含非線性項的2D時變系統(tǒng)迭代學習控制

梅中偉， 朱芳來

(同濟大學電子與信息工程學院，上海 201804)

0 引言

對于一個具有重復運行性質的系統(tǒng)，迭代學習能夠通過改變控制輸入使系統(tǒng)的輸出軌跡漸近地跟蹤給定的期望軌跡。迭代學習不需要知道系統(tǒng)參數(shù)，適合于那些難以建模和對軌跡控制精度要求非常高的系統(tǒng)。傳統(tǒng)的迭代學習［1－3］的一個缺點是難以找到一個同時描述控制系統(tǒng)在時域上的動態(tài)特性和在迭代方向上的學習率的數(shù)學模型。2D(Two Dimensional)系統(tǒng)包含兩個動態(tài)過程，表征系統(tǒng)在水平和垂直方向上的動態(tài)變化，而迭代學習同樣包含了兩個過程，時間過程上的動態(tài)特性和迭代過程，因此可以將2D系統(tǒng)理論和迭代學習很好地結合在一起。

近年，許多學者在原有的基于2D系統(tǒng)理論的迭代學習控制［4］基礎上進行了更為深入的研究。文獻［5］研究了含可變初始條件的離散系統(tǒng)的迭代學習;文獻［6］將2D系統(tǒng)理論應用于線性離散系統(tǒng)，給出了一種經(jīng)一次迭代輸出誤差即收斂至零的控制方法;文獻［7］針對一類含輸入時滯的非線性離散系統(tǒng)提出了一種迭代算法，使得系統(tǒng)能在不確定初始狀態(tài)下跟蹤誤差收斂到零;文獻［8］利用2D系統(tǒng)理論討論了開閉環(huán)迭代學習控制并給出了系統(tǒng)收斂的充分必要條件;文獻［9］提出了一種基于Roesser模型的MIMO系統(tǒng)學習率的參數(shù)選取方法，并給出了受擾動的線性時變離散系統(tǒng)輸出收斂的充分條件;文獻［10］通過引入以往控制信息對當前控制的影響函數(shù)，構造了一個具有較快收斂速度的新型迭代學習算法并利用2D理論證明了其收斂性;文獻［11］在文獻［6］的基礎上將2D線性時變離散系統(tǒng)的ILC過程轉變?yōu)?D線性時不變離散系統(tǒng)的ILC過程，并給出了兩類特殊的線性時變離散系統(tǒng)收斂的充分和必要條件。

本文針對含有非線性項的時變系統(tǒng)，提出了一種基于Roesser模型的2D學習率，與傳統(tǒng)的非線性系統(tǒng)差分型迭代學習率進行了比較，證明改進后的學習率具有更快的收斂速度。最后，對一個實際系統(tǒng)進行了數(shù)值仿真，并與差分型算法進行比較，驗證了文中所提方法的正確性。

1 Roesser模型及其收斂條件

2D時變系統(tǒng)的Roesser模型可由式(1)定義

2 含非線性項的時變離散系統(tǒng)的ILC學習律

考慮如下含非線性項的時變離散系統(tǒng)

式中:x(t)∈Rn，u(t)∈Rm，y(t)∈Rp分別為系統(tǒng)的狀態(tài)向量，輸入向量和輸出向量;f(x，t)為非線性項，是關于狀態(tài)向量x(t)和時間t的非線性函數(shù)，并且滿足Lipschitz條件;A(t)，B(t)，C(t)為具有適當維度的實矩陣。設式(2)滿足如下幾個假設。

假設1 非線性項f(x，t)滿足全局Lipschitz條件，即對任意的 t∈［0，T］存在常數(shù) kf，使得‖f(x1，t) －f(x2，t)‖≤kf‖x1－ x2‖。

假設2 每次迭代的初始條件總是相同的，即xk(0)=xd(0)。其中:xk(0)表示第k次的初始狀態(tài);xd(0)表示期望軌跡的初始狀態(tài)。

假設3 矩陣C(t)B(t－1)滿秩。

迭代學習控制可以做如下描述:對于給定的式(2)，在滿足邊界條件x(0)=x0的前提下，尋找一個理想控制輸入u(t)，t=0，1，…，N －1，使得系統(tǒng)能夠完全跟蹤期望輸出軌跡 yr(t)，t=0，1，…，N。下面給出一種通用的ILC學習律

式中，Δu(t，k)是對第k次控制輸入的修正量。將式(2)寫成2D Roesser模型

邊界條件為

記迭代學習的第k次和第k+1次狀態(tài)值之差為η(t，k)=x(t－1，k+1) －x(t－1，k)，非線性項之差為Δf(t，k)=f(x(t－1，k+1)，t－1) － f(x(t－1，k)，t－1)，輸出誤差為 e(t，k)=yr(t) － y(t，k)。由式(4)和式(5)可知

結合式(6)和式(7)

令

將式(9)代入式(8)中，可得

為了將式(10)轉變?yōu)闃藴实?D Roesser模型，取

由于非線性項滿足 Lipschitz條件 Δf(t，k)≤K·，即Δf(t，k)存在一定的上限 ε，故一定存在這樣的離散函數(shù)K4(t)和K5(t)使得Δf(t，k)=K4(t)·η(t，k)+K5(t)e(t，k)。將 Δf(t，k)代入到式(11)中，整理得

其中

假設R(t)=

由于第k+1次系統(tǒng)的狀態(tài)未知，所以無法直接使用上述學習率。在算法中使用開環(huán)差分型迭代學習率［12］對第k+1次的狀態(tài)進行估計。

基于以上推論給出下面的校正算法。

1) 當 k=0 時，u0(t)=0，x(0)=x0，并取 K(t，k)=β(t，k)(C(t)B(t－ 1))T［C(t)B(t－ 1)(C(t)B(t－1))T］－1，K2(t)=(C(t)B(t－1))T［C(t)B(t－1)(C(t)·B(t－1))T］－1，K1(t)= － K2(t)C(t)A(t－1)，K3(t)=－ (C(t)B(t－1))T［C(t)B(t－1)(C(t)B(t－1))T］－1·C(t)，其中 β(t，k)為一個待定參數(shù)使得 K(t，k)滿足‖I－K(t，k)C(t+1)B(t)‖≤p＜1，設置最大迭代次數(shù)為 Kmax。

2) 如果 k＜Kmax或者

則從引理1可以得到如下定理。

定理1對于含有非線性項的線性離散系統(tǒng)，若存在矩陣 K1(t)和 K2(t)使得‖R(t)‖＜1，t=1，2，…，則迭代學習控制率1，2，…，N，設置 Fflag=0，否則設置 Fflag=1。根據(jù)步驟1)計算 y(t，0)，并用開環(huán)迭代學習率計算 u(t，1)的預估值 uα(t，1)，即 uα(t，1)=u(t，0)+K(t+1)·(e(t+1，0) －e(t，0))。從而將 uα(t，1)代入式(2)可得系統(tǒng)的狀態(tài)值 xα(t，1)以及 y(t，1)的估計值 yα(t，1)。

3)根據(jù) yα(t，1)，得出第一次的誤差估計值eα(t，1)。將 eα(t，1)、xα(t，1) 分別當作 e(t，1) 和x(t，1)，從而可以使用學習率 u(t，k+1)=u(t，k)+K1(t+1)［x(t，k+1) － x(t，k)］+K2(t+1)e(t+1，k)+K3(t+1)［f(x(t，k+1)，t) － f(x(t，k)，t)］得出校正后的 y(t，1)。

校正算法流程如圖1所示。

圖1 校正算法結構流程圖Fig.1 The flow chart of the correction algorithm

3 數(shù)值仿真

本文所用的仿真示例來源于文獻［6］，在原系統(tǒng)的基礎上加入了非線性項

對于此仿真實例，取初始條件 x(0)=0，K(t，k)的值取為 K(t，k)=0.5(C(t)B(t－1))T［C(t)B(t－1)·(C(t)B(t－1))T］－1，期望軌跡為 yd(t)=1.5 sin(0.06t)，t=0，1，2，…，N。仿真結果如圖2 ～圖4 所示。

從圖2可以看到系統(tǒng)在式(14)的作用下，輸出曲線逐漸逼近于給定的期望曲線;圖3顯示了最后一次迭代的時候系統(tǒng)的輸出曲線已經(jīng)完全和給定的期望軌跡重合;圖4所示為差分型ILC學習率和校正算法收斂速度的比較，從圖中可以看出改進后的算法具有更快的收斂速度，并且跟蹤性能良好。

圖2 系統(tǒng)在式(14)作用下每次迭代產生的輸出曲線和期望輸出曲線Fig.2 Tracking performance of ILC system output at different time－steps and iterations using ILC rule(14)

圖3 最后一次迭代的輸出曲線和期望輸出曲線Fig.3 Tracking performance of ILC system output at the last iteration

圖4 差分型ILC學習率和校正算法收斂速度比較Fig.4 The total squared error at different numbers of iterations using the proposed ILC rule(14)and discrete differentiating ILC rules

4 結論

本文基于2D系統(tǒng)理論，對含非線性項的時變離散系統(tǒng)提出了一種改進的學習率，將2D系統(tǒng)理論引入非線性系統(tǒng)的迭代學習控制，拓寬了2D系統(tǒng)理論應用于迭代學習控制的范疇。與傳統(tǒng)的非線性系統(tǒng)的迭代學習率相比，本文提出的學習率可以有效地提高迭代學習的收斂速度，在經(jīng)過有限次的迭代后能使系統(tǒng)輸出完全跟蹤給定的輸出曲線。

［1］ LONGMAN R W.Iterative learning control and repetitive control for engineering practice［J］.International Journal of Control，2000，73(10):930－954.

［2］ 皮道映，孫優(yōu)賢.非線性時變系統(tǒng)開閉環(huán)P型迭代學習控制的收斂性［J］.自動化學報，1999，25(3):351－354.

［3］ 蔣思中，朱芳來，王心開，等.模糊增益PD型迭代學習算法及其應用［J］.電光與控制，2009，16(8):72－74.

［4］ KUREK J E，ZAREMBA M B.Iterative learning control synthesis based on 2－D system theory［J］.J of Intell Robot Syst.1993，38(1):121－125.

［5］ FANG Y，CHOW T W S.2－D analysis for iterative learning control for discrete－time systems with variable initial conditions［J］.IEEE Transactions on Circuits and Systems－I:Fundamental Theory and Applications，2003，50(5):722－727.

［6］ LI X D，HO J K L，CHOW T W S.Iterative learning control for linear time－variant discrete systems based on 2－D system theory［J］.IEE Proc:Control Theory and Applications，2005，152(1):13－18.

［7］ LI X D，CHOW T W S，HO J K L.Iterative learning control for a class of nonlinear discrete－time systems with multiple input delays［J］.International Journal of Systems Science，2008，39(4):361－369.

［8］ 蔣思中，王改云.基于2－D系統(tǒng)理論的D型開閉環(huán)迭代學習控制［J］.電光與控制，2010，17(1):37－39.

［9］ 黃彧偉，張國山.受擾動2－D線性時變系統(tǒng)的迭代學習控制［J］.控制理論與應用，2007，24(6):999－1003.

［10］ 林輝，回立川.基于影響函數(shù)的迭代控制器2－D分析與設計［J］.信息與控制，2009，38(5):558－562.

［11］ LI X D，HO J K L.Further results on iterative learning control with convergence conditions for linear timevariant discrete systems［J］.International Journal of Systems Science，2011，42(6):989－996.

［12］ SAAB S S.Robustness and convergence rate of a discrete－time learning control algorithm for a class of nonlinear systems［J］.International Journal of Robust Nonlinear Control，1999，9(9):559－571.