[发明专利]基于卡尔曼滤波的远程迭代学习控制系统传输噪声抑制方法

说明书

技术领域

本发明涉及一种基于卡尔曼滤波的远程迭代学习控制系统传输噪声抑制方法，可用于保障加性信道噪声下的远程迭代学习控制系统对预期轨迹的高精度跟踪。

背景技术

远程控制系统是控制领域的一类重要控制系统，随着“物联网”概念的深入，该类系统正越来越受到人们的关注。此类系统实质上是一类通过远程无线通信信道进行的反馈控制环路。相比一般的有线控制系统主要特点在于控制系统内部信号的传输是通过各类无线信号传输技术在无线信道中所进行的。该类控制系统的架构可以用说明书附图中的图1表示。

目前工业上被广泛应用的远程控制器主要是PID控制器。该类控制器的设计基于控制系统数学模型，运用严格的控制系统理论，可以做到使控制系统在保证一定收敛速度的要求下实现轨迹跟踪。该类控制器的优点在于可以简单的实现一般控制系统对轨迹跟踪精度的要求，且拥有良好的鲁棒性，可以抵御系统内部噪声以及其他不可避免的干扰。但是，在一类需要高精度跟踪的控制系统中，该类控制器并不能达到预期的效果。限制该类系统跟踪精度的本质原因在于该类控制器的设计总是基于对控制系统模型的准确建立的基础上的，而在现实中，模型的建立总是一种近似。因此，针对一类具有强非线性耦合特性导致难以精确建模并同时需要高精度、高速度轨迹跟踪的控制系统，经典的控制器已经无能为力。

正是在这样的背景下，人们在研究高速运动的工业机械手的控制问题时，提出了这样一个思想：不断重复一个同样轨线的控制尝试，并以此修正控制率，可能可以得到非常好的控制效果。Arimoto等人于1984年正式提出迭代学习控制(ILC)方法，将上述思想加以完善，建立了实用的算法，并从理论上证明了这种算法的可行性，开创了一个新的研究方向。该类迭代学习控制技术的适用对象是诸如工业机器人那样的具有重复运动性质的被控系统，它的目标是实现有限时间区间上的完全跟踪任务。迭代学习控制采用“在重复中学习”的学习策略，具有记忆和修正机制。它通过对被控系统进行控制尝试，以输出轨迹与给定轨迹的偏差修正不理想的控制信号，产生新的控制信号，使得系统的跟踪性能得以提高。迭代学习控制技术具有“智能学习”的特性使得它能够被运用于建模不够精确、先验知识不足的具有重复运动特性的控制系统中，并取得高精度的跟踪效果。

因此，将迭代学习控制技术应用于远程控制系统中而产生的远程迭代学习控制系统会具有如下两大明显的优势：

1．该类控制系统的控制器与执行器是分离的，其控制回路是通过实时通信信道传输的传感器与控制器之间、控制器与执行器之间的信号进行连接的。因此该类系统具有执行器重量轻、成本低、动力需求少、易于维护等诸多优点。这对于空间轨道跟踪系统具有重大的实用价值。

2．该类控制系统的控制器运用了迭代学习控制技术，该类控制技术控制方式简单，需要的先验知识较少，即便是针对不确定程度较高的动态系统，也能使快速重复运动的被控对象实现给定期望轨迹的完全跟踪。

因此，远程迭代学习控制系统作为一类很有应用前景的系统，正受到国内外越来越多学者的关注。但是，当信号传输媒介由有线变为无线时，也会带来有线控制系统中所没有的新问题，尤其是无线信道中的信道噪声，会对控制系统的性能产生很大的影响。

为了阐释无线信道噪声影响远程迭代学习控制系统的原理，考虑一类离散线性时不变控制系统，其执行器模型可以由(1)表示：

                (1)

其中代表某一次迭代过程的时间阶，是执行器的状态向量，是输入控制向量，是该类执行器的输出向量,下标代表迭代次数。A,B,C 是通过先验知识所估计的执行器系统矩阵，并不准确。我们的控制目标是寻求合适的控制输入向量，使该控制系统的执行器的输出能准确跟踪预期轨迹。 

经典迭代学习控制器的数学模型用式(2)表示

                 (2)

其中，表示第次迭代第时刻的执行器输出与预期轨迹的误差向量, 为可调增益矩阵。通过合理选取增益矩阵，已经可以证实由(1)，(2)组成的迭代学习控制系统可以对预期轨迹达到快速，高精度的跟踪。