【技术实现步骤摘要】
本专利技术涉及迭代学习控制，具体为考虑扰动的非重复时变系统的迭代学习控制方法及系统。
技术介绍
1、迭代学习控制(iterative learning control:ilc)是一种用于控制系统在有限学习时间内重复操作的技术。其具有广泛的应用领域，如移动机器人系统[2]，运动控制系统，以及智能交通系统等等。
2、含有实际扰动的非重复时变系统在医疗康复系统，锂电池充放电等许多领域都有广泛应用，在康复医学领域，患者在进行中风康复过程中，手臂的反应速率会随肌肉的疲劳而逐渐降低，这个过程中，手臂被看作一个非重复时变系统，该系统的状态是时刻变化的，且需要在有限时间内执行重复的任务。近年来，许多研究人员尝试利用卡尔曼滤波，解决非重复时变参数的相关问题。然而，在考虑实际扰动的情况下，对于执行重复任务的系统而言，ilc尚未发挥其显著优势。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：在系统参数未知的前提下，非重复时变系统在执行重复操作任务的同时考虑外部扰动，解决系统参数的估计准确性和期望轨迹的高精度跟踪问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：考虑扰动的非重复时变系统的迭代学习控制方法，其包括如下步骤，
4、收集二维滑台电机数据信息进行数据预处理。
5、构建含有实际扰动的非重复时变系统的离散系统动态模型。
6、基于离散系统动态模型构建非重复时变系统模型，定义
7、利用期望最大化方法估计系统的非重复时变参数。
8、构建考虑实际扰动的非重复时变系统的迭代学习控制模型，进一步分析收敛性。
9、完成实际扰动下非重复时变系统的轨迹跟踪。
10、作为本专利技术所述的考虑扰动的非重复时变系统的迭代学习控制方法的一种优选方案，其中：所述数据信息包括二维滑台电机的电压、电流、非重复时变系统在x轴和y轴移动的位移。
11、所述数据预处理是去除错误或不一致的记录，对数据进行标准化处理，将不同数据源的信息转换至同一标准，对数据进行归一化处理，消除不同量级数据间的影响，对于缺失的数据进行填补。
12、作为本专利技术所述的考虑扰动的非重复时变系统的迭代学习控制方法的一种优选方案，其中：所述含有实际扰动的非重复时变系统的离散系统动态模型，表达式为：
13、
14、其中，t和k分别代表采样时间和批次，批次过程的运行周期为t，uk(t)、yk(t)、xk(t)分别为第k批次t时刻有l维输入，m维输出系统，有n个状态，θt、φt分别为离散系统状态矩阵、输入矩阵和输出矩阵，w为状态实际扰动，v为观测实际扰动。
15、作为本专利技术所述的考虑扰动的非重复时变系统的迭代学习控制方法的一种优选方案，其中：所述非重复时变系统模型，表达式为：
16、yk＝gkuk+dk+εk
17、
18、
19、
20、uk＝[uk(0),uk(1),…,uk(n-1)]t
21、yk＝[yk(1),yk(2),…,yk(n)]t
22、其中，φnθn-1≠0满足系统能控条件，gk是输入输出传递矩阵，dk是初始状态，uk、yk分别为输入信号和输出轨迹；
23、所述定义期望轨迹，表达式为：
24、yd＝gdud+dd
25、
26、
27、其中，分别为状态、输入和输出矩阵的实际值；
28、第k次试验的跟踪误差ek，表达式为：
29、ek＝yd-yk
30、其中，yd、gd、dd分别为期望轨迹、实际输入输出传递矩阵，实际初始状态。
31、作为本专利技术所述的考虑扰动的非重复时变系统的迭代学习控制方法的一种优选方案，其中：所述利用期望最大化方法估计系统的非重复时变参数包括使用期望最大化方法采用最大似然参数估计方法获得参数估计序列并寻找最优的估计值，表达式为：
32、
33、
34、其中，和分别为联合分布和后验分布，yk(i)、xk(i)分别为第k次试验第i时刻的滑台输出移动位移和系统第k次试验第i时刻的状态，为期望。
35、作为本专利技术所述的考虑扰动的非重复时变系统的迭代学习控制方法的一种优选方案，其中：所述考虑实际扰动的非重复时变系统的迭代学习控制模型，表达式为：
36、uk+1＝luuk+lee(d,ε)
37、
38、
39、δdk＝dk+1-dk
40、δεk＝(εk+1-εk)w
41、其中，r、q分别代表输入和误差的权重矩阵，δεk、δdk、le、lu分别为噪声误差、初始状态误差、滤波和学习函数，ek为第k次试验的误差，uk+1为迭代学习控制模型的迭代学习更新率。
42、通过跟踪误差以及迭代学习更新率输出k+1次试验的跟踪误差，表达式为：
43、
44、
45、
46、其中，f(ek)有界且为λ强凸函数,其lipschitz系数为ξ。
47、当约束成立时，则满足与强制性，第一不等式成立。
48、所述约束表达式为：
49、
50、
51、所述第一不等式，表达式为：
52、
53、其中，x、y分别表示实数域空间上的任意两点，分别为函数在对应点x和y的梯度，λ为凸性量度。
54、作为本专利技术所述的考虑扰动的非重复时变系统的迭代学习控制方法的一种优选方案，其中：所述考虑实际扰动非重复时变系统的迭代学习控制模型还包括将迭代学习控制更新律输入第一不等式，输出第k+1次试验的跟踪误差范数，表达式为：
55、
56、
57、
58、其中，为光谱半径。
59、当系数ρ和c满足条件一，则||ek+1||＜||ek||成立，误差范数收敛。
60、所述条件一，表达式为：
61、且
62、所述误差范数收敛，表达式为：
63、
64、其中，e*为期望误差，u*为期望输入。
65、所述完成实际扰动下非重复时变系统的轨迹跟踪是根据所述迭代学习控制模型并结合期望最大化方法估计的参数，确定非重复时变系统每一迭代批次的输入矢量，将得到的输入矢量输入非重复时变系统进行轨迹跟踪控制。
66、本专利技术的另外一个目的是提供考虑扰动的非重复时变系统的迭代学习控制系统，其能通过高效地处理和适应动态变化及外部扰动，解决了现有技术中对于非重复时变系统控制精度不高和对扰动适应性不强的问题。
67、为解决上述技术问题，本专利技术提供如下技术方案：考虑扰动的非重复时变系统的迭代学习控制系统，包括：数据采集与预处理本文档来自技高网...
【技术保护点】
1.考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于，包括：
2.如权利要求1所述的考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于：所述数据信息包括二维滑台电机的电压、电流、非重复时变系统在x轴和y轴移动的位移；
3.如权利要求2所述的考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于：所述含有实际扰动的非重复时变系统的离散系统动态模型，表达式为：
4.如权利要求3所述的考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于：所述非重复时变系统模型，表达式为：
5.如权利要求4所述的考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于：所述利用期望最大化方法估计系统的非重复时变参数包括使用期望最大化方法采用最大似然参数估计方法获得参数估计序列并寻找最优的估计值，表达式为：
6.如权利要求5所述的考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于：所述考虑实际扰动的非重复时变系统的迭代学习控制模型，表达式为：
7.如权利要求6所述的考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于：
8.一种采用如权利要求1～7任一所述的考虑扰动的非重复时变系统的迭代学习控制方法的系统其特征在于：包括数据采集与预处理模块、系统建模模块、参数估计与优化模块、迭代学习控制模块、轨迹跟踪模块以及性能评估与调整模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的考虑扰动的非重复时变系统的迭代学习控制方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述考虑扰动的非重复时变系统的迭代学习控制方法的步骤。
...【技术特征摘要】
1.考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于，包括：
2.如权利要求1所述的考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于：所述数据信息包括二维滑台电机的电压、电流、非重复时变系统在x轴和y轴移动的位移；
3.如权利要求2所述的考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于：所述含有实际扰动的非重复时变系统的离散系统动态模型，表达式为：
4.如权利要求3所述的考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于：所述非重复时变系统模型，表达式为：
5.如权利要求4所述的考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于：所述利用期望最大化方法估计系统的非重复时变参数包括使用期望最大化方法采用最大似然参数估计方法获得参数估计序列并寻找最优的估计值，表达式为：
6.如权利要求5所述的考虑扰动的非重复时变系统的迭代学习控制方法，其特征在于：所述考虑实际扰动的非重复时变系统的...
【专利技术属性】
技术研发人员：马萍，皇甫紫薇，汪磊，陈逸阳，刘渊，袁豪，何信仪，翟羽佳，
申请(专利权)人：江南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。