[发明专利]基于知识增强和重复学习的高效率自适应控制方法

说明书

技术领域

本发明涉及自适应控制领域，具体涉及一种基于知识增强和重复学习的高效率自适应控 制方法。

背景技术

迭代学习控制(ILC)(Arimoto等人，1984)最初是从机器人领域提出的，因为工业机 构通常用于执行重复性任务。在这种情况下，ILC方法可以根据先前操作的误差信息来改进 控制性能，已经在广泛的实际应用中进行了探讨，例如在精确运动系统(Tan等人，2001)、 工业批量过程(Lee和Lee，2007)、高速交通控制(Hou等人，2007；Sun等人，2013)、列 车轨迹跟踪(Hou等人，2011)和不确定的机器人系统(Tayebi，2004；Choi和Lee，2000) 中均实现了较好的控制。

最初提出的ILC方法利用一类PID型算法(Arimoto等人，1984；Tan等人，2001；Lee 和Lee，2007；Hou等人，2007；Sun等人，2013；Hou等人)。PID-ILC方法可以直接应用于 非线性不确定系统，因为它们需要很少的过程知识。在这个意义上，PID-ILC方法可以被称 为“数据驱动控制”方法(Hou和Wang，2013)，由于难以在大规模和复杂的工业过程中获得 精确的数学模型，这种方法已变得越来越具有吸引力(Hou和Wang，2013；Hou和Jin，2013； Yin等，2014；Xu等，2014)。

然而，典型的PID-ILC沿着迭代轴方向的系统瞬态性能通常较差，原因在于它没有完全 使用可测量的状态和已知的过程信息。迄今为止所提出的ILC方案均要求在系统状态和相同 的期望轨迹上具有相同的初始条件。否则，沿着迭代轴方向只实现有界收敛。

因此，如何利用已知的过程知识来提高系统的控制性能是当前的研究热点。最近，一些 自适应ILC(AILC)方案(Tayebi，2004；Choi和Lee，2000；French and Rogers，2000；Xu 和Wiswanathan，2000；Qu和Xu，2002；Xu和Xu，2004；Rotariu，Wang和Chien，2013； Yin等，2010)已经在ILC领域提出。针对控制对象是重复的线性时不变(LTI)参数化系 统，French和Rogers(2000)首先将传统的参数适应规律引入到学习任务中，其中参数更新 规律与连续时间自适应控制相同。唯一的区别是它通过使当前迭代的初始参数估计等于先前 迭代的终端参数估计来在固定时间间隔上链接两个连续重复操作。

针对线性时变参数系统，有学者提出了基于复合能量函数(CEF)的自适应ILC方法(Xu 和Wiswanathan，2000；Qu和Xu，2002；Xu和Xu，2004；Rotariu et al，2008；Wang and Chien，2013；Yin et al 2010)。因为未知的时变参数在可重复的控制环境下沿着迭代轴方 向是不变的，因此时变参数沿着迭代轴(批到批)方向而不是时间轴方向更新。此外，当参 数子集被称为时不变而其余是时变时，针对这种情况有学者也提出了具有混合参数更新定律 的新的自适应ILC方法(Xu和Xu，2004)。混合参数更新法则分别包含用于时不变和时变参 数的两个参数估计器。

注意，上述自适应ILC方法利用过程的已知知识，例如测量的系统状态、已知的系统结 构、以及参数的已知的时变和/或时不变性质。它们能够确保沿着重复轴的跟踪误差的渐近收 敛为零。同时，上述自适应ILC可以通过将目标轨迹的已知信息包括到控制律中来处理迭代 变化的目标轨迹。因此，可以通过使用可用的过程知识来实现更期望的性能。然而，上述自 适应ILC的开放性问题在于，为了保证收敛，需要所有迭代的初始系统状态相同。

与上述用于连续时间系统的自适应ILC方法相比，离散时间自适应ILC(DAILC)方法(Chi 等人，2008)已经开始获得关注。几种DAILC方法(Chi等人，2008；Chi等人，2007；Li 等人，2010；Chi等人，2013)已经被提出用于时变参数系统。通过使用可测量的系统状态， 已知模型结构和精确已知的参考轨迹，离散时间AILC方法渐近地实现理想的跟踪性能，而不 需要在目标轨迹或相同的初始状态迭代上通过迭代的相同条件。然而，现有的离散时间AILC 方法将所有未知的参数不确定性视为时变，即使参数不确定性是时不变的或者可以被精确地 分离为时不变参数和时变参数，现有的离散时间AILC也将其视为时变参数，因此并未充分利 用系统参数已知的有效信息(如全部时变，全部时不变，或部分时变部分时不变)，不能达到 最好的控制效果。

发明内容