一、自適應(yīng)迭代學(xué)習(xí)控制新算法及其在工業(yè)過(guò)程控制中的應(yīng)用（論文文獻(xiàn)綜述）
楊小軍[1]（2002）在《自適應(yīng)迭代學(xué)習(xí)控制新算法及其在工業(yè)過(guò)程控制中的應(yīng)用》文中研究表明迭代學(xué)習(xí)控制理論是智能控制的一個(gè)重要分支，傳統(tǒng)迭代學(xué)習(xí)的基本方法是，基于上次迭代時(shí)的輸入信息和輸出誤差的PID校正項(xiàng)，獲得本次迭代的控制輸入，經(jīng)過(guò)若干次迭代，以期達(dá)到在給定的時(shí)間區(qū)間上實(shí)現(xiàn)被控對(duì)象以較高精度跟蹤一給定目標(biāo)軌線。但當(dāng)被控對(duì)象含有不確定的參數(shù)或迭代學(xué)習(xí)控制律的增益系數(shù)時(shí)變時(shí)，現(xiàn)有的方法存在很大缺陷，如要求非線性項(xiàng)滿足Lipschitz連續(xù)性，控制律的收斂性分析依賴于實(shí)際上是未知的理想輸入，初值重置問(wèn)題等。由于自適應(yīng)控制在非線性不確定系統(tǒng)中的成功應(yīng)用，如何充分利用系統(tǒng)的先驗(yàn)信息，用自適應(yīng)控制設(shè)計(jì)迭代學(xué)習(xí)控制，這是一個(gè)值得研究的新課題。本文利用自適應(yīng)理論設(shè)計(jì)迭代學(xué)習(xí)控制，基于Lyapunov穩(wěn)定性理論，結(jié)合本質(zhì)非線性系統(tǒng)的Backstepping設(shè)計(jì)方法，提出了兩類本質(zhì)非線性系統(tǒng)的迭代學(xué)習(xí)控制新算法，這些算法克服了傳統(tǒng)迭代學(xué)習(xí)控制的許多缺陷，放松了傳統(tǒng)算法的一些限制性假設(shè)。并且針對(duì)非線性工業(yè)過(guò)程穩(wěn)態(tài)優(yōu)化中的設(shè)定值多次變動(dòng)，目標(biāo)軌線多次變動(dòng)的問(wèn)題，提出了一種新的自適應(yīng)迭代學(xué)習(xí)算法，以改善系統(tǒng)過(guò)渡過(guò)程的動(dòng)態(tài)品質(zhì)。本文的主要工作包括以下幾個(gè)方面：第一，對(duì)一類未知非線性高階系統(tǒng)，將神經(jīng)網(wǎng)絡(luò)引入迭代學(xué)習(xí)控制，迭代學(xué)習(xí)控制與自適應(yīng)控制相結(jié)合，實(shí)現(xiàn)了任意精度的跟蹤。實(shí)例仿真分析說(shuō)明了該算法相對(duì)傳統(tǒng)算法的有效性及其所具有的優(yōu)點(diǎn)。第二，對(duì)一類不確定非線性系統(tǒng)，提出一種自適應(yīng)魯棒迭代學(xué)習(xí)控制方案。將迭代學(xué)習(xí)控制，變結(jié)構(gòu)滑?？刂?，神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制以互補(bǔ)的方式相結(jié)合，使得跟蹤誤差漸近收斂于零。第三，對(duì)非線性工業(yè)控制系統(tǒng)的穩(wěn)態(tài)優(yōu)化問(wèn)題，用自適應(yīng)迭代學(xué)習(xí)控制對(duì)其動(dòng)態(tài)施行控制，不需要狀態(tài)重置，系統(tǒng)是連續(xù)運(yùn)行的，并且有效克服了ILC應(yīng)用到穩(wěn)態(tài)優(yōu)化控制中目標(biāo)軌線選取的困難。并且推廣到一類非線性系統(tǒng)的跟蹤控制，實(shí)現(xiàn)了對(duì)一列期望軌跡的精確跟蹤。第四，對(duì)每種迭代學(xué)習(xí)算法及其應(yīng)用都做了仿真研究，驗(yàn)證了算法的可行性和有效性。
馬一鳴[2]（2021）在《基于強(qiáng)化學(xué)習(xí)的前饋控制器》文中研究說(shuō)明當(dāng)前的工業(yè)過(guò)程控制系統(tǒng)中,線性控制器仍占絕大部分。然而真實(shí)的工業(yè)系統(tǒng)都是非線性的,工況切換,設(shè)備老化等等實(shí)際工業(yè)問(wèn)題都對(duì)傳統(tǒng)控制器帶來(lái)挑戰(zhàn)。研究更加智能的,具有自學(xué)習(xí)能力的控制算法具有重要意義。隨著機(jī)器學(xué)習(xí)算法的不斷發(fā)展,以深度學(xué)習(xí)、機(jī)器學(xué)習(xí)為基礎(chǔ)的強(qiáng)化學(xué)習(xí)算法使得非線性系統(tǒng)自適應(yīng)控制出現(xiàn)了新的研究方向。強(qiáng)化學(xué)習(xí)是具有自我決策能力的控制算法,通過(guò)探索與試錯(cuò)擁有類似人類的學(xué)習(xí)能力,通過(guò)學(xué)習(xí)不斷改善自身策略,具有優(yōu)秀的環(huán)境自適應(yīng)能力。好比工廠培訓(xùn)新工人一樣,強(qiáng)化學(xué)習(xí)算法在具有優(yōu)秀控制能力之前,需要一個(gè)長(zhǎng)時(shí)間的復(fù)雜的訓(xùn)練過(guò)程,雖然擁有自適應(yīng)的能力,但學(xué)習(xí)過(guò)渡的過(guò)程中存在為控制系統(tǒng)帶來(lái)負(fù)面影響的可能。同時(shí),當(dāng)被控對(duì)象具有時(shí)變特性的時(shí)候,純強(qiáng)化學(xué)習(xí)算法的學(xué)習(xí)過(guò)渡過(guò)程會(huì)為算法帶來(lái)魯棒性問(wèn)題。針對(duì)強(qiáng)化學(xué)習(xí)用于過(guò)程控制時(shí)的訓(xùn)練時(shí)間較長(zhǎng),過(guò)渡性較差問(wèn)題,本文提出了基于強(qiáng)化學(xué)習(xí)的自適應(yīng)補(bǔ)償控制算法,討論了其在非線性系統(tǒng)過(guò)程控制中的應(yīng)用問(wèn)題。本文的主要工作如下:首先,針對(duì)典型非線性系統(tǒng),設(shè)計(jì)強(qiáng)化學(xué)習(xí)算法控制方案,研究不同深度強(qiáng)化學(xué)習(xí)算法在非線性系統(tǒng)優(yōu)化控制中的表現(xiàn),證明強(qiáng)化學(xué)習(xí)算法的有效性,同時(shí)引出其存在的問(wèn)題。再次,研究利用前饋結(jié)構(gòu)降低強(qiáng)化學(xué)習(xí)訓(xùn)練難度。通過(guò)前饋反饋結(jié)構(gòu),將強(qiáng)化學(xué)習(xí)作為外掛優(yōu)化器,保留原過(guò)程控制系統(tǒng)的反饋回路。從而將控制問(wèn)題簡(jiǎn)化為優(yōu)化問(wèn)題,加快強(qiáng)化學(xué)習(xí)收斂速度,通過(guò)與傳統(tǒng)的強(qiáng)化學(xué)習(xí)方法對(duì)比,設(shè)計(jì)仿真實(shí)驗(yàn)證明該方法的優(yōu)越性。同時(shí),考慮過(guò)程控制中存在的時(shí)變特性問(wèn)題,傳統(tǒng)的強(qiáng)化學(xué)習(xí)算法會(huì)存在適應(yīng)新對(duì)象的過(guò)渡問(wèn)題。針對(duì)這一問(wèn)題,本文所述方法中反饋回路的存在會(huì)提高控制系統(tǒng)的魯棒性,同樣設(shè)計(jì)仿真實(shí)驗(yàn)驗(yàn)證時(shí)變對(duì)象本方法的有效性。接著,考慮復(fù)雜的過(guò)程控制系統(tǒng)大多很難建立精確的仿真模型用于強(qiáng)化學(xué)習(xí)算法的訓(xùn)練,提出了一種基于網(wǎng)絡(luò)監(jiān)督控制的強(qiáng)化學(xué)習(xí)算法。利用網(wǎng)絡(luò)監(jiān)督控制方法,根據(jù)過(guò)程運(yùn)行歷史數(shù)據(jù)來(lái)求解基礎(chǔ)的策略網(wǎng)絡(luò),結(jié)合強(qiáng)化學(xué)習(xí)方法對(duì)策略網(wǎng)絡(luò)進(jìn)行后續(xù)的優(yōu)化,并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了該方法的有效性。最后,對(duì)全文內(nèi)容進(jìn)行總結(jié)并提出了本文所述方法仍存在的問(wèn)題及未來(lái)研究的前景。
李素芳[3]（2020）在《基于迭代學(xué)習(xí)算法的機(jī)械臂軌跡跟蹤控制研究》文中認(rèn)為近年來(lái),國(guó)內(nèi)人力資源成本不斷上升,國(guó)內(nèi)大型企業(yè)紛紛引入工業(yè)機(jī)器人代替人力做一些繁復(fù)沉重的重復(fù)性工作,但這些大型企業(yè)多采用的是國(guó)外一些知名機(jī)器人制造商生產(chǎn)的機(jī)械臂;而對(duì)于中小企業(yè)來(lái)講,引入國(guó)外廠商機(jī)械臂的購(gòu)買和維護(hù)成本太高,研發(fā)生產(chǎn)適合于我們自己使用的工業(yè)機(jī)械臂具有十分現(xiàn)實(shí)的意義。在國(guó)內(nèi),實(shí)際投入使用的機(jī)械臂中,就使用數(shù)量而言,四軸機(jī)器人排在第一位,其中平面關(guān)節(jié)型SCARA機(jī)械臂是使用非常廣泛的一類。本文選擇SCARA機(jī)械臂為本文的主要研究對(duì)象,主要對(duì)其控制器進(jìn)行研究。迭代學(xué)習(xí)控制算法是于20世紀(jì)80年代提出的一種控制算法,它本身就是以機(jī)械臂的控制為背景提出的;迭代學(xué)習(xí)控制算法在進(jìn)行控制時(shí)不需要知道被控對(duì)象的結(jié)構(gòu)和參數(shù)信息,而是經(jīng)過(guò)不斷的重復(fù)學(xué)習(xí)來(lái)習(xí)得被控對(duì)象的各種信息,它十分適用于對(duì)機(jī)械臂這種強(qiáng)耦合非線性且具有各種未知擾動(dòng)的動(dòng)力學(xué)系統(tǒng)進(jìn)行控制。針對(duì)選定的研究對(duì)象SCARA機(jī)械臂,本文基于迭代學(xué)習(xí)控制提出了軌跡跟蹤控制算法,以提高機(jī)械臂的軌跡跟蹤控制精度,本文所做的主要工作如下:（1）對(duì)SCARA機(jī)械臂進(jìn)行了運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)分析,得到了其工作空間和拉格朗日動(dòng)力學(xué)方程,并對(duì)其進(jìn)行運(yùn)動(dòng)軌跡規(guī)劃得到期望目標(biāo)軌跡。（2）對(duì)迭代學(xué)習(xí)控制算法的基本原理、適用性條件、學(xué)習(xí)律以及收斂性分析方法進(jìn)行了深入的研究與分析。（3）研究提出了變?cè)鲆娴鷮W(xué)習(xí)控制算法,使用MATLAB對(duì)提出的變?cè)鲆娴鷮W(xué)習(xí)控制算法和一般的PD型迭代學(xué)習(xí)控制算法進(jìn)行了仿真實(shí)驗(yàn),仿真實(shí)驗(yàn)對(duì)比結(jié)果證明了變?cè)鲆嫠惴ǖ挠行?、?yōu)越性;另外,還針對(duì)帶不同負(fù)載和不確定量的機(jī)械臂動(dòng)力學(xué)模型進(jìn)行了變?cè)鲆娴鷮W(xué)習(xí)算法的仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明了所提出算法的魯棒性與適應(yīng)性。（4）研究提出了自適應(yīng)迭代學(xué)習(xí)控制算法,證明了其穩(wěn)定性和收斂性,使用MATLAB對(duì)算法進(jìn)行了仿真實(shí)驗(yàn),與變?cè)鲆娴鷮W(xué)習(xí)控制的實(shí)驗(yàn)結(jié)果對(duì)比顯示自適應(yīng)控制算法的控制精度更高、控制效果更好。文中也針對(duì)帶不同負(fù)載和不確定量的機(jī)械臂動(dòng)力學(xué)模型進(jìn)行了自適應(yīng)迭代學(xué)習(xí)算法的仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明了自適應(yīng)迭代學(xué)習(xí)算法的魯棒性和自適應(yīng)性。文中仿真實(shí)驗(yàn)使用的均是SCARA機(jī)械臂的動(dòng)力學(xué)模型,期望軌跡是在SCARA機(jī)械臂的工作空間中進(jìn)行運(yùn)動(dòng)軌跡規(guī)劃得到的。
張小青[4]（2020）在《計(jì)算智能GWO算法優(yōu)化及其在運(yùn)動(dòng)控制中的應(yīng)用》文中提出工業(yè)生產(chǎn)和科學(xué)技術(shù)的發(fā)展與運(yùn)動(dòng)控制技術(shù)日益密不可分。永磁同步電動(dòng)機(jī)性能優(yōu)越,以其為被控對(duì)象的運(yùn)動(dòng)系統(tǒng)在各行各業(yè)中已占有舉足輕重的地位。機(jī)器人功能強(qiáng)大,是人工勞動(dòng)的優(yōu)秀替代,已服務(wù)于眾多行業(yè)中。無(wú)論是以單一的永磁同步電動(dòng)機(jī)還是以復(fù)雜的機(jī)器人為被控對(duì)象的運(yùn)動(dòng)控制系統(tǒng),都是一類非線性、強(qiáng)耦合多變量控制系統(tǒng),傳統(tǒng)優(yōu)化方法已很難滿足現(xiàn)代運(yùn)動(dòng)控制的高要求,而計(jì)算智能技術(shù)具備自適應(yīng)能力及魯棒性強(qiáng)的特點(diǎn),為求解復(fù)雜的非線性運(yùn)動(dòng)控制系統(tǒng)的優(yōu)化問(wèn)題提供了新的途徑。本文主要研究計(jì)算智能算法優(yōu)化及其在運(yùn)動(dòng)控制系統(tǒng)中的應(yīng)用,從算法改進(jìn)與算法應(yīng)用兩方面展開(kāi)研究。對(duì)蒼狼優(yōu)化算法及其改進(jìn)進(jìn)行研究。介紹與分析蒼狼優(yōu)化算法,證明算法具備全局收斂性。為增加搜索樣本多樣性及減小算法陷入局部最優(yōu)的概率,提出了基于淘汰重組機(jī)制與變異算子的改進(jìn)蒼狼優(yōu)化算法。引入衍生算法,得出淘汰重組機(jī)制與優(yōu)秀搜索狼變異算子在功能上互相補(bǔ)充的結(jié)論。標(biāo)準(zhǔn)蒼狼優(yōu)化算法被稱為靜態(tài)蒼狼優(yōu)化算法,以減少搜索狼更新等待為目的,提出了兩種動(dòng)態(tài)蒼狼優(yōu)化算法。在動(dòng)態(tài)蒼狼優(yōu)化算法中搜索狼的位置更新不需等待,及時(shí)更新,加快了算法的迭代收斂速度,使得算法具備了更強(qiáng)的競(jìng)爭(zhēng)力。以動(dòng)態(tài)蒼狼優(yōu)化算法的結(jié)構(gòu)為基礎(chǔ),探討其它改進(jìn)蒼狼優(yōu)化算法的性能,通過(guò)實(shí)驗(yàn)進(jìn)一步驗(yàn)證了動(dòng)態(tài)蒼狼優(yōu)化算法改進(jìn)的有效性。將蒼狼優(yōu)化算法等應(yīng)用于永磁同步電動(dòng)機(jī)的混沌控制與混沌同步控制中。針對(duì)不利的永磁同步電動(dòng)機(jī)混沌,提出了一種以哈密頓理論與蒼狼優(yōu)化算法為基礎(chǔ)的非線性擾動(dòng)補(bǔ)償與跟蹤控制相結(jié)合的混沌控制器。通過(guò)分析永磁同步電動(dòng)機(jī)嚴(yán)格耗散的廣義約化模型中的擾動(dòng)非線性項(xiàng),提出了一種帶可調(diào)增益的非線性擾動(dòng)補(bǔ)償器,證明了此補(bǔ)償器能使系統(tǒng)在平衡點(diǎn)附近漸近穩(wěn)定。以修正互聯(lián)與阻尼控制為參考,依期望平衡點(diǎn)的不同而改變相應(yīng)的哈密頓能量函數(shù),提出了一種參數(shù)待定的跟蹤控制器。然后以蒼狼優(yōu)化算法為手段對(duì)所設(shè)計(jì)的控制器中可調(diào)增益及待定參數(shù)進(jìn)行有目的的優(yōu)化,最后通過(guò)實(shí)驗(yàn)測(cè)試,系統(tǒng)的混沌得到了較好的抑制,系統(tǒng)具備了良好的跟隨性能及抗負(fù)載擾動(dòng)的能力。針對(duì)永磁同步電動(dòng)機(jī)混沌的存在對(duì)系統(tǒng)有利的場(chǎng)合,鑒于混沌同步控制具有普遍意義,以徑向基神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),結(jié)合蒼狼優(yōu)化算法及其多種變體算法,提出了RBF-GWO混沌同步控制器。用蒼狼優(yōu)化算法以同步誤差平方平均值最小為優(yōu)化目標(biāo)來(lái)優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)的中心矩陣、輸出權(quán)重及寬度矢量,使得所設(shè)計(jì)的RBF-GWO網(wǎng)絡(luò)在應(yīng)用時(shí)性能最佳。從永磁同步電動(dòng)機(jī)混沌同構(gòu)同步與混沌異構(gòu)同步兩方面驗(yàn)證了所提出的混沌同步控制器的有效性,使系統(tǒng)能更合理的利用永磁同步電動(dòng)機(jī)的混沌現(xiàn)象。對(duì)Par4并聯(lián)機(jī)器人高速拾取路徑進(jìn)行了軌跡規(guī)劃與跟蹤控制。針對(duì)Par4并聯(lián)機(jī)器人的高速拾取路徑,提出了一種基于蒼狼優(yōu)化算法以Lamé曲線為圓滑過(guò)渡曲線、以五次及六次不對(duì)稱多項(xiàng)式為運(yùn)動(dòng)規(guī)律的機(jī)械能耗最小的軌跡規(guī)劃方法。在該方法中,采取蒼狼優(yōu)化算法,以機(jī)器人機(jī)械能耗最小為目的,對(duì)軌跡進(jìn)行了優(yōu)化研究,最終找出了基于Lamé曲線機(jī)械能耗最低的軌跡,驗(yàn)證了方法的有效性。通過(guò)實(shí)驗(yàn)還得知最優(yōu)軌跡中的Lamé曲線的參數(shù)e最佳值可選為拾取跨度一半,而參數(shù)f的最佳值需依拾取坐標(biāo)及拾取高度等具體情況進(jìn)行尋優(yōu)選擇。以Par4并聯(lián)機(jī)器人優(yōu)化規(guī)劃的電機(jī)角度為期望控制輸入,設(shè)計(jì)了基于Type-2模糊預(yù)估補(bǔ)償?shù)腜ID控制器,把系統(tǒng)輸入變量的變化率與跟蹤誤差的變化率之和作為Type-2模糊預(yù)估補(bǔ)償?shù)囊粋€(gè)輸入,提高了系統(tǒng)對(duì)輸入的動(dòng)態(tài)跟隨性能,減少了驅(qū)動(dòng)電機(jī)的角度跟蹤誤差。利用動(dòng)態(tài)蒼狼優(yōu)化算法對(duì)Type-2模糊控制器進(jìn)行了離線優(yōu)化,使得系統(tǒng)性能更佳。最后通過(guò)實(shí)驗(yàn)驗(yàn)證了所提出的控制器的有效性,Par4并聯(lián)機(jī)器人的四個(gè)驅(qū)動(dòng)電機(jī)都能較好地跟蹤期望的輸入角度。
楊振[5]（2018）在《機(jī)器人若干控制問(wèn)題分析與設(shè)計(jì)》文中研究指明當(dāng)前,機(jī)器人技術(shù)已經(jīng)成為智能制造及工業(yè)自動(dòng)化的關(guān)鍵技術(shù)。其整體發(fā)展水平的高低標(biāo)志著一個(gè)國(guó)家產(chǎn)業(yè)現(xiàn)代化水平和綜合國(guó)力的強(qiáng)弱。本文以工業(yè)機(jī)器人基于關(guān)節(jié)空間的位置跟蹤控制與基于圖像的視覺(jué)伺服控制為研究?jī)?nèi)容,以自適應(yīng)控制、迭代學(xué)習(xí)控制等方法為手段,主要研究了機(jī)器人在模型不確定、存在干擾等情況下的跟蹤控制問(wèn)題及基于圖像雅克比矩陣偽逆的動(dòng)力學(xué)視覺(jué)伺服控制問(wèn)題。本文的主要工作如下:1.針對(duì)機(jī)器人在作業(yè)任務(wù)中具有重復(fù)性的特點(diǎn),對(duì)機(jī)器人存在不確定參數(shù)及外部干擾情況下的軌跡跟蹤問(wèn)題,提出了幾種具有變?cè)鲆娴淖赃m應(yīng)迭代學(xué)習(xí)控制策略,控制器包含PD反饋控制部分及用于處理系統(tǒng)參數(shù)不確定、干擾的學(xué)習(xí)控制部分。使用類Lyapunov函數(shù)證明,機(jī)器人系統(tǒng)是穩(wěn)定的和漸進(jìn)收斂的。仿真結(jié)果驗(yàn)證了算法的可行性。2.針對(duì)機(jī)器人迭代學(xué)習(xí)控制中迭代參數(shù)較多及初始運(yùn)行點(diǎn)受限的問(wèn)題,文中提出的學(xué)習(xí)控制器將正定的學(xué)習(xí)系數(shù)矩陣作用于軌跡跟蹤誤差和誤差導(dǎo)數(shù),得到了逐次更新的二維學(xué)習(xí)控制量,迭代參數(shù)可以減少到兩個(gè)。這對(duì)于節(jié)約存儲(chǔ)空間和提高運(yùn)算速度具有重要意義。在假設(shè)某些系統(tǒng)參數(shù)有界的情況下,迭代學(xué)習(xí)參數(shù)可以進(jìn)一步的減少到1個(gè)。新提出的控制策略可以將系統(tǒng)每次運(yùn)行時(shí)都應(yīng)在期望位置的初始狀態(tài)這一條件放寬（將機(jī)器人控制系統(tǒng)的初始校正條件放寬）,即系統(tǒng)的運(yùn)行從上一次運(yùn)行結(jié)束時(shí)開(kāi)始,而不是每次機(jī)器人系統(tǒng)都從同一個(gè)起始點(diǎn)開(kāi)始運(yùn)行。3.針對(duì)一類具有不確定動(dòng)力學(xué)模型,受到不重復(fù)干擾情況下的機(jī)器人系統(tǒng),提出了一種自適應(yīng)魯棒迭代學(xué)習(xí)控制方法。新提出的方法結(jié)合了變?cè)鲆娴腜D控制與迭代學(xué)習(xí)的反饋控制,在簡(jiǎn)單的控制結(jié)構(gòu)情況下具有自適應(yīng)性和學(xué)習(xí)能力。通過(guò)周期性迭代,當(dāng)前的控制信息由以前的控制信息來(lái)更新。新方法以類似于切換控制的形式來(lái)更新控制增益,增加了控制的靈活性,使得機(jī)器人系統(tǒng)的軌跡跟蹤收斂速度更快速,使用Lyapunov函數(shù)證明了方法的漸進(jìn)收斂性。仿真研究表明:隨著迭代次數(shù)的增加,機(jī)器人系統(tǒng)的位置誤差及速度誤差將單調(diào)減少。4.針對(duì)機(jī)器人系統(tǒng)易受外部干擾及內(nèi)部參數(shù)變化影響的問(wèn)題,本文以設(shè)計(jì)具有良好跟蹤性能及優(yōu)良控制品質(zhì)、保證系統(tǒng)穩(wěn)定性和魯棒性的控制器為目標(biāo),提出了兩種自適應(yīng)切換控制方法。第一種策略是在機(jī)器人有界干擾的上確界已知的情況,第二種策略是在干擾上確界未知的情況下設(shè)計(jì)的。以上兩種控制器都包含自適應(yīng)切換律和一個(gè)PD控制器。應(yīng)用李雅譜諾夫穩(wěn)定性理論證明了所提控制方法既能夠保證機(jī)器人的跟蹤性能,也可以適應(yīng)變化的未知負(fù)載。以二連桿機(jī)器人為被控對(duì)象的仿真研究表明,所提出的控制方法有效可行,對(duì)系統(tǒng)負(fù)載的變化具有一定的魯棒性。5.針對(duì)基于圖像的機(jī)器人動(dòng)力學(xué)無(wú)標(biāo)定視覺(jué)伺服中,需要求取圖像雅克比矩陣或其逆矩陣較為困難的問(wèn)題,提出了一種可以獲取圖像雅克比偽逆陣的動(dòng)力學(xué)無(wú)標(biāo)定視覺(jué)伺服新方法。該方法無(wú)需攝像機(jī)的內(nèi)外參數(shù)、無(wú)需機(jī)器人的關(guān)節(jié)速度參數(shù)。由李雅普諾夫理論證明,圖像誤差具有漸進(jìn)收斂性。仿真研究驗(yàn)證了算法的有效性。
王娜[6]（2013）在《迭代學(xué)習(xí)控制算法研究及在機(jī)械臂中的應(yīng)用》文中認(rèn)為迭代學(xué)習(xí)控制利用迭代修正達(dá)到預(yù)定控制目的改善，特別適用于具有重復(fù)運(yùn)動(dòng)性質(zhì)的被控對(duì)象，實(shí)現(xiàn)在有限時(shí)間區(qū)間內(nèi)對(duì)期望軌跡的高精度跟蹤。與其它算法相比迭代學(xué)習(xí)算法不依賴于系統(tǒng)的精確數(shù)學(xué)模型，而是利用以往的的控制信息和誤差信息構(gòu)成控制輸入信號(hào)。它不需要辨識(shí)系統(tǒng)的參數(shù)，也不要求過(guò)多的先驗(yàn)知識(shí)。因此迭代學(xué)習(xí)算法為具有高度非線性、強(qiáng)耦合、時(shí)變的系統(tǒng)，如機(jī)器人系統(tǒng)提供了一種行之有效的方法。在現(xiàn)有文獻(xiàn)的基礎(chǔ)上，本文針對(duì)不同問(wèn)題進(jìn)行了深入討論，并提出了相應(yīng)的改進(jìn)方法，具體工作如下：首先，針對(duì)含有初始誤差的機(jī)械臂軌跡跟蹤問(wèn)題，提出指數(shù)變?cè)鲆娴姆且蚬偷鷮W(xué)習(xí)算法。該算法消除了常規(guī)迭代算法要求迭代初態(tài)與期望初態(tài)一致或迭代初態(tài)固定的限制。變?cè)鲆娴鷮W(xué)習(xí)相比于固定增益的迭代學(xué)習(xí)不僅避免了增益選擇的盲目性，還加快了收斂速度。非因果型算法與因果型算法相比，由于利用了前次迭代控制中未來(lái)時(shí)刻的誤差信息，使得控制器具有提前補(bǔ)償未來(lái)擾動(dòng)的功能，且算法易于執(zhí)行。最后，將本文所提算法在機(jī)械臂軌跡跟蹤控制中進(jìn)行仿真，仿真結(jié)果表明了該算法的有效性。其次，由于迭代學(xué)習(xí)算法不需要精確的數(shù)學(xué)模型，且對(duì)未建模的系統(tǒng)有一定的魯棒性，因此本文針對(duì)一類具有不確定狀態(tài)擾動(dòng)和輸出干擾的非線性系統(tǒng)的跟蹤控制問(wèn)題采用了帶角度修正的迭代學(xué)習(xí)算法。用輸出向量的角度關(guān)系作為評(píng)價(jià)系數(shù)來(lái)判斷控制輸入好壞，并對(duì)所設(shè)計(jì)的迭代學(xué)習(xí)律的變化趨勢(shì)做出“獎(jiǎng)懲”，因此大大提高了收斂速度。最后，針對(duì)一般的非線性系統(tǒng)，提出了一種具有可變遺忘因子的非因果型迭代學(xué)習(xí)算法。引入的可變遺忘因子可以根據(jù)系統(tǒng)所處的狀態(tài)有效的調(diào)節(jié)控制輸入，同時(shí)沿迭代方向進(jìn)行濾波，從而加快了收斂速度，并削弱了系統(tǒng)的不確定部分對(duì)收斂性的影響。與常規(guī)的PD型算法相比，既增加了信息量又避免了導(dǎo)數(shù)信號(hào)的使用。將所提算法在機(jī)械臂軌跡跟蹤控制中進(jìn)行仿真應(yīng)用，仿真結(jié)果表明了該算法的有效性和實(shí)時(shí)性。
曹偉[7]（2013）在《迭代學(xué)習(xí)控制及其在故障診斷中的應(yīng)用研究》文中研究指明由于迭代學(xué)習(xí)控制無(wú)需被控系統(tǒng)的精確數(shù)學(xué)模型，只需要利用實(shí)際系統(tǒng)輸出和期望輸出產(chǎn)生的偏差信號(hào)，經(jīng)過(guò)簡(jiǎn)單的迭代運(yùn)算來(lái)修正不理想的控制信號(hào)，以實(shí)現(xiàn)在有限時(shí)間區(qū)間內(nèi)對(duì)期望軌跡的完全跟蹤，并且該算法在線計(jì)算量小，結(jié)構(gòu)簡(jiǎn)單便于工程實(shí)現(xiàn)。因此迭代學(xué)習(xí)控制自被提出以來(lái)，一直是控制領(lǐng)域里的研究熱點(diǎn)之一。為了使存在任意初態(tài)偏移的非線性系統(tǒng)能夠有限時(shí)間區(qū)間內(nèi)完全跟蹤理想軌跡，并放寬收斂條件，加快算法的收斂速度，論文對(duì)迭代學(xué)習(xí)控制的初值問(wèn)題和收斂速度問(wèn)題進(jìn)行了深入研究。同時(shí)，由于現(xiàn)代控制系統(tǒng)越來(lái)越復(fù)雜，增加了系統(tǒng)發(fā)生故障的可能性。因此，為了提高控制系統(tǒng)的安全性和可靠性，精確估計(jì)出系統(tǒng)發(fā)生的故障，以便更好地對(duì)系統(tǒng)進(jìn)行容錯(cuò)控制，論文將迭代學(xué)習(xí)控制理論應(yīng)用到系統(tǒng)的故障診斷中，分別對(duì)基于比例差分型迭代學(xué)習(xí)的連續(xù)系統(tǒng)故障診斷方法和基于離散迭代學(xué)習(xí)的離散系統(tǒng)故障診斷方法進(jìn)行了深入研究。論文的主要工作如下：1.首先分析了系統(tǒng)初值對(duì)D型和PD型迭代學(xué)習(xí)控制的影響，然后，為了放寬系統(tǒng)在任意初態(tài)條件下的收斂條件，提高算法的收斂速度，放松算法對(duì)初始狀態(tài)函數(shù)的要求，分別研究了一類控制時(shí)滯和狀態(tài)時(shí)滯非線性系統(tǒng)在任意初態(tài)偏移下的迭代學(xué)習(xí)控制問(wèn)題，對(duì)系統(tǒng)的初始狀態(tài)和輸入同時(shí)采用迭代學(xué)習(xí)策略，并利用算子譜理論證明了算法的收斂性，給出了系統(tǒng)收斂的譜半徑形式的充分條件。2.為了加快算法的收斂速度和解決初態(tài)偏移問(wèn)題，對(duì)帶有初始狀態(tài)學(xué)習(xí)的指數(shù)變?cè)鲆娴鷮W(xué)習(xí)控制算法進(jìn)行了研究，并基于算子理論嚴(yán)格證明了系統(tǒng)在任意初始狀態(tài)下的收斂性，給出了系統(tǒng)收斂的譜半徑形式的充分條件；為了在迭代學(xué)習(xí)控制律中回避誤差的微分信號(hào)，同時(shí)又能使系統(tǒng)的收斂速度得到提高，增強(qiáng)其魯棒性，提出了一種具有反饋信息的比例差分型迭代學(xué)習(xí)控制算法，并基于壓縮映射方法嚴(yán)格證明了系統(tǒng)在λ-范數(shù)和Lebesgue-p范數(shù)意義下的收斂性，給出了算法收斂的充分條件。最后，基于幾何分析方法，對(duì)迭代學(xué)習(xí)律采用輸出向量空間的角度關(guān)系來(lái)調(diào)節(jié)，加快了離散時(shí)變系統(tǒng)的收斂速度。3.將預(yù)測(cè)控制中的滾動(dòng)優(yōu)化思想和迭代學(xué)習(xí)控制原理應(yīng)用到故障診斷中，針對(duì)連續(xù)系統(tǒng)提出了一種基于比例差分型迭代學(xué)習(xí)的故障診斷方法。通過(guò)引入的虛擬故障構(gòu)建起故障估計(jì)器，并利用估計(jì)器輸出和系統(tǒng)實(shí)際輸出產(chǎn)生的殘差信號(hào)以及迭代軸上相鄰兩次殘差的差分信號(hào)，在選取的優(yōu)化時(shí)域周期內(nèi)對(duì)引入的虛擬故障進(jìn)行逐次修正，使其隨著迭代次數(shù)的增加逐漸逼近系統(tǒng)的實(shí)際故障，從而達(dá)到對(duì)故障估計(jì)的目的。并基于壓縮映射方法對(duì)故障估計(jì)器的收斂性進(jìn)行了證明，給出了算法收斂的充分條件。4.結(jié)合滾動(dòng)優(yōu)化思想和迭代學(xué)習(xí)控制理論，將離散迭代學(xué)習(xí)策略應(yīng)用到離散時(shí)變系統(tǒng)的故障診斷中，提出了一種基于離散迭代學(xué)習(xí)的故障診斷方法。利用引入的虛擬故障建立離散形式的故障估計(jì)器，并利用實(shí)際系統(tǒng)輸出和估計(jì)器輸出產(chǎn)生的殘差信號(hào)，在優(yōu)化時(shí)域內(nèi)對(duì)引入的虛擬故障通過(guò)離散迭代學(xué)習(xí)算法來(lái)逐次調(diào)節(jié)，使其隨著迭代次數(shù)的增加逐漸逼近系統(tǒng)的實(shí)際故障。并基于壓縮映射方法，對(duì)算法在λ-范數(shù)度量意義下的收斂性進(jìn)行證明，給出了算法的收斂條件。
殷辰堃[8]（2011）在《基于高階內(nèi)模的迭代學(xué)習(xí)控制及應(yīng)用》文中提出本論文以非線性系統(tǒng)為研究對(duì)象,著重研究了針對(duì)一些非嚴(yán)格重復(fù)問(wèn)題的迭代學(xué)習(xí)控制設(shè)計(jì)方法,特別考慮了由一類高階內(nèi)模生成的不確定參數(shù)的非嚴(yán)格重復(fù)性,同時(shí)也考慮了參考軌跡、未知時(shí)變輸入增益、輸入輸出擾動(dòng)和迭代初態(tài)的非嚴(yán)格重復(fù)性。論文的主要工作及其創(chuàng)新點(diǎn)總結(jié)如下。第一、針對(duì)一般連續(xù)時(shí)間非參數(shù)系統(tǒng)對(duì)非嚴(yán)格重復(fù)參考軌跡的跟蹤問(wèn)題,利用內(nèi)模原理,提出了一種基于高階內(nèi)模的迭代學(xué)習(xí)控制器,理論上證明了當(dāng)參考軌跡由一個(gè)高階內(nèi)模生成時(shí)系統(tǒng)跟蹤誤差的有界收斂性,并給出了相應(yīng)的收斂條件。第二、針對(duì)一類結(jié)構(gòu)已知的連續(xù)時(shí)間非線性參數(shù)系統(tǒng),考慮了一種由高階內(nèi)模生成的單參數(shù)非嚴(yán)格重復(fù)性,利用內(nèi)模原理,提出了基于高階內(nèi)模的自適應(yīng)迭代學(xué)習(xí)控制算法,特別說(shuō)明了平行格式的學(xué)習(xí)更新律比高階學(xué)習(xí)更新律具有更廣的適用范圍。通過(guò)嚴(yán)格的數(shù)學(xué)分析,證明了當(dāng)參考軌跡可以任意迭代變化時(shí),所提出的算法能夠保證跟蹤誤差沿迭代軸的漸進(jìn)收斂。還考慮了由混合高階內(nèi)模生成的多參數(shù)非嚴(yán)格重復(fù)性,并相應(yīng)地將算法擴(kuò)展為混合的平行自適應(yīng)迭代學(xué)習(xí)控制以處理更加復(fù)雜多樣的非嚴(yán)格重復(fù)性。第三、針對(duì)一類含有非嚴(yán)格重復(fù)參數(shù)的連續(xù)時(shí)間非線性系統(tǒng),及任意迭代變化的有界輸入輸出擾動(dòng)和任意迭代變化的有界初始狀態(tài),提出了基于高階內(nèi)模的自適應(yīng)迭代學(xué)習(xí)控制器的一種魯棒設(shè)計(jì)方法,實(shí)現(xiàn)了跟蹤誤差沿迭代軸的有界收斂。第四、針對(duì)一類結(jié)構(gòu)已知的離散時(shí)間非線性參數(shù)系統(tǒng),考慮了一種由高階內(nèi)模生成的參數(shù)非嚴(yán)格重復(fù)性,利用內(nèi)模原理,分別提出了離散時(shí)間的基于最小二乘算法和基于投影算法的平行自適應(yīng)迭代學(xué)習(xí)控制器,并分別證明了算法的有效性。第五、將平行自適應(yīng)迭代學(xué)習(xí)控制算法擴(kuò)展到有限空間區(qū)間情形下,并分別應(yīng)用于列車運(yùn)行速度曲線跟蹤控制和列車運(yùn)行時(shí)間曲線跟蹤控制,通過(guò)證明和仿真說(shuō)明了所提出算法的有效性和在列車自動(dòng)控制中的應(yīng)用前景。
曹晰[9]（2009）在《開(kāi)放型嵌入式旋轉(zhuǎn)機(jī)械自動(dòng)平衡控制系統(tǒng)的研究》文中認(rèn)為轉(zhuǎn)子自動(dòng)平衡系統(tǒng)多年來(lái)一直是工程技術(shù)研究與開(kāi)發(fā)的熱點(diǎn)領(lǐng)域,具有很大的發(fā)展?jié)摿?。該?xiàng)技術(shù)不僅可以消除運(yùn)行中隨機(jī)產(chǎn)生的動(dòng)不平衡、實(shí)時(shí)減小設(shè)備振動(dòng),而且可以有效延長(zhǎng)轉(zhuǎn)動(dòng)設(shè)備的運(yùn)行周期、減少故障停機(jī)、降低維修費(fèi)用,經(jīng)濟(jì)效應(yīng)可觀。同時(shí)其潛在的應(yīng)用范圍極為廣泛,目前已知的應(yīng)用報(bào)道,不僅有壓縮機(jī)、汽輪機(jī)、離心分離機(jī)等大型機(jī)械設(shè)備,而且還有類似于硬盤磁頭等高精密旋轉(zhuǎn)機(jī)構(gòu)。事實(shí)上,任何需要保持旋轉(zhuǎn)體穩(wěn)定運(yùn)行的機(jī)械機(jī)構(gòu)都是其潛在應(yīng)用對(duì)象,因而轉(zhuǎn)子自動(dòng)平衡技術(shù)的發(fā)展及應(yīng)用前景非常廣闊。作為國(guó)家自然科學(xué)基金項(xiàng)目《機(jī)械復(fù)雜系統(tǒng)建模仿真、運(yùn)行優(yōu)化和自愈調(diào)控理論與方法》（編號(hào)：50635010）的組成部分,本課題在總結(jié)數(shù)種典型自動(dòng)平衡系統(tǒng)的基礎(chǔ)上,以自愈調(diào)控理論為指導(dǎo),討論了工業(yè)應(yīng)用中自動(dòng)平衡控制系統(tǒng)可能遇到的幾類實(shí)際問(wèn)題及其解決方案；通過(guò)數(shù)學(xué)建模對(duì)自動(dòng)平衡控制算法與不平衡信號(hào)處理算法進(jìn)行了仿真研究；分別就連續(xù)注排式平衡頭、單一注入式平衡頭以及電磁式平衡頭等三類平衡頭構(gòu)造了開(kāi)放型嵌入式自動(dòng)平衡控制系統(tǒng),并利用北京化工大學(xué)DSE中心超重力機(jī)實(shí)驗(yàn)臺(tái)進(jìn)行物理驗(yàn)證；作為自動(dòng)平衡最小系統(tǒng)的補(bǔ)充完善,探討了可用于嵌入式環(huán)境的旋轉(zhuǎn)機(jī)械自動(dòng)推理故障診斷系統(tǒng)；最終逐步完善了具有自主知識(shí)產(chǎn)權(quán)的開(kāi)放型嵌入式轉(zhuǎn)子自動(dòng)平衡控制系統(tǒng)樣機(jī),為該項(xiàng)技術(shù)的國(guó)產(chǎn)化、工業(yè)化進(jìn)行了初步探索。課題主要工作有：（1）典型自動(dòng)平衡控制系統(tǒng)分析與總結(jié)對(duì)北京化工大學(xué)DSE中心現(xiàn)有的三類典型自動(dòng)平衡系統(tǒng)（連續(xù)注排式自動(dòng)平衡系統(tǒng)、單一注液式自動(dòng)平衡系統(tǒng)、電磁式自動(dòng)平衡系統(tǒng)）進(jìn)行了綜述與比較,分析了自動(dòng)平衡系統(tǒng)中各組成部件的結(jié)構(gòu),研究了配重原理及平衡原理；在此基礎(chǔ)上討論了自動(dòng)平衡控制系統(tǒng)在工業(yè)現(xiàn)場(chǎng)實(shí)際應(yīng)用中需要解決的幾個(gè)核心問(wèn)題。（2）構(gòu)建開(kāi)放型嵌入式自動(dòng)平衡系統(tǒng)硬件平臺(tái)針對(duì)工業(yè)現(xiàn)場(chǎng)可能存在的粉塵環(huán)境、振動(dòng)環(huán)境、污染環(huán)境及狹窄空間等多種不利情況,選用PC／104標(biāo)準(zhǔn)總線作為系統(tǒng)硬件開(kāi)發(fā)平臺(tái)并對(duì)系統(tǒng)硬件進(jìn)行功能劃分,通過(guò)“從頂至底”的模塊化設(shè)計(jì),在最小功能系統(tǒng)的基礎(chǔ)上,針對(duì)不同類型平衡頭與傳感器,配合相應(yīng)功能的擴(kuò)展單元模塊,進(jìn)而實(shí)現(xiàn)對(duì)多種平衡頭的控制,最大限度的匹配與利用現(xiàn)有資源。（3）控制算法仿真與優(yōu)化工業(yè)轉(zhuǎn)子自動(dòng)平衡控制有其特殊性,表現(xiàn)在：1)僅允許極小范圍內(nèi)可預(yù)見(jiàn)的控制超調(diào),從安全角度而言,一般要求不存在超調(diào)；2)系統(tǒng)過(guò)渡過(guò)程中的振蕩不僅是對(duì)轉(zhuǎn)子工況的干擾,而且將降低平衡頭的平衡能力,需要盡可能抑制；3)隨著生產(chǎn)負(fù)荷等外部條件的變化,轉(zhuǎn)子系統(tǒng)的振動(dòng)范圍可能發(fā)生變化,平衡控制系統(tǒng)需要在多個(gè)設(shè)定值之間平滑過(guò)渡。另一方面,嵌入式系統(tǒng)中可利用的硬件資源十分有限。根據(jù)這些特點(diǎn),本課題著重研究了基于迭代學(xué)習(xí)算法的自動(dòng)平衡控制策略并利用向量幾何原理改進(jìn)了基本算法,從理論上證明了其收斂性、魯棒性等關(guān)鍵性質(zhì)；建立了超重力機(jī)轉(zhuǎn)子數(shù)學(xué)模型,在模型振動(dòng)特性分析基礎(chǔ)上,對(duì)PI增量控制、基本迭代學(xué)習(xí)控制以及基于幾何分析的迭代學(xué)習(xí)控制進(jìn)行了仿真研究,并確立了適于轉(zhuǎn)子自動(dòng)平衡控制的迭代學(xué)習(xí)算法結(jié)構(gòu),給出了相關(guān)控制參數(shù)范圍。（4）不平衡量信號(hào)提取與處理不平衡量信號(hào)的提取是平衡控制系統(tǒng)的核心問(wèn)題之一,直接影響到最終的控制效果,特別是避免平衡控制中的“錯(cuò)調(diào)”現(xiàn)象很大程度上依賴于不平衡信號(hào)提取的精度與準(zhǔn)確性。結(jié)合系統(tǒng)硬件資源較少,而且是時(shí)變參數(shù)測(cè)量對(duì)象等因素,本課題著重考察了自適應(yīng)濾波算法在不平衡振動(dòng)信號(hào)提取中的應(yīng)用,并對(duì)基本LMS算法進(jìn)行了改進(jìn)。利用國(guó)際開(kāi)源振動(dòng)測(cè)試數(shù)據(jù)庫(kù)中的信號(hào)數(shù)據(jù)作為分析基準(zhǔn),對(duì)比了基本LMS算法、基于向量分析的LMS算法、維納濾波等自適應(yīng)信號(hào)處理方法,結(jié)果表明基于向量分析的LMS算法在算法復(fù)雜度、系統(tǒng)資源消耗、信號(hào)提取精度等方面有著較好的均衡性。（5）構(gòu)建旋轉(zhuǎn)機(jī)械自動(dòng)推理故障診斷系統(tǒng)機(jī)械振動(dòng)原因繁多,不是任意振動(dòng)均可通過(guò)自動(dòng)平衡系統(tǒng)進(jìn)行校正。作為本課題最小功能系統(tǒng)的擴(kuò)展模塊,旋轉(zhuǎn)機(jī)械自動(dòng)推理故障診斷系統(tǒng)的設(shè)計(jì)目標(biāo)是對(duì)于不可進(jìn)行自動(dòng)平衡的振動(dòng)進(jìn)行判別并提供可能故障原因的排列,通過(guò)融合粗糙集約簡(jiǎn)、規(guī)則屬性化、信息模糊化等手段,降低人工輸入次數(shù),令系統(tǒng)自動(dòng)推理程度得以大幅提高。（6）開(kāi)放型嵌入式自動(dòng)平衡控制系統(tǒng)樣機(jī)結(jié)合上述各項(xiàng)工作,逐步完善系統(tǒng)結(jié)構(gòu),獲取開(kāi)放型嵌入式自動(dòng)平衡控制系統(tǒng)的原始樣機(jī)。
李恒杰[10]（2009）在《優(yōu)化迭代學(xué)習(xí)控制算法及其應(yīng)用研究》文中研究說(shuō)明迭代學(xué)習(xí)控制是一種用來(lái)改善具有重復(fù)運(yùn)動(dòng)特性的過(guò)程、機(jī)械、裝置或系統(tǒng)的瞬態(tài)響應(yīng)和跟蹤特性的控制技術(shù)。它是以系統(tǒng)的實(shí)際輸出與期望輸出的偏差修正不理想的控制信號(hào),使系統(tǒng)的跟蹤性能得以提高。隨著現(xiàn)代工業(yè)中具有重復(fù)性和周期性的系統(tǒng)和生產(chǎn)過(guò)程不斷出現(xiàn),迭代學(xué)習(xí)控制已經(jīng)成為了現(xiàn)代控制技術(shù)中的一種重要控制方法。傳統(tǒng)迭代學(xué)習(xí)控制算法中的學(xué)習(xí)系數(shù)對(duì)迭代學(xué)習(xí)控制的收斂性和收斂速度的影響非常大,例如在PID型迭代學(xué)習(xí)控制算法的實(shí)際應(yīng)用中,算法分析給出的收斂性條件并不能用于指導(dǎo)學(xué)習(xí)增益的選取,學(xué)習(xí)增益的設(shè)置需要憑借經(jīng)驗(yàn)選取,因此具有一定的盲目性。為了克服猜測(cè)設(shè)置學(xué)習(xí)增益的盲目性,直接的方法是利用系統(tǒng)模型知識(shí)。由此引伸出來(lái)的一個(gè)可行方法就是利用優(yōu)化理論來(lái)設(shè)計(jì)迭代學(xué)習(xí)控制律,即優(yōu)化迭代學(xué)習(xí)控制算法。優(yōu)化迭代學(xué)習(xí)控制算法又可以分為范數(shù)優(yōu)化迭代學(xué)習(xí)控制算法和參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法。參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法是基于二次型性能指標(biāo)提出的優(yōu)化算法,在保證跟蹤誤差的單調(diào)收斂的同時(shí),相對(duì)于范數(shù)最優(yōu)算法更為簡(jiǎn)單、高效、易實(shí)現(xiàn)。但是,目前在優(yōu)化迭代學(xué)習(xí)控制算法的研究中仍然存在一些急待解決的問(wèn)題:1)如何進(jìn)一步提高算法收斂速度;2)當(dāng)被控對(duì)象不滿足正定條件時(shí),如何使得算法仍然能夠單調(diào)收斂至零;3)如何建立用于非線性系統(tǒng)的參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法;4)在優(yōu)化過(guò)程中,如何減小算法對(duì)于模型的依賴性。為了實(shí)現(xiàn)迭代域中誤差的快速、單調(diào)收斂,獲得更好的暫態(tài)跟蹤性能,本文針對(duì)離散系統(tǒng)建立一種基于范數(shù)性能指標(biāo)的PID型快速參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法。該算法將PID型控制器引入到參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法中,來(lái)拓展算法的維數(shù),增加最優(yōu)參數(shù)的自由度,從而最終達(dá)到提高學(xué)習(xí)效率的目的。針對(duì)非正定系統(tǒng)迭代誤差趨于局部極小的問(wèn)題,本文將基函數(shù)的概念引入到參數(shù)優(yōu)化迭代學(xué)習(xí)控制中,建立了一種基于基函數(shù)項(xiàng)的參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法。這種算法在保證算法仍然具有快速收斂特性的同時(shí)進(jìn)一步擴(kuò)大算法的收斂條件。理論證明,無(wú)論被控對(duì)象正定與否,算法都能夠單調(diào)收斂至零。為了進(jìn)一步提高非線性優(yōu)化迭代學(xué)習(xí)控制算法的收斂性能,本文將克隆選擇算法進(jìn)行改進(jìn)并應(yīng)用于優(yōu)化迭代學(xué)習(xí)控制中,提出了一種基于克隆選擇算法（CSA）的優(yōu)化迭代學(xué)習(xí)控制。采用改進(jìn)的CSA來(lái)求解迭代學(xué)習(xí)控制中的非線性優(yōu)化問(wèn)題,一方面因?yàn)镃SA具有很高的搜索性能,更重要的是可以將控制輸入的先驗(yàn)信息編碼到CSA中,從而大大減小算法搜索空間、節(jié)約運(yùn)算成本,并且能很方便地處理輸入上有約束的問(wèn)題。此外,采用實(shí)數(shù)編碼和限制變異擴(kuò)展半徑可以使得CSA求出的輸入曲線更加光滑。優(yōu)化迭代學(xué)習(xí)控制算法的卓越收斂性能都是建立在事先擁有被控對(duì)象精確的數(shù)學(xué)模型的基礎(chǔ)上。然而,在工程實(shí)踐中獲得被控對(duì)象的精確數(shù)學(xué)模型幾乎是不可能的。為了減小算法對(duì)系統(tǒng)模型的依賴性,本文提出了一種基于克隆選擇算法的模型修正機(jī)制,在每次迭代學(xué)習(xí)之后,利用學(xué)習(xí)時(shí)的輸入信息以及真實(shí)系統(tǒng)的輸出與模型輸出的偏差信息來(lái)修正系統(tǒng)模型。修正了的模型將被用于下一次迭代學(xué)習(xí)過(guò)程。這是針對(duì)非線性優(yōu)化迭代學(xué)習(xí)控制算法設(shè)計(jì)的,自然也可以應(yīng)用于其他線性算法中。最后,本文對(duì)2-自由度“質(zhì)量彈簧阻尼”振動(dòng)主動(dòng)控制系統(tǒng)進(jìn)行分析研究,探討了迭代學(xué)習(xí)控制算法在其中的應(yīng)用。對(duì)比分析得出,參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法是一種不錯(cuò)的選擇。在震動(dòng)頻率較低的情況下能夠達(dá)到較好的效果,使整個(gè)主動(dòng)控制系統(tǒng)達(dá)到減震的目的。而在各種參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法中,本中提出的PID型快速參數(shù)優(yōu)化迭代學(xué)習(xí)算法和基于基函數(shù)項(xiàng)的參數(shù)優(yōu)化迭代學(xué)習(xí)算法相比其他參數(shù)優(yōu)化迭代學(xué)習(xí)算法具有更好的收斂效果,尤其是基于基函數(shù)項(xiàng)的參數(shù)優(yōu)化迭代學(xué)習(xí)算法對(duì)這一非正定的被控對(duì)象具有其他算法所不具有的單調(diào)收斂至零的特性,在振動(dòng)主動(dòng)控制中具有很好的應(yīng)用前景。
二、自適應(yīng)迭代學(xué)習(xí)控制新算法及其在工業(yè)過(guò)程控制中的應(yīng)用（論文開(kāi)題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問(wèn)題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問(wèn)題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過(guò)程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁(yè)面大小,采用多級(jí)分層頁(yè)表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁(yè)表轉(zhuǎn)換過(guò)程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過(guò)主支變革、控制研究對(duì)象來(lái)發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過(guò)調(diào)查文獻(xiàn)來(lái)獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過(guò)具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來(lái)分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過(guò)創(chuàng)設(shè)一個(gè)與原型相似的模型來(lái)間接研究原型某種特性的一種形容方法。
三、自適應(yīng)迭代學(xué)習(xí)控制新算法及其在工業(yè)過(guò)程控制中的應(yīng)用（論文提綱范文）
（1）自適應(yīng)迭代學(xué)習(xí)控制新算法及其在工業(yè)過(guò)程控制中的應(yīng)用（論文提綱范文）
| 第一章 緒論 |
| §1.1 自適應(yīng)迭代學(xué)習(xí)控制理論的發(fā)展概況與研究現(xiàn)狀 |
| §1.2 迭代學(xué)習(xí)控制在工業(yè)過(guò)程控制中的應(yīng)用研究現(xiàn)狀 |
| §1.3 本文主要工作簡(jiǎn)介 |
| 第二章 自適應(yīng)迭代學(xué)習(xí)控制原理 |
| 第三章 非線性未知系統(tǒng)的自適應(yīng)迭代學(xué)習(xí)控制 |
| §3.1 引言 |
| §3.2 多層神經(jīng)網(wǎng)絡(luò)逼近理論 |
| §3.3 問(wèn)題描述 |
| §3.4 自適應(yīng)控制設(shè)計(jì) |
| §3.5 自適應(yīng)迭代學(xué)習(xí)控制設(shè)計(jì) |
| §3.6 實(shí)例仿真 |
| §3.7 小結(jié) |
| 第四章 基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)滑模迭代學(xué)習(xí)控制 |
| §4.1 引言 |
| §4.2 變結(jié)構(gòu)滑?？刂坪?jiǎn)介 |
| §4.3 問(wèn)題描述 |
| §4.4 逆動(dòng)態(tài)分割 |
| §4.5 自適應(yīng)魯棒迭代學(xué)習(xí)控制 |
| §4.6 實(shí)例仿真 |
| §4.7 小結(jié) |
| 第五章 自適應(yīng)迭代學(xué)習(xí)控制在非線性工業(yè)過(guò)程控制系統(tǒng)中的應(yīng)用 |
| §5.1 引言 |
| §5.2 非線性工業(yè)過(guò)程的自適應(yīng)迭代學(xué)習(xí)控制 |
| §5.3 軌跡初始化 |
| §5.4 一類非線性系統(tǒng)的自適應(yīng)迭代學(xué)習(xí)控制 |
| §5.5 AILC在工業(yè)過(guò)程控制應(yīng)用中的若干問(wèn)題分析 |
| §5.6 算例仿真研究 |
| §5.7 小結(jié) |
| 結(jié)論與展望 |
| 致謝 |
| 參考文獻(xiàn) |
（2）基于強(qiáng)化學(xué)習(xí)的前饋控制器（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 強(qiáng)化學(xué)習(xí)研究現(xiàn)狀 |
| 1.3 強(qiáng)化學(xué)習(xí)的應(yīng)用問(wèn)題 |
| 1.4 本文的創(chuàng)作動(dòng)機(jī)與結(jié)構(gòu)安排 |
| 第2章 強(qiáng)化學(xué)習(xí)理論基礎(chǔ) |
| 2.1 強(qiáng)化學(xué)習(xí)理論基礎(chǔ) |
| 2.1.1 強(qiáng)化學(xué)習(xí)基本概念 |
| 2.1.2 馬爾可夫決策過(guò)程 |
| 2.1.3 探索與利用 |
| 2.2 強(qiáng)化學(xué)習(xí)常用算法 |
| 2.2.1 Q學(xué)習(xí)(Q-learning) |
| 2.2.2 策略梯度(Policy Gradient) |
| 2.3 深度強(qiáng)化學(xué)習(xí) |
| 2.3.1 DQN算法 |
| 2.3.2 DDPG算法 |
| 第3章 基于強(qiáng)化學(xué)習(xí)的非線性系統(tǒng)自適應(yīng)控制 |
| 3.1 問(wèn)題描述 |
| 3.2 強(qiáng)化學(xué)習(xí)算法設(shè)計(jì) |
| 3.2.1 環(huán)境設(shè)計(jì) |
| 3.2.2 網(wǎng)絡(luò)設(shè)計(jì) |
| 3.2.3 通用參數(shù)設(shè)計(jì) |
| 3.3 仿真實(shí)驗(yàn) |
| 3.4 小結(jié) |
| 第4章 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)補(bǔ)償控制系統(tǒng) |
| 4.1 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)補(bǔ)償控制算法 |
| 4.1.1 前饋-反饋控制系統(tǒng) |
| 4.1.2 強(qiáng)化學(xué)習(xí)前饋控制器 |
| 4.1.3 強(qiáng)化學(xué)習(xí)前饋控制器訓(xùn)練算法 |
| 4.2 仿真實(shí)驗(yàn) |
| 4.2.1 實(shí)驗(yàn)對(duì)象 |
| 4.2.2 強(qiáng)化學(xué)習(xí)自適應(yīng)補(bǔ)償控制系統(tǒng)搭建 |
| 4.2.3 純強(qiáng)化學(xué)習(xí)控制系統(tǒng)搭建 |
| 4.2.4 實(shí)驗(yàn)結(jié)果 |
| 4.3 小結(jié) |
| 第5章 無(wú)模型強(qiáng)化學(xué)習(xí)自適應(yīng)補(bǔ)償控制系統(tǒng) |
| 5.1 神經(jīng)網(wǎng)絡(luò)前饋監(jiān)督控制器 |
| 5.2 無(wú)模型強(qiáng)化學(xué)習(xí)自適應(yīng)補(bǔ)償控制 |
| 5.3 仿真實(shí)驗(yàn) |
| 5.4 小結(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 本文的主要工作及貢獻(xiàn) |
| 6.2 問(wèn)題與展望 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果 |
| 致謝 |
（3）基于迭代學(xué)習(xí)算法的機(jī)械臂軌跡跟蹤控制研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景和意義 |
| 1.2 機(jī)械臂控制簡(jiǎn)介 |
| 1.2.1 機(jī)械臂的發(fā)展歷史與應(yīng)用現(xiàn)狀 |
| 1.2.2 機(jī)械臂的控制原理與技術(shù) |
| 1.3 迭代學(xué)習(xí)控制簡(jiǎn)介 |
| 1.3.1 迭代學(xué)習(xí)控制的起源與發(fā)展 |
| 1.3.2 迭代學(xué)習(xí)控制的主要研究?jī)?nèi)容 |
| 1.4 論文主要工作與內(nèi)容安排 |
| 第二章 迭代學(xué)習(xí)控制原理 |
| 2.1 迭代學(xué)習(xí)控制的基本思想 |
| 2.2 迭代學(xué)習(xí)控制的適用條件 |
| 2.2.1 被控系統(tǒng)的可重復(fù)性 |
| 2.2.2 執(zhí)行任務(wù)的可重復(fù)性 |
| 2.2.3 初始條件的可重復(fù)性 |
| 2.3 迭代學(xué)習(xí)控制的斂散性分析 |
| 2.4 迭代學(xué)習(xí)控制的學(xué)習(xí)律 |
| 2.5 迭代學(xué)習(xí)控制的整體流程 |
| 2.6 小結(jié) |
| 第三章 SCARA機(jī)械臂的運(yùn)動(dòng)學(xué)及動(dòng)力學(xué)分析與建模 |
| 3.1 SCARA本體介紹 |
| 3.2 機(jī)械臂的空間位姿描述和坐標(biāo)變換 |
| 3.2.1 機(jī)械臂的空間位姿描述 |
| 3.2.2 機(jī)械臂的空間坐標(biāo)變換 |
| 3.3 SCARA機(jī)械臂的運(yùn)動(dòng)學(xué)分析 |
| 3.4 機(jī)械臂的動(dòng)力學(xué)分析 |
| 3.5 SCARA機(jī)械臂的動(dòng)力學(xué)建模 |
| 3.6 SCARA機(jī)械臂的運(yùn)動(dòng)軌跡規(guī)劃 |
| 3.7 小結(jié) |
| 第四章 基于變?cè)鲆娴鷮W(xué)習(xí)算法的機(jī)械臂軌跡跟蹤控制 |
| 4.1 變?cè)鲆娴鷮W(xué)習(xí)控制算法 |
| 4.2 算法的收斂性分析 |
| 4.3 變?cè)鲆娴鷮W(xué)習(xí)算法在機(jī)械臂軌跡跟蹤中的應(yīng)用 |
| 4.3.1 變?cè)鲆娴鷮W(xué)習(xí)算法的仿真實(shí)現(xiàn) |
| 4.3.2 仿真結(jié)果分析 |
| 4.4 小結(jié) |
| 第五章 基于自適應(yīng)迭代學(xué)習(xí)算法的機(jī)械臂軌跡跟蹤控制 |
| 5.1 自適應(yīng)控制簡(jiǎn)介 |
| 5.1.1 自適應(yīng)控制的定義與分類 |
| 5.1.2 自適應(yīng)控制的主要研究?jī)?nèi)容 |
| 5.2 自適應(yīng)迭代學(xué)習(xí)控制 |
| 5.2.1 自適應(yīng)控制與迭代學(xué)習(xí)控制的結(jié)合 |
| 5.2.2 自適應(yīng)迭代學(xué)習(xí)控制的穩(wěn)定性和收斂性分析 |
| 5.2.3 自適應(yīng)迭代學(xué)習(xí)控制基本方案 |
| 5.3 自適應(yīng)迭代學(xué)習(xí)控制算法 |
| 5.3.1 自適應(yīng)迭代學(xué)習(xí)控制律 |
| 5.3.2 算法的收斂性和有界性分析 |
| 5.4 自適應(yīng)迭代學(xué)習(xí)控制在機(jī)械臂軌跡跟蹤控制中的應(yīng)用 |
| 5.4.1 自適應(yīng)迭代學(xué)習(xí)控制的仿真實(shí)現(xiàn) |
| 5.4.2 仿真結(jié)果及實(shí)驗(yàn)分析 |
| 5.5 小結(jié) |
| 第六章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 附錄:攻讀碩士期間參加的項(xiàng)目及成果 |
（4）計(jì)算智能GWO算法優(yōu)化及其在運(yùn)動(dòng)控制中的應(yīng)用（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 符號(hào)對(duì)照表 |
| 縮略語(yǔ)對(duì)照表 |
| 第一章 緒論 |
| 1.1 課題研究的內(nèi)容 |
| 1.2 計(jì)算智能概述 |
| 1.2.1 計(jì)算智能的發(fā)展 |
| 1.2.2 蒼狼優(yōu)化算法發(fā)展現(xiàn)狀 |
| 1.3 永磁同步電機(jī)混沌控制與混沌同步控制的研究現(xiàn)狀 |
| 1.4 機(jī)器人軌跡規(guī)劃與優(yōu)化控制的研究現(xiàn)狀 |
| 1.5 論文章節(jié)內(nèi)容安排 |
| 第二章 標(biāo)準(zhǔn)蒼狼優(yōu)化算法 |
| 2.1 引言 |
| 2.2 標(biāo)準(zhǔn)的蒼狼優(yōu)化算法 |
| 2.2.1 算法的思路來(lái)源 |
| 2.2.2 標(biāo)準(zhǔn)蒼狼優(yōu)化算法各環(huán)節(jié)模擬與分析 |
| 2.2.3 標(biāo)準(zhǔn)蒼狼優(yōu)化算法 |
| 2.3 蒼狼優(yōu)化算法收斂性能分析 |
| 2.4 實(shí)驗(yàn)驗(yàn)證蒼狼優(yōu)化算法 |
| 2.5 小結(jié) |
| 第三章 基于淘汰重組機(jī)制與變異算子的改進(jìn)GWO算法 |
| 3.1 引言 |
| 3.2 MR-GWO算法 |
| 3.2.1 淘汰與重組機(jī)制 |
| 3.2.2 優(yōu)秀搜索狼的變異算子 |
| 3.2.3 改進(jìn)的蒼狼優(yōu)化算法(MR-GWO) |
| 3.2.4 MR-GWO算法討論與分析 |
| 3.3 蒼狼優(yōu)化算法的其它變體 |
| 3.4 無(wú)約束連續(xù)函數(shù)尋優(yōu)實(shí)驗(yàn) |
| 3.4.1 實(shí)驗(yàn)結(jié)果分析 |
| 3.4.2 算法誤差分析 |
| 3.4.3 參數(shù)影響分析 |
| 3.5 有約束函數(shù)尋優(yōu)實(shí)驗(yàn) |
| 3.6 小結(jié) |
| 第四章 動(dòng)態(tài)GWO算法 |
| 4.1 引言 |
| 4.2 動(dòng)態(tài)GWO算法 |
| 4.2.1 第一種動(dòng)態(tài)GWO算法 |
| 4.2.2 第二種動(dòng)態(tài)GWO算法 |
| 4.3 實(shí)驗(yàn)測(cè)試 |
| 4.3.1 測(cè)試函數(shù)介紹 |
| 4.3.2 實(shí)驗(yàn)結(jié)果 |
| 4.3.3 分析與討論 |
| 4.4 動(dòng)態(tài)GWO算法與其它改進(jìn)策略的結(jié)合 |
| 4.5 小結(jié) |
| 第五章 GWO在PMSM混沌控制與混沌同步控制中的應(yīng)用 |
| 5.1 引言 |
| 5.2 PMSM的數(shù)學(xué)模型 |
| 5.2.1 PMSM的混沌分析 |
| 5.2.2 PMSM的哈密頓模型 |
| 5.3 基于GWO的PMSM哈密頓模型的混沌控制 |
| 5.3.1 擾動(dòng)補(bǔ)償器的設(shè)計(jì) |
| 5.3.2 跟蹤控制器的設(shè)計(jì) |
| 5.3.3 基于GWO的PMSM混沌優(yōu)化控制器的設(shè)計(jì) |
| 5.4 基于GWO的PMSM混沌優(yōu)化控制仿真驗(yàn)證 |
| 5.5 基于RBF-GWO網(wǎng)絡(luò)PMSM混沌同步控制 |
| 5.5.1 RBF神經(jīng)網(wǎng)絡(luò) |
| 5.5.2 基于蒼狼優(yōu)化算法的RBF-GWO神經(jīng)網(wǎng)絡(luò) |
| 5.6 實(shí)驗(yàn)驗(yàn)證 |
| 5.6.1 PMSM混沌同構(gòu)同步實(shí)驗(yàn) |
| 5.6.2 PMSM混沌異構(gòu)同步實(shí)驗(yàn) |
| 5.6.3 討論與分析 |
| 5.7 小結(jié) |
| 第六章 GWO能量?jī)?yōu)化的Par4并聯(lián)機(jī)器人軌跡規(guī)劃與跟蹤控制 |
| 6.1 引言 |
| 6.2 Par4并聯(lián)機(jī)器人運(yùn)動(dòng)學(xué)反解與動(dòng)力學(xué)方程 |
| 6.3 Par4并聯(lián)機(jī)器人軌跡規(guī)劃 |
| 6.3.1 基于Lamé曲線的軌跡形狀規(guī)劃 |
| 6.3.2 空間路徑坐標(biāo)變換 |
| 6.3.3 運(yùn)動(dòng)規(guī)律規(guī)劃 |
| 6.4 基于GWO算法的能量最小軌跡優(yōu)化 |
| 6.4.1 Par4并聯(lián)機(jī)器人機(jī)械能耗 |
| 6.4.2 基于GWO算法的軌跡優(yōu)化 |
| 6.5 基于GWO優(yōu)化的軌跡規(guī)劃實(shí)驗(yàn)驗(yàn)證 |
| 6.5.1 基礎(chǔ)實(shí)驗(yàn) |
| 6.5.2 相同的拾取點(diǎn),不同的拾取高度的實(shí)驗(yàn) |
| 6.5.3 不同拾取點(diǎn),相同的拾取高度與跨度的實(shí)驗(yàn) |
| 6.5.4 不同的跨度與拾取點(diǎn),相同的拾取高度實(shí)驗(yàn) |
| 6.6 軌跡規(guī)劃的比較與分析 |
| 6.6.1 與其它計(jì)算智能算法的比較 |
| 6.6.2 與其它曲線的比較 |
| 6.6.3 軌跡規(guī)劃的總結(jié) |
| 6.7 基于DMR-GWO2并聯(lián)機(jī)器人Type-2 模糊軌跡跟蹤控制 |
| 6.7.1 Type-2 模糊邏輯系統(tǒng) |
| 6.7.2 Par4并聯(lián)機(jī)器人軌跡跟蹤控制系統(tǒng)結(jié)構(gòu) |
| 6.7.3 Type-2 模糊預(yù)估補(bǔ)償PID控制器的設(shè)計(jì) |
| 6.7.4 基于DMR-GWO2的Type-2 模糊邏輯控制器與優(yōu)化 |
| 6.8 Par4并聯(lián)機(jī)器人軌跡跟蹤實(shí)驗(yàn) |
| 6.9 小結(jié) |
| 第七章 結(jié)論 |
| 附錄 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡(jiǎn)介 |
（5）機(jī)器人若干控制問(wèn)題分析與設(shè)計(jì)（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 課題的研究背景 |
| 1.2 國(guó)內(nèi)外工業(yè)機(jī)器人行業(yè)發(fā)展現(xiàn)狀 |
| 1.3 機(jī)器人的主要控制方法 |
| 1.4 本文擬采用控制方法 |
| 1.4.1 迭代學(xué)習(xí)控制 |
| 1.4.1.1 迭代學(xué)習(xí)控制的提出及特點(diǎn) |
| 1.4.1.2 迭代學(xué)習(xí)控制在機(jī)器人系統(tǒng)的研究現(xiàn)狀 |
| 1.4.1.3 迭代學(xué)習(xí)在機(jī)器人控制中的研究趨勢(shì) |
| 1.4.2 自適應(yīng)控制 |
| 1.4.2.1 自適應(yīng)控制的分類及基本概念 |
| 1.4.2.2 自適應(yīng)控制在機(jī)器人系統(tǒng)的研究現(xiàn)狀 |
| 1.4.3 機(jī)器人視覺(jué)伺服控制 |
| 1.4.3.1 視覺(jué)伺服 |
| 1.4.3.2 無(wú)標(biāo)定視覺(jué)伺服的研究現(xiàn)狀 |
| 1.5 本文的主要工作 |
| 第二章 預(yù)備知識(shí) |
| 2.1 機(jī)器人的動(dòng)力學(xué)特性 |
| 2.2 幾個(gè)重要引理 |
| 第三章 機(jī)器人自適應(yīng)變?cè)鲆娴鷮W(xué)習(xí)控制 |
| 3.1 引言 |
| 3.2 系統(tǒng)描述 |
| 3.3 自適應(yīng)迭代學(xué)習(xí)控制器的設(shè)計(jì)與分析 |
| 3.4 仿真實(shí)例 |
| 3.4.1 定理3.1 的仿真結(jié)果 |
| 3.4.2 定理3.3 的仿真結(jié)果 |
| 3.5 本章小結(jié) |
| 第四章 模型不確定的機(jī)器人自適應(yīng)魯棒迭代學(xué)習(xí)控制 |
| 4.1 引言 |
| 4.2 系統(tǒng)描述 |
| 4.3 控制器設(shè)計(jì)與分析 |
| 4.3.1 機(jī)器人模型線性化 |
| 4.3.2 控制器收斂性分析 |
| 4.4 仿真實(shí)例 |
| 4.5 本章小結(jié) |
| 第五章 帶有擾動(dòng)的機(jī)器人自適應(yīng)切換控制 |
| 5.1 引言 |
| 5.2 系統(tǒng)描述 |
| 5.3 控制器的設(shè)計(jì)與分析 |
| 5.3.1 情形1:機(jī)器人系統(tǒng)有界干擾的上確界為已知時(shí) |
| 5.3.2 情形2:機(jī)器人系統(tǒng)有界干擾的上確界為未知時(shí) |
| 5.4 仿真研究 |
| 5.4.1 有界干擾的上確界為已知時(shí)的切換自適應(yīng)控制仿真 |
| 5.4.2 有界干擾的上確界為未知時(shí)的切換自適應(yīng)控制仿真 |
| 5.5 本章小結(jié) |
| 第六章 無(wú)標(biāo)定圖像雅克比偽逆的機(jī)器人視覺(jué)伺服 |
| 6.1 引言 |
| 6.2 系統(tǒng)描述 |
| 6.2.1 機(jī)器人動(dòng)力學(xué)模型 |
| 6.2.2 問(wèn)題描述 |
| 6.3 圖像雅克比矩陣偽逆估計(jì) |
| 6.3.1 一般非線性函數(shù)的線性逆 |
| 6.3.2 圖像雅可比矩陣偽逆估計(jì) |
| 6.3.2.1 離線估計(jì)法 |
| 6.3.2.2 在線估計(jì)法 |
| 6.3.3 圖像雅可比矩陣奇異性分析 |
| 6.4 控制器的設(shè)計(jì)與分析 |
| 6.4.1 基于圖像雅可比矩陣轉(zhuǎn)置的視覺(jué)伺服 |
| 6.4.2 基于圖像雅可比矩陣偽逆的視覺(jué)伺服 |
| 6.5 仿真研究 |
| 6.5.1 平面機(jī)器人動(dòng)力學(xué)方程 |
| 6.5.2 平面機(jī)器人仿真參數(shù) |
| 6.5.3 控制策略 |
| 6.5.4 固定目標(biāo)仿真結(jié)果及分析 |
| 6.5.5 運(yùn)動(dòng)目標(biāo)仿真結(jié)果及分析 |
| 6.6 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 總結(jié) |
| 7.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀學(xué)位期間完成的論文及參加的科研項(xiàng)目 |
| 1.發(fā)表的論文 |
| 2.主持或參與的科研項(xiàng)目 |
（6）迭代學(xué)習(xí)控制算法研究及在機(jī)械臂中的應(yīng)用（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 引言 |
| 1.2 課題的研究背景及意義 |
| 1.3 迭代學(xué)習(xí)控制的研究?jī)?nèi)容及現(xiàn)狀 |
| 1.3.1 算法的收斂性和穩(wěn)定性 |
| 1.3.2 魯棒性 |
| 1.3.3 初值問(wèn)題 |
| 1.3.4 收斂速度 |
| 1.3.5 分析方法 |
| 1.3.6 學(xué)習(xí)律 |
| 1.4 迭代學(xué)習(xí)控制與其它控制方法的聯(lián)系 |
| 1.5 機(jī)器人的發(fā)展及相關(guān)控制技術(shù) |
| 1.5.1 機(jī)器人發(fā)展概況 |
| 1.5.2 機(jī)器人控制技術(shù) |
| 1.6 本文的主要研究?jī)?nèi)容和結(jié)構(gòu) |
| 第2章 迭代學(xué)習(xí)控制的理論基礎(chǔ) |
| 2.1 迭代學(xué)習(xí)控制的基本原理 |
| 2.2 迭代學(xué)習(xí)控制過(guò)程的表述 |
| 2.2.1 動(dòng)力學(xué)特性的可重復(fù)性 |
| 2.2.2 跟蹤任務(wù) |
| 2.2.3 初始定位 |
| 2.2.4 迭代學(xué)習(xí)律 |
| 2.2.5 停止條件 |
| 2.2.6 干擾環(huán)境 |
| 2.3 迭代學(xué)習(xí)算法的基本流程 |
| 2.4 數(shù)學(xué)知識(shí)準(zhǔn)備 |
| 2.4.1 Banach 空間 |
| 2.4.2 向量與矩陣的范數(shù) |
| 2.4.3 Bellman-Gronwall 引理 |
| 2.4.4 Lipschitz 條件 |
| 2.5 本章小結(jié) |
| 第3章 機(jī)器人指數(shù)變?cè)鲆婵焖俚鷮W(xué)習(xí)控制 |
| 3.1 引言 |
| 3.2 系統(tǒng)描述 |
| 3.3 主要結(jié)果 |
| 3.3.1 新算法的提出 |
| 3.3.2 考慮機(jī)械臂轉(zhuǎn)角限位時(shí)算法的改進(jìn) |
| 3.4 收斂性分析 |
| 3.5 仿真研究 |
| 3.6 本章小結(jié) |
| 第4章 帶擾動(dòng)的非線性系統(tǒng)的快速迭代學(xué)習(xí)控制 |
| 4.1 引言 |
| 4.2 問(wèn)題的描述 |
| 4.3 主要結(jié)果 |
| 4.4 收斂性證明 |
| 4.5 仿真研究 |
| 4.6 本章小結(jié) |
| 第5章 具有可變遺忘因子的迭代學(xué)習(xí)算法及在機(jī)械臂中的應(yīng)用 |
| 5.1 引言 |
| 5.2 新算法的提出 |
| 5.3 主要結(jié)果 |
| 5.4 可變遺忘因子的設(shè)計(jì) |
| 5.5 系統(tǒng)模型轉(zhuǎn)換 |
| 5.6 仿真研究 |
| 5.7 本章小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果 |
| 致謝 |
| 作者簡(jiǎn)介 |
（7）迭代學(xué)習(xí)控制及其在故障診斷中的應(yīng)用研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 課題研究的背景和意義 |
| 1.2 迭代學(xué)習(xí)控制的研究現(xiàn)狀 |
| 1.2.1 學(xué)習(xí)律 |
| 1.2.2 算法的穩(wěn)定性和收斂性 |
| 1.2.3 算法的魯棒性 |
| 1.2.4 學(xué)習(xí)算法的收斂速度 |
| 1.2.5 初值問(wèn)題 |
| 1.2.6 分析方法 |
| 1.3 迭代學(xué)習(xí)控制的應(yīng)用 |
| 1.4 故障診斷研究?jī)?nèi)容和方法分類 |
| 1.4.1 基于解析模型的方法 |
| 1.4.2 基于信號(hào)處理的方法 |
| 1.4.3 基于知識(shí)的方法 |
| 1.5 論文研究的主要內(nèi)容 |
| 第2章 迭代學(xué)習(xí)控制的初值問(wèn)題 |
| 2.1 迭代學(xué)習(xí)控制的基本原理 |
| 2.2 具有固定初態(tài)偏差的 D 型迭代學(xué)習(xí)控制 |
| 2.2.1 問(wèn)題描述 |
| 2.2.2 收斂性分析 |
| 2.2.3 仿真研究 |
| 2.3 具有固定初態(tài)偏差的 PD 型迭代學(xué)習(xí)控制 |
| 2.3.1 問(wèn)題描述 |
| 2.3.2 收斂性分析 |
| 2.3.3 仿真研究 |
| 2.4 帶有初態(tài)學(xué)習(xí)的 D 型迭代學(xué)習(xí)控制 |
| 2.4.1 問(wèn)題描述 |
| 2.4.2 收斂性分析 |
| 2.4.3 仿真研究 |
| 2.5 初態(tài)學(xué)習(xí)下控制時(shí)滯非線性系統(tǒng)的迭代學(xué)習(xí)控制 |
| 2.5.1 問(wèn)題描述 |
| 2.5.2 收斂性分析 |
| 2.5.3 仿真研究 |
| 2.6 初態(tài)學(xué)習(xí)下?tīng)顟B(tài)時(shí)滯非線性系統(tǒng)的迭代學(xué)習(xí)控制 |
| 2.6.1 問(wèn)題描述 |
| 2.6.2 收斂性分析 |
| 2.6.3 仿真研究 |
| 2.7 本章小結(jié) |
| 第3章 新型快速迭代學(xué)習(xí)控制 |
| 3.1 帶有初態(tài)學(xué)習(xí)的指數(shù)變?cè)鲆娴鷮W(xué)習(xí)控制 |
| 3.1.1 問(wèn)題描述 |
| 3.1.2 收斂性分析 |
| 3.1.3 仿真研究 |
| 3.2 具有反饋信息的比例差分型迭代學(xué)習(xí)控制 |
| 3.2.1 問(wèn)題描述 |
| 3.2.2 收斂性分析 |
| 3.2.3 仿真研究 |
| 3.3 比例差分型學(xué)習(xí)律在 LEBESGUE-P 范數(shù)意義下的收斂性 |
| 3.3.1 問(wèn)題描述 |
| 3.3.2 收斂性分析 |
| 3.3.3 仿真研究 |
| 3.4 帶有角度修正的非線性離散系統(tǒng)迭代學(xué)習(xí)控制 |
| 3.4.1 問(wèn)題描述 |
| 3.4.2 收斂性分析 |
| 3.4.3 仿真研究 |
| 3.5 本章小結(jié) |
| 第4章 基于迭代學(xué)習(xí)的連續(xù)系統(tǒng)故障診斷 |
| 4.1 基于比例差分型迭代學(xué)習(xí)的連續(xù)線性系統(tǒng)故障診斷 |
| 4.1.1 故障診斷算法 |
| 4.1.1.1 新算法的提出 |
| 4.1.1.2 算法的收斂性分析 |
| 4.1.1.3 虛擬故障分析 |
| 4.1.2 仿真研究 |
| 4.2 基于比例差分型迭代學(xué)習(xí)的連續(xù)非線性系統(tǒng)故障診斷 |
| 4.2.1 故障診斷算法 |
| 4.2.1.1 新算法的提出 |
| 4.2.1.2 算法的收斂性分析 |
| 4.2.1.3 虛擬故障分析 |
| 4.2.2 仿真研究 |
| 4.3 基于比例差分型迭代學(xué)習(xí)的連續(xù)不確定線性系統(tǒng)故障診斷 |
| 4.3.1 故障診斷算法研究 |
| 4.3.1.1 新算法的提出 |
| 4.3.1.2 故障檢測(cè)閾值分析 |
| 4.3.1.3 算法的收斂性分析 |
| 4.3.1.4 故障跟蹤特性分析 |
| 4.3.2 仿真研究 |
| 4.4 基于比例差分型迭代學(xué)習(xí)的連續(xù)不確定非線性系統(tǒng)故障診斷 |
| 4.4.1 故障診斷算法研究 |
| 4.4.1.1 新算法的提出 |
| 4.4.1.2 故障檢測(cè)閾值分析 |
| 4.4.1.3 算法的收斂性分析 |
| 4.4.1.4 故障跟蹤特性分析 |
| 4.4.2 仿真研究 |
| 4.5 本章小結(jié) |
| 第5章 基于迭代學(xué)習(xí)的離散系統(tǒng)故障診斷 |
| 5.1 基于迭代學(xué)習(xí)的線性離散時(shí)變系統(tǒng)故障診斷 |
| 5.1.1 故障診斷方法研究 |
| 5.1.1.1 新算法的提出 |
| 5.1.1.2 算法的收斂性分析 |
| 5.1.1.3 虛擬故障分析 |
| 5.1.2 仿真研究 |
| 5.2 基于迭代學(xué)習(xí)的非線性離散時(shí)變系統(tǒng)故障診斷 |
| 5.2.1 故障診斷方法研究 |
| 5.2.1.1 新算法的提出 |
| 5.2.1.2 算法的收斂性分析 |
| 5.2.1.3 虛擬故障分析 |
| 5.2.2 仿真研究 |
| 5.3 基于迭代學(xué)習(xí)的不確定線性離散時(shí)變系統(tǒng)故障診斷 |
| 5.3.1 故障診斷方法研究 |
| 5.3.1.1 新算法的提出 |
| 5.3.1.2 故障檢測(cè)閾值分析 |
| 5.3.1.3 算法的收斂性分析 |
| 5.3.1.4 故障跟蹤特性分析 |
| 5.3.2 仿真研究 |
| 5.4 基于迭代學(xué)習(xí)的不確定非線性離散時(shí)變系統(tǒng)故障診斷 |
| 5.4.1 故障診斷方法研究 |
| 5.4.1.1 新算法的提出 |
| 5.4.1.2 故障檢測(cè)閾值分析 |
| 5.4.1.3 算法的收斂性分析 |
| 5.4.1.4 故障跟蹤特性分析 |
| 5.4.2 仿真研究 |
| 5.5 本章小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間發(fā)表的論文和取得的科研成果 |
| 致謝 |
（8）基于高階內(nèi)模的迭代學(xué)習(xí)控制及應(yīng)用（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 迭代學(xué)習(xí)控制的總體回顧 |
| 1.1.1 什么是迭代學(xué)習(xí)控制 |
| 1.1.2 迭代學(xué)習(xí)控制的發(fā)展沿革和現(xiàn)狀 |
| 1.1.3 迭代學(xué)習(xí)控制理論研究中的若干重要問(wèn)題 |
| 1.1.4 迭代學(xué)習(xí)控制與其他自動(dòng)控制方法的關(guān)系 |
| 1.2 研究動(dòng)機(jī):ILC研究中的非嚴(yán)格重復(fù)問(wèn)題 |
| 1.2.1 參考軌跡的非嚴(yán)格重復(fù)性 |
| 1.2.2 系統(tǒng)不確定參數(shù)的非嚴(yán)格重復(fù)性 |
| 1.2.3 迭代初態(tài)的非嚴(yán)格重復(fù)性 |
| 1.2.4 迭代系統(tǒng)中的其他非嚴(yán)格重復(fù)因素 |
| 1.3 內(nèi)模原理 |
| 1.4 論文主要工作和組織結(jié)構(gòu) |
| 1.4.1 論文主要工作 |
| 1.4.2 論文結(jié)構(gòu)安排 |
| 2 連續(xù)時(shí)間非參數(shù)系統(tǒng)的高階內(nèi)模ILC |
| 2.1 引言 |
| 2.2 系統(tǒng)描述和基本假設(shè) |
| 2.3 非嚴(yán)格重復(fù)性:參考軌跡的高階內(nèi)模 |
| 2.4 基于高階內(nèi)模的迭代學(xué)習(xí)控制 |
| 2.4.1 控制算法設(shè)計(jì) |
| 2.4.2 收斂性能分析 |
| 2.5 仿真研究 |
| 2.6 本章小結(jié) |
| 3 連續(xù)時(shí)間參數(shù)系統(tǒng)的高階內(nèi)模自適應(yīng)ILC:一般設(shè)計(jì) |
| 3.1 引言 |
| 3.2 問(wèn)題描述和基本假設(shè) |
| 3.3 非嚴(yán)格重復(fù)性:連續(xù)時(shí)變不確定參數(shù)的高階內(nèi)模 |
| 3.4 問(wèn)題初探:兩種基于二階內(nèi)模的自適應(yīng)ILC算法的比較 |
| 3.4.1 階的自適應(yīng)ILC |
| 3.4.2 平行自適應(yīng)ILC |
| 3.4.3 數(shù)值仿真 |
| 3.5 連續(xù)單時(shí)變參數(shù)系統(tǒng)的平行自適應(yīng)ILC |
| 3.5.1 平行格式的高階內(nèi)模自適應(yīng)ILC算法設(shè)計(jì) |
| 3.5.2 迭代初態(tài)重置條件下的收斂性分析 |
| 3.5.3 迭代初末態(tài)alignment條件下的收斂性分析 |
| 3.6 連續(xù)多時(shí)變參數(shù)系統(tǒng)的混合平行自適應(yīng)ILC |
| 3.6.1 問(wèn)題描述 |
| 3.6.2 非嚴(yán)格重復(fù)性:多時(shí)變不確定參數(shù)和未知時(shí)變輸入增益的混合高階內(nèi)模 |
| 3.6.3 混合平行格式的高階內(nèi)模自適應(yīng)ILC算法設(shè)計(jì) |
| 3.6.4 收斂性分析 |
| 3.7 仿真研究 |
| 3.8 本章小結(jié) |
| 4 連續(xù)時(shí)間參數(shù)系統(tǒng)的高階內(nèi)模自適應(yīng)ILC:魯棒設(shè)計(jì) |
| 4.1 引言 |
| 4.2 問(wèn)題描述和基本假設(shè) |
| 4.3 非嚴(yán)格重復(fù)性:任意的有界輸入輸出擾動(dòng)和任意的有界迭代初態(tài) |
| 4.3.1 非嚴(yán)格重復(fù)的有界輸入輸出擾動(dòng) |
| 4.3.2 非嚴(yán)格重復(fù)的有界迭代初態(tài) |
| 4.4 連續(xù)單時(shí)變參數(shù)系統(tǒng)的平行自適應(yīng)ILC:魯棒設(shè)計(jì) |
| 4.4.1 平行自適應(yīng)ILC算法的魯棒設(shè)計(jì) |
| 4.4.2 主要結(jié)論 |
| 4.5 仿真研究 |
| 4.6 本章小結(jié) |
| 5 離散時(shí)間參數(shù)系統(tǒng)的高階內(nèi)模自適應(yīng)ILC |
| 5.1 引言 |
| 5.2 問(wèn)題描述和基本假設(shè) |
| 5.3 離散時(shí)間系統(tǒng)中的非嚴(yán)格重復(fù)性 |
| 5.3.1 任意的有界參考軌跡 |
| 5.3.2 任意的有界迭代初態(tài) |
| 5.3.3 離散時(shí)變不確定參數(shù)的高階內(nèi)模 |
| 5.4 基于最小二乘法的平行自適應(yīng)ILC |
| 5.4.1 控制器設(shè)計(jì) |
| 5.4.2 收斂性分析 |
| 5.5 基于投影算法的平行自適應(yīng)ILC |
| 5.5.1 控制器設(shè)計(jì) |
| 5.5.2 收斂性分析 |
| 5.6 仿真研究 |
| 5.7 本章小結(jié) |
| 6 空間自適應(yīng)ILC在列車運(yùn)行曲線跟蹤控制中的應(yīng)用 |
| 6.1 引言 |
| 6.2 列車運(yùn)行的動(dòng)力學(xué)模型 |
| 6.3 空間自適應(yīng)ILC在列車運(yùn)行速度曲線跟蹤控制中的應(yīng)用 |
| 6.3.1 問(wèn)題描述 |
| 6.3.2 空間自適應(yīng)ILC設(shè)計(jì) |
| 6.3.3 收斂性分析 |
| 6.4 基于高階內(nèi)模的空間自適應(yīng)ILC在列車運(yùn)行時(shí)間曲線跟蹤控制中的應(yīng)用 |
| 6.4.1 問(wèn)題描述 |
| 6.4.2 基于高階內(nèi)模的空間自適應(yīng)ILC |
| 6.4.3 主要結(jié)論 |
| 6.5 數(shù)值仿真研究 |
| 6.6 本章小結(jié) |
| 7 結(jié)論與展望 |
| 7.1 結(jié)論 |
| 7.2 有待于進(jìn)一步研究的問(wèn)題 |
| 參考文獻(xiàn) |
| 作者簡(jiǎn)歷 |
| 教育經(jīng)歷 |
| 論文及科研 |
| 學(xué)位論文數(shù)據(jù)集 |
（9）開(kāi)放型嵌入式旋轉(zhuǎn)機(jī)械自動(dòng)平衡控制系統(tǒng)的研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 課題來(lái)源及研究目的與意義 |
| 1.2 國(guó)內(nèi)外相關(guān)研究和應(yīng)用綜述 |
| 1.2.1 故障自愈的研究 |
| 1.2.2 轉(zhuǎn)子自動(dòng)平衡的研究 |
| 1.2.2.1 平衡頭設(shè)計(jì) |
| 1.2.2.2 平衡算法 |
| 1.2.2.3 振動(dòng)信號(hào)處理 |
| 1.2.3 PC/104嵌入式系統(tǒng) |
| 1.2.3.1 PC/104協(xié)議歷史 |
| 1.2.3.2 PC/104總線特點(diǎn) |
| 1.2.4 非線性系統(tǒng)的控制 |
| 1.2.5 自適應(yīng)濾波器及算法 |
| 1.2.6 機(jī)械故障診斷推理 |
| 1.2.6.1 知識(shí)的粗糙集約簡(jiǎn) |
| 1.2.6.2 知識(shí)的規(guī)則化處理 |
| 1.3 研究?jī)?nèi)容和研究方法 |
| 1.3.1 研究?jī)?nèi)容 |
| 1.3.2 研究方法 |
| 1.4 研究目標(biāo)和研究意義 |
| 1.4.1 研究目標(biāo) |
| 1.4.2 研究意義 |
| 1.5 本章小結(jié) |
| 第二章 開(kāi)放型嵌入式轉(zhuǎn)子自動(dòng)平衡控制系統(tǒng) |
| 2.1 平衡執(zhí)行器 |
| 2.2 平衡控制系統(tǒng) |
| 2.2.1 封閉式平衡控制系統(tǒng) |
| 2.2.2 開(kāi)放式平衡控制系統(tǒng) |
| 2.2.3 嵌入式平衡控制器 |
| 2.3 PC/104開(kāi)放型嵌入式自動(dòng)平衡控制器 |
| 2.3.1 PC/104體系結(jié)構(gòu) |
| 2.3.1.1 PC/104產(chǎn)生的背景 |
| 2.3.1.2 PC/104標(biāo)準(zhǔn)的特點(diǎn) |
| 2.3.2 PC/104開(kāi)放型嵌入式自動(dòng)平衡控制系統(tǒng) |
| 2.3.2.1 硬件結(jié)構(gòu) |
| 2.3.2.2 軟件結(jié)構(gòu) |
| 2.4 本章小結(jié) |
| 第三章 自動(dòng)平衡控制算法:迭代學(xué)習(xí)控制 |
| 3.1 迭代學(xué)習(xí)控制技術(shù)及發(fā)展概況 |
| 3.1.1 迭代學(xué)習(xí)控制技術(shù)發(fā)展概況 |
| 3.1.2 迭代學(xué)習(xí)控制的研究?jī)?nèi)容 |
| 3.2 迭代學(xué)習(xí)控制 |
| 3.2.1 迭代學(xué)習(xí)控制基本描述 |
| 3.2.2 開(kāi)、閉環(huán)迭代學(xué)習(xí)控制算法 |
| 3.3 迭代學(xué)習(xí)律及其收斂性 |
| 3.3.1 P型學(xué)習(xí)律 |
| 3.3.2 非線性時(shí)滯系統(tǒng)學(xué)習(xí)律 |
| 3.4 迭代學(xué)習(xí)魯棒性 |
| 3.4.1 魯棒收斂性 |
| 3.4.2 P型學(xué)習(xí)律控制魯棒性 |
| 3.5 學(xué)習(xí)速度 |
| 3.6 P型學(xué)習(xí)律初值問(wèn)題 |
| 3.7 基于向量分析的迭代學(xué)習(xí)控制 |
| 3.7.1 向量圖分析及其算法結(jié)構(gòu) |
| 3.7.2 新算法的收斂性證明及魯棒性分析 |
| 3.8 本章小結(jié) |
| 第四章 轉(zhuǎn)子建模與自動(dòng)平衡控制仿真 |
| 4.1 轉(zhuǎn)子自動(dòng)平衡控制系統(tǒng)框圖 |
| 4.2 轉(zhuǎn)子自動(dòng)平衡系統(tǒng)之一階純滯后模型(FOPTD模型) |
| 4.2.1 Cohen-Coon法整定標(biāo)準(zhǔn)增量PI控制算法 |
| 4.2.2 迭代學(xué)習(xí)自動(dòng)平衡控制算法 |
| 4.2.3 振動(dòng)平衡控制算法數(shù)值仿真對(duì)比(FOPTD模型) |
| 4.2.3.1 工作設(shè)定點(diǎn)遷移 |
| 4.2.3.2 典型干擾 |
| 4.2.4 FOPTD模型控制仿真小結(jié) |
| 4.3 超重力機(jī)轉(zhuǎn)子模型 |
| 4.3.1 超重力機(jī) |
| 4.3.2 超重力機(jī)轉(zhuǎn)子模型的建立 |
| 4.3.2.1 數(shù)學(xué)模型的建立 |
| 4.3.2.2 模型參數(shù)設(shè)置 |
| 4.3.2.3 超重力機(jī)轉(zhuǎn)子自動(dòng)平衡控制仿真 |
| 4.3.2.4 超重力機(jī)模型仿真小結(jié) |
| 4.3.3 超重力機(jī)實(shí)驗(yàn)臺(tái)實(shí)時(shí)控制測(cè)試 |
| 4.3.3.1 剛性轉(zhuǎn)子單平面動(dòng)平衡算法 |
| 4.3.3.2 超重力機(jī)實(shí)驗(yàn)臺(tái)影響系數(shù)的測(cè)量 |
| 4.3.3.3 超重力機(jī)實(shí)驗(yàn)臺(tái)閉環(huán)控制實(shí)驗(yàn) |
| 第五章 可自由旋轉(zhuǎn)的雙盤電磁型轉(zhuǎn)子自動(dòng)平衡系統(tǒng) |
| 5.1 雙盤電磁型自動(dòng)平衡系統(tǒng) |
| 5.1.1 動(dòng)環(huán)結(jié)構(gòu) |
| 5.1.2 平衡盤的平衡原理 |
| 5.2 平衡盤的定位與轉(zhuǎn)動(dòng) |
| 5.2.1 平衡盤定位 |
| 5.2.2 平衡盤轉(zhuǎn)動(dòng)方式 |
| 5.2.3 平衡盤移動(dòng)仿真 |
| 5.3 本章小結(jié) |
| 第六章 自動(dòng)平衡中振動(dòng)信號(hào)的時(shí)域自適應(yīng)處理 |
| 6.1 自適應(yīng)濾波的基本概念 |
| 6.2 LMS算法 |
| 6.3 基于幾何分析的自適應(yīng)濾波算法 |
| 6.3.1 LMS算法向量分析 |
| 6.3.2 向量LMS算法中參數(shù)設(shè)置研究 |
| 6.3.2.1 迭代步長(zhǎng)μ |
| 6.3.2.2 滑動(dòng)因子α與β |
| 6.3.3 LMS算法性能對(duì)比研究 |
| 6.3.3.1 噪聲測(cè)試 |
| 6.3.3.2 信號(hào)突變測(cè)試 |
| 6.3.4 實(shí)際信號(hào)處理 |
| 6.5 振動(dòng)信號(hào)預(yù)處理 |
| 6.5.1 消除多項(xiàng)式趨勢(shì)項(xiàng) |
| 6.6 本章小結(jié) |
| 第七章 用于轉(zhuǎn)子自動(dòng)平衡的故障自動(dòng)診斷系統(tǒng) |
| 7.1 基于蟻群算法的轉(zhuǎn)子故障快速聚類 |
| 7.1.1 蟻群算法的仿生原理 |
| 7.1.2 基本蟻群算法 |
| 7.1.3 利用蟻群算法快速聚類轉(zhuǎn)子故障 |
| 7.1.3.1 "餌料"誘導(dǎo) |
| 7.1.3.2 重要度因子與難易度因子 |
| 7.1.3.3 帶評(píng)估和誘導(dǎo)因子的蟻群算法 |
| 7.1.4 基于蟻群算法的渦輪機(jī)械故障聚類實(shí)驗(yàn) |
| 7.2 面向嵌入式應(yīng)用的自動(dòng)推理模型 |
| 7.2.1 知識(shí)的粗糙集約簡(jiǎn) |
| 7.2.2 規(guī)則化處理 |
| 7.2.2.1 自動(dòng)推理部分 |
| 7.2.2.2 不可自動(dòng)推理部分 |
| 7.2.2.3 模糊化處理 |
| 7.2.3 旋轉(zhuǎn)設(shè)備自動(dòng)故障診斷系統(tǒng) |
| 7.3 本章小結(jié) |
| 第八章 結(jié)論與展望 |
| 8.1 論文的創(chuàng)新與研究成果 |
| 8.2 未來(lái)研究的發(fā)展方向 |
| 參考文獻(xiàn) |
| 致謝 |
| 研究成果及發(fā)表的學(xué)術(shù)論文 |
| 作者簡(jiǎn)介 |
| 導(dǎo)師簡(jiǎn)介 |
| 北京化工大學(xué) 博士研究生學(xué)位論文答辯委員會(huì)決議書 |
（10）優(yōu)化迭代學(xué)習(xí)控制算法及其應(yīng)用研究（論文提綱范文）
| 摘要 |
| Abstract |
| 插圖索引 |
| 第1章 緒論 |
| 1.1 引言 |
| 1.2 迭代學(xué)習(xí)控制的基本原理 |
| 1.3 迭代學(xué)習(xí)控制的數(shù)學(xué)描述 |
| 1.4 迭代學(xué)習(xí)控制的研究?jī)?nèi)容及研究現(xiàn)狀 |
| 1.5 迭代學(xué)習(xí)控制算法的研究現(xiàn)狀 |
| 1.5.1 PID 型迭代學(xué)習(xí)控制算法 |
| 1.5.2 反饋-前饋迭代學(xué)習(xí)控制算法 |
| 1.5.3 基于模型的迭代學(xué)習(xí)控制算法 |
| 1.5.4 自適應(yīng)迭代學(xué)習(xí)控制算法 |
| 1.5.5 優(yōu)化迭代學(xué)習(xí)控制算法 |
| 1.6 本文的研究?jī)?nèi)容 |
| 1.7 本文的章節(jié)安排 |
| 第2章 優(yōu)化迭代學(xué)習(xí)控制算法 |
| 2.1 優(yōu)化迭代學(xué)習(xí)控制算法的發(fā)展歷程 |
| 2.1.1 梯度法在迭代學(xué)習(xí)控制算法中的應(yīng)用 |
| 2.1.2 控制量有柔性約束的迭代學(xué)習(xí)控制算法 |
| 2.1.3 最速下降法在連續(xù)迭代學(xué)習(xí)控制系統(tǒng)中的應(yīng)用 |
| 2.1.4 Newton-Raphson 法在迭代學(xué)習(xí)控制中的應(yīng)用 |
| 2.1.5 有約束的優(yōu)化與迭代學(xué)習(xí)控制的結(jié)合 |
| 2.2 范數(shù)優(yōu)化迭代學(xué)習(xí)控制（NOILC） |
| 2.2.1 范數(shù)優(yōu)化迭代學(xué)習(xí)控制算法的提出 |
| 2.2.2 范數(shù)優(yōu)化迭代學(xué)習(xí)控制算法的收斂性分析 |
| 2.2.3 連續(xù)時(shí)間系統(tǒng)的因果實(shí)現(xiàn) |
| 2.2.4 離散時(shí)間系統(tǒng)的因果實(shí)現(xiàn) |
| 2.3 參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法（POILC） |
| 2.3.1 參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法的提出 |
| 2.3.2 反饋型參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法 |
| 2.3.3 預(yù)測(cè)參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法 |
| 2.4 小結(jié) |
| 第3章 PID 型快速參數(shù)優(yōu)化迭代學(xué)習(xí)控制算法 |
| 3.1 引言 |
| 3.2 PID 型快速參數(shù)優(yōu)化迭代學(xué)習(xí)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 算法的實(shí)現(xiàn) |
| 3.3 PID 型快速POILC 算法的收斂性分析 |
| 3.4 PID 型快速POILC 算法的性能分析 |
| 3.5 PID 型快速POILC 算法仿真實(shí)例 |
| 3.5.1 算法收斂速度對(duì)比仿真分析 |
| 3.5.2 算法收斂性仿真分析 |
| 3.5.3 算法參數(shù)仿真分析 |
| 3.6 小結(jié) |
| 第4章 基于基函數(shù)項(xiàng)的PID 型快速POILC 算法 |
| 4.1 引言 |
| 4.2 基于基函數(shù)項(xiàng)的PID 型快速POILC 算法 |
| 4.2.1 基于基函數(shù)項(xiàng)的PID 型快速POILC 算法的描述 |
| 4.2.2 基于基函數(shù)項(xiàng)的PID 型快速POILC 算法的實(shí)現(xiàn) |
| 4.3 基于基函數(shù)項(xiàng)的PID 型快速POILC 算法的收斂性分析 |
| 4.4 基于基函數(shù)項(xiàng)的PID 型快速POILC 算法仿真分析 |
| 4.4.1 算法收斂速度對(duì)比仿真分析 |
| 4.4.2 算法收斂性仿真分析 |
| 4.5 小結(jié) |
| 第5章 基于克隆選擇算法的優(yōu)化迭代學(xué)習(xí)控制 |
| 5.1 引言 |
| 5.2 克隆選擇算法概述 |
| 5.2.1 克隆選擇原理 |
| 5.2.2 克隆選擇的基本特點(diǎn) |
| 5.2.3 克隆選擇在優(yōu)化中的應(yīng)用 |
| 5.3 基于克隆選擇算法的優(yōu)化迭代學(xué)習(xí)控制(CSA-ILC) |
| 5.3.1 CSA-ILC 結(jié)構(gòu) |
| 5.3.2 用于迭代學(xué)習(xí)控制的改進(jìn)型克隆選擇算法 |
| 5.4 仿真分析 |
| 5.4.1 輸入有約束的線性非最小相位系統(tǒng)仿真分析 |
| 5.4.2 飽和非線性工業(yè)控制系統(tǒng)仿真實(shí)例 |
| 5.5 小結(jié) |
| 第6章 具有模型自修正機(jī)制的優(yōu)化迭代學(xué)習(xí)控制 |
| 6.1 引言 |
| 6.2 算法中的ILC 問(wèn)題描述 |
| 6.3 具有模型自修正機(jī)制的優(yōu)化迭代學(xué)習(xí)控制 |
| 6.3.1 具有模型自修正機(jī)制的 ILC 算法結(jié)構(gòu) |
| 6.3.2 用于迭代學(xué)習(xí)控制的改進(jìn)型克隆選擇算法 |
| 6.4 仿真分析 |
| 6.4.1 輸入有約束的線性非最小相系統(tǒng)仿真分析 |
| 6.4.2 飽和非線性工業(yè)控制系統(tǒng)仿真實(shí)例 |
| 6.5 小結(jié) |
| 第7章 迭代學(xué)習(xí)控制算法在振動(dòng)主動(dòng)控制中的應(yīng)用 |
| 7.1 引言 |
| 7.2 振動(dòng)主動(dòng)控制系統(tǒng)概述 |
| 7.2.1 振動(dòng)控制的基本概念 |
| 7.2.2 振動(dòng)主動(dòng)控制的發(fā)展歷史及研究現(xiàn)狀 |
| 7.2.3 振動(dòng)主動(dòng)控制系統(tǒng)結(jié)構(gòu) |
| 7.2.4 振動(dòng)主動(dòng)控制的主要方法 |
| 7.2.5 振動(dòng)主動(dòng)控制的優(yōu)點(diǎn) |
| 7.3 “質(zhì)量彈簧阻尼”系統(tǒng)（Mass Spring Damper System, MSD） |
| 7.3.1 單自由度“質(zhì)量彈簧阻尼”系統(tǒng) |
| 7.3.2 多自由度“質(zhì)量彈簧阻尼”系統(tǒng) |
| 7.4 主動(dòng)控制中ILC 問(wèn)題的數(shù)學(xué)描述 |
| 7.5 仿真分析 |
| 7.5.1 不同類ILC 算法仿真分析 |
| 7.5.2 POILC 算法收斂速度對(duì)比仿真分析 |
| 7.6 小結(jié) |
| 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄 |
四、自適應(yīng)迭代學(xué)習(xí)控制新算法及其在工業(yè)過(guò)程控制中的應(yīng)用（論文參考文獻(xiàn)）
- [1]自適應(yīng)迭代學(xué)習(xí)控制新算法及其在工業(yè)過(guò)程控制中的應(yīng)用[D]. 楊小軍. 西安電子科技大學(xué), 2002(02)
- [2]基于強(qiáng)化學(xué)習(xí)的前饋控制器[D]. 馬一鳴. 華北電力大學(xué)(北京), 2021(01)
- [3]基于迭代學(xué)習(xí)算法的機(jī)械臂軌跡跟蹤控制研究[D]. 李素芳. 東華大學(xué), 2020(01)
- [4]計(jì)算智能GWO算法優(yōu)化及其在運(yùn)動(dòng)控制中的應(yīng)用[D]. 張小青. 西安電子科技大學(xué), 2020(05)
- [5]機(jī)器人若干控制問(wèn)題分析與設(shè)計(jì)[D]. 楊振. 東南大學(xué), 2018(03)
- [6]迭代學(xué)習(xí)控制算法研究及在機(jī)械臂中的應(yīng)用[D]. 王娜. 燕山大學(xué), 2013(02)
- [7]迭代學(xué)習(xí)控制及其在故障診斷中的應(yīng)用研究[D]. 曹偉. 哈爾濱工程大學(xué), 2013(04)
- [8]基于高階內(nèi)模的迭代學(xué)習(xí)控制及應(yīng)用[D]. 殷辰堃. 北京交通大學(xué), 2011(09)
- [9]開(kāi)放型嵌入式旋轉(zhuǎn)機(jī)械自動(dòng)平衡控制系統(tǒng)的研究[D]. 曹晰. 北京化工大學(xué), 2009(04)
- [10]優(yōu)化迭代學(xué)習(xí)控制算法及其應(yīng)用研究[D]. 李恒杰. 蘭州理工大學(xué), 2009(01)
標(biāo)簽：自適應(yīng)論文; 機(jī)器學(xué)習(xí)論文; 過(guò)程控制論文; 強(qiáng)化學(xué)習(xí)論文; 自動(dòng)化控制論文;