研究背景
一些实际工程系统具有在有限的时间内重复地执行相同控制任务的特性。迭代学习控制为这类具有重复特性的系统提供了一种有效的解决方法。迭代学习控制中的“学习”是指在构造当前控制算法时,利用存储设备存储的前几次迭代过程中产生的控制输入和跟踪误差信息,对当前控制输入进行学习和修正,以提高当前迭代的控制性能。数据驱动控制是指在控制器设计中不明确包含被控过程的数学模型信息,而仅利用被控系统的在线或离线输入输出数据以及通过数据处理获得的知识来设计控制器。因此,数据驱动控制方法为复杂系统的精确控制和优化提供了一种新的思路。此外,在实际工程应用中,噪声是普遍存在且不可避免的,这可能导致一些算法求解任务失败。因此,本文针对一类受各种噪声污染的离散非仿射非线性多输入多输出系统,提出了一种新的数据驱动迭代学习控制方法。
成果介绍
吉林大学通信工程学院胡云峰教授团队联合同济大学电子与信息工程学院陈虹教授团队,提出了一种面向多输入多输出重复系统的抗噪型数据驱动迭代学习控制方法,该方法利用动态线性化以及抗噪调零神经网络实现了对受各种噪声污染的离散非仿射非线性多输入多输出系统的精确控制。此外,该方法成功应用到了燃料电池热管理系统,实现了对燃料电池电堆温度的精确控制。研究成果发表于IEEE/CAA Journal of Automatica Sinica2024年第十一卷第二期:Y. Hu, C. Zhang, B. Wang, J. Zhao, X. Gong, J. Gao, and H. Chen,
“Noise-tolerant ZNN-Based data-driven
iterative learning control for discrete nonaffine nonlinear MIMO
repetitive systems,”
成果介绍
吉林大学通信工程学院胡云峰教授团队联合同济大学电子与信息工程学院陈虹教授团队,提出了一种面向多输入多输出重复系统的抗噪型数据驱动迭代学习控制方法,该方法利用动态线性化以及抗噪调零神经网络实现了对受各种噪声污染的离散非仿射非线性多输入多输出系统的精确控制。此外,该方法成功应用到了燃料电池热管理系统,实现了对燃料电池电堆温度的精确控制。研究成果发表于IEEE/CAA Journal of Automatica Sinica2024年第十一卷第二期:Y. Hu, C. Zhang, B. Wang, J. Zhao, X. Gong, J. Gao, and
