针对一类受限系统的优化迭代学习控制律

摘要

迭代学习控制律可以为重复执行的控制过程提供合适的控制输入以实现零误差跟踪。该文从优化的角度给出了2类迭代学习控制律,一类以未来时刻跟踪误差最小作为优化目标,按目标函数的最速下降方向进行迭代,也称为压缩映射迭代学习控制律;另一类以全部时刻跟踪误差以及迭代控制增量最小作为优化目标,最优解即为迭代学习控制增量,也称为最小二次型迭代学习控制律。在第二类迭代学习控制律的基础上,充分考虑反馈闭环内作动器的饱和约束,将其转化为控制系统输入增量的约束,因此构成凸规划问题,进而用二次规划方法求解。基于一类既有连续信号又有离散信号的混合受限闭环反馈控制系统,针对作动器的饱和特性,搭建了在饱和和非饱和阶段相互切换的系统动态模型。仿真验证了上述算法的有效性,并对比了两类算法的收敛性能,同时也表明压缩映射迭代学习控制律对系统饱和非线性具有一定的鲁棒性能,而二次规划方法可以充分考虑作动器约束,避免饱和发生,同时具有很好的误差收敛特性。