 6.4.1 输入有约束的线性非最小相系统仿真分析 |
| 6.4.2 饱和非线性工业控制系统仿真实例 |
| 6.5 小结 |
| 第7章 迭代学习控制算法在振动主动控制中的应用 |
| 7.1 引言 |
| 7.2 振动主动控制系统概述 |
| 7.2.1 振动控制的基本概念 |
| 7.2.2 振动主动控制的发展历史及研究现状 |
| 7.2.3 振动主动控制系统结构 |
| 7.2.4 振动主动控制的主要方法 |
| 7.2.5 振动主动控制的优点 |
| 7.3 “质量弹簧阻尼”系统（Mass Spring Damper System, MSD） |
| 7.3.1 单自由度“质量弹簧阻尼”系统 |
| 7.3.2 多自由度“质量弹簧阻尼”系统 |
| 7.4 主动控制中ILC 问题的数学描述 |
| 7.5 仿真分析 |
| 7.5.1 不同类ILC 算法仿真分析 |
| 7.5.2 POILC 算法收敛速度对比仿真分析 |
| 7.6 小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
四、自适应迭代学习控制新算法及其在工业过程控制中的应用（论文参考文献）
- [1]自适应迭代学习控制新算法及其在工业过程控制中的应用[D]. 杨小军. 西安电子科技大学, 2002(02)
- [2]基于强化学习的前馈控制器[D]. 马一鸣. 华北电力大学(北京), 2021(01)
- [3]基于迭代学习算法的机械臂轨迹跟踪控制研究[D]. 李素芳. 东华大学, 2020(01)
- [4]计算智能GWO算法优化及其在运动控制中的应用[D]. 张小青. 西安电子科技大学, 2020(05)
- [5]机器人若干控制问题分析与设计[D]. 杨振. 东南大学, 2018(03)
- [6]迭代学习控制算法研究及在机械臂中的应用[D]. 王娜. 燕山大学, 2013(02)
- [7]迭代学习控制及其在故障诊断中的应用研究[D]. 曹伟. 哈尔滨工程大学, 2013(04)
- [8]基于高阶内模的迭代学习控制及应用[D]. 殷辰堃. 北京交通大学, 2011(09)
- [9]开放型嵌入式旋转机械自动平衡控制系统的研究[D]. 曹晰. 北京化工大学, 2009(04)
- [10]优化迭代学习控制算法及其应用研究[D]. 李恒杰. 兰州理工大学, 2009(01)