基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的迭代學(xué)習(xí)控制初始控制策略研究.pdf

1、迭代學(xué)習(xí)控制（Iterative Learning Control： ILC）是智能控制理論的一個重要分支，可用于改善具有重復(fù)運動特性的過程、機械、裝置或系統(tǒng)的瞬態(tài)響應(yīng)和跟蹤特性，其基本思想是以系統(tǒng)的實際輸出與期望輸出的偏差修正不理想的控制信號，產(chǎn)生新的控制信號，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)過程不斷出現(xiàn)，迭代學(xué)習(xí)控制的研究有著重要的意義，因而深受控制界矚目。 在眾多的迭代學(xué)習(xí)控制方法中，

2、如何選擇適當(dāng)?shù)南到y(tǒng)控制輸入初值（第一迭代時的控制輸入）是一類能夠使系統(tǒng)以較少的迭代次數(shù)達到對期望軌跡高精度跟蹤的有效方法。然而以往的研究對控制輸入初值的選取完全是主觀、盲目的，一般將其定為零或一有界隨機量。 本文主要針對當(dāng)采用傳統(tǒng)迭代學(xué)習(xí)算法應(yīng)對實際系統(tǒng)所面臨的由環(huán)境或期望運行軌跡變化導(dǎo)致的新控制任務(wù)時存在的諸如：1）由于必須重新經(jīng)歷迭代學(xué)習(xí)過程，導(dǎo)致學(xué)習(xí)算法的收斂速度受到影響；2）由于沒有修正控制輸入初值，導(dǎo)致在新運行任務(wù)的第

3、一個周期，控制量對系統(tǒng)輸出完全沒有作用，甚至使其發(fā)散，大大增加學(xué)習(xí)時間以及周期數(shù)等問題。通過依據(jù)迭代學(xué)習(xí)控制以往控制經(jīng)驗建立經(jīng)驗數(shù)據(jù)庫，并以系統(tǒng)新的期望軌跡、系統(tǒng)輸出、系統(tǒng)狀態(tài)及其導(dǎo)數(shù)作為輸入，分別采用BP神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊推理系統(tǒng)實現(xiàn)系統(tǒng)局部逆模型線性擬合的方法，進行系統(tǒng)控制輸入初值的研究。仿真研究表明：1）對于不同的非線性被控對象上述方法是有效可行的；2）對于不同的迭代學(xué)習(xí)算法，通過上述方法確定控制輸入初值后，可使系統(tǒng)在期望軌